ClickHouse深度解析，收藏这一篇就够了~
一、什么是ClickHouse？
ClickHouse由俄罗斯第一大搜索引擎Yandex于2016年6月发布, 开发语言为C++,ClickHouse是一个面向联机分析处理(OLAP)的开源的面向列式存储的DBMS，简称CK, 与Hadoop、Spark这些巨无霸组件相比，ClickHouse很轻量级,查询性能非常好，使用之后会被它的性能折服，非常值得安利。
二、适用场景
- 志数据行为分析
- 标签画像的分析
- 数据集市分层
- 广告系统和实时竞价广告
- 电商和金融行业
- 实时监控和遥感测量
- 商业智能
- 在线游戏
- 信息安全
- 所有的互联网场景
三、特性
- 真正的列式数据库
- 数据压缩
- 数据的磁盘存储
- 多核并行处理
- 多服务器分布式处理（数据保存在不同的shard上，每一个shard都由一组用于容错的副本组成，可并行查询所有shard）
- 向量引擎（按列的一部分进行处理，高效实用CPU）
- 实时的数据更新（支持在表中定义主键,数据增量有序存储在mergeTree中）
- 索引（按照主键对数据进行排序，毫秒内完成对数据的查找）
- 适合在线查询
- 支持近似计算（允许牺牲精度的情况下低延迟查询）
- 支持数据复制和数据完整性（异步多主复制技术）
四、 缺陷
- 没有完整的事务支持
- 缺少高频率低延迟的修改或删除数据的能力
- 不适合通过其检索单行的点查询
- 联机事物处理
- 二进制数据或文件存储
- 键值对数据高效率访问请求
五、核心概念 5.1.表引擎（Engine） 表引擎决定了数据在文件系统中的存储方式，常用的也是官方推荐的存储引擎是MergeTree系列，如果需要数据副本的话可以使用ReplicatedMergeTree系列，相当于MergeTree的副本版本。读取集群数据需要使用分布式表引擎Distribute。 5.2.表分区（Partition） 表中的数据可以按照指定的字段分区存储，每个分区在文件系统中都是都以目录的形式存在。常用时间字段作为分区字段，数据量大的表可以按照小时分区，数据量小的表可以在按照天分区或者月分区，查询时，使用分区字段作为Where条件，可以有效的过滤掉大量非结果集数据。 5.3.分片（Shard） 一个分片本身就是ClickHouse一个实例节点，分片的本质就是为了提高查询效率，将一份全量的数据分成多份（片），从而降低单节点的数据扫描数量，提高查询性能。 5.4. 复制集（Replication） 简单理解就是相同的数据备份，在CK中通过复制集，我们实现保障了数据可靠性外，也通过多副本的方式，增加了CK查询的并发能力。这里一般有2种方式：（1）基于ZooKeeper的表复制方式；（2）基于Cluster的复制方式。由于我们推荐的数据写入方式本地表写入，禁止分布式表写入，所以我们的复制表只考虑ZooKeeper的表复制方案。 5.5.集群（Cluster） 可以使用多个ClickHouse实例组成一个集群，并统一对外提供服务。 六、主要表引擎深入解析 6.1.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，数据附加到文件末尾. 缺点：（1）没有并发控制（没有做优化，同时写会数据会损坏，报错） （2）不支持索引 （3）数据存储在磁盘上 优点：（1）小表节省空间 （2）数据写入，只查询，不做增删改操作创建表： create table stu1(id Int8, name String)ENGINE=TinyLog 6.2. Memory 内存引擎，数据以未压缩的原始形式直接保存在内存中，服务器重启，数据会消失，读写操作不会相互阻塞，不支持索引。建议上限1亿行的场景。优点：简单查询下有非常高的性能表现（超过10G/s） 创建表: create table stu1(id Int8, name String)ENGINE=Merge(db_name, 'regex_tablename') 6.3.Merge 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，那些真正被读取到数据的表的索引（如果有的话）会被占用,默认是本地表，不能跨机器。参数：一个数据库名和一个用于匹配表名的正则表达式 创建表： create table t1(id Int8, name String)ENGINE=TinyLog create table t2(id Int8, name String)ENGINE=TinyLog create table t3(id Int8, name String)ENGINE=TinyLog create table t (id UInt16, name String)ENGINE=Merge(currentDatabase(), ‘^t’) 6.4.MergeTree ck中最强大的表引擎MergeTree(合并树)和该系列（*MergeTree）中的其他引擎。使用场景：有巨量数据要插入到表中，高效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）数据进行存储，会高效很多。优点：（1）数据按主键排序 （2）可以使用分区（如果指定了主键）（3）支持数据副本 （4）支持数据采样 创建表： ENGINE MergeTree() PARTITION BY toYYYYMM(EventDate) ORDER BY (CounterID, EventDate, intHash32(UserID)) SAMPLE BY intHash32(UserID) SETTINGS index_granularity=8192
插入数据：
6.5.ReplacingMergeTree 在MergeTree的基础上，增加了“处理重复数据”的功能，和MergeTree的不同之处在于他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，所以你无法预先做出计划，有一些数据可能仍未被处理，适用于在后台清除重复的数据以节省空间，但是不保证没有重复的数据出现。创建表：
6.6.SummingMergeTree 继承自MergeTree,区别在于，当合并SummingMergeTree表的数据片段时，ck会把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。
6.7.Distributed(重点) 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，远程服务器的索引（如果有的话）会被使用。
七、最佳实践 7.1.HDFS数据导入Clickhouse 创建hdfs_engine CREATE TABLE hdfs_engine_table (name String, value UInt32) ENGINE=HDFS('hdfs://hdfs1:9000/other_storage', 'TSV') File file INSERT INTO hdfs_engine_table VALUES ('one', 1), ('two', 2), ('three', 3) 数据查询 SELECT * FROM hdfs_engine_table LIMIT 2 ┌─name─┬─value─┐ │ one │ 1 │ │ two │ 2 │ └──────┴───────┘ 7.2.每分钟亿级别海量用户行为日志实时自助查询 数据链路
系统实现 在flink端动态设置schema信息，ETL处理数据，动态生成宽表，数据存入Clickhouse，按天分区，Clickhouse使用Distributed表引擎，数据保留7天，避免数据过度膨胀，导致查询性能降低，使用Redash报表工具，分析人员可以写SQL自助查询，结果自定义图表展示。 系统成果 每分钟乙级的数据量，整个数据链路数据延迟在毫秒，数据查询响应在秒级别，动态设置schema生成宽表，做到整个系统的复用性，避免重复开发，查询性能比Hive快几百倍，满足了实时性的要求。 八、大厂使用场景 1. 头条：用户行为分析系统，上报日志 大宽表，减少join，增加map数据类型，展平模型，支持动态scheam
2. 腾讯：游戏数据分析 3. 携程：内部从18年7月份开始接入试用，目前80%的业务都跑在ClickHouse上。每天数据增量十多亿，近百万次查询请求 4.快手：内部也在使用ClickHouse，存储总量大约10PB， 每天新增200TB， 90%查询小于3S 5.国外：Yandex内部有数百节点用于做用户点击行为分析，CloudFlare、Spotify等头部公司也在使用 九、结语 ClickHouse优秀的性能，适合实时OLAP场景，是一颗冉冉升起的星星，社区活跃度高，未来在大数据领域能发挥更闪耀的价值，非常期待。