解决Hadoop的短板，实时大数据分析引擎ClickHouse解析

作 者 简 介

安海雄，京东系统架构师，从事架构设计与开发工作，熟悉各种开源软件架构。在Web开发、架构优化上有较丰富实战经历。

>>>>

一、背景

提到大数据不得不提Hadoop，当下的Hadoop已不仅仅是当初的HDFS + MR（MapReduce）这么简单。基于Hadoop而衍生的Hive、Pig、Spark、Presto、Impala等一系列组件共同构成了Hadoop生态体系。Hadoop生态为今天的大数据领域提供着稳定可靠的数据服务。

Hadoop生态体系解决了大数据界的大部分问题，当然其也存在缺点。Hadoop体系的最大短板在于数据处理时效性。基于Hadoop生态的数据处理场景大部分对时效要求不高，按照传统的做法一般是 T + 1 的数据时效。即 Trade + 1，数据产出在交易日 + 1 天。

ClickHouse的产生就是为了解决大数据量处理的时效性。

>>>>

二、概述

Clickhouse，专为在线数据分析而设计。官方提供的文档表明，ClickHouse 日处理记录数“十亿级”。

1.特性

• 采用列式存储
• 数据压缩
• 基于磁盘的存储，大部分列式存储数据库为了追求速度，会将数据直接写入内存，按时内存的空间往往很小
• CPU利用率高，在计算时会使用机器上的所有CPU资源
• 支持分片，并且同一个计算任务会在不同分片上并行执行，计算完成后会将结果汇总
• 支持SQL，SQL几乎成了大数据的标准工具，使用门槛较低
• 支持联表查询
• 支持实时更新
• 自动多副本同步
• 支持索引
• 分布式存储查询

2.性能

根据官方提供的数据，性能表现大致如下：

• 低延迟：对于数据量（几千行，列不是很多）不是很大的短查询，如果数据已经被载入缓存，且使用主码，延迟在50MS左右
• 并发量：虽然ClickHouse是一种在线分析型数据库，也可支持一定的并发。当单个查询比较短时，官方建议100 Queries / second
• 写入速度：在使用MergeTree引擎的情况下，写入速度大概是50 - 200M / s，如果按照1 K一条记录来算，大约每秒可写入50000 ~ 200000条记录每秒。如果每条记录比较小的话写入速度会更快

3.接口

• 对外提供Http，JDBC两种接口方式
• 对内各模块间使用TCP连接通信

4.与Hadoop的区别

• Hadoop体系是一种离线系统，一般很难支持即席查询。ClickHouse可以支持即席查询
• Hadoop体系一般不支持实时更新，都采用批量更新和写入。ClickHouse支持实时数据更新
• Hadoop体系一般采用行记录存储，数据查询需要扫描所有列，当表很宽时会扫描很多用不到的列。ClickHouse是列式存储，查询只需要加载相关的列。

>>>>

三、引擎

Clickhouse提供了丰富的存储引擎，存储引擎的类型决定了数据如何存放、如何做备份、如何被检索、是否使用索引。不同的存储引擎在数据写入/检索方面做平衡，以满足不同业务需求。

Clickhouse提供了十多种引擎，这里介绍两种最重要的引擎：MergeTree、Distributed。

1.MergeTree

MergeTree是ClickHouse中最先进的引擎，并由MergeTree衍生出了一系列的引擎，统称MergeTree系引擎。

特性

• 支持主键索和日期索引
• 可以提供实时的数据更新
• MergeTree是ClickHouse数据库提供的最理想的引擎
• MergeTree类型的表必须有一个Date类型列，因为默认情况下数据是按时间进行分区存放的

分区

• MergeTree默认分区是以月为单位，同一个月的数据永远都不会被合并
• 同一个分区的数据会被切割到不同的文件夹中
• 当有新数据写入时，数据会被写入新的文件夹中，后台会有线程定时对这些文件夹进行合并
• 每个文件夹中包含当前文件夹范围内的数据，数据按照主码排序，并且每个文件夹中有一个针对该文件夹中数据的索引文件

分区新特性

• 在老版本的ClickHouse中只支持按月分区
• 在1.1.54310版之后，支持用户自定义分区
• 可以通过system.parts表查看表的分区情况

• 比如某个表存储了2018年1月、2月、3月的数据在同一张表里，数据在磁盘上分布如下图所示

• 通过查询system.parts可以看出与文件夹一致，数据被分别存储到了4个文件夹中，共分为三个分区：201801、201802、201803

索引

• 每个数据分区的子文件夹都有一个独立索引
• 当where子句中在索引列及Date列上做了“等于、不等于、>=、<=、>、<、IN、bool判断”操作，索引就会起作用
• Like操作不会使用索引如下面的SQL将不会用到索引
• SELECT count()FROM table WHERE CounterID = 34 OR URL LIKE '%upyachka%'
• 对于日期索引，查询仅仅在包含这些数据的分区上执行
• 查询时最好指定主码，因为在一个子分区中，数据按照主码存储。所以，当定位到某天的数据文件夹时，如果这一天数据量很大，查询不带主码就会导致大量的数据扫描

2.Distributed

Distributed引擎并不存储真实数据，而是来做分布式写入和查询，与其他引擎配合使用。

比如：Distributed + MergeTree。

根据使用中的经验，一种合理的集群拓扑如下：

• Distributed 引擎可以认为是 Proxy，仅仅存有表结构。
• MergeTree 引擎可以认为是 DataNode，存储真实数据。
• Distributed 引擎需要指定如下参数：<集群名称，远程数据库名，远程表名，分片规则>

集群名：即当前集群名称。 远程数据库名：比如存储具体数据的MergeTree引擎的数据库名 远程表名：存储真实数据的表的名字。 分片规则：可选。 分片：一个 Distributed 表可以被切成多个分片(shard)，分片之间没有数据重合。 副本：一个 Distributed 分片可以有多个副本，副本的数据完全相同。

数据读取过程：

• 查询被分发到远程shards上去并行执行
• 当查询一个副本连接失败，会尝试其他副本
• 查询会使用远程服务器上引擎的索引
• 数据聚合之类的操作也会先在远程数据Node上进行，然后把中间结果发送到Distributed引擎所在服务器，做进一步聚合

数据写入过程：

有两种数据写入方式：

• 直接将数据写入数据节点。这是最优的方式，因为数据是被分布式的并发写到每台数据节点上，效率会更高。如图2所示

• 将数据写入distributed表。Distributed表再根据 shardingkey将数据分发到相应的shard上去。如图1方式

>>>>

四、Clickhouse不足

• 不支持事务
• 聚合操作取决于单台机器的 RAM
• 资料及文档较少、运维困难

---------------------END---------------------