ClickHouse用于实时数据分析的基于列存储的数据库

ClickHouse 是 Yandex（俄罗斯最大的搜索引擎）开源的一个用于实时数据分析的基于列存储的数据库，其处理数据的速度比传统方法快 100-1000 倍。

ClickHouse 的性能超过了目前市场上可比的面向列的 DBMS，每秒钟每台服务器每秒处理数亿至十亿多行和数十千兆字节的数据。

# ClickHouse 是什么？

ClickHouse 是一个用于联机分析（OLAP）的列式数据库管理系统（DBMS）。

我们首先理清一些基础概念：

• OLTP：是传统的关系型数据库，主要操作增删改查，强调事务一致性，比如银行系统、电商系统。

• OLAP：是仓库型数据库，主要是读取数据，做复杂数据分析，侧重技术决策支持，提供直观简单的结果。

接着我们用图示，来理解一下列式数据库和行式数据库区别，在传统的行式数据库系统中（MySQL、Postgres 和 MS SQL Server），数据按如下顺序存储：

在列式数据库系统中（ClickHouse），数据按如下的顺序存储：

两者在存储方式上对比：

以上是 ClickHouse 基本介绍，更多可以查阅官方手册：

https://clickhouse.tech/docs/zh/

# 业务问题

业务端现有存储在 MySQL 中，5000 万数据量的大表及两个辅表，单次联表查询开销在 3min+，执行效率极低。

经过索引优化、水平分表、逻辑优化，成效较低，因此决定借助 ClickHouse 来解决此问题。

最终通过优化，查询时间降低至 1s 内，查询效率提升 200 倍！希望通过本文，可以帮助大家快速掌握这一利器，并能在实践中少走弯路。

# ClickHouse 实践

①Mac 下的 Clickhouse 安装

我是通过 Docker 安装，也可以下载 CK 编译安装，相对麻烦一些。参考链接：

https://blog.csdn.net/qq_24993831/article/details/103715194

②数据迁移：从 MySQL 到 ClickHouse

ClickHouse 支持 MySQL 大多数语法，迁移成本低，目前有五种迁移方案：

• create table engin mysql，映射方案数据还是在 MySQL。

• insert into select from，先建表，在导入。

• create table as select from，建表同时导入。

• csv 离线导入。

• streamsets。

参考链接：

https://anjia0532.github.io/2019/07/17/mysql-to-clickhouse/

选择第三种方案做数据迁移：

CREATE TABLE [IF NOT EXISTS] [db.]table_name ENGINE = Mergetree AS SELECT * FROM mysql('host:port', 'db', 'database', 'user', 'password')

③性能测试对比

性能测试对比如下图：

④数据同步方案

临时表如下：

图片来源：携程

新建 Temp 中间表，将 MySQL 数据全量同步到 ClickHouse 内 Temp 表，再替换原 ClickHouse 中的表，适用数据量适度，增量和变量频繁的场景。

开源的同步软件推荐 Synch，如下图：

Synch 原理是通过 MySQL 的 Binlog 日志，获取 SQL 语句，再通过消息队列消费 Task。

⑤ClickHouse 为什么快？

有如下几点：

• 只需要读取要计算的列数据，而非行式的整行数据读取，降低 IO cost。

• 同列同类型，有十倍压缩提升，进一步降低 IO。

• Clickhouse 根据不同存储场景，做个性化搜索算法。

# 遇到的坑

①ClickHouse 与 MySQL 数据类型差异性

用 MySQL 的语句查询，发现报错：

解决方案：LEFT JOIN B b ON toUInt32(h.id) = toUInt32(ec.post_id)，中转一下，统一无符号类型关联

②删除或更新是异步执行，只保证最终一致性

查询 CK 手册发现，即便对数据一致性支持最好的 Mergetree，也只是保证最终一致性：

如果对数据一致性要求较高，推荐大家做全量同步来解决。

# 总结

通过 ClickHouse 实践，完美的解决了 MySQL 查询瓶颈，20 亿行以下数据量级查询，90% 都可以在 1s 内给到结果，随着数据量增加，ClickHouse 同样也支持集群，大家如果感兴趣，可以积极尝试！