数仓选型必列入考虑的OLAP列式数据库ClickHouse（上）

概述

定义

ClickHouse官网地址 https://clickhouse.com/ 最新版本22.4.5.9

ClickHouse官网文档地址 https://clickhouse.com/docs/zh

ClickHouseGitHub源码地址 https://github.com/ClickHouse/ClickHouse

ClickHouse是俄罗斯的 Yandex 于 2016 年开源的用于在线分析处理查询（OLAP :Online Analytical Processing）MPP架构的列式存储数据库（DBMS：Database Management System），能够使用 SQL 查询实时生成分析数据报告。ClickHouse的全称是Click Stream，Data WareHouse。ClickHouse可以做用户行为分析，流批一体，其线性扩展和可靠性保障能够原生支持 分片和副本，shard + replication，ClickHouse没有走hadoop生态自己实现分布式存储。

• OLAP场景的关键特征
  • 绝大多数是读请求
  • 数据以相当大的批次(> 1000行)更新，而不是单行更新;或者根本没有更新。
  • 已添加到数据库的数据不能修改。
  • 对于读取，从数据库中提取相当多的行，但只提取列的一小部分。
  • 宽表，即每个表包含着大量的列
  • 查询相对较少(通常每台服务器每秒查询数百次或更少)
  • 对于简单查询，允许延迟大约50毫秒
  • 列中的数据相对较小：数字和短字符串(例如，每个URL 60个字节)
  • 处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)
  • 事务不是必须的
  • 对数据一致性要求低
  • 每个查询有一个大表。除了他以外，其他的都很小。
  • 查询结果明显小于源数据。换句话说，数据经过过滤或聚合，因此结果适合于单个服务器的RAM中
• 很容易可以看出，OLAP场景与其他通常业务场景(例如,OLTP或K/V)有很大的不同， 因此想要使用OLTP或Key-Value数据库去高效的处理分析查询场景，并不是非常完美的适用方案。例如，使用OLAP数据库去处理分析请求通常要优于使用MongoDB或Redis去处理分析请求。
• 列式数据库更适合OLAP场景的原因
  • 针对分析类查询，通常只需要读取表的一小部分列。在列式数据库中你可以只读取你需要的数据。例如，如果只需要读取100列中的5列，这将帮助你最少减少20倍的I/O消耗。
  • 由于数据总是打包成批量读取的，所以压缩是非常容易的。同时数据按列分别存储这也更容易压缩。这进一步降低了I/O的体积。
  • 由于I/O的降低，这将帮助更多的数据被系统缓存。
• CPU
  • 向量引擎：所有的操作都是为向量而不是为单个值编写的。这意味着多个操作之间的不再需要频繁的调用，并且调用的成本基本可以忽略不计。操作代码包含一个优化的内部循环。
  • 代码生成：生成一段代码，包含查询中的所有操作。

特性

• 真正的列式数据库管理系统：ClickHouse不单单是一个数据库， 它是一个数据库管理系统。因为它允许在运行时创建表和数据库、加载数据和运行查询，而无需重新配置或重启服务.
• 数据压缩：支持通用压缩编解码器之外，ClickHouse还提供针对特定类型数据的专用编解码器。
• 数据的磁盘存储：ClickHouse被设计用于工作在传统磁盘上的系统，它提供每GB更低的存储成本，但如果可以使用SSD和内存，它也会合理的利用这些资源。
• 多核心并行处理
• 多服务器分布式处理
• 支持SQL
• 向量引擎
• 实时的数据更新
• 索引
• 适合在线查询
• 支持近似计算
• 自适应连接算法
• 支持数据复制和数据完整性
• 角色的访问控制
• 限制
  • 没有完整的事务支持。
  • 缺少高频率，低延迟的修改或删除已存在数据的能力。仅能用于批量删除或修改数据，但这符合 GDPR。
  • 稀疏索引使得ClickHouse不适合通过其键检索单行的点查询。

性能

• 单个大查询吞吐量：如果数据被放置在page cache中，则一个不太复杂的查询在单个服务器上大约能够以2-10GB／s（未压缩）的速度进行处理。
• 处理短查询的延迟时间：如果一个查询使用主键并且没有太多行(几十万)进行处理，并且没有查询太多的列，那么在数据被page cache缓存的情况下，它的延迟应该小于50毫秒。
• 处理大量短查询的吞吐量：在相同的情况下，ClickHouse可以在单个服务器上每秒处理数百个查询。
• 写入速度大约为50到200MB/s。如果您写入的数据每行为1Kb，那么写入的速度为50，000到200，000行每秒。

为什么ClickHouse这么快？

• 面向列的存储:源数据通常包含数百甚至数千列，而报表可以只使用其中的少数列。系统需要避免读取不必要的列，否则最昂贵的磁盘读取操作将被浪费。
• 索引:ClickHouse将数据结构保存在内存中，不仅允许读取已使用的列，还允许读取这些列的必要行范围。
• 数据压缩:将同一列的不同值存储在一起通常会带来更好的压缩比(与面向行的系统相比)，因为在实际数据中，列的相邻行通常具有相同或不那么多的不同值。除了通用压缩，ClickHouse还支持专门的编解码器，可以使数据更加紧凑。
• 向量化查询执行:ClickHouse不仅在列中存储数据，还在列中处理数据。它可以提高CPU缓存利用率，并允许使用SIMD CPU指令。
• 可伸缩性:ClickHouse可以利用所有可用的CPU核和磁盘执行单个查询。不仅在单个服务器上，而且在集群的所有CPU核和磁盘上也是如此。

安装部署

系统要求

ClickHouse可以在任何具有x86_64，AArch64或PowerPC64LE CPU架构的Linux，FreeBSD或Mac OS X上运行。

官方预构建的二进制文件通常针对x86_64进行编译，并利用SSE 4.2指令集，因此，除非另有说明，支持它的CPU使用将成为额外的系统需求。下面是检查当前CPU是否支持SSE 4.2的命令:

$ grep -q sse4_2 /proc/cpuinfo && echo "SSE 4.2 supported" || echo "SSE 4.2 not supported"

要在不支持SSE 4.2或AArch64，PowerPC64LE架构的处理器上运行ClickHouse，您应该通过适当的配置调整从源代码构建ClickHouse。

可用安装包

• DEB安装包
• RPM安装包
• Tgz安装包
• Docker安装包
• 其他环境安装包
• 使用源码安装

安装包列表：

• clickhouse-common-static — ClickHouse编译的二进制文件。
• clickhouse-server — 创建clickhouse-server软连接，并安装默认配置服务
• clickhouse-client — 创建clickhouse-client客户端工具软连接，并安装客户端配置文件。
• clickhouse-common-static-dbg — 带有调试信息的ClickHouse二进制文件。

单机RPM包安装

单机部署比较简单，执行完下面四条命令就可以通过clickhouse-client来操作了

yum install -y yum-utilsyum-config-manager --add-repo https://packages.clickhouse.com/rpm/clickhouse.repoyum install -y clickhouse-server clickhouse-client/etc/init.d/clickhouse-server start

集群部署

ClickHouse集群是一个同质集群，操作步骤如下

• 分别在ckserver1（192.168.5.52）、ckserver2（192.168.5.53）、huawei27（192.168.12.27）这三台上按照上面的单机部署前面3行命令安装ClickHouse服务端。需提前准备Zookeeper，这样使用的是提前建好的3台Zookeeper集群（Zookeeper部署可以查看之前的文章）。
• 在配置文件中设置集群配置。主要配置zookeeper、remote_servers和macros节点数据，而macros数据在每个节点分别配置，ckserver1配置为01，ckserver2配置02，huawei27配置为03，在下面示例为配置一个3个分片和3个副本的集群。

    <zookeeper>        <node>            <host>huawei27</host>            <port>2181</port>        </node>        <node>            <host>huawei28</host>            <port>2181</port>        </node>        <node>            <host>huawei29</host>            <port>2181</port>        </node>    </zookeeper>    <remote_servers>        <perftest_3shards_3replicas>            <shard>                <replica>                    <host>ckserver1</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>ckserver2</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>huawei27</host>                    <port>9000</port>                 </replica>            </shard>            <shard>                <replica>                    <host>ckserver1</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>ckserver2</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>huawei27</host>                    <port>9000</port>                 </replica>            </shard>            <shard>                <replica>                    <host>ckserver1</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>ckserver2</host>                    <port>9000</port>                 </replica>                 <replica>                    <host>huawei27</host>                    <port>9000</port>                 </replica>            </shard>        </perftest_3shards_3replicas>    </remote_servers>    <macros>        <shard>01</shard>        <replica>01</replica>    </macros>

修改完配置后分别在三台上执行/etc/init.d/clickhouse-server start，查询集群信息如下

接口

• ClickHouse提供了一个原生命令行客户端clickhouse-client客户端支持命令行
  • --host, -h -– 服务端的host名称, 默认是localhost。您可以选择使用host名称或者IPv4或IPv6地址。
  • --port – 连接的端口，默认值：9000。注意HTTP接口以及TCP原生接口使用的是不同端口。
  • --user, -u – 用户名。 默认值：default。
  • --password – 密码。 默认值：空字符串。
  • --query, -q – 使用非交互模式查询。
  • --database, -d – 默认当前操作的数据库. 默认值：服务端默认的配置（默认是default）。
  • --multiline, -m – 如果指定，允许多行语句查询（Enter仅代表换行，不代表查询语句完结）。
  • --multiquery, -n – 如果指定, 允许处理用;号分隔的多个查询，只在非交互模式下生效。
  • --format, -f – 使用指定的默认格式输出结果。
  • --vertical, -E – 如果指定，默认情况下使用垂直格式输出结果。这与–format=Vertical相同。在这种格式中，每个值都在单独的行上打印，这种方式对显示宽表很有帮助。
  • --time, -t – 如果指定，非交互模式下会打印查询执行的时间到stderr中。
  • --stacktrace – 如果指定，如果出现异常，会打印堆栈跟踪信息。
  • --config-file – 配置文件的名称。
  • --secure – 如果指定，将通过安全连接连接到服务器。
  • --history_file — 存放命令历史的文件的路径。
  • --param_<name> — 查询参数配置。
• HTTP客户端：HTTP接口允许您在任何编程语言的任何平台上使用ClickHouse，HTTP接口比原生接口受到更多的限制，但它具有更好的兼容性。默认情况下，clickhouse-server会在8123端口上监控HTTP请求（这可以在配置中修改）。如果你发送了一个未携带任何参数的GET /请求，它会返回一个字符串 ?Ok.?
• MySQL接口：ClickHouse支持MySQL wire通讯协议。
• JDBC驱动
  • 官网驱动
  • 第三方驱动:
    • ClickHouse-Native-JDBC
    • clickhouse4j
• ODBC驱动
• C++客户端库
• 第三方工具
  • 客户端开发库，支持多种语言如Python、Java、Go、Php、NodeJs、Swift、Ruby、R、Scala、C#、Kotlin等等
  • 第三方集成库
    • 关系数据库：MySQL、MSSQL、PostgreSQL
    • 消息队列：Kafka
    • 流处理：Flink
    • 对象存储：S3
    • 容器编排：Kubernetes
    • 监控：Grafana、Prometheus、Zabbix
  • 第三方代理
    • chproxy
    • KittenHouse
    • ClickHouse-Bulk
  • 第三方开发的可视化界面
    • 开源
      • Tabix
      • HouseOps
      • 灯塔
      • DBeaver
      • clickhouse-cli
      • clickhouse-flamegraph
      • DBM
    • 商业
      • Holistics
      • DataGrip

创建数据库

默认情况下，ClickHouse使用Atomic数据库引擎。它提供了可配置的table engines和SQL dialect。创建一个测试数据库

CREATE DATABASE test ENGINE = Atomic;use test;

创建数据表

# -m支持多行输入clickhouse-client -m

使用最常见的MergeTree表引擎创建一张用户信息表user_info

CREATE TABLE user_info(    id INT,    name String,    age Int8,    sex Int8,    career INT,    birthday Date) ENGINE = MergeTree()PARTITION BY toYYYYMM(birthday)ORDER BY (career, birthday);

# user_info插入两行数据insert into user_info values(100,'张三',27,1,1000,'1998-05-21'),(101,'李婷',28,2,1001,'2000-07-25');# 查询user_info数据select * from user_info;

至此，ClickHouse的环境已经完全准备就绪，下一篇我们先通过一个案例需求学习ClickHouse使用，然后再层层深入。