实时电商数仓（十九）之实时数据存储与查询（九) Clickhouse (四) 表引擎

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：

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。

表引擎的使用方式就是必须显形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。如：

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

特别注意：引擎的名称大小写敏感

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。

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 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。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)


      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。

4.1 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]

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,避免了全包扫描。

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：

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。

4.3 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 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。

所以使用二级索引前需要增加设置

set allow_experimental_data_skipping_indices=1;

    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。

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。

[bigdata@hdp1 t_order_mt]$ clickhouse-client  --send_logs_level=trace <<< ‘select * from test1.t_order_mt  where total_amount > toDecimal32(900., 2)‘

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。

列级别TTL

  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

  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‘)

表级TTL

针对整张表

     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 

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。

  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，默认保留最后一条。   

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‘)

SELECT *
FROM t_order_rmt

OPTIMIZE TABLE t_order_rmt FINAL

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保留最后一笔。

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.

表定义

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‘)

optimize table t_order_smt final;

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。

其他的列保留第一行。

不在一个分区的数据不会被聚合。

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。

能不能直接 select total_amount from province_name=’’ and create_date=’xxx’ 来得到汇总值？

不行，可能会包含一些还没来得及聚合的临时明细

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

实时电商数仓（十九）之实时数据存储与查询（九) Clickhouse (四) 表引擎

原文：https://www.cnblogs.com/qiu-hua/p/13663071.html