大数据-137 - ClickHouse 集群 表引擎详解2 - MergeTree 存储结构 一级索引 跳数索引

点一下关注吧！！！非常感谢！！持续更新！！！

目前已经更新到了：

• Hadoop（已更完）
• HDFS（已更完）
• MapReduce（已更完）
• Hive（已更完）
• Flume（已更完）
• Sqoop（已更完）
• Zookeeper（已更完）
• HBase（已更完）
• Redis （已更完）
• Kafka（已更完）
• Spark（已更完）
• Flink（已更完）
• ClickHouse（正在更新···）

章节内容

上节我们完成了如下的内容：

• 表引擎详解 介绍
• 日志部分
• Log部分
• Memory部分
• Merge部分
  

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。

MergeTree 引擎系列的基本理念如下，当你有巨量数据要插入到表中，你要高效的一批批写入数据片段，并希望这些数据片段在后台按照一定规则合并，相比在插入时不断修改（重写）数据进存储，这种策略会高效很多。

存储结构

创建新表

CREATE TABLE mt_table(date Date, id UInt8, name String) 
ENGINE = MergeTree PARTITION BY toYYYYMM(date) ORDER BY id;

CREATE TABLE mt_table3 (
  `date` Date,
  `id` UInt8,
  `name` String
) ENGINE = MergeTree PARTITION BY toYYYYMM(date) ORDER BY id;

执行的结果如下图所示：

插入数据

INSERT INTO mt_table VALUES ('2024-07-31', 1, 'wzk');
INSERT INTO mt_table VALUES ('2024-07-30', 2, 'icu');
INSERT INTO mt_table VALUES ('2024-07-29', 3, 'wzkicu');

执行结果如下图所示：

查看目录

cd /var/lib/clickhouse/data/default/mt_table
ls

执行结果如下图所示：

我们随便进入一个目录，可以看到：

• bin 是按列保存数据的文件
• mrk 保存块偏移量
• primary.idx 保存主键索引

存储结构

.
├── 202407_1_1_0
│   ├── checksums.txt
│   ├── columns.txt
│   ├── count.txt
│   ├── data.bin
│   ├── data.mrk3
│   ├── default_compression_codec.txt
│   ├── minmax_date.idx
│   ├── partition.dat
│   └── primary.idx
├── 202407_2_2_0
│   ├── checksums.txt
│   ├── columns.txt
│   ├── count.txt
│   ├── data.bin
│   ├── data.mrk3
│   ├── default_compression_codec.txt
│   ├── minmax_date.idx
│   ├── partition.dat
│   └── primary.idx
├── 202407_3_3_0
│   ├── checksums.txt
│   ├── columns.txt
│   ├── count.txt
│   ├── data.bin
│   ├── data.mrk3
│   ├── default_compression_codec.txt
│   ├── minmax_date.idx
│   ├── partition.dat
│   └── primary.idx
├── detached
└── format_version.txt

执行结果如下图所示：

• checknums.txt 二进制校验文件，保存了余下文件的大小size和size的hash值，用于快速校验文件的完整和正确性
• columns.txt 明文的列信息
• date.bin 压缩格式（默认LZ4）的数据文件，保存了原始数据，以列名 bin 命名。
• date.mrk2 使用了自适应大小的索引间隔
• primary.idx 二进制一级索引文件，在建表的时候通过 order by 或者 primary key 声明稀疏索引。

数据分区

数据是以分区目录的形式组织的，每个分区独立分开存储。这种形式，在数据查询的时候，可以有效的跳过无用的数据文件。

分区规则

分区键的取值，生成分区ID，分区根据ID决定，根据分区键的数据类型不同，分区ID的生成目前有四种规则：

• 不指定分键
• 使用整型
• 使用日期类型 toYYYYMM(date)
• 使用其他类型
  数据在写入的时候，会按照分区ID落入对应的分区。

分区目录生成

• BlockNum 是一个全局整型，从1开始，每当新创建一个分区目录，此数字就累加1。
• MinBlockNum：最小数据块编号
• MaxBlockNum：最大数据块编号
• 对于一个新的分区，MinBlockNum和MaxBlockNum的值是相同的

分区目录合并

MergeTree 的分区目录在数据写入过程中被创建，不同的批次写入数据属于同一分区，也会生成不同的目录，在之后某个时刻再合并（写入后10-15分钟），合并后的旧分区目录默认8分钟后删除。

同一个分区的多个目录合并以后得命名规则：

• MinBlockNum：取同一分区中MinBlockNum值最小的
• MaxBlockNum：取同一分区中MaxBlockNum最大的
• Level：取同一分区最大的Level值+1

一级索引

稀疏索引

文件：primary.idx

MergeTree的主键使用PrimaryKey定义，主键定义之后，MergeTree会根据index_granularity间隔（默认8192）为数据生成一级索引并保存至primary.idx中，这种方式就是稀疏索引。

简化形式：通过 ORDER BY 指代 主键

primary.idx 文件的一级索引采用稀疏索引。

• 稠密索引：每一行索引标记对应一行具体的数据记录
• 稀疏索引：每一行索引标记对应一段数据记录（默认索引粒度是8192）

稀疏索引占用空间小，所以primary.idx内的索引数据常驻内存，取用速度快。

生成规则

primary.idx文件，由于稀疏索引，所以MergeTree要间隔index_granularity行数据才会生成一个索引记录，其他索引值会根据声明的主键字段获取。

查询过程

索引是如何工作的？对primary.idx文件的查询过程

• MarkRange： 一小段数据区间，按照 index_granularity的间隔粒度，将一段完整的数据划分成多个小的数据段，小的数据段就是MarkRange
• MarkRange与索引编号对应

小案例：

• 200行数据
• index_granularity大小为5
• 主键ID为int，取值从0开始

共200行数据/5 = 40个MarkRange

假设索引查询 where Id = 3

• 第一步：形成区间格式 [3,3]
• 第二步：进行交集 [3,3] ∩ [0, 199]
  以MarkRange的步长大于8分块，进行剪枝：
  
• 第三步：合并， MarkRange(start0, end20)

在ClickHouse中，MergeTree引擎表的索引列在建表使用ORDER BY语法来指定。

而在官方中，用了下面一副图来说明。

这张图示出了以 CounterID、Date两列为索引列的情况，即先以CounterID为主要关键字排序，再以Date为次要关键字排序，最后用两列的组合作为索引键。Marks与MarkNumbers就是索引标记，且Marks之间的间隔就由建表时的索引粒度参数index_granularity来制定，默认是8192。

在 ClickHouse 之父Alexey Milovidov分享的PPT中，有更加详细的图示：

这样，每一列都通过ORDER BY列进行了索引，查询时，先查找到数据所在的parts，再通过mrk2文件确定bin文件中数据的范围即可。

不过，ClickHouse的稀疏索引与Kafka的稀疏索引不同，可以由用户自由组合多列，因此也要格外注意不要加入太多索引列，防止索引数据过于稀疏，增大存储和查找成本。另外，基数太小（即区分度太低）的列不适合做索引列，因为很有可能横跨多个mark值仍然相同，没有索引的意义了。

跳数索引

• index_granularity 定义了数据的粒度
• granularity定义了聚合信息汇总的粒度
• granularity定义了一行跳数索引能够跳过多少个index_granularity区间的数据

可用类型

• minmax存储指定表达式的极值（如果表达式是tuple，则存储tuple中每个元素的极值），这些信息用于跳过数据块，类似主键
• set(max_rows)存储指定表达式的唯一值（不超过max_rows个，max_rows=0则表示无限制）。这些信息可以用于检查 WHERE 表达式是否满足某个数据块
• ngrambf_v1 存储包含数据块中所有N元短语的布隆过滤器。只可用于字符串上，用于优化equals、like和in表达式的性能。
• tokenbf_v1 跟 ngrambf_v1 类似，不同于ngrams 存储字符串指定长度的所有片段，它只存储被非字母数据字符分割的片段。