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
https://clickhouse.yandex/docs/zh/
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（-2n-1~2n-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
- 【产品】移动应用监控平台调研——bugly&fabric
产品定位 腾讯bugly和fabric不仅仅是可以帮助运营人员分析用户.优化推广的数据分析平台,也是移动开发者的异常上报平台和应用更新平台.可以同时为公司产品运营和开发人员提供服务. 产品功能 fab ...
- 【Android】Android Studio NDK 开发
Android Studio NDK 开发 记录在Android Studio中NDK简单开发的步骤 用到的Android Studio版本为3.5. 配置NDK 下载NDK 一般在SDK下已经有自带 ...
- 【Kafka】《Kafka权威指南》——提交和偏移量
KafkaConsumer(消费者)每次调用 poll()方法,它总是返回由生产者写入 Kafka但还没有被消费者读取过的记录, 我们因 此可以追踪到哪些记录是被群组里的哪个消费者读取的.之前已经讨论 ...
- C++ --const修饰指针
const修饰指针 1.const修饰指针 (常量指针)常量的指针 const int *p = &a; const修饰的是*p(表示内容为常量),不是p(指针) 指针指向的地址可以改,但指针 ...
- 产品经理如何使用 CODING 进行项目规划
CODING 为您的企业提供从概念到软件开发再到产品发布的全流程全周期软件研发管理,为您的研发团队提供全程助力,帮助研发团队捋清需求.不断迭代.快速反馈并能实时追踪项目进度直到完成.同时 CODING ...
- Mac录制或保存视频后如何放大？
想要在录制和拍摄视频后在喜欢的场景(例如Mark)中放大视频吗?本文将向您展示如何放大视频并通过裁剪视频和“平移和缩放”效果来制作Ken Burns效果.Filmora9是一款功能强大的视频编辑器,具 ...
- Appium 1.15.1版本的appium-doctor不是内部或者外部命令的问题
先讲一下整个app自动化环境的部署过程: 1.安装appium 2.安装nodejs 3.查看appium的环境是否完成 问题:安装appium和nodejs都没啥问题,直接到对应的官网下载然后安装即 ...
- Java之Iterator接口（遍历单列集合的迭代器）
Iterator接口概述 在程序开发中,经常需要遍历集合中的所有元素.针对这种需求,JDK专门提供了一个接口java.util.Iterator . Iterator 接口也是Java集合中的一员,但 ...
- IT兄弟连 HTML5教程 HTML5表单 新增的表单属性2
5 height和width属性 height和width属性规定用于image类型和input标签的图像高度和宽度.图像通常会同时指定高度和宽度属性.如果图像设置高度和宽度,图像所需的空间在加载页 ...
- Ubuntu下预览raw格式图片
默认Ubuntu下资源管理器是不可以直接预览raw格式图片的,这就给查看图片带来很大的不便,下面我们就选择安装UFRaw来预览Raw格式图片 1. 首先在terminal安装UFRaw sudo ap ...