ClickHouse--01--简介

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录

[1. ClickHouse 简介](#1. ClickHouse 简介)
- - - [官网： [https://clickhouse.com/docs/zh\](https://clickhouse.com/docs/zh)](#官网： https://clickhouse.com/docs/zh)
- [1.1 大数据处理场景](#1.1 大数据处理场景)
- [1.2 什么是 ClickHouse](#1.2 什么是 ClickHouse)
- [1.3 OLAP 场景的特征](#1.3 OLAP 场景的特征)
[2. ClickHouse 特性](#2. ClickHouse 特性)
- [2.1 完备的 DBMS 功能](#2.1 完备的 DBMS 功能)
- [2.2 列式存储](#2.2 列式存储)
- - - [行式存储: 在数据==写入==和==修改==上具有优势](#行式存储: 在数据==写入==和==修改==上具有优势)
    - [列式存储: 在数据==读取和解析==、==分析数据==上具有优势](#列式存储: 在数据==读取和解析==、==分析数据==上具有优势)
    - 列式储存的好处：
- [2.3 数据压缩](#2.3 数据压缩)
- [2.4 向量化执行引擎](#2.4 向量化执行引擎)
- [2.5 关系模型与标准 SQL 查询](#2.5 关系模型与标准 SQL 查询)
- - - [ClickHouse 是==大小写敏感==，SELECT a 和 SELECT A 所代表的语义不同](#ClickHouse 是==大小写敏感==，SELECT a 和 SELECT A 所代表的语义不同)
- [2.6 多样化的表引擎](#2.6 多样化的表引擎)
- [2.7 多线程与分布式](#2.7 多线程与分布式)
- [2.8 多主架构](#2.8 多主架构)
- [2.9 交互式查询](#2.9 交互式查询)
- [2.10 数据分片与分布式查询](#2.10 数据分片与分布式查询)

1. ClickHouse 简介

官网： https://clickhouse.com/docs/zh

1.1 大数据处理场景

在大数据处理场景中，流处理和批处理使用到的技术大致如下：

1.2 什么是 ClickHouse

ClickHouse 是俄罗斯的 Yandex 于 2016 年开源的列式存储数据库（DBMS），使用 C++语言编写，主要用于在线分析处理查询（OLAP），能够使用 SQL 查询实时生成分析数据报告

ClickHouse 是一个开源的，用于联机分析（OLAP）的列式数据库管理系统（DBMS-database manager system）, 它是面向列的，并允许使用 SQL 查询，实时生成分析报告。ClickHouse 最初是一款名Yandex.Metrica 的产品，主要用于 WEB流量分析。ClickHouse 的全称是 Click Stream，Data WareHouse，简称 ClickHouse。
ClickHouse 不是一个单一的数据库,它允许在运行时创建表和数据库，加载数据和运行查询，而无需重新配置和重新启动服务器。ClickHouse 同时支持列式存储和数据压缩，这是对于一款高性能数据库来说是必不可少的特性。

一个非常流行的观点认为，如果你想让查询变得更快，最简单且有效的方法是减少数据扫描范围和数据传输时的大小，而列式存储和数据压缩就可以帮助我们实现上述两点，列式存储和数据压缩通常是伴生的，因为一般来说列式存储是数据压缩的前提

1.3 OLAP 场景的特征

 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。有副本情况下，写入一个即可，后台自动同步。

 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。

通过以上 OLAP 场景分析特点很容易可以看出，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。