clickhouse 簡介ck是一個列式儲存的資料庫，其針對的場景是OLAP。OLAP的特點是：資料不經常寫，即便寫也是批次寫。不像OLTP是一條一條寫大多數是讀請求查詢併發較少，不適合放置先生高併發業務場景使用 , CK本身建議最大一秒100個併發查詢。不要求事務click的優點#

為了增強壓縮比例，ck儲存的一列長度固，於是儲存的時候，不用在儲存該列的長度資訊

使用向量引擎 , vector engine ，什麼是向量引擎？https://www.infoq.cn/article/columnar-databases-and-vectorization/?itm_source=infoq_en&itm_medium=link_on_en_item&itm_campaign=item_in_other_langs

clickhouse的缺點#不能完整支援事務不能很高吞吐量的修改或刪除資料由於索引的稀疏性，不適合基於key來查詢單個記錄效能最佳化#

為了提高插入效能，最好批次插入，最少批次是1000行記錄。且使用併發插入能顯著提高插入速度。

訪問介面#

ck像es一樣暴露兩個埠，一個tcp的，一個http的。tcp預設埠：9000 ,http預設埠：8123。一般我們並不直接透過這些埠與ck互動，而是使用一些客戶端，這些客戶端可以是：

Command-line Client 透過它可以連結ck,然後進行基本的crud操作，還可以匯入資料到ck 。它使用tcp埠連結ckhttp interface : 能像es一樣，透過rest方式，按照ck自己的語法，提交crudjdbc driverodbc driver輸入輸出格式#

ck能夠讀寫多種格式做為輸入(即insert)，也能在輸出時(即select )吐出指定的格式。

比如插入資料時，指定資料來源的格式為JSONEachRow

CopyINSERT INTO UserActivity FORMAT JSONEachRow {"PageViews":5, "UserID":"4324182021466249494", "Duration":146,"Sign":-1} {"UserID":"4324182021466249494","PageViews":6,"Duration":185,"Sign":1}

讀取資料時，指定格式為JSONEachRow

CopySELECT * FROM UserActivity FORMAT JSONEachRow

值得注意的時指定這些格式應該是ck解析或生成的格式，並不是ck最終的的儲存格式，ck應該還是按自己的列式格式進行儲存。ck支援多種格式，具體看文件https://clickhouse.yandex/docs/en/interfaces/formats/#native

資料庫引擎#

ck支援在其中ck中建立一個數據庫，但資料庫的實際儲存是Mysql，這樣就可以透過ck對該庫中表的資料進行crud, 有點像hive中的外表，只是這裡外掛的是整個資料庫。

假設mysql中有以下資料

Copymysql> USE test;Database changedmysql> CREATE TABLE `mysql_table` (    ->   `int_id` INT NOT NULL AUTO_INCREMENT,    ->   `float` FLOAT NOT NULL,    ->   PRIMARY KEY (`int_id`));Query OK, 0 rows affected (0,09 sec)mysql> insert into mysql_table (`int_id`, `float`) VALUES (1,2);Query OK, 1 row affected (0,00 sec)mysql> select * from mysql_table;+--------+-------+| int_id | value |+--------+-------+|      1 |     2 |+--------+-------+1 row in set (0,00 sec)

在ck中建立資料庫，連結上述mysql

CopyCREATE DATABASE mysql_db ENGINE = MySQL('localhost:3306', 'test', 'my_user', 'user_password')

然後就可以在ck中，對mysql庫進行一系列操作

表引擎(table engine)—MergeTree 家族#

表引擎定義一個表建立是時候，使用什麼引擎進行儲存。表引擎控制如下事項

資料如何讀寫以及，以及儲存位置支援的查詢能力資料併發訪問能力資料的replica特徵MergeTree 引擎#

建表時，指定table engine相關配置

CopyCREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1] [TTL expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2] [TTL expr2],    ...    INDEX index_name1 expr1 TYPE type1(...) GRANULARITY value1,    INDEX index_name2 expr2 TYPE type2(...) GRANULARITY value2) ENGINE = MergeTree()[PARTITION BY expr][ORDER BY expr][PRIMARY KEY expr][SAMPLE BY expr][TTL expr][SETTINGS name=value, ...]

該引擎會資料進行分割槽儲存。資料插入時，不同分割槽的資料，會分為不同的資料段(data part), ck後臺再對這些data part做合併，不同的分割槽的data part不會合到一起一個data part 由有許多不可分割的最小granule組成

部分配置舉例

CopyENGINE MergeTree() PARTITION BY toYYYYMM(EventDate) ORDER BY (CounterID, EventDate, intHash32(UserID)) SAMPLE BY intHash32(UserID) SETTINGS index_granularity=8192

granule#

gruanule是按主鍵排序後，緊鄰在一起，不可再分割的資料集。每個granule 的第一行資料的主鍵作為這個資料作為這個資料集的mark 。比如這裡的主鍵是(CounterID, Date)。第一個granule排序的第一列資料，其主鍵為a,1 ,可以看到多一個gruanle中的多行資料，其主鍵可以相同。

同時為了方便索引，ck會對每個granule指定一個mark number, 方便實際使用的（透過編號，總比透過實際的主鍵值要好使用一點）。

這種索引結構非常像跳錶。也稱為稀疏索引，因為它不是對每一行資料做索引，而是以排序後的資料範圍做索引。

查詢舉例，如果我們想查詢CounterID in ('a', 'h')，ck伺服器基於上述結構，實際讀取的資料範圍為[0, 3) and [6, 8)

可以在建表時，透過index_granularity指定，兩個mark之間儲存的行記錄數，也即granule的大小(因為兩個mark間就是一個granule)

TTL#

可以對錶和欄位進行過期設定

MergeTree 總結#

MergeTree 相當於MergeTree家族表引擎的超類。它定義整個MergeTree家族的資料檔案儲存的特徵。即

有資料合併有稀疏索引，像跳錶一樣的資料結構，來儲存資料集。可以指定資料分割槽

而在此資料基礎上，衍生出了一些列增對不同應用場景的子MergeTree。他們分別是

ReplacingMergeTree 自動移除primary key相同的資料SummingMergeTree　能夠將相同主鍵的，數字型別欄位進行sum,　最後存為一行，這相當於預聚合，它能減少儲存空間，提升查詢效能AggregatingMergeTree　能夠將同一主鍵的資料，按一定規則聚合，減少資料儲存，提高聚合查詢的效能，相當於預聚合。CollapsingMergeTree　將大多數列內容都相同，但是部分列值不同，但是資料是成對的行合併，比如列的值是1和-1ReplicatedMergeTree　引擎#

ck中建立的表，預設都是沒有replicate的，為了提高可用性，需要引入replicate。ck的引入方式是透過整合zookeeper實現資料的replicate副本。

正對上述的各種預聚合引擎，也有對應的ReplicatedMergeTree 引擎進行支援

ReplicatedMergeTreeReplicatedSummingMergeTreeReplicatedReplacingMergeTreeReplicatedAggregatingMergeTreeReplicatedCollapsingMergeTreeReplicatedVersionedCollapsingMergeTreeReplicatedGraphiteMergeTree表引擎(table engine)— Log Engine 家族#

該系列表引擎正對的是那種會持續產生需要小表，並且各個表資料量都不大的日誌場景。這些引擎的特點是：

資料儲存在磁碟上以apeend方式新增資料寫是加鎖，讀需等待，也即查詢效能不高表引擎(table engine)— 外部資料來源#

ck建表時，還支援許多外部資料來源引擎，他們應該是像hive　外表一樣，只是建立了一個表形態的連結，實際儲存還是源資料來源。(這個有待確認)

這些外部資料來源表引擎有：

KafkaMySQLJDBCODBCHDFSSql語法#sample 語句#

在建表的時候，可以指定基於某個列的雜湊值做sample (之所以hash雜湊，是為了保證抽樣的均勻和隨機).這樣我們在查詢的時候，可以不用對全表資料做處理，而是基於sample抽樣一部分資料，進行結構計算就像。比如全表有100個人，如果要計算這一百個人的總成績，可以使用sample取十個人，將其成績求和後，乘以10。sample適用於那些不需要精確計算，並且對計算耗時非常敏感的業務場景。

安裝事宜#一些tips#生產環境關掉swap file#

Disable the swap file for production environments.

記錄叢集執行情況的一些表#

system.metrics, system.events, and system.asynchronous_metrics tables.

安裝環境配置#cpu頻率控制#

Linux系統，會根據任務的負荷對cpu進行降頻或升頻，這些排程升降過程會影響到ck的效能，使用以下配置，將cpu的頻率開到最大

Copyecho 'performance' | sudo tee /sys/devices/system/cpu/cpu*/cpufreq/scaling_governor

linux系統頻率可能的配置如下：

執行超額分配記憶體#

基於swap 磁碟機制，Linux系統可以支援應用系統對超過物理記憶體實際大小的，記憶體申請，基本原理是將一部分的不用的資料，swap到硬碟，騰出空間給正在用的資料，這樣對上層應用來看，彷彿擁有了很大的記憶體量，這種允許超額申請記憶體的行為叫：Overcommiting Memory

控制Overcommiting Memory行為的有三個數值

0: The Linux kernel is free to overcommit memory (this is the default), a heuristic algorithm is applied to figure out if enough memory is available.1: The Linux kernel will always overcommit memory, and never check if enough memory is available. This increases the risk of out-of-memory situations, but also improves memory-intensive workloads.2: The Linux kernel will not overcommit memory, and only allocate as much memory as defined in overcommit_ratio.

ck需要儘可能多的記憶體，所以需要開啟超額申請的功能，修改配置如下

Copy echo 0 | sudo tee /proc/sys/vm/overcommit_memory

關閉透明記憶體#

Huge Pages 作業系統為了提速處理，將部分應用記憶體頁放到了處理器中，這個頁叫hug pages。而為了透明化這一過程，linux啟用了khugepaged核心執行緒來專門負責此事，這種透明自動化的方式叫： transparent hugepages 。 但自動化的方式會帶來記憶體洩露的風險，具體原因看參考連結。

所以CK安裝期望關閉該選項：

Copyecho 'never' | sudo tee /sys/kernel/mm/transparent_hugepage/enabled

儘量用大的網路頻寬#

如果是ipv6的話，需要增大 route cache

不要將zk和ck裝在一起#

ck會盡可能的多佔用資源來保證效能，所以如果跟zk裝在一起，ck會影響zk,使其吞吐量下降，延遲增高

zk配置zoo.cfg

Copy# http://hadoop.apache.org/zookeeper/docs/current/zookeeperAdmin.html# The number of milliseconds of each ticktickTime=2000# The number of ticks that the initial# synchronization phase can takeinitLimit=30000# The number of ticks that can pass between# sending a request and getting an acknowledgementsyncLimit=10maxClientCnxns=2000maxSessionTimeout=60000000# the directory where the snapshot is stored.dataDir=/opt/zookeeper/{{ cluster['name'] }}/data# Place the dataLogDir to a separate physical disc for better performancedataLogDir=/opt/zookeeper/{{ cluster['name'] }}/logsautopurge.snapRetainCount=10autopurge.purgeInterval=1# To avoid seeks ZooKeeper allocates space in the transaction log file in# blocks of preAllocSize kilobytes. The default block size is 64M. One reason# for changing the size of the blocks is to reduce the block size if snapshots# are taken more often. (Also, see snapCount).preAllocSize=131072# Clients can submit requests faster than ZooKeeper can process them,# especially if there are a lot of clients. To prevent ZooKeeper from running# out of memory due to queued requests, ZooKeeper will throttle clients so that# there is no more than globalOutstandingLimit outstanding requests in the# system. The default limit is 1,000.ZooKeeper logs transactions to a# transaction log. After snapCount transactions are written to a log file a# snapshot is started and a new transaction log file is started. The default# snapCount is 10,000.snapCount=3000000# If this option is defined, requests will be will logged to a trace file named# traceFile.year.month.day.#traceFile=# Leader accepts client connections. Default value is "yes". The leader machine# coordinates updates. For higher update throughput at thes slight expense of# read throughput the leader can be configured to not accept clients and focus# on coordination.leaderServes=yesstandaloneEnabled=falsedynamicConfigFile=/etc/zookeeper-{{ cluster['name'] }}/conf/zoo.cfg.dynamic

對應的jvm引數

CopyNAME=zookeeper-{{ cluster['name'] }}ZOOCFGDIR=/etc/$NAME/conf# TODO this is really ugly# How to find out, which jars are needed?# seems, that log4j requires the log4j.properties file to be in the classpathCLASSPATH="$ZOOCFGDIR:/usr/build/classes:/usr/build/lib/*.jar:/usr/share/zookeeper/zookeeper-3.5.1-metrika.jar:/usr/share/zookeeper/slf4j-log4j12-1.7.5.jar:/usr/share/zookeeper/slf4j-api-1.7.5.jar:/usr/share/zookeeper/servlet-api-2.5-20081211.jar:/usr/share/zookeeper/netty-3.7.0.Final.jar:/usr/share/zookeeper/log4j-1.2.16.jar:/usr/share/zookeeper/jline-2.11.jar:/usr/share/zookeeper/jetty-util-6.1.26.jar:/usr/share/zookeeper/jetty-6.1.26.jar:/usr/share/zookeeper/javacc.jar:/usr/share/zookeeper/jackson-mapper-asl-1.9.11.jar:/usr/share/zookeeper/jackson-core-asl-1.9.11.jar:/usr/share/zookeeper/commons-cli-1.2.jar:/usr/src/java/lib/*.jar:/usr/etc/zookeeper"ZOOCFG="$ZOOCFGDIR/zoo.cfg"ZOO_LOG_DIR=/var/log/$NAMEUSER=zookeeperGROUP=zookeeperPIDDIR=/var/run/$NAMEPIDFILE=$PIDDIR/$NAME.pidSCRIPTNAME=/etc/init.d/$NAMEJAVA=/usr/bin/javaZOOMAIN="org.apache.zookeeper.server.quorum.QuorumPeerMain"ZOO_LOG4J_PROP="INFO,ROLLINGFILE"JMXLOCALONLY=falseJAVA_OPTS="-Xms{{ cluster.get('xms','128M') }} \    -Xmx{{ cluster.get('xmx','1G') }} \    -Xloggc:/var/log/$NAME/zookeeper-gc.log \    -XX:+UseGCLogFileRotation \    -XX:NumberOfGCLogFiles=16 \    -XX:GCLogFileSize=16M \    -verbose:gc \    -XX:+PrintGCTimeStamps \    -XX:+PrintGCDateStamps \    -XX:+PrintGCDetails    -XX:+PrintTenuringDistribution \    -XX:+PrintGCApplicationStoppedTime \    -XX:+PrintGCApplicationConcurrentTime \    -XX:+PrintSafepointStatistics \    -XX:+UseParNewGC \    -XX:+UseConcMarkSweepGC \-XX:+CMSParallelRemarkEnabled"

資料備份#

資料除了儲存在ck之外，可以在hdfs中保留一份，以防止ck資料丟失後，無法恢復。

配置檔案#

ck的預設配置檔案為/etc/clickhouse-server/config.xml，你可以在其中指定所有的伺服器配置。

當然你可以將各種不同的配置分開，比如user的配置，和quota的配置，單獨放一個檔案，其餘檔案放置的路徑為

Copy /etc/clickhouse-server/config.d

ck最終會將所有的配置合在一起生成一個完整的配置file-preprocessed.xml

Copy<query_masking_rules>    <rule>        <name>hide SSN</name>        <regexp>\b\d{3}-\d{2}-\d{4}\b</regexp>        <replace>000-00-0000</replace>    </rule></query_masking_rules>

同時ck還可以使用zk做為自己的配置源，即最終配置檔案的生成，會使用zk中的配置。

預設情況下：users, access rights, profiles of settings, quotas這些設定都在users.xml

一些最佳實踐#

一些最佳配置實踐：1.寫入時，不要使用distribution 表，怕出現數據不一致2.設定background_pool_size ，提升Merge的速度，因為merge執行緒就是使用這個執行緒池3.設定max_memory_usage和max_memory_usage_for_all_queries，限制ck使用物理記憶體的大小，因為使用記憶體過大，作業系統會將ck程序殺死4.設定max_bytes_before_external_sort和max_bytes_before_external_group_by，來使得聚合的sort和group在需要大記憶體且記憶體超過上述限制時，不至於失敗，可以轉而使用硬碟進行處理

一些踩坑處理：1.Too many parts(304). Merges are processing significantly slower than inserts 問題是因為插入的太平凡，插入速度超過了後臺merge的速度，解決版本辦法是，增大background_pool_size和降低插入速度，官方建議“每秒不超過1次的insert request”，實際是每秒的寫入影響不要超過一個檔案。如果寫入的資料涉及多個分割槽檔案，很可能還是出現這個問題。所以分割槽的設定一定要合理2.DB::NetException: Connection reset by peer, while reading from socket xxx 。很有可能是沒有配置max_memory_usage和max_memory_usage_for_all_queries，導致記憶體超限，ck server被作業系統殺死3.Memory limit (for query) exceeded:would use 9.37 GiB (attempt to allocate chunk of 301989888 bytes), maximum: 9.31 GiB 。是由於我們設定了ck server的記憶體使用上線。那些超限的請求被ck殺死，但ck本身並沒有掛。這個時候就要增加max_bytes_before_external_sort和max_bytes_before_external_group_by配置，來利用上硬碟4.ck的副本和分片依賴zk,所以zk是個很大的效能瓶頸，需要對zk有很好的認識和配置，甚至啟用多個zk叢集來支援ck叢集5.zk和ck建議都使用ssd,提升效能對應文章：https://mp.weixin.qq.com/s/egzFxUOAGen_yrKclZGVag

參考資料#

https://clickhouse.yandex/docs/en/operations/tips/http://engineering.pivotal.io/post/virtual_memory_settings_in_linux_-_the_problem_with_overcommit/https://blog.nelhage.com/post/transparent-hugepages/https://wiki.archlinux.org/index.php/CPU_frequency_scaling