一、入门

1、特点

1.1、列式存储

以下面的表为例：

1）采用行式存储时，数据在磁盘上的组织结构为：

好处是想查某个人所有的属性时，可以通过一次磁盘查找加顺序读取就可以。但是当想查所有人的年龄时，需要不停的查找，或者全表扫描才行，遍历的很多数据都是不需要的。

2）采用列式存储时，数据在磁盘上的组织结构为：

这时想查所有人的年龄只需把年龄那一列拿出来就可以了

3）列式储存的好处：

Ø 对于列的聚合，计数，求和等统计操作原因优于行式存储。 Ø 由于某一列的数据类型都是相同的，针对于数据存储更容易进行数据压缩，每一列选择更优的数据压缩算法，大大提高了数据的压缩比重。 Ø 由于数据压缩比更好，一方面节省了磁盘空间，另一方面对于cache也有了更大的发挥空间。

1.2、多样化引擎

ClickHouse和MySQL类似，把表级的存储引擎插件化，根据表的不同需求可以设定不同的存储引擎。目前包括合并树、日志、接口和其他四大类20多种引擎。

1.3、高吞吐写入能力

类LSM Tree的结构，数据写入后定期在后台Compaction，在后台compaction时也是多个段merge sort后顺序写回磁盘。 官方公开benchmark测试显示能够达到50MB-200MB/s的写入吞吐能力，按照每行100Byte估算，大约相当于50W-200W条/s的写入速度。

1.4、数据分区&线程并行

ClickHouse将数据划分为多个partition，每个partition再进一步划分为多个index granularity(索引粒度) 单条Query就能利用整机所有CPU。极致的并行处理能力，极大的降低了查询延时。 因为单条查询使用多cpu，对于高qps的查询业务，ClickHouse并不是强项。

1.5、劣势

1、不适合搞qps的查询场景 2、join效率比较低

二、数据类型

1、整型

固定长度的整型，包括有符号整型或无符号整型。 整型范围（-2n-1~2n-1-1）： Int8 - [-128 : 127] Int16 - [-32768 : 32767] Int32 - [-2147483648 : 2147483647] Int64 - [-9223372036854775808 : 9223372036854775807] 无符号整型范围（0~2n-1）： UInt8 - [0 : 255] UInt16 - [0 : 65535] UInt32 - [0 : 4294967295] UInt64 - [0 : 18446744073709551615] 使用场景：个数、数量、也可以存储型id。

2、浮点型

Float32 - float Float64 – double 建议尽可能以整数形式存储数据。例如，将固定精度的数字转换为整数值，如时间用毫秒为单位表示，因为浮点型进行计算时可能引起四舍五入的误差。 使用场景：一般数据值比较小，不涉及大量的统计计算，精度要求不高的时候。比如保存商品的重量。

3、Decimal 型

有符号的浮点数，可在加、减和乘法运算过程中保持精度。对于除法，最低有效数字会被丢弃（不舍入）。 有三种声明： Ø Decimal32(s)，相当于Decimal(9-s,s)，有效位数为1~9 Ø Decimal64(s)，相当于Decimal(18-s,s)，有效位数为1~18 Ø Decimal128(s)，相当于Decimal(38-s,s)，有效位数为1~38 s标识小数位 使用场景：一般金额字段、汇率、利率等字段为了保证小数点精度，都使用Decimal进行存储。

4、字符串

1）String

字符串可以任意长度的。它可以包含任意的字节集，包含空字节。

2）FixedString(N)

固定长度 N 的字符串，N 必须是严格的正自然数。当服务端读取长度小于 N 的字符串时候，通过在字符串末尾添加空字节来达到 N 字节长度。 当服务端读取长度大于 N 的字符串时候，将返回错误消息。 与String相比，极少会使用FixedString，因为使用起来不是很方便。

使用场景：名称、文字描述、字符型编码。固定长度的可以保存一些定长的内容，比如一些编码，性别等但是考虑到一定的变化风险，带来收益不够明显，所以定长字符串使用意义有限。

5、枚举类型

使用场景：对一些状态、类型的字段算是一种空间优化，也算是一种数据约束。但是实际使用中往往因为一些数据内容的变化增加一定的维护成本，甚至是数据丢失问题。所以谨慎使用。

6、时间类型

目前ClickHouse 有三种时间类型 Ø Date接受年-月-日的字符串比如 ‘2019-12-16’ Ø Datetime接受年-月-日 时:分:秒的字符串比如 ‘2019-12-16 20:50:10’ Ø Datetime64接受年-月-日 时:分:秒.亚秒的字符串比如‘2019-12-16 20:50:10.66’ 日期类型，用两个字节存储，表示从 1970-01-01 (无符号) 到当前的日期值。

7、数组

Array(T)：由 T 类型元素组成的数组。 T 可以是任意类型，包含数组类型。 但不推荐使用多维数组，ClickHouse 对多维数组的支持有限。例如，不能在MergeTree表中存储多维数组。

三、表引擎

1、使用

表引擎是ClickHouse的一大特色。可以说， 表引擎决定了如何存储表的数据。包括： Ø 数据的存储方式和位置，写到哪里以及从哪里读取数据。 Ø 支持哪些查询以及如何支持。 Ø 并发数据访问。 Ø 索引的使用（如果存在）。 Ø 是否可以执行多线程请求。 Ø 数据复制参数。 表引擎的使用方式就是必须显式在创建表时定义该表使用的引擎，以及引擎使用的相关参数。 特别注意：引擎的名称大小写敏感

2、TinyLog

以列文件的形式保存在磁盘上，不支持索引，没有并发控制。一般保存少量数据的小表，生产环境上作用有限。可以用于平时练习测试用。

create table t_tinylog ( id String, name String) engine=TinyLog;

3、Memory

内存引擎，数据以未压缩的原始形式直接保存在内存当中，服务器重启数据就会消失。读写操作不会相互阻塞，不支持索引。简单查询下有非常非常高的性能表现（超过10G/s）。 一般用到它的地方不多，除了用来测试，就是在需要非常高的性能，同时数据量又不太大（上限大概 1 亿行）的场景。

4、MergeTree

ClickHouse中最强大的表引擎当属MergeTree（合并树）引擎及该系列（*MergeTree）中的其他引擎，支持索引和分区，地位可以相当于innodb之于Mysql。而且基于MergeTree，还衍生除了很多小弟，也是非常有特色的引擎。

a）DDL

create table t_order_mt(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2),
    create_time Datetime
 ) engine =MergeTree
   partition by toYYYYMMDD(create_time)
   primary key (id)
   order by (id,sku_id);

b）插入数据

insert into t_order_mt values (101,’sku_001’,1000.00,’2020-06-01 12:00:00’) , (102,’sku_002’,2000.00,’2020-06-01 11:00:00’), (102,’sku_004’,2500.00,’2020-06-01 12:00:00’), (102,’sku_002’,2000.00,’2020-06-01 13:00:00’), (102,’sku_002’,12000.00,’2020-06-01 13:00:00’), (102,’sku_002’,600.00,’2020-06-02 12:00:00’);

c）参数

MergeTree其实还有很多参数(绝大多数用默认值即可)，但是三个参数是更加重要的，也涉及了关于MergeTree的很多概念。

partition by 分区(可选)

目的是分区降低扫描的范围，优化查询速度，如果不选则为一个分区。 MergeTree =列文件+索引文件+表定义，使用分区这些都会保存到不同的分区目录中。

任何一个批次的数据写入都会产生一个临时分区，不会纳入任何一个已有的分区。写入后的某个时刻（大概10-15分钟后），ClickHouse会自动执行合并操作（等不及也可以手动通过optimize执行），把临时分区的数据，合并到已有分区中。

optimize table xxxx final;

primary key主键(可选)

ClickHouse中的主键，和其他数据库不太一样，它只提供了数据的一级索引，但是却不是唯一约束。这就意味着是可以存在相同primary key的数据的。 主键的设定主要依据是查询语句中的where 条件。 根据条件通过对主键进行某种形式的二分查找，能够定位到对应的index granularity,避免了全表扫描。 index granularity：直接翻译的话就是索引粒度，指在稀疏索引中两个相邻索引对应数据的间隔。ClickHouse中的MergeTree默认是8192。官方不建议修改这个值，除非该列存在大量重复值，比如在一个分区中几万行才有一个不同数据。

稀疏索引

order by（必选）

order by 设定了分区内的数据按照哪些字段顺序进行有序保存。 order by是MergeTree中唯一一个必填项，甚至比primary key 还重要，因为当用户不设置主键的情况，很多处理会依照order by的字段进行处理（比如后面会讲的去重和汇总）。 要求：主键必须是order by字段的前缀字段。 比如order by 字段是(id,sku_id) 那么主键必须是id 或者(id,sku_id)

d）二级索引

create table t_order_mt2(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2),
    create_time  Datetime,
    INDEX a total_amount TYPE minmax GRANULARITY 5
 ) engine =MergeTree
   partition by toYYYYMMDD(create_time)
   primary key (id)
   order by (id, sku_id);

其中GRANULARITY N 是设定二级索引对于一级索引粒度的粒度。

e）数据TTL

TTL即Time To Live，MergeTree提供了可以管理数据表或者列的生命周期的功能。

列级别TTL

create table t_order_mt3(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2)  TTL create_time+interval 10 SECOND,
    create_time  Datetime 
 ) engine =MergeTree
 partition by toYYYYMMDD(create_time)
   primary key (id)
   order by (id, sku_id);

表级TTL

下面的这条语句是数据会在create_time 之后10秒丢失

alter table t_order_mt3 MODIFY TTL create_time + INTERVAL 10 SECOND;

涉及判断的字段必须是Date或者Datetime类型，推荐使用分区的日期字段。 能够使用的时间周期：

• SECOND
• MINUTE
• HOUR
• DAY
• WEEK
• MONTH
• QUARTER
• YEAR

5、ReplacingMergeTree

ReplacingMergeTree是MergeTree的一个变种，它存储特性完全继承MergeTree，只是多了一个去重的功能。尽管MergeTree可以设置主键，但是primary key其实没有唯一约束的功能。如果你想处理掉重复的数据，可以借助这个ReplacingMergeTree。

数据的去重只会在合并的过程中出现。合并会在未知的时间在后台进行，所以你无法预先作出计划。有一些数据可能仍未被处理。 如果表经过了分区，去重只会在分区内部进行去重，不能执行跨分区的去重。 所以ReplacingMergeTree能力有限， ReplacingMergeTree 适用于在后台清除重复的数据以节省空间，但是它不保证没有重复的数据出现。

create table t_order_rmt(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2) ,
    create_time  Datetime 
 ) engine =ReplacingMergeTree(create_time)
   partition by toYYYYMMDD(create_time)
   primary key (id)
   order by (id, sku_id);

ReplacingMergeTree() 填入的参数为版本字段，重复数据保留版本字段值最大的。 如果不填版本字段，默认按照插入顺序保留最后一条。

通过测试得到结论 Ø 实际上是使用order by 字段作为唯一键 Ø 去重不能跨分区 Ø 只有同一批插入（新版本）或合并分区时才会进行去重 Ø 认定重复的数据保留，版本字段值最大的 如果版本字段相同则按插入顺序保留最后一笔

6、SummingMergeTree

对于不查询明细，只关心以维度进行汇总聚合结果的场景。如果只使用普通的MergeTree的话，无论是存储空间的开销，还是查询时临时聚合的开销都比较大。 ClickHouse 为了这种场景，提供了一种能够“预聚合”的引擎SummingMergeTree

通过结果可以得到以下结论 Ø 以SummingMergeTree（）中指定的列作为汇总数据列 Ø 可以填写多列必须数字列，如果不填，以所有非维度列且为数字列的字段为汇总数据列 Ø 以order by 的列为准，作为维度列 Ø 其他的列按插入顺序保留第一行 Ø 不在一个分区的数据不会被聚合 Ø 只有在同一批次插入(新版本)或分片合并时才会进行聚合

开发建议：设计聚合表的话，唯一键值、流水号可以去掉，所有字段全部是维度、度量或者时间戳。

四、建表优化

1、数据类型

1.1、时间类型

建表时能用数值型或日期时间型表示的字段就不要用字符串，全String类型在以Hive为中心的数仓建设中常见，但ClickHouse环境不应受此影响。 虽然ClickHouse底层将DateTime存储为时间戳Long类型，但不建议存储Long类型，因为DateTime不需要经过函数转换处理，执行效率高、可读性好。

create table t_type2(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2) ,
    create_time  Int32  
 ) engine =ReplacingMergeTree(create_time)
   partition by toYYYYMMDD(toDate(create_time)) –-需要转换一次，否则报错
   primary key (id)
   order by (id, sku_id);

1.2、空值存储类型

官方已经指出Nullable类型几乎总是会拖累性能，因为存储Nullable列时需要创建一个额外的文件来存储NULL的标记，并且Nullable列无法被索引。因此除非极特殊情况，应直接使用字段默认值表示空，或者自行指定一个在业务中无意义的值（例如用-1表示没有商品ID）。

1.3、分区和索引

分区粒度根据业务特点决定，不宜过粗或过细。一般选择按天分区，也可以指定为Tuple()，以单表一亿数据为例，分区大小控制在10-30个为最佳。 必须指定索引列，ClickHouse中的索引列即排序列，通过order by指定，一般在查询条件中经常被用来充当筛选条件的属性被纳入进来；可以是单一维度，也可以是组合维度的索引；通常需要满足高级列在前、查询频率大的在前原则；还有基数特别大的不适合做索引列，如用户表的userid字段；通常筛选后的数据满足在百万以内为最佳。

1.4、表参数

Index_granularity是用来控制索引粒度的，默认是8192，如非必须不建议调整。 如果表中不是必须保留全量历史数据，建议指定TTL（生存时间值），可以免去手动过期历史数据的麻烦，TTL 也可以通过alter table语句随时修改。

1.5、写入和删除优化

（1）尽量不要执行单条或小批量删除和插入操作，这样会产生小分区文件，给后台Merge任务带来巨大压力 （2）不要一次写入太多分区，或数据写入太快，数据写入太快会导致Merge速度跟不上而报错，一般建议每秒钟发起2-3次写入操作，每次操作写入2w~5w条数据（依服务器性能而定）

写入过快报错，报错信息：

1. Code: 252, e.displayText() = DB::Exception: Too many parts(304). Merges are processing significantly slower than inserts
2. Code: 241, e.displayText() = DB::Exception: Memory limit (for query) exceeded:would use 9.37 GiB (attempt to allocate chunk of 301989888 bytes), maximum: 9.31 GiB

“ Too many parts 处理 ” ：使用WAL预写日志，提高写入性能。 in_memory_parts_enable_wal 默认为 true 在服务器内存充裕的情况下增加内存配额，一般通过max_memory_usage来实现 在服务器内存不充裕的情况下，建议将超出部分内容分配到系统硬盘上，但会降低执行速度，一般通过max_bytes_before_external_group_by、max_bytes_before_external_sort参数来实现。

五、BitMap

如果没有达到阈值，用普通的阈值处理。doris和clickhouse都有，而redis没有

1、优劣势

1.1、优势

a）存储成本
好处一： 如果有一个超大的无序且不重复的整数集合，用Bitmap的存储成本是非常低的。

一个字节可以存8个整数，每一个数的存储成本实质上是1Bit。也就是说Bitmap的存储成本是Array[Int32]的1/32,是Array[Int64]的1/64。

b）天然去重
好处二： 因为每个值都只对应唯一的一个位置，不能存储两个值，所以Bitmap结构可以天然去重。

c）快速定位
好处三：非常方便快速的查询某个元素是否在集合中。

查询3是否在集和中，如果用集合，时间复杂度为O（N），BitMap只需判断下角标1/0。时间复杂度O（1）

d） 集合间计算
好处四：集合与集合之间的运行非常快。

计算机做与、或、非、异或 等等操作是非常快的。传统方式[1,2,5]与[2,3,7] 取交集就要两层循环遍历。而Bitmap只要把00100110和10001100进行与操作就行了。

e）优势场景

• 海量数据的压缩存储
• 去重存储
• 判断值存在于集合
• 集合之间的交并差

1.2、局限

• 只能存储正整数字而不是字符串
• 存储的值必须是无序不重复
• 不适合存储稀疏的集合，比如一个集合存了三个数[5,1230000,88880000] 这三个数，用Bitmap存储的话其实就不太划算。（但是clickhouse使用的RoaringBitmap，优化了这个稀疏问题。）

2、用户画像实践

2.1、场景

现有如下用户的标签宽表：如果想根据标签划分人群，比如：90后 + 偏好美食。

2.2、传统方案

对列值进行遍历筛选，如果优化也就是列上建立索引，但是当这张表有1000个标签列时，如果要索引生效并不是每列有索引就行，此时宽表列太多，显然这在方式不可行。 select xxx from xxx where xxx=?;

2.3、Bitmap方案

如果能把数据调整成这样的结构，想进行条件组合,那就简单了.
比如: [美食] + [90后] = Bitmap[3,5] & Bitmap[1,3,5] = 3,5这个计算速度相比宽表条件筛选是非常非常快的。

2.4、demo

a）原表

create table    test.user_tag_merge           
(           
  uid                UInt64,
 gender             String,
 agegroup          String,
 favor                String
)engine=MergeTree()
order by (uid);

b）模拟数据

insert          into          user_tag_merge values(1,'M','90后','sm');
insert          into          user_tag_merge values(2,'M','70后','sj');
insert          into          user_tag_merge values(3,'M','90后','ms');
insert          into          user_tag_merge values(4,'F','80后','sj');
insert          into          user_tag_merge values(5,'F','90后','ms');

c）Bitmap表

Bitmap表必须选择AggregatingMergeTree引擎。 对应的Bitmap字段，必须是AggregateFunction(groupBitmap,UInt64)，groupBitmap标识数据的聚合方式，UInt64标识最大可存储的数字长度。 业务结构上，稍作了调整。把不同的标签放在了同一张表中，但是因为根据tag_code进行了分区，所以不同的标签实质上还是物理分开的。

create table          test.user_tag_value_string
(                    
  tag_code          String,
   tag_value          String ,
   us          AggregateFunction(groupBitmap,UInt64)
)engine=AggregatingMergeTree()
partition by  (tag_code)           
order by       (tag_value);

d）Bitmap表转换

insert          into user_tag_value_string
select          
tag_code_value.1 as tag_code
,tag_code_value.2 as tag_value 
,groupBitmapState( uid ) us
from          (
SELECT
arrayJoin([('agegroup', agegroup), ('gender', gender), ('favor', favor)]) AS tag_code_value,
uid                    
FROM          user_tag_merge
)tv                    
group by          tag_code_value.1,tag_code_value.2

e）转化详细步骤
1 首先第一步要把已有的宽表数据保存进

select 
agegroup 
,gender  
,favor   
,uid 
from user_tag_merge

2 每个值前面，补上字段名,用()组合成元组

select  
('agegroup', agegroup ) 
,('gender',gender ) 
, ('favor',favor )    
,uid 
from user_tag_merge

3 每个列用[]拼接成数组

select  [ ('agegroup', agegroup  ) ,
     ('gender',gender ) , 
    ('favor',favor )]  tag_code_value 
   ,uid 
    from user_tag_merge

4 用arrayJoin炸开，类似于hive中的explode

SELECT
    arrayJoin([('agegroup', agegroup), ('gender', gender), ('favor', favor)]) AS tag_code_value,
    uid
FROM user_tag_merge

5 把元组中的字段名和字段值拆开，并用这两个作为维度聚合uid

SELECT
    tag_code_value.1 AS tag_code,
    tag_code_value.2 AS tag_value,
    groupArray(uid) AS us
FROM 
(
    SELECT
        arrayJoin([('agegroup', agegroup), ('gender', gender), ('favor', favor)]) AS tag_code_value,
        uid
    FROM user_tag_merge
) AS tv
GROUP BY
    tag_code_value.1,
    tag_code_value.2

6 这已经和我们要求的结果非常接近了。只不过关于用户id的聚合，groupArray实现的是拼接成用户id的数组，而我们想要的聚合是，聚合成一个Bitmap。
那只要改一下聚合函数就可以了。
把groupArray 替换成 groupBitmapState

SELECT
    tag_code_value.1 AS tag_code,
    tag_code_value.2 AS tag_value,
    groupBitmapState (uid) AS us
FROM 
(
    SELECT
        arrayJoin([('agegroup', agegroup), ('gender', gender), ('favor', favor)]) AS tag_code_value,
        uid
    FROM user_tag_merge
) AS tv
GROUP BY
    tag_code_value.1,
    tag_code_value.2

f）查询
条件组合查询

查询[90后]+[美食]的用户 这里首先用条件筛选出us, 每个代表一个Bitmap结构的uid集合，找到两个Bitmap后用bitmapAnd函数求交集。

select          bitmapToArray(                    
bitmapAnd(          
  ( select us from user_tag_value_string           
     where          tag_value='ms' and tag_code='favor' )      
,          
  ( select us from user_tag_value_string
 where          tag_value='90后'          and tag_code='agegroup' )           
)      
)as res

范围值查询

比如要取 [90后]或者[80后] + [美食] 或者 消费金额大于1000 + [女性] 因为查询时，有可能需要针对某一个标签，取多个值，甚至是一个区间范围，那就会涉及多个值的userId集合，因此需要在子查询内部用groupBitmapMergeState进行一次合并，其实就多个集合取并集。

select          bitmapToArray(           
bitmapAnd(           ( select groupBitmapMergeState(us)          us from user_tag_value_string           
where          tag_value='ms' and tag_code='favor' )
,          ( select groupBitmapMergeState(us)          from user_tag_value_string
where          tag_value in ('90后','80后')          and tag_code='agegroup' )           
)
)as res

g）函数总结