1 ClickHouse特性
1.1 联机分析
ClickHouse是一个用于联机分析(OLAP)的列式数据库管理系统(DBMS)。
OLAP（联机分析处理，Online Analytical Processing）是一种快速应答多维分析查询的方法。通过将大型数据集（或独立数据集）上卷可构建一个多维数据库，即 OLAP 模型（Cube）。此 OLAP 模型针对数据分析进行了优化，支持用户从不同视角对数据进行"切片和切块（slicing and dicing）"，从而实现了简洁易用的查询体验。
1.2 列示存储
在传统的行式数据库系统中，数据按如下顺序存储：
| Row | WatchID | JavaEnable | Title | GoodEvent | EventTime |
|---|---|---|---|---|---|
| #0 | 89354350662 | 1 | Investor Relations | 1 | 2016-05-18 05:19:20 |
| #1 | 90329509958 | 0 | Contact us | 1 | 2016-05-18 08:10:20 |
| #2 | 89953706054 | 1 | Mission | 1 | 2016-05-18 07:38:00 |
| #N | ... | ... | ... | ... | ... |
处于同一行中的数据总是被物理的存储在一起。
常见的行式数据库系统有：MySQL、Postgres和MS SQL Server。
在列式数据库系统中，数据按如下的顺序存储：
| Row: | #0 | #1 | #2 | #N |
|---|---|---|---|---|
| WatchID: | 89354350662 | 90329509958 | 89953706054 | ... |
| JavaEnable: | 1 | 0 | 1 | ... |
| Title: | Investor Relations | Contact us | Mission | ... |
| GoodEvent: | 1 | 1 | 1 | ... |
| EventTime: | 2016-05-18 05:19:20 | 2016-05-18 08:10:20 | 2016-05-18 07:38:00 | ... |
这些示例只显示了数据的排列顺序。来自不同列的值被单独存储，来自同一列的数据被存储在一起。
1.3 DBMS 的功能
几乎覆盖了标准 SQL 的大部分语法，包括 DDL 和 DML，以及配套的各种函数，用户管
理及权限管理，数据的备份与恢复。
DDL（Data Definition Language）语句： 数据定义语言，主要是进行定义/改变表的结构、数据类型、表之间的链接等操作。常用的语句关键字有 CREATE、DROP、ALTER 等
DML（Data Manipulation Language）语句: 数据操纵语言，主要是对数据进行增加、删除、修改操作。常用的语句关键字有 INSERT、UPDATE、DELETE 等
DQL（Data Query Language）语句：数据查询语言，主要是对数据进行查询操作。常用关键字有 SELECT、FROM、WHERE 等。
1.4 多样化引擎
ClickHouse 和 MySQL 类似，把表级的存储引擎插件化，根据表的不同需求可以设定不同
的存储引擎。目前包括合并树、日志、接口和其他四大类 20 多种引擎。 常用mergetree
1.5 高吞吐写入能力
ClickHouse 采用类 LSM Tree的结构，数据写入后定期在后台 Compaction。通过类 LSM tree
的结构，ClickHouse 在数据导入时全部是顺序 append 写，写入后数据段不可更改，在后台
compaction 时也是多个段 merge sort 后顺序写回磁盘。顺序写的特性，充分利用了磁盘的吞 吐能力，即便在 HDD 上也有着优异的写入性能。
官方公开 benchmark 测试显示能够达到 50MB-200MB/s 的写入吞吐能力，按照每行
100Byte 估算，大约相当于 50W-200W 条/s 的写入速度。
1.6 数据分区与线程级并行
ClickHouse 将数据划分为多个 partition，每个 partition 再进一步划分为多个 index
granularity(索引粒度)，然后通过多个 CPU核心分别处理其中的一部分来实现并行数据处理。
在这种设计下，单条 Query 就能利用整机所有 CPU。极致的并行处理能力，极大的降低了查询延时。 所以，ClickHouse 即使对于大量数据的查询也能够化整为零平行处理。但是一个弊端就是对于单条查询使用多 cpu，就不利于同时并发多条查询。所以对于高 qps 的查询业务，ClickHouse 并不是强项。
2 数据类型
2.1 整型
固定长度的整型，包括有符号整型或无符号整型。
整型范围（-2n-1~2n-1-1）：
Int8 - [-128 : 127]
Int16 - [-32768 : 32767]
Int32 - [-2147483648 : 2147483647]
Int64 - [-9223372036854775808 : 9223372036854775807]
无符号整型范围（0~2n-1）：
UInt8 - [0 : 255]
UInt16 - [0 : 65535]
UInt32 - [0 : 4294967295]
UInt64 - [0 : 18446744073709551615]
2.2 浮点型
Float32 - float
Float64 -- double
建议尽可能以整数形式存储数据。例如，将固定精度的数字转换为整数值，如时间用毫
秒为单位表示，因为浮点型进行计算时可能引起四舍五入的误差
2.3 布尔型
没有单独的类型来存储布尔值。可以使用 UInt8 类型，取值限制为 0 或 1。
2.4 Decimal 型
有符号的浮点数，可在加、减和乘法运算过程中保持精度。对于除法，最低有效数字会
被丢弃（不舍入）。
有三种声明：
➢ Decimal32(s)，相当于 Decimal(9-s,s)，有效位数为 1~9
➢ Decimal64(s)，相当于 Decimal(18-s,s)，有效位数为 1~18
➢ Decimal128(s)，相当于 Decimal(38-s,s)，有效位数为 1~38
s 标识小数位
使用场景： 一般金额字段、汇率、利率等字段为了保证小数点精度，都使用 Decimal
进行存储。
2.5 字符串
1）String
字符串可以任意长度的。它可以包含任意的字节集，包含空字节。
2）FixedString(N)
固定长度 N 的字符串，N 必须是严格的正自然数。当服务端读取长度小于 N 的字符
串时候，通过在字符串末尾添加空字节来达到 N 字节长度。 当服务端读取长度大于 N 的
字符串时候，将返回错误消息。
与 String 相比，极少会使用 FixedString，因为使用起来不是很方便。
2.6 枚举类型
包括 Enum8 和 Enum16 类型。Enum 保存 'string'= integer 的对应关系。
Enum8 用 'String'= Int8 对描述。
Enum16 用 'String'= Int16 对描述。
用法演示
创建一个带有一个枚举 Enum8('hello' = 1, 'world' = 2) 类型的列
CREATE TABLE t_enum
(
x Enum8('hello' = 1, 'world' = 2)
)
ENGINE = TinyLog
这个 x 列只能存储类型定义中列出的值：'hello'或'world'
如果尝试保存任何其他值，ClickHouse 抛出异常
如果需要看到对应行的数值，则必须将 Enum 值转换为整数类型
如果需要看到对应行的数值，则必须将 Enum 值转换为整数类型
2.7 时间类型
目前 ClickHouse 有三种时间类型
➢ Date 接受年-月-日的字符串比如 '2019-12-16'
➢ Datetime 接受年-月-日 时:分:秒的字符串比如 '2019-12-16 20:50:10'
➢ Datetime64 接受年-月-日 时:分:秒.亚秒的字符串比如'2019-12-16 20:50:10.66'
2.8 数组
Array(T)：由 T 类型元素组成的数组。
T 可以是任意类型，包含数组类型。 但不推荐使用多维数组，ClickHouse 对多维数组
的支持有限。例如，不能在 MergeTree 表中存储多维数组。
创建附属组方式一：使用array函数array（T）
创建数组方式 2：使用方括号
3 表引擎
3.1 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表的数据。包括：
➢ 数据的存储方式和位置，写到哪里以及从哪里读取数据。
➢ 支持哪些查询以及如何支持。
➢ 并发数据访问。
➢ 索引的使用（如果存在）。
➢ 是否可以执行多线程请求。
➢ 数据复制参数。
表引擎的使用方式就是必须显式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
3.2 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。
如：
create table t_tinylog ( id String, name String) engine=TinyLog;
3.3 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。
3.4 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，支持索引和分区，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。
3.4.1案例
1）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);
2）插入数据
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。
3.4.2 partition by 分区(可选)
1）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
2）如果不填
只会使用一个分区。
3）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。
4）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。
5）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。
3.4.3 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
免了全表扫描。
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。
3.4.4 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。
3.4.5 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)
3.4.6二级索引
目前在 ClickHouse 的官网上二级索引的功能在 v20.1.2.4 之前是被标注为实验性的，在
这个版本之后默认是开启的。
1）老版本使用二级索引前需要增加设置
是否允许使用实验性的二级索引（v20.1.2.4 开始，这个参数已被删除，默认开启）
set allow_experimental_data_skipping_indices=1;
2）创建测试表
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。 二级索引能够为非主键字段的查询发挥作用
3.4.7数据TTL
TTL 即 Time To Live，MergeTree 提供了可以管理数据表或者列的生命周期的功能。
1）列级别 TTL
（1）创建测试表
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);
（2）插入数据（注意：根据实际时间改变）
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');
（3）手动合并，查看效果 到期后，指定的字段数据归 0
2）表级 TTL
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
3.5 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。
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。
结论：
实际上是使用 order by 字段作为唯一键
去重不能跨分区
只有同一批插入（新版本）或合并分区时才会进行去重
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按插入顺序保留最后一笔
3.6 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
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
其他的列按插入顺序保留第一行
不在一个分区的数据不会被聚合
只有在同一批次插入(新版本)或分片合并时才会进行聚合
3.6.1 案例演示
（1）创建表
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 );
（2）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');
（3）执行第一次查询
hadoop102 :) select * from t_order_smt;
（4）手动合并
OPTIMIZE TABLE t_order_smt FINAL;
（5）再执行一次查询
hadoop102 :) select * from t_order_smt;
开发建议
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。
如果要是获取汇总值，还是需要使用 sum 进行聚合，这样效率会有一定的提高，但本
身 ClickHouse 是列式存储的，效率提升有限，不会特别明显。
select sum(total_amount) from province_name='' and create_date='xxx'
4 SQL操作
基本上来说传统关系型数据库（以 MySQL 为例）的 SQL 语句，ClickHouse 基本都支持，
这里不会从头讲解 SQL 语法只介绍 ClickHouse 与标准 SQL（MySQL）不一致的地方。
4.1 Insert
基本与标准 SQL（MySQL）基本一致
（1）标准
insert into [table_name] values(...),(....)
（2）从表到表的插入
insert into [table_name] select a,b,c from [table_name_2]
4.2 Update 和 Delete
ClickHouse 提供了 Delete 和 Update 的能力，这类操作被称为 Mutation 查询，它可以看
做 Alter 的一种。
虽然可以实现修改和删除，但是和一般的 OLTP 数据库不一样，Mutation 语句是一种很
"重"的操作，而且不支持事务。
"重"的原因主要是每次修改或者删除都会导致放弃目标数据的原有分区，重建新分区。
所以尽量做批量的变更，不要进行频繁小数据的操作。
（1）删除操作
alter table t_order_smt delete where sku_id ='sku_001';
（2）修改操作
alter table t_order_smt update total_amount=toDecimal32(2000.00,2) where id
=102;
由于操作比较"重"，所以 Mutation 语句分两步执行，同步执行的部分其实只是进行
新增数据新增分区和并把旧分区打上逻辑上的失效标记。直到触发分区合并的时候，才会删
除旧数据释放磁盘空间，一般不会开放这样的功能给用户，由管理员完成。
4.3 SELECT
ClickHouse 基本上与标准 SQL 差别不大
支持子查询
支持 CTE(Common Table Expression 公用表表达式 with 子句)
支持各种 JOIN，
但是 JOIN 操作无法使用缓存，所以即使是两次相同的 JOIN 语句，
ClickHouse 也会视为两条新 SQL
不支持自定义函数
GROUP BY 操作增加了 with rollup\with cube\with total 用来计算小计和总计。
4.4 alter 操作
同 MySQL 的修改字段基本一致
1）新增字段
alter table tableName add column newcolname String after col1;
2）修改字段类型
alter table tableName modify column newcolname String;
3）删除字段
alter table tableName drop column newcolname;
5 副本
副本的目的主要是保障数据的高可用性，即使一台 ClickHouse 节点宕机，那么也可以从
其他服务器获得相同的数据。
5.1 副本写入流程
5.2 配置步骤
（1）启动 zookeeper 集群
（2）在 hadoop102 的/etc/clickhouse-server/config.d 目录下创建一个名为 metrika.xml
的配置文件,内容如下：
注：也可以不创建外部文件，直接在 config.xml 中指定
（3）同步到 hadoop103 和 hadoop104 上
sudo /home/atguigu/bin/xsync /etc/clickhouse-server/config.d/metrika.xml
（4）在 hadoop102 的/etc/clickhouse-server/config.xml 中增加
/etc/clickhouse-server/config.d/metrika.xml
（5）同步到 hadoop103 和 hadoop104 上
sudo /home/atguigu/bin/xsync /etc/clickhouse-server/config.xml
分别在 hadoop102 和 hadoop103 上启动 ClickHouse 服务
注意：因为修改了配置文件，如果以前启动了服务需要重启
[atguigu@hadoop102|3 ~]$ sudo clickhouse restart
（6）在 hadoop102 和 hadoop103 上分别建表
副本只能同步数据，不能同步表结构，所以我们需要在每台机器上自己手动建表
ReplicatedMergeTree 中，
第一个参数是分片的 zk_path 一般按照：/clickhouse/table/{shard}/{table_name} 的格式写，如果只有一个分片就写 01 即可。
第二个参数是副本名称，相同的分片副本名称不能相同
（7）在 hadoop102 上执行 insert 语句
insert into t_order_rep2 values
(101,'sku_001',1000.00,'2020-06-0
（8）在 hadoop103 上执行 select，可以查询出结果，说明副本配置正确
6 分片集群
副本虽然能够提高数据的可用性，降低丢失风险，但是每台服务器实际上必须容纳全量
数据，对数据的横向扩容没有解决。
要解决数据水平切分的问题，需要引入分片的概念。通过分片把一份完整的数据进行切
分，不同的分片分布到不同的节点上，再通过 Distributed 表引擎把数据拼接起来一同使用。
Distributed 表引擎本身不存储数据，有点类似于 MyCat 之于 MySql，成为一种中间件，
通过分布式逻辑表来写入、分发、路由来操作多台节点不同分片的分布式数据。
6.1 集群写入流程（3 分片 2 副本共 6 个节点）
6.2 集群读取流程（3 分片 2 副本共 6 个节点）
6.3 分片 2 副本共 6 个节点集群配置
6.4 配置三节点版本集群及副本
6.4.1 集群及副本规划（2 个分片，只有第一个分片有副本）
配置步骤
1）在 hadoop102 的/etc/clickhouse-server/config.d 目录下创建 metrika-shard.xml 文件
注：也可以不创建外部文件，直接在 config.xml 的中指定
2）将 hadoop102 的 metrika-shard.xml 同步到 103 和 104
sudo /home/atguigu/bin/xsync /etc/clickhouse-server/config.d/metrika-shard.xml
3）修改 103 和 104 中 metrika-shard.xml 宏的配置
4）在 hadoop102 上修改/etc/clickhouse-server/config.xml
5）同步/etc/clickhouse-server/config.xml 到 103 和 104
6）重启三台服务器上的 ClickHouse 服务
7）在 hadoop102 上执行建表语句
➢ 会自动同步到 hadoop103 和 hadoop104 上
➢ 集群名字要和配置文件中的一致
➢ 分片和副本名称从配置文件的宏定义中获取
8）在 hadoop102 上创建 Distribute 分布式表
参数含义：
Distributed（集群名称，库名，本地表名，分片键）
分片键必须是整型数字，所以用 hiveHash 函数转换，也可以 rand()
9）在 hadoop102 上插入测试数据
insert into st_order_mt_all2 values
(201,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(202,'sku_002',2000.00,'2020-06-01 12:00:00'),
(203,'sku_004',2500.00,'2020-06-01 12:00:00'),
(204,'sku_002',2000.00,'2020-06-01 12:00:00'),
(205,'sku_003',600.00,'2020-06-02 12:00:00');
10）通过查询分布式表和本地表观察输出结果
（1）分布式表
SELECT * FROM st_order_mt_all;
（2）本地表
select * from st_order_mt;
观察数据的分布
