Clickhouse的几个关键优势

前言

前阵子我在公司的项目中调研以及应用了 ClickHouse，出于它在海量数据场景下的极致性能表现，也是因为我们的项目面向海量数据高速存储分析场景：系统一次性处理的底层生成数据量级可达 TB、千亿级别，并要求提供秒级的查询响应，而且大多数是单表检索、不涉及多表 JOIN 的复杂查询，需求恰好与 ClickHouse 的专长匹配。通过这次项目实践，同时结合我的调研、学习结果，我总结了 ClickHouse 作为在线分析高性能数据库的几个关键优势。

列式存储

列式存储，意味着数据在物理空间中是同一列存放在一起，和行式存储同一行数据连续存放不同。这种存储方式有利 于大数据分析场景，原因是查询效率高：在只需要检索个别列的时候，避免扫描整行数据，大大减少了 IO。

CH 每一列数据单独存储在 bin 文件中，按ORDER BY指定的键排序。ORDER BY的键可以支持多个。假设有三列排序键（A，B，C），数据在 part 内部物理存储顺序（按行颗粒）：

排序的原则是，先按 A 排序，若 A 相同，则按 B 排序；若 A、B 相同，则按 C 排序。对于非排序键的列，数据同样按此规则排序，只不过是独立存储在自己的 bin 文件中。

按过滤条件检索的时候，为了使排序键生效，需满足最左匹配原则（和关系型数据库中联合索引的命中规则相同）。例如，对于排序键 ORDER BY (A, B, C)：

• ✅ 有效：WHERE A=1 AND B>10 → 可以用排序键跳过大量颗粒（granule）

• ✅ 有效：WHERE A>5 → 只用到第一列

• ❌ 无效：WHERE B>10（没有 A）→ 无法用主键索引，只能全颗粒扫描

• ❌ 无效：WHERE A=1 AND C>20（跳过 B）→ A 可以过滤，C 无法借助主键索引过滤

压缩

列式存储下，一列同类型的值连续存储，有利于压缩。ClickHouse 内置了多种数据压缩算法；对于一些数值具备规律的列，可以显式声明设置特定算法，以达到更高的压缩效率。如果是基数庞大但是取值较少的列，使用LowCardinality类型。它是 ClickHouse 用于优化低基数（重复值多）列的核心手段，本质是字典编码。原理是用一个字典结构存储值与编码的映射关系。例如国家编码列，值有 us，ch，en，aps，映射到字典就只有 1，2，3，4 这样的字典 key，存储空间大幅减少。

• LZ4，CH 默认的压缩算法，寻找数据流中的重复片段实现压缩，特点是解压缩速度快，但压缩比不如 ZSTD。

• ZSTD 压缩比更高，但是相对地，解压缩速度比 LZ4 慢。

• DoubleDelta 算法，二阶差分编码：先计算相邻数值差值，再对差值再次求差，适合均匀递增的时间戳类时序数据。

• T64，为整数设计，切除高位为 0 的部分，只保留有效 bit，以此大幅减少数据占用空间。

索引

ClickHouse 的索引是稀疏索引。它是一个有序的存储结构，可以通过二分查找定位到具体数据位置，有利于范围查找。每一个索引条目对应由 8192 行构成的块。这样有效地减少了索引的存储开销和检索索引的耗时。一个表存储为多个 part 目录，每个目录下有索引文件、各列标记文件和各列二进制文件。查找时在索引文件中通过二分查找到颗粒序号。这个颗粒序号就是一个下标，再到指定的列标记文件中通过这个下标查找对应 bin 文件中的偏移量，然后到二进制文件中读取数据、解压。

part_xxx/
├── primary.idx   # 主键稀疏索引
├── id.bin    # id列原始压缩数据
├── id.mrk    # id列标记文件
├── byte_index.bin
├── byte_index.mrk
├── data_id.bin
├── data_id.mrk
└── checksums.txt

查询过程：

1. 【分区裁剪】（如果有PARTITION BY，最先执行，淘汰整个分区）

2. 【Part 粗过滤】遍历所有剩余 Part，比较 min-sort-key/max-sort-key，淘汰无关 Part

3. 【每个保留 Part 内部：primary.idx 数组二分】筛选颗粒编号列表

4. 【mrk 标记文件：颗粒编号直接数组下标 O (1) 寻址】获取 bin 偏移

5. 【读取.bin 压缩块】解压、行过滤，返回数据

向量化计算

列式存储使得从磁盘读取数据时可以批量读取，在计算的时候也以多个数据为单位，使用 SIMD（Single Instruction, Multiple Data，单指令多数据），一条指令计算多个值。因为减少了大量逐个循环导致的分支跳转、条件判断，充分利用硬件特性与能力，所以性能提升更加明显。

并行执行

从单节点上看，ClickHouse 使用多线程执行查询和写入操作，发挥 CPU 多核优势。查询和插入分别由max_threads和max_insert_threads限制最大并行度。并行度默认会设置为物理核数的两倍。

从集群上看，ClickHouse 使用 MPP 架构，但只针对分布式（Distributed）表：写入数据时会根据分片键计算路由，将数据写入不同节点；查询的时候也根据分片键路由到指定节点执行，结果再汇总到客户端。

基于以上几个优势，CH 才能在 OLAP 领域中脱颖而出，成为各大厂最钟爱的即席查询引擎之一！