Flink 电商实时数仓(二十五)：ClickHouse基础（四）语法(1)DDL(1)表引擎

表引擎

4.1 表引擎的使用

表引擎是 ClickHouse 的一大特色。可以说， 表引擎决定了如何存储标的数据。包括：

➢ 数据的存储方式和位置，写到哪里以及从哪里读取数据

➢ 支持哪些查询以及如何支持。

➢ 并发数据访问。

➢ 索引的使用（如果存在）。

➢ 是否可以执行多线程请求。

➢ 数据复制参数。

表引擎的使用方式就是必须显式在创建表时定义该表使用的引擎，以及引擎使用的相关参数。

特别注意：引擎的名称大小写敏感

4.2 TinyLog

　　以列文件的形式保存在磁盘上，不支持索引，没有并发控制。一般保存少量数据的小表，生产环境上作用有限。可以用于平时练习测试用。

如：

create table t_tinylog ( id String, name String) engine=TinyLog;

4.3 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。

4.4 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，支持索引和分区，地位可以相当于 innodb 之于 Mysql。 而且基于MergeTree，还衍生除了很多小弟，也是非常有特色的引擎。

➢ 建表语句

create table t_order_mt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime
) engine =MergeTree
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id);

➢ 插入数据

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

　　MergeTree 其实还有很多参数(绝大多数用默认值即可)，但是三个参数是更加重要的，也涉及了关于 MergeTree 的很多概念。

4.4.1 partition by 分区 （可选项）

➢ 作用

　　学过 hive 的应该都不陌生，分区的目的主要是降低扫描的范围，优化查询速度

➢ 如果不填

　　只会使用一个分区。

➢ 分区目录

　　MergeTree 是以列文件+索引文件+表定义文件组成的，但是如果设定了分区那么这些文件就会保存到不同的分区目录中。

➢ 并行

　　分区后，面对涉及跨分区的查询统计，ClickHouse 会以分区为单位并行处理。

➢ 数据写入与分区合并

　　任何一个批次的数据写入都会产生一个临时分区，不会纳入任何一个已有的分区。写入后的某个时刻（大概 10-15 分钟后），ClickHouse 会自动执行合并操作（等不及也可以手动通过 optimize 执行），把临时分区的数据，合并到已有分区中。

optimize table xxxx final;

➢ 例如

再次执行上面的插入操作

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

查看数据并没有纳入任何分区

手动 optimize 之后

hadoop202 :) optimize table t_order_mt final;

再次查询

 

 

 

 

 

4.4.2 primary key 主键(可选)

　　ClickHouse 中的主键，和其他数据库不太一样，它只提供了数据的一级索引，但是却不是唯一约束。这就意味着是可以存在相同 primary key 的数据的。

　　主键的设定主要依据是查询语句中的 where 条件。

　　根据条件通过对主键进行某种形式的二分查找，能够定位到对应的 index granularity,避免了全表扫描。

　　index granularity： 直接翻译的话就是索引粒度，指在稀疏索引中两个相邻索引对应数据的间隔。ClickHouse 中的 MergeTree 默认是 8192。官方不建议修改这个值，除非

该列存在大量重复值，比如在一个分区中几万行才有一个不同数据。

　　稀疏索引的好处就是可以用很少的索引数据，定位更多的数据，代价就是只能定位到索引粒度的第一行，然后再进行进行一点扫描。 

4.4.3 order by（必选）

　　order by 设定了分区内的数据按照哪些字段顺序进行有序保存。

　　order by 是 MergeTree 中唯一一个必填项，甚至比 primary key 还重要，因为当用户不设置主键的情况，很多处理会依照 order by 的字段进行处理（比如后面会讲的去重和

汇总）。

　　要求：主键必须是 order by 字段的前缀字段。

　　比如 order by 字段是 (id,sku_id) 那么主键必须是 id 或者(id,sku_id)

4.4.4 二级索引

　　目前在 ClickHouse 的官网上二级索引的功能是被标注为实验性的。 

(1)使用二级索引前需要增加设置

是否允许使用实验性的二级索引 

set allow_experimental_data_skipping_indices=1;

(2)创建测试表

create table t_order_mt2(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2),
 create_time Datetime,
INDEX a total_amount TYPE minmax GRANULARITY 5
) engine =MergeTree
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

其中 GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

(3)插入数据 

insert into t_order_mt2 values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

(4)对比效果

那么在使用下面语句进行测试，可以看出二级索引能够为非主键字段的查询发挥作用。 

[atguigu@hadoop202 lib]$ clickhouse-client --send_logs_level=trace <<< 'select

* from t_order_mt2 where total_amount > toDecimal32(900., 2)';

4.4.5 数据 TTL

TTL 即 Time To Live，MergeTree 提供了可以管理数据或者列的生命周期的功能。

(1)列级别 TTL

➢ 创建测试表

create table t_order_mt3(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,
 create_time Datetime 
) engine =MergeTree
partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

➢ 插入数据（注意：根据实际时间改变）

insert into t_order_mt3 values
(106,'sku_001',1000.00,'2020-06-12 22:52:30'),
(107,'sku_002',2000.00,'2020-06-12 22:52:30'),
(110,'sku_003',600.00,'2020-06-13 12:00:00');

➢ 手动合并，查看效果 到期后，指定的字段数据归 0

(2)表级 TTL

下面的这条语句是数据会在 create_time 之后 10 秒丢失

alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;

涉及判断的字段必须是 Date 或者 Datetime 类型，推荐使用分区的日期字段。

能够使用的时间周期：

- SECOND

- MINUTE

- HOUR

- DAY

- WEEK

- MONTH

- QUARTER

- YEAR  

4.5 ReplacingMergeTree

　　ReplacingMergeTree 是 MergeTree 的一个变种，它存储特性完全继承 MergeTree，只是多了一个去重的功能。 尽管 MergeTree 可以设置主键，但是 primary key 其实没有

唯一约束的功能。如果你想处理掉重复的数据，可以借助这个 ReplacingMergeTree。

➢ 去重时机

　　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。

➢ 去重范围

　　如果表经过了分区，去重只会在分区内部进行去重，不能执行跨分区的去重。所以 ReplacingMergeTree 能力有限，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。

➢ 案例演示

◼ 创建表

create table t_order_rmt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) ,
 create_time Datetime 
) engine =ReplacingMergeTree(create_time)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);

ReplacingMergeTree() 填入的参数为版本字段，重复数据保留版本字段值最大的。

如果不填版本字段，默认按照插入顺序保留最后一条。

◼ 向表中插入数据

insert into t_order_rmt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

◼ 执行第一次查询

hadoop202 :) select * from t_order_rmt;

◼ 手动合并

OPTIMIZE TABLE t_order_rmt FINAL;

◼ 再执行一次查询

hadoop202 :) select * from t_order_rmt;

➢ 通过测试得到结论

◼ 实际上是使用 order by 字段作为唯一键

◼ 去重不能跨分区

◼ 只有合并分区才会进行去重

◼ 认定重复的数据保留，版本字段值最大的

◼ 如果版本字段相同则按插入顺序保留最后一笔

4.6 SummingMergeTree

　　对于不查询明细，只关心以维度进行汇总聚合结果的场景。如果只使用普通的MergeTree 的话，无论是存储空间的开销，还是查询时临时聚合的开销都比较大。

　　ClickHouse 为了这种场景，提供了一种能够“预聚合”的引擎 SummingMergeTree

➢ 案例演示

◼ 创建表

create table t_order_smt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) ,
 create_time Datetime 
) engine =SummingMergeTree(total_amount)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id );

◼ 插入数据

insert into t_order_smt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

◼ 执行第一次查询

hadoop202 :) select * from t_order_smt;

◼ 手动合并

OPTIMIZE TABLE t_order_smt FINAL;

◼ 再执行一次查询

hadoop202 :) select * from t_order_smt;

➢ 通过结果可以得到以下结论

◼ 以 SummingMergeTree（）中指定的列作为汇总数据列

◼ 可以填写多列必须数字列，如果不填，以所有非维度列且为数字列的字段为汇总数据列

◼ 以 order by 的列为准，作为维度列

◼ 其他的列按插入顺序保留第一行

◼ 不在一个分区的数据不会被聚合

➢ 开发建议

设计聚合表的话，唯一键值、流水号可以去掉，所有字段全部是维度、度量或者时间戳。

➢ 问题

能不能直接执行以下 SQL 得到汇总值

select total_amount from XXX where province_name=’’ and 
create_date=’xxx’

不行，可能会包含一些还没来得及聚合的临时明细

如果要是获取汇总值，还是需要使用 sum 进行聚合，这样效率会有一定的提高，但本身ClickHouse 是列式存储的，效率提升有限，不会特别明显。 

select sum(total_amount) from province_name=’’ and create_date=’xxx’