您的位置:首页 > 数据库

数仓选型必列入考虑的OLAP列式数据库ClickHouse(上)

2022-05-21 01:16 871 查看 https://www.cnblogs.com/itxiao

概述

定义

ClickHouse官网地址 https://clickhouse.com/ 最新版本22.4.5.9

ClickHouse官网文档地址 https://clickhouse.com/docs/zh

ClickHouseGitHub源码地址 https://github.com/ClickHouse/ClickHouse

ClickHouse是俄罗斯的 Yandex 于 2016 年开源的用于在线分析处理查询(OLAP 😮nline Analytical Processing)MPP架构列式存储数据库(DBMS:Database Management System),能够使用 SQL 查询实时生成分析数据报告。ClickHouse的全称是Click Stream,Data WareHouse。ClickHouse可以做用户行为分析,流批一体,其线性扩展和可靠性保障能够原生支持 分片和副本,shard + replication,ClickHouse没有走hadoop生态自己实现分布式存储。

  • OLAP场景的关键特征 绝大多数是读请求
  • 数据以相当大的批次(> 1000行)更新,而不是单行更新;或者根本没有更新。
  • 已添加到数据库的数据不能修改。
  • 对于读取,从数据库中提取相当多的行,但只提取列的一小部分。
  • 宽表,即每个表包含着大量的列
  • 查询相对较少(通常每台服务器每秒查询数百次或更少)
  • 对于简单查询,允许延迟大约50毫秒
  • 列中的数据相对较小:数字和短字符串(例如,每个URL 60个字节)
  • 处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)
  • 事务不是必须的
  • 对数据一致性要求低
  • 每个查询有一个大表。除了他以外,其他的都很小。
  • 查询结果明显小于源数据。换句话说,数据经过过滤或聚合,因此结果适合于单个服务器的RAM中
  • 很容易可以看出,OLAP场景与其他通常业务场景(例如,OLTP或K/V)有很大的不同, 因此想要使用OLTP或Key-Value数据库去高效的处理分析查询场景,并不是非常完美的适用方案。例如,使用OLAP数据库去处理分析请求通常要优于使用MongoDB或Redis去处理分析请求。
  • 列式数据库更适合OLAP场景的原因
      针对分析类查询,通常只需要读取表的一小部分列。在列式数据库中你可以只读取你需要的数据。例如,如果只需要读取100列中的5列,这将帮助你最少减少20倍的I/O消耗。
    • 由于数据总是打包成批量读取的,所以压缩是非常容易的。同时数据按列分别存储这也更容易压缩。这进一步降低了I/O的体积。
    • 由于I/O的降低,这将帮助更多的数据被系统缓存。
  • CPU
      向量引擎:所有的操作都是为向量而不是为单个值编写的。这意味着多个操作之间的不再需要频繁的调用,并且调用的成本基本可以忽略不计。操作代码包含一个优化的内部循环。
    • 代码生成:生成一段代码,包含查询中的所有操作。

    特性

    • 真正的列式数据库管理系统:ClickHouse不单单是一个数据库, 它是一个数据库管理系统。因为它允许在运行时创建表和数据库、加载数据和运行查询,而无需重新配置或重启服务.
    • 数据压缩:支持通用压缩编解码器之外,ClickHouse还提供针对特定类型数据的专用编解码器。
    • 数据的磁盘存储:ClickHouse被设计用于工作在传统磁盘上的系统,它提供每GB更低的存储成本,但如果可以使用SSD和内存,它也会合理的利用这些资源。
    • 多核心并行处理
    • 多服务器分布式处理
    • 支持SQL
    • 向量引擎
    • 实时的数据更新
    • 索引
    • 适合在线查询
    • 支持近似计算
    • 自适应连接算法
    • 支持数据复制和数据完整性
    • 角色的访问控制
    • 限制 没有完整的事务支持。
    • 缺少高频率,低延迟的修改或删除已存在数据的能力。仅能用于批量删除或修改数据,但这符合 GDPR
    • 稀疏索引使得ClickHouse不适合通过其键检索单行的点查询。

    性能

    • 单个大查询吞吐量:如果数据被放置在page cache中,则一个不太复杂的查询在单个服务器上大约能够以2-10GB/s(未压缩)的速度进行处理。
    • 处理短查询的延迟时间:如果一个查询使用主键并且没有太多行(几十万)进行处理,并且没有查询太多的列,那么在数据被page cache缓存的情况下,它的延迟应该小于50毫秒。
    • 处理大量短查询的吞吐量:在相同的情况下,ClickHouse可以在单个服务器上每秒处理数百个查询。
    • 写入速度大约为50到200MB/s。如果您写入的数据每行为1Kb,那么写入的速度为50,000到200,000行每秒。

    为什么ClickHouse这么快?

    • 面向列的存储:源数据通常包含数百甚至数千列,而报表可以只使用其中的少数列。系统需要避免读取不必要的列,否则最昂贵的磁盘读取操作将被浪费。
    • 索引:ClickHouse将数据结构保存在内存中,不仅允许读取已使用的列,还允许读取这些列的必要行范围。
    • 数据压缩:将同一列的不同值存储在一起通常会带来更好的压缩比(与面向行的系统相比),因为在实际数据中,列的相邻行通常具有相同或不那么多的不同值。除了通用压缩,ClickHouse还支持专门的编解码器,可以使数据更加紧凑。
    • 向量化查询执行:ClickHouse不仅在列中存储数据,还在列中处理数据。它可以提高CPU缓存利用率,并允许使用SIMD CPU指令。
    • 可伸缩性:ClickHouse可以利用所有可用的CPU核和磁盘执行单个查询。不仅在单个服务器上,而且在集群的所有CPU核和磁盘上也是如此。

    安装部署

    系统要求

    ClickHouse可以在任何具有x86_64,AArch64或PowerPC64LE CPU架构的Linux,FreeBSD或Mac OS X上运行。

    官方预构建的二进制文件通常针对x86_64进行编译,并利用

    SSE 4.2
    指令集,因此,除非另有说明,支持它的CPU使用将成为额外的系统需求。下面是检查当前CPU是否支持SSE 4.2的命令:

    $ grep -q sse4_2 /proc/cpuinfo && echo "SSE 4.2 supported" || echo "SSE 4.2 not supported"

    要在不支持

    SSE 4.2
    AArch64
    PowerPC64LE
    架构的处理器上运行ClickHouse,您应该通过适当的配置调整从源代码构建ClickHouse

    可用安装包

    • DEB安装包
    • RPM安装包
    • Tgz安装包
    • Docker安装包
    • 其他环境安装包
    • 使用源码安装

    安装包列表:

    • clickhouse-common-static
      — ClickHouse编译的二进制文件。
    • clickhouse-server
      — 创建
      clickhouse-server
      软连接,并安装默认配置服务
    • clickhouse-client
      — 创建
      clickhouse-client
      客户端工具软连接,并安装客户端配置文件。
    • clickhouse-common-static-dbg
      — 带有调试信息的ClickHouse二进制文件。

    单机RPM包安装

    单机部署比较简单,执行完下面四条命令就可以通过clickhouse-client来操作了

    yum install -y yum-utils
    yum-config-manager --add-repo https://packages.clickhouse.com/rpm/clickhouse.repo
    yum install -y clickhouse-server clickhouse-client
    /etc/init.d/clickhouse-server start

    集群部署

    ClickHouse集群是一个同质集群,操作步骤如下

    • 分别在ckserver1(192.168.5.52)、ckserver2(192.168.5.53)、huawei27(192.168.12.27)这三台上按照上面的单机部署前面3行命令安装ClickHouse服务端。需提前准备Zookeeper,这样使用的是提前建好的3台Zookeeper集群(Zookeeper部署可以查看之前的文章)。
    • 在配置文件中设置集群配置。主要配置zookeeper、remote_servers和macros节点数据,而macros数据在每个节点分别配置,ckserver1配置为01,ckserver2配置02,huawei27配置为03,在下面示例为配置一个3个分片和3个副本的集群。
    <zookeeper>
    <node>
    <host>huawei27</host>
    <port>2181</port>
    </node>
    <node>
    <host>huawei28</host>
    <port>2181</port>
    </node>
    <node>
    <host>huawei29</host>
    <port>2181</port>
    </node>
    </zookeeper>
    
    <remote_servers>
    <perftest_3shards_3replicas>
    <shard>
    <replica>
    <host>ckserver1</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>ckserver2</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>huawei27</host>
    <port>9000</port>
    </replica>
    </shard>
    <shard>
    <replica>
    <host>ckserver1</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>ckserver2</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>huawei27</host>
    <port>9000</port>
    </replica>
    </shard>
    <shard>
    <replica>
    <host>ckserver1</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>ckserver2</host>
    <port>9000</port>
    </replica>
    <replica>
    <host>huawei27</host>
    <port>9000</port>
    </replica>
    </shard>
    </perftest_3shards_3replicas>
    </remote_servers>
    
    <macros>
    <shard>01</shard>
    <replica>01</replica>
    </macros>

    修改完配置后分别在三台上执行/etc/init.d/clickhouse-server start,查询集群信息如下

    接口

    • ClickHouse提供了一个原生命令行客户端
      clickhouse-client
      客户端支持命令行
      --host, -h
      -– 服务端的host名称, 默认是
      localhost
      。您可以选择使用host名称或者IPv4或IPv6地址。
    • --port
      – 连接的端口,默认值:9000。注意HTTP接口以及TCP原生接口使用的是不同端口。
    • --user, -u
      – 用户名。 默认值:
      default
    • --password
      – 密码。 默认值:空字符串。
    • --query, -q
      – 使用非交互模式查询。
    • --database, -d
      – 默认当前操作的数据库. 默认值:服务端默认的配置(默认是
      default
      )。
    • --multiline, -m
      – 如果指定,允许多行语句查询(Enter仅代表换行,不代表查询语句完结)。
    • --multiquery, -n
      – 如果指定, 允许处理用
      ;
      号分隔的多个查询,只在非交互模式下生效。
    • --format, -f
      – 使用指定的默认格式输出结果。
    • --vertical, -E
      – 如果指定,默认情况下使用垂直格式输出结果。这与
      –format=Vertical
      相同。在这种格式中,每个值都在单独的行上打印,这种方式对显示宽表很有帮助。
    • --time, -t
      – 如果指定,非交互模式下会打印查询执行的时间到
      stderr
      中。
    • --stacktrace
      – 如果指定,如果出现异常,会打印堆栈跟踪信息。
    • --config-file
      – 配置文件的名称。
    • --secure
      – 如果指定,将通过安全连接连接到服务器。
    • --history_file
      — 存放命令历史的文件的路径。
    • --param_<name>
      — 查询参数配置。
  • HTTP客户端:HTTP接口允许您在任何编程语言的任何平台上使用ClickHouse,HTTP接口比原生接口受到更多的限制,但它具有更好的兼容性。默认情况下,
    clickhouse-server
    会在
    8123
    端口上监控HTTP请求(这可以在配置中修改)。如果你发送了一个未携带任何参数的
    GET /
    请求,它会返回一个字符串 «Ok.»
  • MySQL接口:ClickHouse支持MySQL wire通讯协议。
  • JDBC驱动
      官网驱动
    • 第三方驱动: ClickHouse-Native-JDBC
    • clickhouse4j
  • ODBC驱动
  • C++客户端库
  • 第三方工具
      客户端开发库,支持多种语言如Python、Java、Go、Php、NodeJs、Swift、Ruby、R、Scala、C#、Kotlin等等
    • 第三方集成库 关系数据库:MySQL、MSSQL、PostgreSQL
    • 消息队列:Kafka
    • 流处理:Flink
    • 对象存储:S3
    • 容器编排:Kubernetes
    • 监控:Grafana、Prometheus、Zabbix
  • 第三方代理
      chproxy
    • KittenHouse
    • ClickHouse-Bulk
  • 第三方开发的可视化界面
      开源 Tabix
    • HouseOps
    • 灯塔
    • DBeaver
    • clickhouse-cli
    • clickhouse-flamegraph
    • DBM
  • 商业
      Holistics
    • DataGrip

    创建数据库

    默认情况下,ClickHouse使用Atomic数据库引擎。它提供了可配置的table engines和SQL dialect。创建一个测试数据库

    CREATE DATABASE test ENGINE = Atomic;
    use test;

    创建数据表

    # -m支持多行输入
    clickhouse-client -m

    使用最常见的MergeTree表引擎创建一张用户信息表user_info

    CREATE TABLE user_info
    (
    id INT,
    name String,
    age Int8,
    sex Int8,
    career INT,
    birthday Date
    ) ENGINE = MergeTree()
    PARTITION BY toYYYYMM(birthday)
    ORDER BY (career, birthday);

    # user_info插入两行数据
    insert into user_info values(100,'张三',27,1,1000,'1998-05-21'),(101,'李婷',28,2,1001,'2000-07-25');
    # 查询user_info数据
    select * from user_info;

    至此,ClickHouse的环境已经完全准备就绪,下一篇我们先通过一个案例需求学习ClickHouse使用,然后再层层深入。

  • 内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
    标签: