什么是ClickHouse的表引擎?

阅读量：2831 次

发布时间：2019-05-14

本文共 41190 字，大约阅读时间需要 137 分钟。

什么是ClickHouse的表引擎?

转自：

Sep 14, 2020 | | 14 阅读 | 11.5k 字 | 48 分钟

在上一篇分享中，我们介绍了ClickHouse的安装部署和简单使用。本文将介绍ClickHouse中一个非常重要的概念—表引擎(table engine)。如果对MySQL熟悉的话，或许你应该听说过InnoDB和MyISAM存储引擎。不同的存储引擎提供不同的存储机制、索引方式、锁定水平等功能，也可以称之为表类型。ClickHouse提供了丰富的表引擎，这些不同的表引擎也代表着不同的表类型。比如数据表拥有何种特性、数据以何种形式被存储以及如何被加载。本文会对ClickHouse中常见的表引擎进行介绍，主要包括以下内容：

表引擎的作用是什么

MergeTree系列引擎

Log家族系列引擎

外部集成表引擎

其他特殊的表引擎

温馨提示：本文内容较长，建议收藏

表引擎的作用是什么

决定表存储在哪里以及以何种方式存储

支持哪些查询以及如何支持

并发数据访问

索引的使用

是否可以执行多线程请求

数据复制参数

表引擎分类

引擎分类	引擎名称
MergeTree系列	MergeTree 、ReplacingMergeTree 、SummingMergeTree 、 AggregatingMergeTree CollapsingMergeTree 、 VersionedCollapsingMergeTree 、GraphiteMergeTree
Log系列	TinyLog 、StripeLog 、Log
Integration Engines	Kafka 、MySQL、ODBC 、JDBC、HDFS
Special Engines	Distributed 、MaterializedView、 Dictionary 、Merge 、File、Null 、Set 、Join 、 URL View、Memory 、 Buffer

Log系列表引擎

应用场景

Log系列表引擎功能相对简单，主要用于快速写入小表(1百万行左右的表)，然后全部读出的场景。即一次写入多次查询。

Log系列表引擎的特点

共性特点

数据存储在磁盘上

当写数据时，将数据追加到文件的末尾

不支持并发读写，当向表中写入数据时，针对这张表的查询会被阻塞，直至写入动作结束

不支持索引

不支持原子写：如果某些操作(异常的服务器关闭)中断了写操作，则可能会获得带有损坏数据的表

不支持ALTER操作(这些操作会修改表设置或数据，比如delete、update等等)

区别

TinyLog

TinyLog是Log系列引擎中功能简单、性能较低的引擎。它的存储结构由数据文件和元数据两部分组成。其中，数据文件是按列独立存储的，也就是说每一个列字段都对应一个文件。除此之外，TinyLog不支持并发数据读取。

StripLog支持并发读取数据文件，当读取数据时，ClickHouse会使用多线程进行读取，每个线程处理一个单独的数据块。另外，StripLog将所有列数据存储在同一个文件中，减少了文件的使用数量。

Log支持并发读取数据文件，当读取数据时，ClickHouse会使用多线程进行读取，每个线程处理一个单独的数据块。Log引擎会将每个列数据单独存储在一个独立文件中。

TinyLog表引擎使用

该引擎适用于一次写入，多次读取的场景。对于处理小批数据的中间表可以使用该引擎。值得注意的是，使用大量的小表存储数据，性能会很低。

CREATE TABLE emp_tinylog (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=TinyLog();INSERT INTO emp_tinylog VALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_tinylogVALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);

进入默认数据存储目录，查看底层数据存储形式,可以看出：TinyLog引擎表每一列都对应的文件

[root@cdh04 emp_tinylog]# pwd/var/lib/clickhouse/data/default/emp_tinylog[root@cdh04 emp_tinylog]# ll总用量 28-rw-r----- 1 clickhouse clickhouse  56 9月  17 14:33 age.bin-rw-r----- 1 clickhouse clickhouse  97 9月  17 14:33 depart.bin-rw-r----- 1 clickhouse clickhouse  60 9月  17 14:33 emp_id.bin-rw-r----- 1 clickhouse clickhouse  70 9月  17 14:33 name.bin-rw-r----- 1 clickhouse clickhouse  68 9月  17 14:33 salary.bin-rw-r----- 1 clickhouse clickhouse 185 9月  17 14:33 sizes.json-rw-r----- 1 clickhouse clickhouse  80 9月  17 14:33 work_place.bin## 查看sizes.json数据## 在sizes.json文件内使用JSON格式记录了每个．bin文件内对应的数据大小的信息{    "yandex":{        "age%2Ebin":{            "size":"56"        },        "depart%2Ebin":{            "size":"97"        },        "emp_id%2Ebin":{            "size":"60"        },        "name%2Ebin":{            "size":"70"        },        "salary%2Ebin":{            "size":"68"        },        "work_place%2Ebin":{            "size":"80"        }    }}

当我们执行ALTER操作时会报错，说明该表引擎不支持ALTER操作

-- 以下操作会报错：-- DB::Exception: Mutations are not supported by storage TinyLog.ALTER TABLE emp_tinylog DELETE WHERE emp_id = 5;ALTER TABLE emp_tinylog UPDATE age = 30 WHERE emp_id = 4;

StripLog表引擎使用

相比TinyLog而言，StripeLog拥有更高的查询性能（拥有.mrk标记文件，支持并行查询），同时其使用了更少的文件描述符（所有数据使用同一个文件保存）。

CREATE TABLE emp_stripelog (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=StripeLog;-- 插入数据  INSERT INTO emp_stripelogVALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_stripelog VALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);-- 查询数据-- 由于是分两次插入数据，所以查询时会有两个数据块cdh04 :) select * from emp_stripelog;SELECT *FROM emp_stripelog┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部   │ 50000.00 ││      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

进入默认数据存储目录，查看底层数据存储形式

[root@cdh04 emp_stripelog]# pwd/var/lib/clickhouse/data/default/emp_stripelog[root@cdh04 emp_stripelog]# ll总用量 12-rw-r----- 1 clickhouse clickhouse 673 9月  17 15:11 data.bin-rw-r----- 1 clickhouse clickhouse 281 9月  17 15:11 index.mrk-rw-r----- 1 clickhouse clickhouse  69 9月  17 15:11 sizes.json

可以看出StripeLog表引擎对应的存储结构包括三个文件：

data.bin：数据文件，所有的列字段使用同一个文件保存，它们的数据都会被写入data.bin。

index.mrk：数据标记，保存了数据在data.bin文件中的位置信息(每个插入数据块对应列的offset)，利用数据标记能够使用多个线程，以并行的方式读取data.bin内的压缩数据块，从而提升数据查询的性能。

sizes.json：元数据文件，记录了data.bin和index.mrk大小的信息

提示：

StripeLog引擎将所有数据都存储在了一个文件中，对于每次的INSERT操作，ClickHouse会将数据块追加到表文件的末尾

StripeLog引擎同样不支持ALTER UPDATE 和ALTER DELETE 操作

Log表引擎使用

Log引擎表适用于临时数据，一次性写入、测试场景。Log引擎结合了TinyLog表引擎和StripeLog表引擎的长处，是Log系列引擎中性能最高的表引擎。

CREATE TABLE emp_log (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=Log;  INSERT INTO emp_log VALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_log VALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);-- 查询数据，-- 由于是分两次插入数据，所以查询时会有两个数据块cdh04 :) select * from emp_log;SELECT *FROM emp_log┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部   │ 50000.00 ││      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

进入默认数据存储目录，查看底层数据存储形式

[root@cdh04 emp_log]# pwd/var/lib/clickhouse/data/default/emp_log[root@cdh04 emp_log]# ll总用量 32-rw-r----- 1 clickhouse clickhouse  56 9月  17 15:55 age.bin-rw-r----- 1 clickhouse clickhouse  97 9月  17 15:55 depart.bin-rw-r----- 1 clickhouse clickhouse  60 9月  17 15:55 emp_id.bin-rw-r----- 1 clickhouse clickhouse 192 9月  17 15:55 __marks.mrk-rw-r----- 1 clickhouse clickhouse  70 9月  17 15:55 name.bin-rw-r----- 1 clickhouse clickhouse  68 9月  17 15:55 salary.bin-rw-r----- 1 clickhouse clickhouse 216 9月  17 15:55 sizes.json-rw-r----- 1 clickhouse clickhouse  80 9月  17 15:55 work_place.bin

Log引擎的存储结构包含三部分：

列.bin：数据文件，数据文件按列单独存储

__marks.mrk：数据标记，统一保存了数据在各个.bin文件中的位置信息。利用数据标记能够使用多个线程，以并行的方式读取。.bin内的压缩数据块，从而提升数据查询的性能。

sizes.json：记录了.bin和__marks.mrk大小的信息

提示：

Log表引擎会将每一列都存在一个文件中，对于每一次的INSERT操作，都会对应一个数据块

MergeTree系列引擎

在所有的表引擎中，最为核心的当属MergeTree系列表引擎，这些表引擎拥有最为强大的性能和最广泛的使用场合。对于非MergeTree系列的其他引擎而言，主要用于特殊用途，场景相对有限。而MergeTree系列表引擎是官方主推的存储引擎，支持几乎所有ClickHouse核心功能。

MergeTree表引擎

MergeTree在写入一批数据时，数据总会以数据片段的形式写入磁盘，且数据片段不可修改。为了避免片段过多，ClickHouse会通过后台线程，定期合并这些数据片段，属于相同分区的数据片段会被合成一个新的片段。这种数据片段往复合并的特点，也正是合并树名称的由来。

MergeTree作为家族系列最基础的表引擎，主要有以下特点：

存储的数据按照主键排序：允许创建稀疏索引，从而加快数据查询速度

支持分区，可以通过PRIMARY KEY语句指定分区字段。

支持数据副本

支持数据采样

建表语法

CREATE 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()ORDER BY expr[PARTITION BY expr][PRIMARY KEY expr][SAMPLE BY expr][TTL expr [DELETE|TO DISK 'xxx'|TO VOLUME 'xxx'], ...][SETTINGS name=value, ...]

ENGINE：ENGINE = MergeTree()，MergeTree引擎没有参数

ORDER BY：排序字段。比如ORDER BY (Col1, Col2)，值得注意的是，如果没有指定主键，默认情况下 sorting key(排序字段)即为主键。如果不需要排序，则可以使用ORDER BY tuple()语法，这样的话，创建的表也就不包含主键。这种情况下，ClickHouse会按照插入的顺序存储数据。必选。

PARTITION BY：分区字段，可选。

PRIMARY KEY：指定主键，如果排序字段与主键不一致，可以单独指定主键字段。否则默认主键是排序字段。可选。

SAMPLE BY：采样字段，如果指定了该字段，那么主键中也必须包含该字段。比如SAMPLE BY intHash32(UserID) ORDER BY (CounterID, EventDate, intHash32(UserID))。可选。

TTL：数据的存活时间。在MergeTree中，可以为某个列字段或整张表设置TTL。当时间到达时，如果是列字段级别的TTL，则会删除这一列的数据；如果是表级别的TTL，则会删除整张表的数据。可选。

SETTINGS：额外的参数配置。可选。

建表示例

CREATE TABLE emp_mergetree (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=MergeTree()  ORDER BY emp_id  PARTITION BY work_place  ; -- 插入数据 INSERT INTO emp_mergetree VALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_mergetree VALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000); -- 查询数据-- 按work_place进行分区cdh04 :) select * from emp_mergetree;SELECT *FROM emp_mergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

查看一下数据存储格式，可以看出，存在三个分区文件夹，每一个分区文件夹内存储了对应分区的数据。

[root@cdh04 emp_mergetree]# pwd/var/lib/clickhouse/data/default/emp_mergetree[root@cdh04 emp_mergetree]# ll总用量 16drwxr-x--- 2 clickhouse clickhouse 4096 9月  17 17:45 1c89a3ba9fe5fd53379716a776c5ac34_3_3_0drwxr-x--- 2 clickhouse clickhouse 4096 9月  17 17:44 40d45822dbd7fa81583d715338929da9_1_1_0drwxr-x--- 2 clickhouse clickhouse 4096 9月  17 17:45 a6155dcc1997eda1a348cd98b17a93e9_2_2_0drwxr-x--- 2 clickhouse clickhouse    6 9月  17 17:43 detached-rw-r----- 1 clickhouse clickhouse    1 9月  17 17:43 format_version.txt

进入一个分区目录查看

checksums.txt：校验文件，使用二进制格式存储。它保存了余下各类文件(primary. idx、count.txt等)的size大小及size的哈希值，用于快速校验文件的完整性和正确性。

columns.txt：列信息文件，使用明文格式存储。用于保存此数据分区下的列字段信息，例如

[root@cdh04 1c89a3ba9fe5fd53379716a776c5ac34_3_3_0]# cat columns.txtcolumns format version: 16 columns:`emp_id` UInt16`name` String`work_place` String`age` UInt8`depart` String`salary` Decimal(9, 2)

count.txt：计数文件，使用明文格式存储。用于记录当前数据分区目录下数据的总行数

primary.idx：一级索引文件，使用二进制格式存储。用于存放稀疏索引，一张MergeTree表只能声明一次一级索引，即通过ORDER BY或者PRIMARY KEY指定字段。借助稀疏索引，在数据查询的时能够排除主键条件范围之外的数据文件，从而有效减少数据扫描范围，加速查询速度。

列.bin：数据文件，使用压缩格式存储，默认为LZ4压缩格式，用于存储某一列的数据。由于MergeTree采用列式存储，所以每一个列字段都拥有独立的.bin数据文件，并以列字段名称命名。

列.mrk2：列字段标记文件，使用二进制格式存储。标记文件中保存了.bin文件中数据的偏移量信息

partition.dat与minmax_[Column].idx：如果指定了分区键，则会额外生成partition.dat与minmax索引文件，它们均使用二进制格式存储。partition.dat用于保存当前分区下分区表达式最终生成的值，即分区字段值；而minmax索引用于记录当前分区下分区字段对应原始数据的最小和最大值。比如当使用EventTime字段对应的原始数据为2020-09-17、2020-09-30，分区表达式为PARTITION BY toYYYYMM(EventTime)，即按月分区。partition.dat中保存的值将会是2019-09，而minmax索引中保存的值将会是2020-09-17 2020-09-30。

注意点

多次插入数据，会生成多个分区文件

-- 新插入两条数据cdh04 :) INSERT INTO emp_mergetreeVALUES (5,'robin','北京',35,'财务部',50000),(6,'lilei','北京',38,'销售事部',50000);-- 查询结果cdh04 :) select * from emp_mergetree;┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name──┬─work_place─┬─age─┬─depart───┬───salary─┐│      5 │ robin │ 北京       │  35 │ 财务部   │ 50000.00 ││      6 │ lilei │ 北京       │  38 │ 销售事部 │ 50000.00 │└────────┴───────┴────────────┴─────┴──────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

可以看出，新插入的数据新生成了一个数据块，并没有与原来的分区数据在一起，我们可以执行optimize命令，执行合并操作

-- 执行合并操作cdh04 :) OPTIMIZE TABLE emp_mergetree PARTITION '北京';-- 再次执行查询cdh04 :) select * from emp_mergetree;                  SELECT *FROM emp_mergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name──┬─work_place─┬─age─┬─depart───┬───salary─┐│      3 │ bob   │ 北京       │  33 │ 财务部   │ 50000.00 ││      5 │ robin │ 北京       │  35 │ 财务部   │ 50000.00 ││      6 │ lilei │ 北京       │  38 │ 销售事部 │ 50000.00 │└────────┴───────┴────────────┴─────┴──────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

执行上面的合并操作之后，会新生成一个该分区的文件夹，原理的分区文件夹不变。

在MergeTree中主键并不用于去重，而是用于索引，加快查询速度

-- 插入一条相同主键的数据 INSERT INTO emp_mergetreeVALUES (1,'sam','杭州',35,'财务部',50000);-- 会发现该条数据可以插入，由此可知，并不会对主键进行去重

ReplacingMergeTree表引擎

上文提到MergeTree表引擎无法对相同主键的数据进行去重，ClickHouse提供了ReplacingMergeTree引擎，可以针对相同主键的数据进行去重，它能够在合并分区时删除重复的数据。值得注意的是，ReplacingMergeTree只是在一定程度上解决了数据重复问题，但是并不能完全保障数据不重复。

建表语法

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = ReplacingMergeTree([ver])[PARTITION BY expr][ORDER BY expr][PRIMARY KEY expr][SAMPLE BY expr][SETTINGS name=value, ...]

[ver]：可选参数，列的版本，可以是UInt、Date或者DateTime类型的字段作为版本号。该参数决定了数据去重的方式。

当没有指定[ver]参数时，保留最新的数据；如果指定了具体的值，保留最大的版本数据。

建表示例

CREATE TABLE emp_replacingmergetree (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=ReplacingMergeTree()  ORDER BY emp_id  PRIMARY KEY emp_id  PARTITION BY work_place  ; -- 插入数据 INSERT INTO emp_replacingmergetreeVALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_replacingmergetreeVALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);

注意点

当我们再次向该表插入具有相同主键的数据时，观察查询数据的变化

INSERT INTO emp_replacingmergetreeVALUES (1,'tom','上海',25,'技术部',50000);-- 查询数据，由于没有进行合并，所以存在主键重复的数据cdh04 :) select * from emp_replacingmergetree;                                        SELECT *FROM emp_replacingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘-- 执行合并操作optimize table emp_replacingmergetree final;-- 再次查询，相同主键的数据，保留最近插入的数据，旧的数据被清除cdh04 :) select * from emp_replacingmergetree;       SELECT *FROM emp_replacingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 50000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘

从上面的示例中可以看出，ReplacingMergeTree是支持对数据去重的，那么是根据什么进行去重呢？答案是：ReplacingMergeTree在去除重复数据时，是以ORDERBY排序键为基准的，而不是PRIMARY KEY。我们在看一个示例：

CREATE TABLE emp_replacingmergetree1 (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=ReplacingMergeTree()  ORDER BY (emp_id,name) -- 注意排序key是两个字段  PRIMARY KEY emp_id     -- 主键是一个字段  PARTITION BY work_place  ; -- 插入数据 INSERT INTO emp_replacingmergetree1VALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_replacingmergetree1VALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);

再次向该表中插入相同emp_id和name的数据，并执行合并操作，再观察数据

-- 插入数据INSERT INTO emp_replacingmergetree1VALUES (1,'tom','上海',25,'技术部',50000),(1,'sam','上海',25,'技术部',20000);-- 执行合并操作optimize table emp_replacingmergetree1 final;-- 再次查询，可见相同的emp_id和name数据被去重，而形同的主键emp_id不会去重-- ReplacingMergeTree在去除重复数据时，是以ORDERBY排序键为基准的，而不是PRIMARY KEYcdh04 :) select * from emp_replacingmergetree1;                                                                           SELECT *FROM emp_replacingmergetree1┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ sam  │ 上海       │  25 │ 技术部 │ 20000.00 ││      1 │ tom  │ 上海       │  25 │ 技术部 │ 50000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

至此，我们知道了ReplacingMergeTree是支持去重的，并且是按照ORDERBY排序键为基准进行去重的。细心的你会发现，上面的重复数据是在一个分区内的，那么如果重复的数据不在一个分区内，会发生什么现象呢？我们再次向上面的emp_replacingmergetree1表插入不同分区的重复数据

-- 插入数据INSERT INTO emp_replacingmergetree1VALUES (1,'tom','北京',26,'技术部',10000);-- 执行合并操作optimize table emp_replacingmergetree1 final;-- 再次查询-- 发现  1 │ tom  │ 北京       │  26 │ 技术部 │ 10000.00-- 与    1 │ tom  │ 上海       │  25 │ 技术部 │ 50000.00-- 数据重复，因为这两行数据不在同一个分区内-- 这是因为ReplacingMergeTree是以分区为单位删除重复数据的。-- 只有在相同的数据分区内重复的数据才可以被删除，而不同数据分区之间的重复数据依然不能被剔除cdh04 :) select * from emp_replacingmergetree1;       SELECT *FROM emp_replacingmergetree1┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 北京       │  26 │ 技术部 │ 10000.00 ││      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ sam  │ 上海       │  25 │ 技术部 │ 20000.00 ││      1 │ tom  │ 上海       │  25 │ 技术部 │ 50000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

总结

如何判断数据重复

ReplacingMergeTree在去除重复数据时，是以ORDERBY排序键为基准的，而不是PRIMARY KEY。

何时删除重复数据

在执行分区合并时，会触发删除重复数据。optimize的合并操作是在后台执行的，无法预测具体执行时间点，除非是手动执行。

不同分区的重复数据不会被去重

ReplacingMergeTree是以分区为单位删除重复数据的。只有在相同的数据分区内重复的数据才可以被删除，而不同数据分区之间的重复数据依然不能被剔除。

数据去重的策略是什么

如果没有设置[ver]版本号，则保留同一组重复数据中的最新插入的数据；如果设置了[ver]版本号，则保留同一组重复数据中ver字段取值最大的那一行。

optimize命令使用

一般在数据量比较大的情况，尽量不要使用该命令。因为在海量数据场景下，执行optimize要消耗大量时间

SummingMergeTree表引擎

该引擎继承了MergeTree引擎，当合并 SummingMergeTree 表的数据片段时，ClickHouse 会把所有具有相同主键的行合并为一行，该行包含了被合并的行中具有数值数据类型的列的汇总值，即如果存在重复的数据，会对对这些重复的数据进行合并成一条数据，类似于group by的效果。

推荐将该引擎和 MergeTree 一起使用。例如，将完整的数据存储在 MergeTree 表中，并且使用 SummingMergeTree 来存储聚合数据。这种方法可以避免因为使用不正确的主键组合方式而丢失数据。

如果用户只需要查询数据的汇总结果，不关心明细数据，并且数据的汇总条件是预先明确的，即GROUP BY的分组字段是确定的，可以使用该表引擎。

建表语法

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = SummingMergeTree([columns]) -- 指定合并汇总字段[PARTITION BY expr][ORDER BY expr][SAMPLE BY expr][SETTINGS name=value, ...]

建表示例

CREATE TABLE emp_summingmergetree (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=SummingMergeTree(salary)  ORDER BY (emp_id,name) -- 注意排序key是两个字段  PRIMARY KEY emp_id     -- 主键是一个字段  PARTITION BY work_place  ; -- 插入数据 INSERT INTO emp_summingmergetreeVALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);INSERT INTO emp_summingmergetreeVALUES (3,'bob','北京',33,'财务部',50000),(4,'tony','杭州',28,'销售事部',50000);

当我们再次插入具有相同emp_id,name的数据时，观察结果

INSERT INTO emp_summingmergetreeVALUES (1,'tom','上海',25,'信息部',10000),(1,'tom','北京',26,'人事部',10000);cdh04 :) select * from emp_summingmergetree;-- 查询SELECT *FROM emp_summingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 北京       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 信息部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘-- 执行合并操作optimize table emp_summingmergetree final;cdh04 :) select * from emp_summingmergetree;       -- 再次查询，新插入的数据 1 │ tom  │ 上海       │  25 │ 信息部 │ 10000.00 -- 原来的数据 ：        1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00-- 这两行数据合并成：    1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00SELECT *FROM emp_summingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 北京       │  26 │ 人事部 │ 10000.00 ││      3 │ bob  │ 北京       │  33 │ 财务部 │ 50000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart───┬───salary─┐│      4 │ tony │ 杭州       │  28 │ 销售事部 │ 50000.00 │└────────┴──────┴────────────┴─────┴──────────┴──────────┘

注意点

要保证PRIMARY KEY expr指定的主键是ORDER BY expr 指定字段的前缀，比如

-- 允许ORDER BY (A,B,C) PRIMARY KEY A  -- 会报错--  DB::Exception: Primary key must be a prefix of the sorting keyORDER BY (A,B,C) PRIMARY KEY B

这种强制约束保障了即便在两者定义不同的情况下，主键仍然是排序键的前缀，不会出现索引与数据顺序混乱的问题。

总结

SummingMergeTree是根据什么对两条数据进行合并的

用ORBER BY排序键作为聚合数据的条件Key。即如果排序key是相同的，则会合并成一条数据，并对指定的合并字段进行聚合。

仅对分区内的相同排序key的数据行进行合并

以数据分区为单位来聚合数据。当分区合并时，同一数据分区内聚合Key相同的数据会被合并汇总，而不同分区之间的数据则不会被汇总。

如果没有指定聚合字段，会怎么聚合

如果没有指定聚合字段，则会按照非主键的数值类型字段进行聚合

对于非汇总字段的数据，该保留哪一条

如果两行数据除了排序字段相同，其他的非聚合字段不相同，那么在聚合发生时，会保留最初的那条数据，新插入的数据对应的那个字段值会被舍弃

-- 新插入的数据:        1 │ tom  │ 上海       │  25 │ 信息部 │ 10000.00 -- 最初的数据 ：        1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00-- 聚合合并的结果：      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00

Aggregatingmergetree表引擎

该表引擎继承自MergeTree，可以使用 AggregatingMergeTree 表来做增量数据统计聚合。如果要按一组规则来合并减少行数，则使用 AggregatingMergeTree 是合适的。AggregatingMergeTree是通过预先定义的聚合函数计算数据并通过二进制的格式存入表内。

与SummingMergeTree的区别在于：SummingMergeTree对非主键列进行sum聚合，而AggregatingMergeTree则可以指定各种聚合函数。

建表语法

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = AggregatingMergeTree()[PARTITION BY expr][ORDER BY expr][SAMPLE BY expr][SETTINGS name=value, ...]

建表示例

CREATE TABLE emp_aggregatingmergeTree (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary  AggregateFunction(sum,Decimal32(2)) COMMENT '工资'    )ENGINE=AggregatingMergeTree()  ORDER BY (emp_id,name) -- 注意排序key是两个字段  PRIMARY KEY emp_id     -- 主键是一个字段  PARTITION BY work_place  ;

对于AggregateFunction类型的列字段，在进行数据的写入和查询时与其他的表引擎有很大区别，在写入数据时，需要调用-State函数；而在查询数据时，则需要调用相应的-Merge函数。对于上面的建表语句而言，需要使用sumState函数进行数据插入

-- 插入数据，-- 注意：需要使用INSERT…SELECT语句进行数据插入INSERT INTO TABLE emp_aggregatingmergeTreeSELECT 1,'tom','上海',25,'信息部',sumState(toDecimal32(10000,2));INSERT INTO TABLE emp_aggregatingmergeTreeSELECT 1,'tom','上海',25,'信息部',sumState(toDecimal32(20000,2));-- 查询数据SELECT   emp_id,  name ,   sumMerge(salary) FROM emp_aggregatingmergeTreeGROUP BY emp_id,name;-- 结果输出┌─emp_id─┬─name─┬─sumMerge(salary)─┐│      1 │ tom  │         30000.00 │└────────┴──────┴──────────────────┘

上面演示的用法非常的麻烦，其实更多的情况下，我们可以结合物化视图一起使用，将它作为物化视图的表引擎。而这里的物化视图是作为其他数据表上层的一种查询视图。

AggregatingMergeTree通常作为物化视图的表引擎，与普通MergeTree搭配使用。

-- 创建一个MereTree引擎的明细表-- 用于存储全量的明细数据-- 对外提供实时查询CREATE TABLE emp_mergetree_base (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资'  )ENGINE=MergeTree()  ORDER BY (emp_id,name)  PARTITION BY work_place  ;  -- 创建一张物化视图-- 使用AggregatingMergeTree表引擎CREATE MATERIALIZED VIEW view_emp_aggENGINE = AggregatingMergeTree()PARTITION BY emp_idORDER BY (emp_id,name)AS SELECT     emp_id,     name,     sumState(salary) AS salaryFROM emp_mergetree_baseGROUP BY emp_id,name;-- 向基础明细表emp_mergetree_base插入数据INSERT INTO emp_mergetree_baseVALUES (1,'tom','上海',25,'技术部',20000),(1,'tom','上海',26,'人事部',10000);-- 查询物化视图SELECT   emp_id,  name ,   sumMerge(salary) FROM view_emp_aggGROUP BY emp_id,name;-- 结果┌─emp_id─┬─name─┬─sumMerge(salary)─┐│      1 │ tom  │         30000.00 │└────────┴──────┴──────────────────┘

CollapsingMergeTree表引擎

CollapsingMergeTree就是一种通过以增代删的思路，支持行级数据修改和删除的表引擎。它通过定义一个sign标记位字段，记录数据行的状态。如果sign标记为1，则表示这是一行有效的数据；如果sign标记为-1，则表示这行数据需要被删除。当CollapsingMergeTree分区合并时，同一数据分区内，sign标记为1和-1的一组数据会被抵消删除。

每次需要新增数据时，写入一行sign标记为1的数据；需要删除数据时，则写入一行sign标记为-1的数据。

建表语法

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = CollapsingMergeTree(sign)[PARTITION BY expr][ORDER BY expr][SAMPLE BY expr][SETTINGS name=value, ...]

建表示例

上面的建表语句使用CollapsingMergeTree(sign)，其中字段sign是一个Int8类型的字段

CREATE TABLE emp_collapsingmergetree (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资',  sign Int8  )ENGINE=CollapsingMergeTree(sign)  ORDER BY (emp_id,name)  PARTITION BY work_place  ;

使用方式

CollapsingMergeTree同样是以ORDER BY排序键作为判断数据唯一性的依据。

-- 插入新增数据,sign=1表示正常数据INSERT INTO emp_collapsingmergetree VALUES (1,'tom','上海',25,'技术部',20000,1);-- 更新上述的数据-- 首先插入一条与原来相同的数据(ORDER BY字段一致),并将sign置为-1INSERT INTO emp_collapsingmergetree VALUES (1,'tom','上海',25,'技术部',20000,-1);-- 再插入更新之后的数据INSERT INTO emp_collapsingmergetree VALUES (1,'tom','上海',25,'技术部',30000,1);-- 查看一下结果cdh04 :) select * from emp_collapsingmergetree ;SELECT *FROM emp_collapsingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00 │    1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │   -1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │    1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘-- 执行分区合并操作optimize table emp_collapsingmergetree;-- 再次查询，sign=1与sign=-1的数据相互抵消了，即被删除cdh04 :) select * from emp_collapsingmergetree ;SELECT *FROM emp_collapsingmergetree┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00 │    1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘

注意点

分区合并

分数数据折叠不是实时的，需要后台进行Compaction操作，用户也可以使用手动合并命令，但是效率会很低，一般不推荐在生产环境中使用。

当进行汇总数据操作时，可以通过改变查询方式，来过滤掉被删除的数据

SELECT     emp_id,     name,     sum(salary * sign)FROM emp_collapsingmergetreeGROUP BY     emp_id,     nameHAVING sum(sign) > 0

只有相同分区内的数据才有可能被折叠。其实，当我们修改或删除数据时，这些被修改的数据通常是在一个分区内的，所以不会产生影响。

数据写入顺序

值得注意的是：CollapsingMergeTree对于写入数据的顺序有着严格要求，否则导致无法正常折叠。

-- 建表CREATE TABLE emp_collapsingmergetree_order (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资',  sign Int8  )ENGINE=CollapsingMergeTree(sign)  ORDER BY (emp_id,name)  PARTITION BY work_place  ;   -- 先插入需要被删除的数据，即sign=-1的数据INSERT INTO emp_collapsingmergetree_order VALUES (1,'tom','上海',25,'技术部',20000,-1);-- 再插入sign=1的数据INSERT INTO emp_collapsingmergetree_order VALUES (1,'tom','上海',25,'技术部',20000,1);-- 查询表SELECT *FROM emp_collapsingmergetree_order┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │    1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │   -1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘-- 执行合并操作optimize table emp_collapsingmergetree_order;-- 再次查询表-- 旧数据依然存在SELECT *FROM emp_collapsingmergetree_order;┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │   -1 ││      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │    1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┘

如果数据的写入程序是单线程执行的，则能够较好地控制写入顺序；如果需要处理的数据量很大，数据的写入程序通常是多线程执行的，那么此时就不能保障数据的写入顺序了。在这种情况下，CollapsingMergeTree的工作机制就会出现问题。但是可以通过VersionedCollapsingMergeTree的表引擎得到解决。

VersionedCollapsingMergeTree表引擎

上面提到CollapsingMergeTree表引擎对于数据写入乱序的情况下，不能够实现数据折叠的效果。VersionedCollapsingMergeTree表引擎的作用与CollapsingMergeTree完全相同，它们的不同之处在于，VersionedCollapsingMergeTree对数据的写入顺序没有要求，在同一个分区内，任意顺序的数据都能够完成折叠操作。

VersionedCollapsingMergeTree使用version列来实现乱序情况下的数据折叠。

建表语法

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = VersionedCollapsingMergeTree(sign, version)[PARTITION BY expr][ORDER BY expr][SAMPLE BY expr][SETTINGS name=value, ...]

可以看出：该引擎除了需要指定一个sign标识之外，还需要指定一个UInt8类型的version版本号。

建表示例

CREATE TABLE emp_versioned (  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资',  sign Int8,  version Int8  )ENGINE=VersionedCollapsingMergeTree(sign, version)  ORDER BY (emp_id,name)  PARTITION BY work_place  ;    -- 先插入需要被删除的数据，即sign=-1的数据INSERT INTO emp_versioned VALUES (1,'tom','上海',25,'技术部',20000,-1,1);-- 再插入sign=1的数据INSERT INTO emp_versioned VALUES (1,'tom','上海',25,'技术部',20000,1,1);-- 在插入一个新版本数据INSERT INTO emp_versioned VALUES (1,'tom','上海',25,'技术部',30000,1,2);-- 先不执行合并，查看表数据cdh04 :) select * from emp_versioned;SELECT *FROM emp_versioned┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┬─version─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00 │    1 │       2 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┴─────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┬─version─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │    1 │       1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┴─────────┘┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┬─version─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 │   -1 │       1 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┴─────────┘-- 获取正确查询结果SELECT     emp_id,     name,     sum(salary * sign)FROM emp_versionedGROUP BY     emp_id,     nameHAVING sum(sign) > 0;-- 手动合并optimize table emp_versioned;-- 再次查询cdh04 :) select * from emp_versioned;SELECT *FROM emp_versioned┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┬─sign─┬─version─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 30000.00 │    1 │       2 │└────────┴──────┴────────────┴─────┴────────┴──────────┴──────┴─────────┘

可见上面虽然在插入数据乱序的情况下，依然能够实现折叠的效果。之所以能够达到这种效果，是因为在定义version字段之后，VersionedCollapsingMergeTree会自动将version作为排序条件并增加到ORDER BY的末端，就上述的例子而言，最终的排序字段为ORDER BY emp_id,name，version desc。

GraphiteMergeTree表引擎

该引擎用来对 Graphite数据进行’瘦身’及汇总。对于想使用CH来存储Graphite数据的开发者来说可能有用。

如果不需要对Graphite数据做汇总，那么可以使用任意的CH表引擎；但若需要，那就采用 GraphiteMergeTree 引擎。它能减少存储空间，同时能提高Graphite数据的查询效率。

外部集成表引擎

ClickHouse提供了许多与外部系统集成的方法，包括一些表引擎。这些表引擎与其他类型的表引擎类似，可以用于将外部数据导入到ClickHouse中，或者在ClickHouse中直接操作外部数据源。

例如直接读取HDFS的文件或者MySQL数据库的表。这些表引擎只负责元数据管理和数据查询，而它们自身通常并不负责数据的写入，数据文件直接由外部系统提供。目前ClickHouse提供了下面的外部集成表引擎：

ODBC：通过指定odbc连接读取数据源

JDBC：通过指定jdbc连接读取数据源；

MySQL：将MySQL作为数据存储，直接查询其数据

HDFS：直接读取HDFS上的特定格式的数据文件；

Kafka：将Kafka数据导入ClickHouse

RabbitMQ：与Kafka类似

HDFS

使用方式

ENGINE = HDFS(URI, format)

URI：HDFS文件路径

format：文件格式，比如CSV、JSON、TSV等

使用示例

-- 建表CREATE TABLE hdfs_engine_table(  emp_id UInt16 COMMENT '员工id',  name String COMMENT '员工姓名',  work_place String COMMENT '工作地点',  age UInt8 COMMENT '员工年龄',  depart String COMMENT '部门',  salary Decimal32(2) COMMENT '工资') ENGINE=HDFS('hdfs://cdh03:8020/user/hive/hdfs_engine_table', 'CSV');-- 写入数据INSERT INTO hdfs_engine_table VALUES (1,'tom','上海',25,'技术部',20000),(2,'jack','上海',26,'人事部',10000);-- 查询数据cdh04 :) select * from hdfs_engine_table;SELECT *FROM hdfs_engine_table┌─emp_id─┬─name─┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom  │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack │ 上海       │  26 │ 人事部 │ 10000.00 │└────────┴──────┴────────────┴─────┴────────┴──────────┘--再在HDFS上其对应的文件，添加几条数据，再次查看cdh04 :) select * from hdfs_engine_table;SELECT *FROM hdfs_engine_table┌─emp_id─┬─name───┬─work_place─┬─age─┬─depart─┬───salary─┐│      1 │ tom    │ 上海       │  25 │ 技术部 │ 20000.00 ││      2 │ jack   │ 上海       │  26 │ 人事部 │ 10000.00 ││      3 │ lili   │ 北京       │  28 │ 技术部 │ 20000.00 ││      4 │ jasper │ 杭州       │  27 │ 人事部 │  8000.00 │└────────┴────────┴────────────┴─────┴────────┴──────────┘

可以看出，这种方式与使用Hive类似，我们直接可以将HDFS对应的文件映射成ClickHouse中的一张表，这样就可以使用SQL操作HDFS上的文件了。

值得注意的是：ClickHouse并不能够删除HDFS上的数据，当我们在ClickHouse客户端中删除了对应的表，只是删除了表结构，HDFS上的文件并没有被删除，这一点跟Hive的外部表十分相似。

MySQL

在上一篇文章[篇一|ClickHouse快速入门]中介绍了MySQL数据库引擎，即ClickHouse可以创建一个MySQL数据引擎，这样就可以在ClickHouse中操作其对应的数据库中的数据。其实，ClickHouse同样支持MySQL表引擎，即映射一张MySQL中的表到ClickHouse中。

使用方式

CREATE 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],    ...) ENGINE = MySQL('host:port', 'database', 'table', 'user', 'password'[, replace_query, 'on_duplicate_clause']);

使用示例

-- 连接MySQL中clickhouse数据库的test表CREATE TABLE mysql_engine_table(    id Int32,    name String) ENGINE = MySQL( '192.168.200.241:3306', 'clickhouse', 'test',  'root',  '123qwe');-- 查询数据cdh04 :) SELECT * FROM mysql_engine_table;SELECT *FROM mysql_engine_table┌─id─┬─name──┐│  1 │ tom   ││  2 │ jack  ││  3 │ lihua │└────┴───────┘-- 插入数据，会将数据插入MySQL对应的表中-- 所以当查询MySQL数据时，会发现新增了一条数据INSERT INTO mysql_engine_table VALUES(4,'robin');-- 再次查询cdh04 :) select * from mysql_engine_table;                SELECT *FROM mysql_engine_table┌─id─┬─name──┐│  1 │ tom   ││  2 │ jack  ││  3 │ lihua ││  4 │ robin │└────┴───────┘

注意：对于MySQL表引擎，不支持UPDATE和DELETE操作，比如执行下面命令时，会报错：

-- 执行更新ALTER TABLE mysql_engine_table UPDATE name = 'hanmeimei' WHERE id = 1;-- 执行删除ALTER TABLE mysql_engine_table DELETE WHERE id = 1;-- 报错DB::Exception: Mutations are not supported by storage MySQL.

JDBC

使用方式

JDBC表引擎不仅可以对接MySQL数据库，还能够与PostgreSQL等数据库。为了实现JDBC连接，ClickHouse使用了clickhouse-jdbc-bridge的查询代理服务。

首先我们需要下载clickhouse-jdbc-bridge，然后按照ClickHouse的github中的步骤进行编译，编译完成之后会有一个clickhouse-jdbc-bridge-1.0.jar的jar文件，除了需要该文件之外，还需要JDBC的驱动文件，本文使用的是MySQL，所以还需要下载MySQL驱动包。将MySQL的驱动包和clickhouse-jdbc-bridge-1.0.jar文件放在了/opt/softwares路径下，执行如下命令：

[root@cdh04 softwares]# java -jar clickhouse-jdbc-bridge-1.0.jar  --driver-path .  --listen-host cdh04

其中--driver-path是MySQL驱动的jar所在的路径，listen-host是代理服务绑定的主机。默认情况下，绑定的端口是：9019。上述jar包的下载：

链接：
提取码：la9n

然后我们再配置/etc/clickhouse-server/config.xml，在文件中添加如下配置，然后重启服务。

使用示例

直接查询MySQL中对应的表

SELECT * FROMjdbc('jdbc:mysql://192.168.200.241:3306/?user=root&password=123qwe', 'clickhouse','test');

创建一张映射表

-- 语法CREATE TABLE [IF NOT EXISTS] [db.]table_name(    columns list...)ENGINE = JDBC(dbms_uri, external_database, external_table)-- MySQL建表CREATE TABLE jdbc_table_mysql (  order_id INT NOT NULL AUTO_INCREMENT,  amount FLOAT NOT NULL,PRIMARY KEY (order_id));INSERT INTO  jdbc_table_mysql VALUES (1,200);-- 在ClickHouse中建表CREATE TABLE jdbc_table(    order_id Int32,    amount Float32)ENGINE JDBC('jdbc:mysql://192.168.200.241:3306/?user=root&password=123qwe', 'clickhouse','jdbc_table_mysql');-- 查询数据cdh04 :) select * from jdbc_table;SELECT *FROM jdbc_table┌─order_id─┬─amount─┐│        1 │    200 │└──────────┴────────┘

Kafka

使用方式

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = Kafka()SETTINGS    kafka_broker_list = 'host:port',    kafka_topic_list = 'topic1,topic2,...',    kafka_group_name = 'group_name',    kafka_format = 'data_format'[,]    [kafka_row_delimiter = 'delimiter_symbol',]    [kafka_schema = '',]    [kafka_num_consumers = N,]    [kafka_max_block_size = 0,]    [kafka_skip_broken_messages = N,]    [kafka_commit_every_batch = 0,]    [kafka_thread_per_consumer = 0]

kafka_broker_list ：逗号分隔的brokers地址 (localhost:9092).

kafka_topic_list ：Kafka 主题列表，多个主题用逗号分隔.

kafka_group_name ：消费者组.

kafka_format – Message format. 比如JSONEachRow、JSON、CSV等等

使用示例

在kafka中创建ck_topic主题，并向该主题写入数据

CREATE TABLE kafka_table (    id UInt64,    name String  ) ENGINE = Kafka()    SETTINGS    kafka_broker_list = 'cdh04:9092',    kafka_topic_list = 'ck_topic',    kafka_group_name = 'group1',    kafka_format = 'JSONEachRow';-- 查询cdh04 :) select * from kafka_table ;SELECT *FROM kafka_table┌─id─┬─name─┐│  1 │ tom  │└────┴──────┘┌─id─┬─name─┐│  2 │ jack │└────┴──────┘

注意点

当我们一旦查询完毕之后，ClickHouse会删除表内的数据，其实Kafka表引擎只是一个数据管道，我们可以通过物化视图的方式访问Kafka中的数据。

首先创建一张Kafka表引擎的表，用于从Kafka中读取数据

然后再创建一张普通表引擎的表，比如MergeTree，面向终端用户使用

最后创建物化视图，用于将Kafka引擎表实时同步到终端用户所使用的表中

--  创建Kafka引擎表 CREATE TABLE kafka_table_consumer (    id UInt64,    name String  ) ENGINE = Kafka()    SETTINGS    kafka_broker_list = 'cdh04:9092',    kafka_topic_list = 'ck_topic',    kafka_group_name = 'group1',    kafka_format = 'JSONEachRow';-- 创建一张终端用户使用的表CREATE TABLE kafka_table_mergetree (  id UInt64 ,  name String  )ENGINE=MergeTree()  ORDER BY id  ;  -- 创建物化视图，同步数据CREATE MATERIALIZED VIEW consumer TO kafka_table_mergetree    AS SELECT id,name FROM kafka_table_consumer ;-- 查询，多次查询，已经被查询的数据依然会被输出cdh04 :) select * from kafka_table_mergetree;SELECT *FROM kafka_table_mergetree┌─id─┬─name─┐│  2 │ jack │└────┴──────┘┌─id─┬─name─┐│  1 │ tom  │└────┴──────┘

其他特殊的表引擎

Memory表引擎

Memory表引擎直接将数据保存在内存中，数据既不会被压缩也不会被格式转换。当ClickHouse服务重启的时候，Memory表内的数据会全部丢失。一般在测试时使用。

CREATE TABLE table_memory (   id UInt64,   name String ) ENGINE = Memory();

Distributed表引擎

使用方式

Distributed表引擎是分布式表的代名词，它自身不存储任何数据，数据都分散存储在某一个分片上，能够自动路由数据至集群中的各个节点，所以Distributed表引擎需要和其他数据表引擎一起协同工作。

所以，一张分布式表底层会对应多个本地分片数据表，由具体的分片表存储数据，分布式表与分片表是一对多的关系

Distributed表引擎的定义形式如下所示

Distributed(cluster_name, database_name, table_name[, sharding_key])

各个参数的含义分别如下：

cluster_name：集群名称，与集群配置中的自定义名称相对应。

database_name：数据库名称

table_name：表名称

sharding_key：可选的，用于分片的key值，在数据写入的过程中，分布式表会依据分片key的规则，将数据分布到各个节点的本地表。

尖叫提示：

创建分布式表是读时检查的机制，也就是说对创建分布式表和本地表的顺序并没有强制要求。

同样值得注意的是，在上面的语句中使用了ON CLUSTER分布式DDL，这意味着在集群的每个分片节点上，都会创建一张Distributed表，这样便可以从其中任意一端发起对所有分片的读、写请求。

使用示例

-- 创建一张分布式表CREATE TABLE IF NOT EXISTS user_cluster ON CLUSTER cluster_3shards_1replicas(    id Int32,    name String)ENGINE = Distributed(cluster_3shards_1replicas, default, user_local,id);

创建完成上面的分布式表时，在每台机器上查看表，发现每台机器上都存在一张刚刚创建好的表。

接下来就需要创建本地表了，在每台机器上分别创建一张本地表：

CREATE TABLE IF NOT EXISTS user_local (    id Int32,    name String)ENGINE = MergeTree()ORDER BY idPARTITION BY idPRIMARY KEY id;

我们先在一台机器上，对user_local表进行插入数据，然后再查询user_cluster表

-- 插入数据cdh04 :) INSERT INTO user_local VALUES(1,'tom'),(2,'jack');-- 查询user_cluster表,可见通过user_cluster表可以操作所有的user_local表cdh04 :) select * from user_cluster;┌─id─┬─name─┐│  2 │ jack │└────┴──────┘┌─id─┬─name─┐│  1 │ tom  │└────┴──────┘

接下来，我们再向user_cluster中插入一些数据，观察user_local表数据变化，可以发现数据被分散存储到了其他节点上了。

-- 向user_cluster插入数据cdh04 :)  INSERT INTO user_cluster VALUES(3,'lilei'),(4,'lihua'); -- 查看user_cluster数据cdh04 :) select * from user_cluster;┌─id─┬─name─┐│  2 │ jack │└────┴──────┘┌─id─┬─name──┐│  3 │ lilei │└────┴───────┘┌─id─┬─name─┐│  1 │ tom  │└────┴──────┘┌─id─┬─name──┐│  4 │ lihua │└────┴───────┘-- 在cdh04上查看user_localcdh04 :) select * from user_local;┌─id─┬─name─┐│  2 │ jack │└────┴──────┘┌─id─┬─name──┐│  3 │ lilei │└────┴───────┘┌─id─┬─name─┐│  1 │ tom  │└────┴──────┘-- 在cdh05上查看user_localcdh05 :) select * from user_local;┌─id─┬─name──┐│  4 │ lihua │└────┴───────┘