战斗民族开源神器ClickHouse：一款适合于构建量化回测研究系统的高性能列式数据库（一）

编辑部原创

编译：wally21st、 西西

未经允许，不得转载

对于一些私募、投资机构和个人来说，量化投资研究、回测离不开数据的支持。当数据量达到一定数量，如A股所有频率和种类的数据等等。这时候需要的是对数据有效的储存和管理。今年6月才开源的数据库ClickHouse，为我们提供了福音。ClickHouse来自俄罗斯，又是刚刚开源，社区也是俄语为主。因此，大家对它并不是很熟悉，用的人也不是很多。

我们对比一下他的速度

一个字

快

上面是100M数据集的跑分结果：ClickHouse 比 Vertia 快约5倍，比 Hive 快279倍，比 My SQL 快801倍。 举个例子：ClickHouse 1秒，Vertica 5.42秒，Hive 279秒；

今天，公众号开始连载ClickHouse的文档，由特约作者：wally21st、西西翻译和解释。希望在量化圈对于数据管理苦恼的人们，带来一些有用的信息和帮助。

私募和机构对于数据是渴求的，但是拿到那么多数据怎么管理也是一门很深的学问。

由于译者英文水平、数据库技术和时间精力所限，希望大家一起参与翻译和研究。

参与请联系邮箱：lhtzjqxx@163.com

介绍第一节

Clickhouse是什么

Clickhouse是一个用于联机分析处理（OLAP）的列式数据库管理系统（columnar DBMS）。

在通常的按行存储的数据库中，数据是按照如下顺序存储的：

换句话说，一行内的所有数据都彼此依次存储。像这样的行式数据库包括MySQL、Postgres、MS SQL-Server等。

在面向列的数据库管理系统中，数据是这样存储的：

这些例子只显示了数据排列的顺序。来自不同列的值分别存储，而来自同一列的数据存储在一起。列式数据库例如有：Vertica, Paraccel (Actian Matrix) (Amazon Redshift), Sybase IQ, Exasol, Infobright, InfiniDB, MonetDB (VectorWise) (Actian Vector), LucidDB, SAP HANA, Google Dremel, Google PowerDrill, Druid, kdb+等。

不同的数据存储顺序适合不同的应用场景。对于数据访问场景而言，通常关注的是：多久、以多少比例进行怎样的查询；对不同类型（行、列、字节）的查询，需要读取多少数据量；读取与更新数据之间的关系；数据的工作规模量和如何在本地使用数据；是否使用事务和事务的隔离问题；数据复制和逻辑完整性的要求；对各种查询类型的延迟和吞吐量的要求。

系统负载越高，为场景进行系统定制化就越重要，定制化就越具体。没有一个系统能同样适用于极其不同的场景。在高负载下，一个能适应众多场景的系统，要么在各个场景下表现得都很差，要么仅仅只能较好地处理某一场景的问题。

我们认为，以下几条针对的是联机分析处理（OLAP）应用场景：

• 绝大多数请求都是用于读访问的。
• 数据需要以大批次（大于1000行）进行更新，而不是单行更新；或者根本没有更新操作。
• 数据只是添加到数据库，没有必要修改。
• 读取数据时，会从数据库中提取出大量的行，但只用到一小部分列。
• 表很“宽”，即表中包含大量的列
• 查询频率相对较低（通常每台服务器每秒查询数百次或更少）。
• 对于简单查询，允许大约50毫秒的延迟。
• 列的值是比较小的数值和短字符串（例如，每个URL只有60个字节）。
• 在处理单个查询时需要高吞吐量（每台服务器每秒高达数十亿行）。
• 不需要事务。
• 数据一致性要求较低。
• 每次查询中只会查询一个大表。除了一个大表，其余都是小表。
• 查询结果显著小于数据源。即数据有过滤或聚合。返回结果不超过单个服务器内存大小。

显然，OLAP场景与其他常用的应用场景非常不同，如OLTP或key-Value获取的场景。所以，如果你在处理分析型查询中想要获得高性能，没有任何理由去使用OLTP或键值数据库。打个比方，如果你想用MongoDB或者Elliptics做数据分析，你会“爽”到极点，谁用谁知道。

列式数据库更适合OLAP场景（大多数查询的处理速度至少提高100倍），原因如下：

1、I/O的原因：

a. 对于分析型查询，只需要读取少量的列。在列式数据库中，你能只读取你需要的。例如，如果你需要100个列中的5个，你可以预期I/O减少20倍。

b. 由于数据是打包读取的，所以更容易压缩。列式数据更容易压缩，也进一步降低了I/O量。

c. 由于减少了I/O，更多数据可以进入系统缓存。例如，查询“计算每个广告平台的记录数”，需要读取一个“广告平台ID”的列，该列未压缩时占用1字节空间。如果大多数流量不是来自广告平台，你可以期望把此列至少压缩10倍。采用快速压缩算法，数据解压缩的速度可以达到每秒解出几个GB的数据。换句话说，这个查询可以以每秒大约数十亿行的速度在单台服务器上处理。这个速度在实践中是被检验过的。

举个栗子：

2、CPU的原因

由于执行查询需要处理大量的行，所以它有助于以整个向量方式分发所有运算，而不是按单独的行。它也有助于实现查询引擎，因此几乎没有分发成本。如果不这样做，对于任何像样的磁盘子系统，查询解释器不可避免地会阻塞CPU。因此，如果可以的话，将数据按列存储和处理，是明智之举。

有两种方法可以实现这一点：

1. 一个向量引擎。所有操作都是为向量，而不是为单独的值编写的。这意味着你不需要经常调用运算，而且分发成本可以忽略不计运算代码包含一个优化的内部循环。
2. 代码生成。为查询生成的代码包含了所有的间接调用。

这不是在“普通”的数据库中完成的，因为执行简单查询是没有意义的。然而，也有例外，例如MemSQL使用代码生成来减少处理SQL查询时的延迟。（对比而言，分析型数据库系统需要优化吞吐量，而不是优化延迟）。

注意，为了CPU效率，查询语言必须是声明式的（SQL或MDX），或者至少是一个向量（J.K）。考虑到优化，查询应该只包含隐式循环。