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
一、前言
- 当数据表包含多个分片的时候,我们需要将普通的本地查询转换为分布式查询。当然,这个转换动作是不需要用户自己进行的,在ClickHouse里面会由Distributed表引擎代劳。
- Distributed表引擎的定位就好比是一个分表的中间件,它本身并不存储数据,而是分片的代理,能自动的将SQL查询路由到每个分片。
当我们面对Distributed表引擎查询的时候,它主要为我们做了3件事情:
- 发起远程调用,根据集群的配置信息,从当前节点向远端分片发起Remote远程查询调用
- 分布式表转本地表,在发送远程查询时,将SQL内的 _all表 转成 _local表
- 合并结果集,合并由多个分片返回的数据
二、案例分析
在大多数时候,面向Distributed表的SQL写法与本地查询没有多大区别。但当我们执行 IN 或者 JOIN 查询的时候,一不小心就容易掉到坑里,因为这些查询子句会面对多张数据表。
- 为了便于演示,我们简化一下场景,用一个自查询的IN子句来解释说明,假设一张表的数据如下:
bash
SELECT *
FROM test_query_local
┌─id─┬─repo─┐
│ 1 │ 100 │
│ 2 │ 100 │
│ 3 │ 100 │
│ 3 │ 200 │
│ 4 │ 200 │
└────┴──────┘
单机场景:
分布式场景:
- 现在模拟分布式的场景,把这张表进行分片操作,将它们分布到CH5和CH6两个节点,且每个节点的数据数据如下:
第一种改法
将本地表 test_query_local 改成 分布式表 test_query_all
bash
SELECT uniq(id)
FROM test_query_all
WHERE (repo = 100) AND (id IN
(
SELECT id
FROM test_query_local
WHERE repo = 200
))
┌─uniq(id)─┐
│ 0 │
└──────────┘
你会发现返回的数据不对,进一步检查,原因是由 IN 子句引起的,因为它还在使用本地表 test_query_local
- 这是什么原理呢?我们看下面这张图就明白了
第二种改法
在有了刚才的经验之后,现在把 IN 子句也替换成 _all 分布式表:
bash
SELECT uniq(id)
FROM test_query_all
WHERE (repo = 100) AND (id IN
(
SELECT id
FROM test_query_all
WHERE repo = 200
))
┌─uniq(id)─┐
│ 1 │
└──────────┘
第三种改法
查询放大怎么解决呢? ClickHouse为我们提供了解决方案,继续改造刚才的语句,增加 GLOBAL修饰符:
bash
SELECT uniq(id) FROM test_query_all WHERE repo = 100
AND id GLOBAL IN (SELECT id FROM test_query_all WHERE repo = 200)
- 首先,将 GLOBAL 修饰的子句,单独进行了一次分布式查询;
- 接着,将子句的结果汇总后,用内存临时表保存;
- 最后,直接将临时表分发至每个分片节点,从而避免了查询放大的问题。
分布式JOIN
三、总结
问题:
好了,现在总结一下,当执行分布式JOIN 或者IN 查询的时候,会碰到几种问题:
- 查询不全,由于分片的数据不均,会出现查询数据不全的问题,所以JOIN表和 IN子句 也要使用 _all 分布式表;
- 查询放大,由于JOIN表 和 IN子句 也是 _all 分布式表,所以每个分片又会向其他远端的分片发起分布式查询,最终的查询次数是 N 的平方(N=分片数量);
策略1:GLOBAL IN 和 GLOBAL JOIN
- 解决思路,使用 GLOBAL IN 和 GLOBAL JOIN 可以避免查询放大的问题。
策略2:跨表本地化
在ClickHouse集群中跨表进行Select查询时,采用Global IN/Global Join语句性能较为低下。分析原因,是在此类操作会生成临时表,并跨设备同步该表,导致查询速度慢。
- 对于跨表查询,可以使用跨表本地化的策略。
解决方案
- 解决方案:采用一致性hash,将相同主键数据写入同一个数据分片,在本地local表完成跨表联合查询,数据均来自于本地存储,从而提高查询速度。
- 这种优化方案也有一定的潜在问题,目前ClickHouse尚不提供数据的Reshard能力,当Shard所存储主键数据量持续增加,达到磁盘容量上限需要分拆时,目前只能根据原始数据再次重建CK集群,有较高的成本。