ClickHouse

ClickHouse 是俄罗斯的Yandex于2016年开源的列式存储数据库（DBMS），主要用于在线分析处理查询（OLAP），能够使用SQL查询实时生成分析数据报告

1 安装前的准备
1.1 CentOS取消打开文件数限制

在/etc/security/limits.conf、/etc/security/limits.d/90-nproc.conf这2个文件的末尾加入一下内容：

[root@hadoop101 ~]# vim /etc/security/limits.conf

在文件末尾添加：

* soft nofile

* hard nofile

* soft nproc

* hard nproc 

[root@hadoop101 ~]# vim /etc/security/limits.d/-nproc.conf

在文件末尾添加：

* soft nofile

* hard nofile

* soft nproc

* hard nproc

重启服务器之后生效，用ulimit -n 或者ulimit -a查看设置结果

[root@hadoop101 ~]# ulimit -n

1.2 CentOS取消SELINUX
修改/etc/selinux/config中的SELINUX=disabled后重启

[root@hadoop101 ~]# vim /etc/selinux/config

SELINUX=disabled

1.3 关闭防火墙

[root@hadoop101 ~]# service iptables stop

[root@hadoop101 ~]# service ip6tables stop

ip6tables：将 chains 设置为 ACCEPT 策略：filter            [确定]

ip6tables：清除防火墙规则：                                [确定]

：正在卸载模块：                                           [确定]

1.4 安装依赖

[root@hadoop101 ~]# yum install -y libtool

[root@hadoop101 ~]# yum install -y *unixODBC*

安装--3台机器都要进行安装；

[root@hadoop101 module]# rpm -ivh *.rpm

Preparing...                ########################################### [%]

   :clickhouse-server-commo########################################### [ %]

   :clickhouse-server      ########################################### [ %]

   :clickhouse-client      ########################################### [ %]

   :clickhouse-debuginfo   ########################################### [ %]

   :clickhouse-compressor  ########################################### [%]

启动ClickServer

前台启动：

[root@hadoop101 module]# clickhouse-server --config-file=/etc/clickhouse-server/config.xml

后台启动：

[root@hadoop101 module]# nohup clickhouse-server --config-file=/etc/clickhouse-server/config.xml  >null >& &

[]

使用client连接server

[root@hadoop101 ~]# clickhouse-client

ClickHouse client version 1.1..

Connecting to localhost:.

Connected to ClickHouse server version 1.1..

:) show databases;

SHOW DATABASES

┌─name────┐

│ default │

│ system  │

└─────────┘

 rows in set. Elapsed: 0.003 sec.

分布式集群安装

三台机器修改配置文件config.xml

注意：上面标红的地方需要根据机器不同去修改

[root@hadoop101 ~]# vim /etc/clickhouse-server/config.xml

<listen_host>::</listen_host>

<!-- <listen_host>::</listen_host> -->

<!-- <listen_host>127.0.0.1</listen_host> -->

分发

[root@hadoop101 ~]# xsync /etc/clickhouse-server/config.xml

在三台机器的etc目录下新建metrika.xml文件

注意 NameNode 的 9000 端口号的配置！NameNode可不配置成9000，可配置为8020等。

hdfs getconf -confKey fs.default.name

INFO Configuration.deprecation: fs.default.name is deprecated. Instead, use fs.defaultFS

hdfs://hadoop101:9000

[root@hadoop101 ~]# vim /etc/metrika.xml

<yandex>

<clickhouse_remote_servers>

    <perftest_3shards_1replicas>

        <shard>

             <internal_replication>true</internal_replication>

            <replica>

                <host>hadoop101</host>

                <port></port>

            </replica>

        </shard>

        <shard>

            <replica>

                <internal_replication>true</internal_replication>

                <host>hadoop102</host>

                <port></port>

            </replica>

        </shard>

        <shard>

            <internal_replication>true</internal_replication>

            <replica>

                <host>hadoop103</host>

                <port></port>

            </replica>

        </shard>

    </perftest_3shards_1replicas>

</clickhouse_remote_servers>

<zookeeper-servers>

  <node index="">

    <host>hadoop101</host>

    <port></port>

  </node>

  <node index="">

    <host>hadoop102</host>

    <port></port>

  </node>

  <node index="">

    <host>hadoop103</host>

    <port></port>

  </node>

</zookeeper-servers>

<macros>

    <replica>hadoop101</replica>

</macros>

<networks>

   <ip>::/</ip>

</networks>

<clickhouse_compression>

<case>

  <min_part_size></min_part_size>

  <min_part_size_ratio>0.01</min_part_size_ratio>

  <method>lz4</method>

</case>

</clickhouse_compression>

</yandex>

三台机器启动ClickServer

首先在三台机器开启Zookeeper

前台启动：

[root@hadoop101 ~]# clickhouse-server --config-file=/etc/clickhouse-server/config.xml

后台启动：

[root@hadoop101 ~]# nohup clickhouse-server --config-file=/etc/clickhouse-server/config.xml  >null >& &

[]

关闭服务

[kris@hadoop101 logs]$ sudo service clickhouse-server stop  //停不掉使用下面命令

Stop clickhouse-server service:

ps -aux | grep clickhouse-server

Warning: bad syntax, perhaps a bogus '-'? See /usr/share/doc/procps-3.2./FAQ

  0.2 1.0   ? Ssl : : clickhouse-server --daemon --pid-file=/var/run/clickhouse-server/clickhouse-server.pid --config-file=/etc/clickhouse-server/config.xml

kris  0.0 0.0   pts/ R+ : : grep clickhouse-server

sudo kill -

数据类型

整型

固定长度的整型，包括有符号整型或无符号整型。

整型范围（-2^n-1~2^n-1-1）：

Int8 - [-128 : 127]
Int16 - [-32768 : 32767]
Int32 - [-2147483648 : 2147483647]
Int64 - [-9223372036854775808 : 9223372036854775807]

无符号整型范围（0~2ⁿ-1）：

UInt8 - [0 : 255]
UInt16 - [0 : 65535]
UInt32 - [0 : 4294967295]
UInt64 - [0 : 18446744073709551615]

浮点型

Float32 - float
Float64 – double

建议尽可能以整数形式存储数据。例如，将固定精度的数字转换为整数值，如时间用毫秒为单位表示，因为浮点型进行计算时可能引起四舍五入的误差。

:) select -0.9

SELECT  - 0.9

┌───────minus(, 0.9)─┐

│ 0.09999999999999998 │

└─────────────────────┘

 rows in set. Elapsed: 0.005 sec.

与标准SQL相比，ClickHouse 支持以下类别的浮点数：

Inf-正无穷：

:) select /

SELECT  /

┌─divide(, )─┐

│          inf │

└──────────────┘

 rows in set. Elapsed: 0.004 sec.

-Inf-负无穷：

:) select -/

SELECT - /

┌─divide(-, )─┐

│          -inf │

└───────────────┘

 rows in set. Elapsed: 0.003 sec.

NaN-非数字：

:) select /

SELECT  / 

┌─divide(, )─┐

│          nan │

└──────────────┘

布尔型

没有单独的类型来存储布尔值。可以使用 UInt8 类型，取值限制为 0 或 1。

字符串

　　1）String

　　　　字符串可以任意长度的。它可以包含任意的字节集，包含空字节。

　　2）FixedString(N)

　　　　固定长度 N 的字符串，N 必须是严格的正自然数。当服务端读取长度小于 N 的字符串时候，通过在字符串末尾添加空字节来达到 N 字节长度。当服务端读取长度大于 N 的字符串时候，将返回错误消息。

与String相比，极少会使用FixedString，因为使用起来不是很方便。

枚举类型

　　包括 Enum8 和 Enum16 类型。Enum 保存 'string'= integer 的对应关系。

　　Enum8 用 'String'= Int8 对描述。

　　Enum16 用 'String'= Int16 对描述。

用法演示：

创建一个带有一个枚举 Enum8('hello' = 1, 'world' = 2) 类型的列：

:) create table t_enum(x Enum8('Hello' = , 'World'=)) engine = TinyLog

CREATE TABLE t_enum

(

    x Enum8('Hello' = , 'World' = )

) ENGINE = TinyLog

Ok.

 rows in set. Elapsed: 0.016 sec. 

:) insert into t_enum values ('Hello'), ('World'), ('Hello')

INSERT INTO t_enum VALUES

Ok.

 rows in set. Elapsed: 0.003 sec. 

这个 x 列只能存储类型定义中列出的值：'hello'或'world'。如果尝试保存任何其他值，ClickHouse 抛出异常。

:) insert into t_enum values ('aa')

INSERT INTO t_enum VALUES

Exception on client:

Code: . DB::Exception: Unknown element 'aa' for type Enum8('Hello' = , 'World' = )

从表中查询数据时，ClickHouse 从 Enum 中输出字符串值。

如果需要看到对应行的数值，则必须将 Enum 值转换为整数类型。

:) select * from t_enum

SELECT *

FROM t_enum

┌─────x─┐

│ Hello │

│ World │

│ Hello │

└───────┘

 rows in set. Elapsed: 0.003 sec. 

:) select cast(x, 'Int8') from t_enum

SELECT CAST(x AS Int8)

FROM t_enum

┌─CAST(x, \'Int8\')─┐

│                  │

│                  │

│                  │

└───────────────────┘

数组

Array(T)：由 T 类型元素组成的数组。

T 可以是任意类型，包含数组类型。但不推荐使用多维数组，ClickHouse 对多维数组的支持有限。例如，不能在 MergeTree 表中存储多维数组。

可以使用array函数来创建数组：array(T)；　　也可以使用方括号：[]

创建数组案例：

:) select array(,) as x, toTypeName(x)

SELECT

    [, ] AS x,

    toTypeName(x)

┌─x─────┬─toTypeName(array(, ))─┐

│ [,] │ Array(UInt8)            │

└───────┴─────────────────────────┘

:) SELECT [, ] AS x, toTypeName(x)

SELECT

    [, ] AS x,

    toTypeName(x)

┌─x─────┬─toTypeName([, ])─┐

│ [,] │ Array(UInt8)       │

└───────┴────────────────────┘

元组

Tuple(T1, T2, ...)：元组，其中每个元素都有单独的类型。

创建元组的示例：

:) select  tuple(,'a') as x, toTypeName(x)

SELECT

    (, 'a') AS x,

    toTypeName(x)

┌─x───────┬─toTypeName(tuple(, \'a\'))─┐

│ (,'a') │ Tuple(UInt8, String)        │

└─────────┴─────────────────────────────┘

 rows in set. Elapsed: 0.004 sec.

Date

日期类型，用两个字节存储，表示从 1970-01-01 (无符号) 到当前的日期值。

还有很多数据结构，可以参考官方文档：https://clickhouse.yandex/docs/zh/data_types/

表引擎

表引擎（即表的类型）决定了：

　　1）数据的存储方式和位置，写到哪里以及从哪里读取数据

　　2）支持哪些查询以及如何支持。

　　3）并发数据访问。

　　4）索引的使用（如果存在）。

　　5）是否可以执行多线程请求。

　　6）数据复制参数。

ClickHouse的表引擎有很多，下面介绍其中几种，对其他引擎有兴趣的可以去查阅官方文档：https://clickhouse.yandex/docs/zh/operations/table_engines/

　　① TinyLog

最简单的表引擎，用于将数据存储在磁盘上。每列都存储在单独的压缩文件中，写入时，数据将附加到文件末尾。

该引擎没有并发控制

- 如果同时从表中读取和写入数据，则读取操作将抛出异常；

- 如果同时写入多个查询中的表，则数据将被破坏。

这种表引擎的典型用法是 write-once：首先只写入一次数据，然后根据需要多次读取。此引擎适用于相对较小的表（建议最多1,000,000行）。如果有许多小表，则使用此表引擎是适合的，因为它比需要打开的文件更少。当拥有大量小表时，可能会导致性能低下。不支持索引。

案例：创建一个TinyLog引擎的表并插入一条数据

:) create table t(a UInt16, b String) engine=TinyLog

##插入数据

:) insert into t (a, b) values (, 'abc');

此时我们到保存数据的目录/var/lib/clickhouse/data/default/t中可以看到如下目录结构：

[root@hadoop101 ~]# cd /var/lib/clickhouse/data/default/t

[root@hadoop101 t]# ll

总用量

-rw-r--r--  root root  5月   : a.bin

-rw-r--r--  root root  5月   : b.bin

-rw-r--r--  root root  5月   : sizes.json

[root@hadoop101 t]# cat sizes.json

{"yandex":{"a%2Ebin":{"size":""},"b%2Ebin":{"size":""}}}[root@hadoop101 t]#

a.bin 和 b.bin 是压缩过的对应的列的数据，sizes.json 中记录了每个 *.bin 文件的大小：

- *.bin是按列保存数据的文件；　　 - *.mrk保存块偏移量；　　- primary.idx保存主键索引

② Memory

内存引擎，数据以未压缩的原始形式直接保存在内存当中，服务器重启数据就会消失。读写操作不会相互阻塞，不支持索引。简单查询下有非常非常高的性能表现（超过10G/s）。

一般用到它的地方不多，除了用来测试，就是在需要非常高的性能，同时数据量又不太大（上限大概 1 亿行）的场景。

③Merge

Merge 引擎 (不要跟 MergeTree 引擎混淆) 本身不存储数据，但可用于同时从任意多个其他的表中读取数据。读是自动并行的，不支持写入。读取时，那些被真正读取到数据的表的索引（如果有的话）会被使用。

Merge 引擎的参数：一个数据库名和一个用于匹配表名的正则表达式。

案例：先建t1，t2，t3三个表，然后用 Merge 引擎的 t 表再把它们链接起来。

:)create table t1 (id UInt16, name String) ENGINE=TinyLog;

:)create table t2 (id UInt16, name String) ENGINE=TinyLog;

:)create table t3 (id UInt16, name String) ENGINE=TinyLog;

:)insert into t1(id, name) values (, 'first');

:)insert into t2(id, name) values (, 'second');

:)insert into t3(id, name) values (, 'i am in t3');

:)create table t (id UInt16, name String) ENGINE=Merge(currentDatabase(), '^t');

:) select * from t;

┌─id─┬─name─┐

│   │ second │

└────┴──────┘

┌─id─┬─name──┐

│   │ first │

└────┴───────┘

┌─id─┬─name───────┐

│      │ i am in t3 │

└────┴────────────┘

④ MergeTree

Clickhouse 中最强大的表引擎当属 MergeTree （合并树）引擎及该系列（*MergeTree）中的其他引擎。

MergeTree 引擎系列的基本理念如下。当你有巨量数据要插入到表中，你要高效地一批批写入数据片段，并希望这些数据片段在后台按照一定规则合并。相比在插入时不断修改（重写）数据进存储，这种策略会高效很多。

格式：

ENGINE [=] MergeTree(date-column [, sampling_expression], (primary, key), index_granularity)

参数解读：

date-column — 类型为 Date 的列名。ClickHouse 会自动依据这个列按月创建分区。分区名格式为 "YYYYMM" 。

sampling_expression — 采样表达式。

(primary, key) — 主键。类型为Tuple()

index_granularity — 索引粒度。即索引中相邻”标记”间的数据行数。设为 8192 可以适用大部分场景。

案例：

create table mt_table (date  Date, id UInt8, name String) ENGINE=MergeTree(date, (id, name), );

insert into mt_table values ('2019-05-01', , 'zhangsan');

insert into mt_table values ('2019-06-01', , 'lisi');

insert into mt_table values ('2019-05-03', , 'wangwu');

在/var/lib/clickhouse/data/default/mt_tree下可以看到：

[root@hadoop102 mt_table]# ls

　　20190501_20190501_2_2_0 20190503_20190503_6_6_0 20190601_20190601_4_4_0 detached

随便进入一个目录：

[root@hadoop102 20190601_20190601_4_4_0]# ls

　　checksums.txt columns.txt date.bin date.mrk id.bin id.mrk name.bin name.mrk primary.idx

- *.bin是按列保存数据的文件

- *.mrk保存块偏移量

- primary.idx保存主键索引

⑤ ReplacingMergeTree

这个引擎是在 MergeTree 的基础上，添加了“处理重复数据”的功能，该引擎和MergeTree的不同之处在于它会删除具有相同主键的重复项。数据的去重只会在合并的过程中出现。合并会在未知的时间在后台进行，所以你无法预先作出计划。有一些数据可能仍未被处理。因此，ReplacingMergeTree 适用于在后台清除重复的数据以节省空间，但是它不保证没有重复的数据出现。

格式：

　　ENGINE [=] ReplacingMergeTree(date-column [, sampling_expression], (primary, key), index_granularity, [ver])

可以看出他比MergeTree只多了一个ver，这个ver指代版本列，他和时间一起配置，区分哪条数据是最新的。

案例：

　　create table rmt_table (date Date, id UInt8, name String,point UInt8) ENGINE= ReplacingMergeTree(date, (id, name), 8192,point);

插入一些数据：

insert into rmt_table values ('2019-07-10', , 'a', );

insert into rmt_table values ('2019-07-10', , 'a', );

insert into rmt_table values ('2019-07-11', , 'a', );

insert into rmt_table values ('2019-07-11', , 'a', );

insert into rmt_table values ('2019-07-11', , 'a', );

等待一段时间或optimize table rmt_table手动触发merge，后查询

:) select * from rmt_table;

┌───────date─┬─id─┬─name─┬─point─┐

│ -- │   │ a    │     │

└────────────┴────┴──────┴───────┘

6 SummingMergeTree

该引擎继承自 MergeTree。区别在于，当合并 SummingMergeTree 表的数据片段时，ClickHouse 会把所有具有相同主键的行合并为一行，该行包含了被合并的行中具有数值数据类型的列的汇总值。如果主键的组合方式使得单个键值对应于大量的行，则可以显著的减少存储空间并加快数据查询的速度，对于不可加的列，会取一个最先出现的值。

语法：

ENGINE [=] SummingMergeTree(date-column [, sampling_expression], (primary, key), index_granularity, [columns])

columns — 包含将要被汇总的列的列名的元组

案例：

create table smt_table (date Date, name String, a UInt16, b UInt16) ENGINE=SummingMergeTree(date, (date, name), 8192, (a))

插入数据：

insert into smt_table (date, name, a, b) values ('2019-07-10', 'a', , );

insert into smt_table (date, name, a, b) values ('2019-07-10', 'b', , );

insert into smt_table (date, name, a, b) values ('2019-07-11', 'b', , );

insert into smt_table (date, name, a, b) values ('2019-07-11', 'b', , );

insert into smt_table (date, name, a, b) values ('2019-07-11', 'a', , );

insert into smt_table (date, name, a, b) values ('2019-07-12', 'c', , );

等待一段时间或optimize table smt_table手动触发merge，后查询

:) select * from smt_table

┌───────date─┬─name─┬─a─┬─b─┐

│ -- │ a    │  │  │

│ -- │ b    │  │  │

│ -- │ a    │  │  │

│ -- │ b    │  │  │

│ -- │ c    │  │  │

└────────────┴──────┴───┴───┘

发现2019-07-11，b的a列合并相加了，b列取了8（因为b列为8的数据最先插入）。

7 Distributed

分布式引擎，本身不存储数据, 但可以在多个服务器上进行分布式查询。读是自动并行的。读取时，远程服务器表的索引（如果有的话）会被使用。

Distributed(cluster_name, database, table [, sharding_key])

参数解析：

cluster_name - 服务器配置文件中的集群名,在/etc/metrika.xml中配置的

database – 数据库名

table – 表名

sharding_key – 数据分片键

案例演示：

1）在hadoop101，hadoop102，hadoop103上分别创建一个表t

　　:)create table t(id UInt16, name String) ENGINE=TinyLog;

2）在三台机器的t表中插入一些数据

　　:)insert into t(id, name) values (1, 'zhangsan');

　　:)insert into t(id, name) values (2, 'lisi');

3）在hadoop101上创建分布式表

　　:)create table dis_table(id UInt16, name String) ENGINE=Distributed(perftest_3shards_1replicas, default, t, id);

4）往dis_table中插入数据

　　:) insert into dis_table select * from t

5）查看数据量

:) select count() from dis_table

FROM dis_table

┌─count()─┐

│        │

└─────────┘

:) select count() from t

SELECT count()

FROM t

┌─count()─┐

│        │

└─────────┘

可以看到每个节点大约有1/3的数据

SQL语法

1 CREATE

1 CREATE DATABASE

用于创建指定名称的数据库，语法如下：

CREATE DATABASE [IF NOT EXISTS] db_name

如果查询中存在IF NOT EXISTS，则当数据库已经存在时，该查询不会返回任何错误。

:) create database test;

Ok.

 rows in set. Elapsed: 0.018 sec.

.2 CREATE TABLE

对于创建表，语法如下：

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster]

(

    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],

    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],

    ...

) ENGINE = engine

DEFAULT expr – 默认值，用法与SQL类似。

MATERIALIZED expr – 物化表达式，被该表达式指定的列不能被INSERT，因为它总是被计算出来的。对于INSERT而言，不需要考虑这些列。另外，在SELECT查询中如果包含星号，此列不会被查询。

ALIAS expr – 别名。

有三种方式创建表：

1）直接创建

:) create table t1(id UInt16,name String) engine=TinyLog

2）创建一个与其他表具有相同结构的表

CREATE TABLE [IF NOT EXISTS] [db.]table_name AS [db2.]name2 [ENGINE = engine]

可以对其指定不同的表引擎声明。如果没有表引擎声明，则创建的表将与db2.name2使用相同的表引擎。

:) create table t2 as t1 engine=Memory

:) desc t2

DESCRIBE TABLE t2

┌─name─┬─type───┬─default_type─┬─default_expression─┐

│ id   │ UInt16 │              │                    │

│ name   │ String │              │                    │

└──────┴────────┴──────────────┴────────────────────┘

3）使用指定的引擎创建一个与SELECT子句的结果具有相同结构的表，并使用SELECT子句的结果填充它。

语法：

CREATE TABLE [IF NOT EXISTS] [db.]table_name ENGINE = engine AS SELECT ...

实例：

先在t2中插入几条数据

:) insert into t1 values(,'zhangsan'),(,'lisi'),(,'wangwu')

:) create table t3 engine=TinyLog as select * from t1

:) select * from t3

┌─id─┬─name─────┐

│   │ zhangsan │

│   │ lisi     │

│   │ wangwu   │

└────┴──────────┘

.2 INSERT INTO

主要用于向表中添加数据，基本格式如下：

INSERT INTO [db.]table [(c1, c2, c3)] VALUES (v11, v12, v13), (v21, v22, v23), ...

实例：

:) insert into t1 values(,'zhangsan'),(,'lisi'),(,'wangwu')

还可以使用select来写入数据：

INSERT INTO [db.]table [(c1, c2, c3)] SELECT ...

实例：

:) insert into t2 select * from t3

:) select * from t2

┌─id─┬─name─────┐

│   │ zhangsan │

│   │ lisi     │

│   │ wangwu   │

└────┴──────────┘

ClickHouse不支持的修改数据的查询：UPDATE, DELETE, REPLACE, MERGE, UPSERT, INSERT UPDATE。

3 ALTER

ALTER只支持MergeTree系列，Merge和Distributed引擎的表，基本语法：

ALTER TABLE [db].name [ON CLUSTER cluster] ADD|DROP|MODIFY COLUMN ...

参数解析：

ADD COLUMN – 向表中添加新列

DROP COLUMN – 在表中删除列

MODIFY COLUMN – 更改列的类型

案例演示：

1）创建一个MergerTree引擎的表

create table mt_table (date  Date, id UInt8, name String) ENGINE=MergeTree(date, (id, name), );

2）向表中插入一些值

insert into mt_table values ('2019-05-01', , 'zhangsan');

insert into mt_table values ('2019-06-01', , 'lisi');

insert into mt_table values ('2019-05-03', , 'wangwu');

3）在末尾添加一个新列age

:)alter table mt_table add column age UInt8

:)desc mt_table

┌─name─┬─type───┬─default_type─┬─default_expression─┐

│ date │ Date   │              │                    │

│ id   │ UInt8  │              │                    │

│ name │ String │              │                    │

│ age  │ UInt8  │              │                    │

└──────┴────────┴──────────────┴────────────────────┘

:) select * from mt_table

┌───────date─┬─id─┬─name─┬─age─┐

│ -- │   │ lisi │    │

└────────────┴────┴──────┴─────┘

┌───────date─┬─id─┬─name─────┬─age─┐

│ -- │   │ zhangsan │    │

│ -- │   │ wangwu   │    │

└────────────┴────┴──────────┴─────┘

4）更改age列的类型

:)alter table mt_table modify column age UInt16

:)desc mt_table

┌─name─┬─type───┬─default_type─┬─default_expression─┐

│ date │ Date   │              │                    │

│ id   │ UInt8  │              │                    │

│ name │ String │              │                    │

│ age  │ UInt16 │              │                    │

└──────┴────────┴──────────────┴────────────────────┘

5）删除刚才创建的age列

:)alter table mt_table drop column age

:)desc mt_table

┌─name─┬─type───┬─default_type─┬─default_expression─┐

│ date │ Date   │              │                    │

│ id   │ UInt8  │              │                    │

│ name │ String │              │                    │

└──────┴────────┴──────────────┴────────────────────┘

DESCRIBE TABLE

查看表结构

:)desc mt_table

┌─name─┬─type───┬─default_type─┬─default_expression─┐

│ date │ Date   │              │                    │

│ id   │ UInt8  │              │                    │

│ name │ String │              │                    │

└──────┴────────┴──────────────┴────────────────────┘

CHECK TABLE

检查表中的数据是否损坏，他会返回两种结果：

0 – 数据已损坏

1 – 数据完整

该命令只支持Log，TinyLog和StripeLog引擎。

ClickHouse的更多相关文章

ClickHouse 快速入门
ClickHouse 是什么 ClickHouse 是一个开源的面向联机分析处理(OLAP, On-Line Analytical Processing) 的列式存储数据库管理系统. 在一个 &quo ...
彪悍开源的分析数据库-ClickHouse
https://zhuanlan.zhihu.com/p/22165241 今天介绍一个来自俄罗斯的凶猛彪悍的分析数据库:ClickHouse,它是今年6月开源,俄语社区为主,好酒不怕巷子深. 本文内 ...
使用容器编排工具docker swarm安装clickhouse多机集群
1.首先需要安装docker最新版,docker 目前自带swarm容器编排工具 2.选中一台机器作为master,执行命令sudo docker swarm init [options] 3,再需 ...
clickhouse的使用和技巧,仅个人
centos 安装clickhouse curl -s https://packagecloud.io/install/repositories/altinity/clickhouse/script. ...
clickhouse修改时区
clickhouse时区设置 sudo vim /etc/clickhouse-server/config.xml <timezone>Asia/Shanghai</timezone ...
Clickhouse v18编译记录
简介 ClickHouse是"战斗民族"俄罗斯搜索巨头Yandex公司开源的一个极具"战斗力"的实时数据分析数据库,是面向 OLAP 的分布式列式DBMS,圈内 ...
clickhouse在Linux上的安装部署
$ sudo apt-get install clustershell #输入你的管理员密码 $ cd /etc/clustershell $ sudo gedit groups #在文件中添加如下内 ...
ClickHouse之clickhouse-local
一直在慢慢的摸索clickhouse,之前是用rpm包安装的,没有发现clickhouse-local,最近在centos上面编译成功以后发现多了clickhouse-local,那么这个玩意是什么鬼 ...
ClickHouse之访问权限控制
研究ClickHouse也有几周了,今天来和大家说说ClickHouse的访问权限是怎么做的,ClickHouse不像MySQL那样,直接创建用户,而是需要在配置文件里面添加用户,一个简单的例子如下: ...
Clickhouse副本表以及分布式表简单实践
集群配置: 192.168.0.106 node3 192.168.0.101 node2 192.168.0.103 node1 zookeeper配置忽略,自行实践! node1配置: <? ...

随机推荐

vue-preview vue图片预览插件+缩略图样式
一.安装 npm i vue-preview -S 二.main.js中导入组件 //vue-preview 开始 import VuePreview from 'vue-preview'; // ...
Oracle数据库小知识点整理
-- 数据库存储数据 -- 市面上主流的数据库有哪些 -- 甲骨文 oracle mysql -- IBM db2 金融 -- 微软 sqlserver --这些是关系型数据库. -- ...
第03讲 fragment
Fragment 官网文档:https://developer.android.google.cn/guide/components/fragments 什么是Fragment 在手机上,Activi ...
centos7设置静态ip-修改配置文件方式
修改IP地址为静态地址需要修改配置文件,首先打开配置文件,在控制台输入cd /etc/sysconfig/network-scripts 输入ifconfig,这样就可以看到你的ip地址等信息了. v ...
将云数据库MongoDB(阿里云)物理备份文件下载恢复至本地自建数据库遇到的5个问题
有时候我们可能需要将云上数据库下载到本地,下面是我们在操作MongoDB数据库时遇到的五个小问题. 其实现在RDS的帮助文档写的都比较详细了,大家在第一次操作时,可以细读一下,避免一些不必要的问题 ...
[洛谷P4942][题解]小凯的数字
这题打着高精的旗号其实是闹着玩的……(我不是题目) 数据范围就是提示你这题O(1)的我们知道,一个数膜9的余数等于它数字和膜9的余数我们可以把l到r加起来然后膜9 也就是(l+r)(r-l+1)/ ...
菜鸟刷面试题（三、Redis篇）
目录: redis是什么?都有哪些使用场景? redis有哪些功能? redis和memecache有什么区别? redis为什么是单线程的? 什么是缓存穿透?怎么解决? redis支持的数据类型有哪 ...
关于操作服务器上tomcat的常用linux指令
ll: 列出目录下的所有文件 cd:切换目录 pwd:显示目前的目录 grep xxxxxx catalina.out 查询文件中关于某个信息的内容 grep -3 xxxxxxca ...
linux用户组相关，密码相关，文件操作，和启动级别
一.开机重启和用户切换注意,当关机或重启前,都应当先执行一下sync指令,把内存的数据写入磁盘,防止数据丢失. shutdown命令 shutdown -h now :立即关机 shutdown - ...
[CodeForces - 1225D]Power Products 【数论】【分解质因数】
[CodeForces - 1225D]Power Products [数论] [分解质因数] 标签:题解 codeforces题解数论题目描述 Time limit 2000 ms Memory ...

ClickHouse

数据类型

表引擎

① TinyLog

② Memory

③Merge

④ MergeTree

⑤ ReplacingMergeTree

SQL语法

ClickHouse的更多相关文章

随机推荐

热门专题

　　① TinyLog