TiDB vs ClickHouse 深度对比：HTAP 数据库选型 + 实战 + 性能调优

前言

💡 痛点: OLTP 和 OLAP 怎么选数据库？TiDB 和 ClickHouse 各有什么优势？什么时候用哪个？能不能用一个数据库同时搞定 TP + AP？

🎯 解决方案: 本文系统对比 TiDB 和 ClickHouse：架构差异、性能基准、适用场景、实战部署、SQL 优化、HTAP 架构设计、选型决策树。
#mermaid-svg-zMvCTe6rSVIyCcZS{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-zMvCTe6rSVIyCcZS .error-icon{fill:#552222;}#mermaid-svg-zMvCTe6rSVIyCcZS .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-zMvCTe6rSVIyCcZS .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-zMvCTe6rSVIyCcZS .marker{fill:#333333;stroke:#333333;}#mermaid-svg-zMvCTe6rSVIyCcZS .marker.cross{stroke:#333333;}#mermaid-svg-zMvCTe6rSVIyCcZS svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-zMvCTe6rSVIyCcZS p{margin:0;}#mermaid-svg-zMvCTe6rSVIyCcZS .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster-label text{fill:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster-label span{color:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster-label span p{background-color:transparent;}#mermaid-svg-zMvCTe6rSVIyCcZS .label text,#mermaid-svg-zMvCTe6rSVIyCcZS span{fill:#333;color:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS .node rect,#mermaid-svg-zMvCTe6rSVIyCcZS .node circle,#mermaid-svg-zMvCTe6rSVIyCcZS .node ellipse,#mermaid-svg-zMvCTe6rSVIyCcZS .node polygon,#mermaid-svg-zMvCTe6rSVIyCcZS .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-zMvCTe6rSVIyCcZS .rough-node .label text,#mermaid-svg-zMvCTe6rSVIyCcZS .node .label text,#mermaid-svg-zMvCTe6rSVIyCcZS .image-shape .label,#mermaid-svg-zMvCTe6rSVIyCcZS .icon-shape .label{text-anchor:middle;}#mermaid-svg-zMvCTe6rSVIyCcZS .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-zMvCTe6rSVIyCcZS .rough-node .label,#mermaid-svg-zMvCTe6rSVIyCcZS .node .label,#mermaid-svg-zMvCTe6rSVIyCcZS .image-shape .label,#mermaid-svg-zMvCTe6rSVIyCcZS .icon-shape .label{text-align:center;}#mermaid-svg-zMvCTe6rSVIyCcZS .node.clickable{cursor:pointer;}#mermaid-svg-zMvCTe6rSVIyCcZS .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-zMvCTe6rSVIyCcZS .arrowheadPath{fill:#333333;}#mermaid-svg-zMvCTe6rSVIyCcZS .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-zMvCTe6rSVIyCcZS .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-zMvCTe6rSVIyCcZS .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zMvCTe6rSVIyCcZS .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-zMvCTe6rSVIyCcZS .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zMvCTe6rSVIyCcZS .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster text{fill:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS .cluster span{color:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-zMvCTe6rSVIyCcZS .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-zMvCTe6rSVIyCcZS rect.text{fill:none;stroke-width:0;}#mermaid-svg-zMvCTe6rSVIyCcZS .icon-shape,#mermaid-svg-zMvCTe6rSVIyCcZS .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-zMvCTe6rSVIyCcZS .icon-shape p,#mermaid-svg-zMvCTe6rSVIyCcZS .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-zMvCTe6rSVIyCcZS .icon-shape .label rect,#mermaid-svg-zMvCTe6rSVIyCcZS .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-zMvCTe6rSVIyCcZS .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-zMvCTe6rSVIyCcZS .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-zMvCTe6rSVIyCcZS :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 场景
ClickHouse_架构
ClickHouse Server
ZooKeeper/ZK

元数据存储
Replica

副本复制
TiDB_架构
PD

元数据 + 调度
TiKV

行存 + 事务
TiFlash

列存 + 副本
TiDB Server

无状态 SQL 层
OLTP

高并发写入/事务
OLAP

海量数据聚合分析
HTAP

TP + AP 混合
TiDB
ClickHouse

一、架构对比

1.1 核心架构差异

复制代码

# ======== TiDB 架构（HTAP 分布式数据库）========
#
# 组件：
#   - TiDB Server：无状态 SQL 层（兼容 MySQL 协议）
#   - PD (Placement Driver)：元数据 + 调度中心（ETCD 实现）
#   - TiKV：行存存储引擎（LSM-Tree，支持事务）
#   - TiFlash：列存引擎（TiKV 的 Raft 副本，强一致性）
#
# 关键特性：
#   ✅ 100% MySQL 兼容（迁移零成本）
#   ✅ 分布式事务（Percolator 模型，2PC + Percolator）
#   ✅ HTAP（TiKV 行存 + TiFlash 列存，自动选择）
#   ✅ 弹性伸缩（在线扩缩容，自动 Rebalance）
#   ✅ 金融级高可用（Raft 三副本，自动故障转移）
#
# 写入模型：
#   Client → TiDB Server → PD（获取 TSO）→ TiKV（Raft 写入）
#                                              ↓
#                                        TiFlash（异步 Raft 副本同步）
#

# ======== ClickHouse 架构（OLAP 列式数据库）========
#
# 组件：
#   - ClickHouse Server：独立进程（每个节点对等，无主从）
#   - ZooKeeper/ZK：元数据存储（副本 DDL 同步）
#   - Storage Engines：MergeTree 系列（核心）
#
# 关键特性：
#   ✅ 极致列式存储性能（百亿级数据秒级响应）
#   ✅ 向量化执行引擎（SIMD 加速）
#   ✅ 多种表引擎（MergeTree / ReplacingMergeTree / Distributed）
#   ❌ 不支持完整事务（只支持批量写入，无行级更新/删除）
#   ❌ 不兼容 MySQL 协议（自有协议）
#
# 写入模型：
#   Client → ClickHouse Server → MergeTree（写入内存 → 定期 Merge 到磁盘）
#   ⚠️ 注意：高频小批量写入性能差！必须攒批写入

1.2 功能对比表

维度	TiDB	ClickHouse
定位	HTAP（TP + AP 混合）	OLAP（分析型）
MySQL 兼容	✅ 100% 兼容	❌ 不兼容
事务支持	✅ ACID（分布式事务）	⚠️ 有限（仅批量写入）
写入性能	中（~20K TPS/节点）	极高（批量写入 ~500K rows/s）
查询性能（AP）	中（TiFlash 列存加速）	极快（列式 + 向量化）
**查询性能（TP）	快（TiKV 行存索引）	慢（不适合点查）
存储引擎	TiKV（行存）+ TiFlash（列存）	MergeTree（列存）
扩缩容	在线扩缩容（自动 Rebalance）	手动（需 Reshard）
高可用	Raft 三副本（自动故障转移）	副本 + ZooKeeper（手动切换）
适用场景	OLTP + 实时分析	海量数据聚合分析

二、性能基准

2.1 TPC-C（OLTP 基准）

sql 复制代码

-- ======== TPC-C 测试结果（参考）========
--
-- 测试环境：3 节点 TiKV（16C/64GB）
-- 测试工具：go-ycsb
--
-- TiDB：
--   TPC-C NewOrder 吞吐量：~120,000 TPM（3 节点）
--   平均延迟：~15ms
--   99 分位延迟：~50ms
--
-- ClickHouse：
--   ❌ 不适合 TPC-C（无事务支持）
--   强行测试：~5,000 TPM（单节点，无事务）
--   点查延迟：~500ms（无行存索引）

2.2 TPC-H（OLAP 基准）

sql 复制代码

-- ======== TPC-H Q1（百万级数据聚合）========

-- TiDB（TiFlash 开启）
SELECT
    l_returnflag,
    l_linestatus,
    SUM(l_quantity) AS sum_qty,
    SUM(l_extendedprice) AS sum_base_price,
    SUM(l_extendedprice * (1 - l_discount)) AS sum_disc_price
FROM lineitem
WHERE l_shipdate <= DATE '1998-12-01' - INTERVAL '90' DAY
GROUP BY l_returnflag, l_linestatus
ORDER BY l_returnflag, l_linestatus;

-- 执行时间（100GB 数据）：
--   TiDB + TiFlash：~12 秒
--   ClickHouse：~3 秒  ← 列式存储优势明显


-- ======== TPC-H Q3（三表 JOIN）========
SELECT
    l_orderkey,
    SUM(l_extendedprice * (1 - l_discount)) AS revenue,
    o_orderdate,
    o_shippriority
FROM customer, orders, lineitem
WHERE c_mktsegment = 'BUILDING'
  AND c_custkey = o_custkey
  AND l_orderkey = o_orderkey
  AND o_orderdate < DATE '1995-03-15'
  AND l_shipdate > DATE '1995-03-15'
GROUP BY l_orderkey, o_orderdate, o_shippriority
ORDER BY revenue DESC, o_orderdate;

-- 执行时间（100GB 数据）：
--   TiDB：~45 秒（TiFlash 列存 JOIN）
--   ClickHouse：~8 秒

三、TiDB 实战

3.1 部署（Docker Compose）

yaml 复制代码

# ======== docker-compose.yml（本地开发）========
version: '3'
services:
  pd:
    image: pingcap/pd:v7.5.0
    ports:
      - "2379:2379"
    command:
      - --name=pd1
      - --client-urls=http://0.0.0.0:2379
      - --peer-urls=http://0.0.0.0:2380
      - --initial-cluster=pd1=http://pd1:2380
    volumes:
      - pd1:/data/pd

  tikv:
    image: pingcap/tikv:v7.5.0
    ports:
      - "20160:20160"
    command:
      - --addr=0.0.0.0:20160
      - --pd=pd1:2379
    volumes:
      - tikv1:/data/tikv

  tidb:
    image: pingcap/tidb:v7.5.0
    ports:
      - "4000:4000"    # MySQL 协议端口
      - "10080:10080"  # 状态端口
    command:
      - --pd=pd1:2379
      - --store=tikv

  tiflash:
    image: pingcap/tiflash:v7.5.0
    ports:
      - "9000:9000"
    command:
      - --pd=pd1:2379

volumes:
  pd1:
  tikv1:

# 启动
# docker-compose up -d

# 连接（MySQL 协议）
# mysql -h 127.0.0.1 -P 4000 -u root

3.2 TiFlash 列存加速

sql 复制代码

-- ======== 开启 TiFlash 副本（HTAP 核心）========

-- 1. 为表创建 TiFlash 副本（默认 1 副本）
ALTER TABLE orders SET TIFLASH REPLICA 1;

-- 2. 查看 TiFlash 副本状态
SELECT * FROM information_schema.tiflash_replica;

-- 3. 强制使用 TiFlash（忽略 TiKV 行存）
SELECT /*+ READ_FROM_STORAGE(TIFLASH[orders]) */
    user_id,
    COUNT(*) AS order_count,
    SUM(amount) AS total_amount
FROM orders
WHERE created_at >= '2026-01-01'
GROUP BY user_id;

-- 4. 让优化器自动选择（推荐）
--    TiDB 会根据成本估算自动选择 TiKV 或 TiFlash
--    点查 → TiKV（行存索引快）
--    全表扫描/聚合 → TiFlash（列存压缩高）

3.3 分布式事务实战

go 复制代码

// ======== Go + TiDB（分布式事务）========
package main

import (
    "context"
    "database/sql"
    _ "github.com/go-sql-driver/mysql"
)

func TransferMoney(ctx context.Context, db *sql.DB, from, to int, amount float64) error {
    // TiDB 支持分布式事务（Percolator 模型）
    // 自动处理 2PC，对应用透明

    tx, err := db.BeginTx(ctx, nil)
    if err != nil {
        return err
    }
    defer tx.Rollback()

    // 扣款
    _, err = tx.ExecContext(ctx,
        "UPDATE accounts SET balance = balance - ? WHERE id = ?",
        amount, from)
    if err != nil {
        return err
    }

    // 加款
    _, err = tx.ExecContext(ctx,
        "UPDATE accounts SET balance = balance + ? WHERE id = ?",
        amount, to)
    if err != nil {
        return err
    }

    // 写入转账记录
    _, err = tx.ExecContext(ctx,
        "INSERT INTO transfers (from_id, to_id, amount) VALUES (?, ?, ?)",
        from, to, amount)
    if err != nil {
        return err
    }

    return tx.Commit()
}

// TiDB 自动处理分布式事务的 2PC
// 应用无需感知 Percolator 协议细节

四、ClickHouse 实战

4.1 表引擎选择

sql 复制代码

-- ======== MergeTree（核心引擎）========
CREATE TABLE orders (
    order_id     UInt64,
    user_id      UInt32,
    amount       Decimal(12,2),
    created_at   DateTime
) ENGINE = MergeTree()
PARTITION BY toYYYYMM(created_at)   -- 按月分区
ORDER BY (user_id, created_at)        -- 排序键（关键！影响查询性能）
TTL created_at + INTERVAL 90 DAY;    -- 90 天自动删除

-- ======== ReplacingMergeTree（去重）========
CREATE TABLE user_profiles (
    user_id      UInt32,
    name         String,
    email        String,
    updated_at   DateTime
) ENGINE = ReplacingMergeTree(updated_at)  -- 按 updated_at 去重
ORDER BY user_id;

-- 写入重复数据，后台 Merge 时自动去重
INSERT INTO user_profiles VALUES (1, 'Alice', 'a@test.com', '2026-01-01');
INSERT INTO user_profiles VALUES (1, 'Alice', 'alice@test.com', '2026-06-01');
-- 查询时只返回最新版本


-- ======== Distributed（分布式表）========
-- 1. 先创建本地表（每个节点）
CREATE TABLE orders_local (
    ...
) ENGINE = MergeTree() ...;

-- 2. 再创建分布式表（逻辑视图，不存数据）
CREATE TABLE orders_all AS orders_local
ENGINE = Distributed('cluster_1', 'default', 'orders_local', rand());

-- 写入 distributed 表，数据自动散列到各节点
-- 查询 distributed 表，自动聚合各节点结果

4.2 性能优化

sql 复制代码

-- ======== 1. 索引优化 ========
-- ClickHouse 有 2 种索引：
--   - 主键索引（ORDER BY，稀疏索引）
--   - Skipping Index（数据跳扫索引）

-- 主键索引（最关键！）
-- 查询过滤条件必须命中 ORDER BY 前缀
CREATE TABLE events (
    event_date  Date,
    user_id     UInt32,
    event_type  String,
    value       Int64
) ENGINE = MergeTree()
PARTITION BY event_date
ORDER BY (event_date, user_id, event_type);  -- ← 查询条件要覆盖前缀

-- ✅ 快：命中 ORDER BY 前缀
SELECT * FROM events WHERE event_date = '2026-06-23' AND user_id = 123;

-- ❌ 慢：未命中前缀（全量扫描）
SELECT * FROM events WHERE user_id = 123;


-- ======== 2. 物化视图（预聚合）========
-- 场景：实时统计每日每用户事件数
CREATE TABLE events_daily_mv (
    event_date  Date,
    user_id     UInt32,
    event_count UInt64,
    total_value Int64
) ENGINE = SummingMergeTree()   -- 相同 key 自动 SUM 合并
ORDER BY (event_date, user_id);

-- 源表写入时自动更新物化视图
CREATE MATERIALIZED VIEW events_daily_mv_refresh
TO events_daily_mv
AS SELECT
    event_date,
    user_id,
    COUNT(*) AS event_count,
    SUM(value) AS total_value
FROM events
GROUP BY event_date, user_id;

-- 查询物化视图（毫秒级）
SELECT * FROM events_daily_mv WHERE event_date = '2026-06-23';


-- ======== 3. 批量写入（必须攒批！）========
-- ❌ 错误：逐条 INSERT（性能极差）
for i in {1..100000}; do
    echo "INSERT INTO orders VALUES ($i, 'user$i', 100)" | clickhouse-client
done

-- ✅ 正确：批量 INSERT（至少 1000 行/批）
-- 方式1：CSV 导入
clickhouse-client --query "INSERT INTO orders FORMAT CSV" < data.csv

-- 方式2：JDBC 批量（addBatch + executeBatch）
-- 方式3：HTTP Interface 批量
echo -e "1,'user1',100\n2,'user2',200\n..." | \
  curl 'http://localhost:8123/?query=INSERT+INTO+orders+FORMAT+CSV' --data-binary @-

五、HTAP 架构设计

5.1 TiDB HTAP 架构

复制代码

# ======== TiDB HTAP 数据流向 ========

        应用写入（OLTP）
              │
              ▼
        ┌─────────────┐
        │  TiDB Server │  （SQL 解析 + 优化器）
        └──────┬──────┘
               │
       ┌───────┴───────┐
       │                   │
       ▼                   ▼
┌─────────────┐    ┌─────────────┐
│   TiKV      │    │   TiFlash   │
│   (行存)    │◄───│   (列存)    │
│   支持事务   │RaFT│   分析加速   │
└─────────────┘    └─────────────┘
       │                   │
       └──────────┬──────────┘
                  │
                  ▼
           智能选择执行计划
           （优化器自动选择 TiKV 或 TiFlash）


# 实战：订单分析系统
#
# 1. TP 操作（TiKV 行存）：
#    - 下单：INSERT INTO orders VALUES (...)
#    - 支付：UPDATE orders SET status='paid' WHERE id=123
#    - 点查：SELECT * FROM orders WHERE id=123
#
# 2. AP 操作（TiFlash 列存）：
#    - 日报：SELECT DATE(created_at), COUNT(*) FROM orders GROUP BY 1
#    - 用户消费排名：SELECT user_id, SUM(amount) FROM orders GROUP BY 1 ORDER BY 2 DESC
#    - 优化器自动选择 TiFlash，无需修改 SQL

5.2 双写架构（TiDB + ClickHouse）

复制代码

# ======== 混合架构（TP + AP 分离）========
#
# 场景：TP 用 TiDB，AP 用 ClickHouse（各取所长）
#
# 数据流向：
#   应用写入 → TiDB（TP 操作）
#                 │
#                 │ 变更捕获（TiCDC）
#                 ▼
#              Kafka / Canal
#                 │
#                 ▼
#           ClickHouse（AP 分析）
#

# ======== 使用 TiCDC 同步到 ClickHouse ========
# 1. 部署 TiCDC
tiup ctl:v7.5.0 cdc cli changefeed create \
  --pd=http://pd1:2379 \
  --sink-uri="kafka://kafka1:9092/changefeed-1" \
  --changefeed-id="to-clickhouse"

# 2. ClickHouse 消费 Kafka 数据
-- 创建 Kafka 引擎表
CREATE TABLE orders_kafka (
    order_id     UInt64,
    user_id      UInt32,
    amount       Decimal(12,2),
    created_at   DateTime
) ENGINE = Kafka()
SETTINGS
    kafka_broker_list = 'kafka1:9092',
    kafka_topic_list = 'changefeed-1',
    kafka_group_name = 'clickhouse-consumer',
    kafka_format = 'JSONEachRow';

-- 创建物化视图，自动从 Kafka 同步到本地表
CREATE MATERIALIZED VIEW orders_sync TO orders_local AS
SELECT * FROM orders_kafka;

六、选型决策树

复制代码

# ======== TiDB vs ClickHouse 选型 ========
#
# 你的场景是？
#
# ├── 需要完整 ACID 事务（银行/电商/ERP）
# │   └── 选 TiDB ✅
# │
# ├── 主要做海量数据聚合分析（BI/报表/日志分析）
# │   └── 选 ClickHouse ✅
# │
# ├── 需要同时支持 TP + AP（HTAP）
# │   ├── 预算充足 → TiDB（一套系统搞定）
# │   └── 预算有限 → TiDB（TP）+ ClickHouse（AP）混合架构
# │
# ├── MySQL 迁移（零改动）
# │   └── 选 TiDB ✅（100% 兼容）
# │
# └── 实时数仓（Flink + 数仓）
#     └── 选 ClickHouse ✅（Flink 官方 Connector 支持）

七、Checklist 总结

复制代码

□ TiDB 部署
  □ TiDB Server（无状态 SQL 层）
  □ PD（元数据 + 调度）
  □ TiKV（行存 + 事务）
  □ TiFlash（列存 + 分析加速）
  □ 监控（Grafana + Prometheus）

□ TiDB 优化
  □ 开启 TiFlash 副本（ALTER TABLE ... SET TIFLASH REPLICA）
  □ 索引优化（覆盖索引 / 前缀索引）
  □ 分布式事务（避免热点 Key）
  □ 分区表（按时间分区）

□ ClickHouse 部署
  □ MergeTree 引擎（核心）
  □ ReplacingMergeTree（去重）
  □ Distributed 表（分布式查询）
  □ ZooKeeper/Keeper（元数据）

□ ClickHouse 优化
  □ ORDER BY（排序键设计，必须命中前缀）
  □ 批量写入（至少 1000 行/批）
  □ 物化视图（预聚合）
  □ TTL（自动清理历史数据）

□ HTAP 架构
  □ TiDB 单系统（TP + AP 混合）
  □ TiDB + ClickHouse（双写架构）
  □ TiCDC（变更捕获同步）
  □ 查询路由（TP 路由 TiDB，AP 路由 ClickHouse）

总结

TiDB vs ClickHouse 一句话选型：

需求	选什么
MySQL 兼容迁移	TiDB
完整 ACID 事务	TiDB
海量数据聚合分析	ClickHouse
TP + AP 混合负载	TiDB（HTAP）
实时数仓	ClickHouse
金融级高可用	TiDB

HTAP 两种架构：

TiDB 单系统：TiKV（TP）+ TiFlash（AP），优化器自动路由
混合架构：TiDB（TP）+ ClickHouse（AP），TiCDC 同步