引言

ClickHouse是近年來備受關(guān)注的開源列式數(shù)據(jù)庫，主要用于數(shù)據(jù)分析（OLAP）領(lǐng)域。目前國內(nèi)社區(qū)火熱，各個大廠紛紛跟進(jìn)大規(guī)模使用：

• 今日頭條?內(nèi)部用ClickHouse來做用戶行為分析，內(nèi)部一共幾千個ClickHouse節(jié)點，單集群最大1200節(jié)點，總數(shù)據(jù)量幾十PB，日增原始數(shù)據(jù)300TB左右。
• 騰訊內(nèi)部用ClickHouse做游戲數(shù)據(jù)分析，并且為之建立了一整套監(jiān)控運維體系。
• 攜程內(nèi)部從18年7月份開始接入試用，目前80%的業(yè)務(wù)都跑在ClickHouse上。每天數(shù)據(jù)增量十多億，近百萬次查詢請求。
• 快手內(nèi)部也在使用ClickHouse，存儲總量大約10PB， 每天新增200TB， 90%查詢小于3S。

在國外，Yandex內(nèi)部有數(shù)百節(jié)點用于做用戶點擊行為分析，CloudFlare、Spotify等頭部公司也在使用。

特別值得一提的是：國內(nèi)云計算的領(lǐng)導(dǎo)廠商 阿里云 率先推出了自己的ClickHouse托管產(chǎn)品，產(chǎn)品首頁地址為?云數(shù)據(jù)庫ClickHouse，可以點擊鏈接申請參加免費公測，一睹為快！

在社區(qū)方面，github star數(shù)目增速驚人。

在DB-engines排名上，如下圖中紅色曲線所示。ClickHouse開源時間雖短，但是增勢迅猛。

為何ClickHouse獲得了如此廣泛的關(guān)注，得到了社區(qū)的青睞，也得到了諸多大廠的應(yīng)用呢？ 本文嘗試從技術(shù)視角進(jìn)行回答。

OLAP場景的特點

讀多于寫

不同于事務(wù)處理（OLTP）的場景，比如電商場景中加購物車、下單、支付等需要在原地進(jìn)行大量insert、update、delete操作，數(shù)據(jù)分析（OLAP）場景通常是將數(shù)據(jù)批量導(dǎo)入后，進(jìn)行任意維度的靈活探索、BI工具洞察、報表制作等。數(shù)據(jù)一次性寫入后，分析師需要嘗試從各個角度對數(shù)據(jù)做挖掘、分析，直到發(fā)現(xiàn)其中的商業(yè)價值、業(yè)務(wù)變化趨勢等信息。這是一個需要反復(fù)試錯、不斷調(diào)整、持續(xù)優(yōu)化的過程，其中數(shù)據(jù)的讀取次數(shù)遠(yuǎn)多于寫入次數(shù)。這就要求底層數(shù)據(jù)庫為這個特點做專門設(shè)計，而不是盲目采用傳統(tǒng)數(shù)據(jù)庫的技術(shù)架構(gòu)。

大寬表，讀大量行但是少量列，結(jié)果集較小

在OLAP場景中，通常存在一張或是幾張多列的大寬表，列數(shù)高達(dá)數(shù)百甚至數(shù)千列。對數(shù)據(jù)分析處理時，選擇其中的少數(shù)幾列作為維度列、其他少數(shù)幾列作為指標(biāo)列，然后對全表或某一個較大范圍內(nèi)的數(shù)據(jù)做聚合計算。這個過程會掃描大量的行數(shù)據(jù)，但是只用到了其中的少數(shù)列。而聚合計算的結(jié)果集相比于動輒數(shù)十億的原始數(shù)據(jù)，也明顯小得多。

數(shù)據(jù)批量寫入，且數(shù)據(jù)不更新或少更新

OLTP類業(yè)務(wù)對于延時（Latency）要求更高，要避免讓客戶等待造成業(yè)務(wù)損失；而OLAP類業(yè)務(wù)，由于數(shù)據(jù)量非常大，通常更加關(guān)注寫入吞吐（Throughput），要求海量數(shù)據(jù)能夠盡快導(dǎo)入完成。一旦導(dǎo)入完成，歷史數(shù)據(jù)往往作為存檔，不會再做更新、刪除操作。

無需事務(wù)，數(shù)據(jù)一致性要求低

OLAP類業(yè)務(wù)對于事務(wù)需求較少，通常是導(dǎo)入歷史日志數(shù)據(jù)，或搭配一款事務(wù)型數(shù)據(jù)庫并實時從事務(wù)型數(shù)據(jù)庫中進(jìn)行數(shù)據(jù)同步。多數(shù)OLAP系統(tǒng)都支持最終一致性。

靈活多變，不適合預(yù)先建模

分析場景下，隨著業(yè)務(wù)變化要及時調(diào)整分析維度、挖掘方法，以盡快發(fā)現(xiàn)數(shù)據(jù)價值、更新業(yè)務(wù)指標(biāo)。而數(shù)據(jù)倉庫中通常存儲著海量的歷史數(shù)據(jù)，調(diào)整代價十分高昂。預(yù)先建模技術(shù)雖然可以在特定場景中加速計算，但是無法滿足業(yè)務(wù)靈活多變的發(fā)展需求，維護(hù)成本過高。

ClickHouse存儲層

ClickHouse從OLAP場景需求出發(fā)，定制開發(fā)了一套全新的高效列式存儲引擎，并且實現(xiàn)了數(shù)據(jù)有序存儲、主鍵索引、稀疏索引、數(shù)據(jù)Sharding、數(shù)據(jù)Partitioning、TTL、主備復(fù)制等豐富功能。以上功能共同為ClickHouse極速的分析性能奠定了基礎(chǔ)。

列式存儲

與行存將每一行的數(shù)據(jù)連續(xù)存儲不同，列存將每一列的數(shù)據(jù)連續(xù)存儲。示例圖如下：

相比于行式存儲，列式存儲在分析場景下有著許多優(yōu)良的特性。

1）如前所述，分析場景中往往需要讀大量行但是少數(shù)幾個列。在行存模式下，數(shù)據(jù)按行連續(xù)存儲，所有列的數(shù)據(jù)都存儲在一個block中，不參與計算的列在IO時也要全部讀出，讀取操作被嚴(yán)重放大。而列存模式下，只需要讀取參與計算的列即可，極大的減低了IO cost，加速了查詢。

2）同一列中的數(shù)據(jù)屬于同一類型，壓縮效果顯著。列存往往有著高達(dá)十倍甚至更高的壓縮比，節(jié)省了大量的存儲空間，降低了存儲成本。

3）更高的壓縮比意味著更小的data size，從磁盤中讀取相應(yīng)數(shù)據(jù)耗時更短。

4）自由的壓縮算法選擇。不同列的數(shù)據(jù)具有不同的數(shù)據(jù)類型，適用的壓縮算法也就不盡相同。可以針對不同列類型，選擇最合適的壓縮算法。

5）高壓縮比，意味著同等大小的內(nèi)存能夠存放更多數(shù)據(jù)，系統(tǒng)cache效果更好。

官方數(shù)據(jù)顯示，通過使用列存，在某些分析場景下，能夠獲得100倍甚至更高的加速效應(yīng)。

數(shù)據(jù)有序存儲

ClickHouse支持在建表時，指定將數(shù)據(jù)按照某些列進(jìn)行sort by。

排序后，保證了相同sort key的數(shù)據(jù)在磁盤上連續(xù)存儲，且有序擺放。在進(jìn)行等值、范圍查詢時，where條件命中的數(shù)據(jù)都緊密存儲在一個或若干個連續(xù)的Block中，而不是分散的存儲在任意多個Block， 大幅減少需要IO的block數(shù)量。另外，連續(xù)IO也能夠充分利用操作系統(tǒng)page cache的預(yù)取能力，減少page fault。

主鍵索引

ClickHouse支持主鍵索引，它將每列數(shù)據(jù)按照index granularity（默認(rèn)8192行）進(jìn)行劃分，每個index granularity的開頭第一行被稱為一個mark行。主鍵索引存儲該mark行對應(yīng)的primary key的值。

對于where條件中含有primary key的查詢，通過對主鍵索引進(jìn)行二分查找，能夠直接定位到對應(yīng)的index granularity，避免了全表掃描從而加速查詢。

但是值得注意的是：ClickHouse的主鍵索引與MySQL等數(shù)據(jù)庫不同，它并不用于去重，即便primary key相同的行，也可以同時存在于數(shù)據(jù)庫中。要想實現(xiàn)去重效果，需要結(jié)合具體的表引擎ReplacingMergeTree、CollapsingMergeTree、VersionedCollapsingMergeTree實現(xiàn)，我們會在未來的文章系列中再進(jìn)行詳細(xì)解讀。

稀疏索引

ClickHouse支持對任意列創(chuàng)建任意數(shù)量的稀疏索引。其中被索引的value可以是任意的合法SQL Expression，并不僅僅局限于對column value本身進(jìn)行索引。之所以叫稀疏索引，是因為它本質(zhì)上是對一個完整index granularity（默認(rèn)8192行）的統(tǒng)計信息，并不會具體記錄每一行在文件中的位置。目前支持的稀疏索引類型包括：

• minmax: 以index granularity為單位，存儲指定表達(dá)式計算后的min、max值；在等值和范圍查詢中能夠幫助快速跳過不滿足要求的塊，減少IO。
• set(max_rows)：以index granularity為單位，存儲指定表達(dá)式的distinct value集合，用于快速判斷等值查詢是否命中該塊，減少IO。
• ngrambf_v1(n, size_of_bloom_filter_in_bytes, number_of_hash_functions, random_seed)：將string進(jìn)行ngram分詞后，構(gòu)建bloom filter，能夠優(yōu)化等值、like、in等查詢條件。
• tokenbf_v1(size_of_bloom_filter_in_bytes, number_of_hash_functions, random_seed)： 與ngrambf_v1類似，區(qū)別是不使用ngram進(jìn)行分詞，而是通過標(biāo)點符號進(jìn)行詞語分割。
• bloom_filter([false_positive])：對指定列構(gòu)建bloom filter，用于加速等值、like、in等查詢條件的執(zhí)行。

數(shù)據(jù)Sharding

ClickHouse支持單機模式，也支持分布式集群模式。在分布式模式下，ClickHouse會將數(shù)據(jù)分為多個分片，并且分布到不同節(jié)點上。不同的分片策略在應(yīng)對不同的SQL Pattern時，各有優(yōu)勢。ClickHouse提供了豐富的sharding策略，讓業(yè)務(wù)可以根據(jù)實際需求選用。

1） random隨機分片：寫入數(shù)據(jù)會被隨機分發(fā)到分布式集群中的某個節(jié)點上。

2） constant固定分片：寫入數(shù)據(jù)會被分發(fā)到固定一個節(jié)點上。

3）column value分片：按照某一列的值進(jìn)行hash分片。

4）自定義表達(dá)式分片：指定任意合法表達(dá)式，根據(jù)表達(dá)式被計算后的值進(jìn)行hash分片。

數(shù)據(jù)分片，讓ClickHouse可以充分利用整個集群的大規(guī)模并行計算能力，快速返回查詢結(jié)果。
更重要的是，多樣化的分片功能，為業(yè)務(wù)優(yōu)化打開了想象空間。比如在hash sharding的情況下，JOIN計算能夠避免數(shù)據(jù)shuffle，直接在本地進(jìn)行l(wèi)ocal join； 支持自定義sharding，可以為不同業(yè)務(wù)和SQL Pattern定制最適合的分片策略；利用自定義sharding功能，通過設(shè)置合理的sharding expression可以解決分片間數(shù)據(jù)傾斜問題等。

另外，sharding機制使得ClickHouse可以橫向線性拓展，構(gòu)建大規(guī)模分布式集群，從而具備處理海量數(shù)據(jù)的能力。

數(shù)據(jù)Partitioning

ClickHouse支持PARTITION BY子句，在建表時可以指定按照任意合法表達(dá)式進(jìn)行數(shù)據(jù)分區(qū)操作，比如通過toYYYYMM()將數(shù)據(jù)按月進(jìn)行分區(qū)、toMonday()將數(shù)據(jù)按照周幾進(jìn)行分區(qū)、對Enum類型的列直接每種取值作為一個分區(qū)等。

數(shù)據(jù)Partition在ClickHouse中主要有兩方面應(yīng)用：

• 在partition key上進(jìn)行分區(qū)裁剪，只查詢必要的數(shù)據(jù)。靈活的partition expression設(shè)置，使得可以根據(jù)SQL Pattern進(jìn)行分區(qū)設(shè)置，最大化的貼合業(yè)務(wù)特點。
• 對partition進(jìn)行TTL管理，淘汰過期的分區(qū)數(shù)據(jù)。

數(shù)據(jù)TTL

在分析場景中，數(shù)據(jù)的價值隨著時間流逝而不斷降低，多數(shù)業(yè)務(wù)出于成本考慮只會保留最近幾個月的數(shù)據(jù)，ClickHouse通過TTL提供了數(shù)據(jù)生命周期管理的能力。

ClickHouse支持幾種不同粒度的TTL：

1） 列級別TTL：當(dāng)一列中的部分?jǐn)?shù)據(jù)過期后，會被替換成默認(rèn)值；當(dāng)全列數(shù)據(jù)都過期后，會刪除該列。

2）行級別TTL：當(dāng)某一行過期后，會直接刪除該行。

3）分區(qū)級別TTL：當(dāng)分區(qū)過期后，會直接刪除該分區(qū)。

高吞吐寫入能力

ClickHouse采用類LSM Tree的結(jié)構(gòu)，數(shù)據(jù)寫入后定期在后臺Compaction。通過類LSM tree的結(jié)構(gòu)，ClickHouse在數(shù)據(jù)導(dǎo)入時全部是順序append寫，寫入后數(shù)據(jù)段不可更改，在后臺compaction時也是多個段merge sort后順序?qū)懟卮疟P。順序?qū)懙奶匦?#xff0c;充分利用了磁盤的吞吐能力，即便在HDD上也有著優(yōu)異的寫入性能。

官方公開benchmark測試顯示能夠達(dá)到50MB-200MB/s的寫入吞吐能力，按照每行100Byte估算，大約相當(dāng)于50W-200W條/s的寫入速度。

有限支持delete、update

在分析場景中，刪除、更新操作并不是核心需求。ClickHouse沒有直接支持delete、update操作，而是變相支持了mutation操作，語法為alter table delete where filter_expr,?alter table update col=val where filter_expr。

目前主要限制為刪除、更新操作為異步操作，需要后臺compation之后才能生效。

主備同步

ClickHouse通過主備復(fù)制提供了高可用能力，主備架構(gòu)下支持無縫升級等運維操作。而且相比于其他系統(tǒng)它的實現(xiàn)有著自己的特色：

1）默認(rèn)配置下，任何副本都處于active模式，可以對外提供查詢服務(wù)；

2）可以任意配置副本個數(shù)，副本數(shù)量可以從0個到任意多個；

3）不同shard可以配置不提供副本個數(shù)，用于解決單個shard的查詢熱點問題；

ClickHouse計算層

ClickHouse在計算層做了非常細(xì)致的工作，竭盡所能榨干硬件能力，提升查詢速度。它實現(xiàn)了單機多核并行、分布式計算、向量化執(zhí)行與SIMD指令、代碼生成等多種重要技術(shù)。

多核并行

ClickHouse將數(shù)據(jù)劃分為多個partition，每個partition再進(jìn)一步劃分為多個index granularity，然后通過多個CPU核心分別處理其中的一部分來實現(xiàn)并行數(shù)據(jù)處理。

在這種設(shè)計下，單條Query就能利用整機所有CPU。極致的并行處理能力，極大的降低了查詢延時。

分布式計算

除了優(yōu)秀的單機并行處理能力，ClickHouse還提供了可線性拓展的分布式計算能力。ClickHouse會自動將查詢拆解為多個task下發(fā)到集群中，然后進(jìn)行多機并行處理，最后把結(jié)果匯聚到一起。

在存在多副本的情況下，ClickHouse提供了多種query下發(fā)策略：

• 隨機下發(fā)：在多個replica中隨機選擇一個；
• 最近hostname原則：選擇與當(dāng)前下發(fā)機器最相近的hostname節(jié)點，進(jìn)行query下發(fā)。在特定的網(wǎng)絡(luò)拓?fù)湎?#xff0c;可以降低網(wǎng)絡(luò)延時。而且能夠確保query下發(fā)到固定的replica機器，充分利用系統(tǒng)cache。
• in order：按照特定順序逐個嘗試下發(fā)，當(dāng)前一個replica不可用時，順延到下一個replica。
• first or random：在In Order模式下，當(dāng)?shù)谝粋€replica不可用時，所有workload都會積壓到第二個Replica，導(dǎo)致負(fù)載不均衡。first or random解決了這個問題：當(dāng)?shù)谝粋€replica不可用時，隨機選擇一個其他replica，從而保證其余replica間負(fù)載均衡。另外在跨region復(fù)制場景下，通過設(shè)置第一個replica為本region內(nèi)的副本，可以顯著降低網(wǎng)絡(luò)延時。

向量化執(zhí)行與SIMD

ClickHouse不僅將數(shù)據(jù)按列存儲，而且按列進(jìn)行計算。傳統(tǒng)OLTP數(shù)據(jù)庫通常采用按行計算，原因是事務(wù)處理中以點查為主，SQL計算量小，實現(xiàn)這些技術(shù)的收益不夠明顯。但是在分析場景下，單個SQL所涉及計算量可能極大，將每行作為一個基本單元進(jìn)行處理會帶來嚴(yán)重的性能損耗：

1）對每一行數(shù)據(jù)都要調(diào)用相應(yīng)的函數(shù)，函數(shù)調(diào)用開銷占比高；

2）存儲層按列存儲數(shù)據(jù)，在內(nèi)存中也按列組織，但是計算層按行處理，無法充分利用CPU cache的預(yù)讀能力，造成CPU Cache miss嚴(yán)重；

3）按行處理，無法利用高效的SIMD指令；

ClickHouse實現(xiàn)了向量執(zhí)行引擎（Vectorized execution engine），對內(nèi)存中的列式數(shù)據(jù)，一個batch調(diào)用一次SIMD指令（而非每一行調(diào)用一次），不僅減少了函數(shù)調(diào)用次數(shù)、降低了cache miss，而且可以充分發(fā)揮SIMD指令的并行能力，大幅縮短了計算耗時。向量執(zhí)行引擎，通常能夠帶來數(shù)倍的性能提升。

動態(tài)代碼生成Runtime Codegen

在經(jīng)典的數(shù)據(jù)庫實現(xiàn)中，通常對表達(dá)式計算采用火山模型，也即將查詢轉(zhuǎn)換成一個個operator，比如HashJoin、Scan、IndexScan、Aggregation等。為了連接不同算子，operator之間采用統(tǒng)一的接口，比如open/next/close。在每個算子內(nèi)部都實現(xiàn)了父類的這些虛函數(shù)，在分析場景中單條SQL要處理數(shù)據(jù)通常高達(dá)數(shù)億行，虛函數(shù)的調(diào)用開銷不再可以忽略不計。另外，在每個算子內(nèi)部都要考慮多種變量，比如列類型、列的size、列的個數(shù)等，存在著大量的if-else分支判斷導(dǎo)致CPU分支預(yù)測失效。

ClickHouse實現(xiàn)了Expression級別的runtime codegen，動態(tài)地根據(jù)當(dāng)前SQL直接生成代碼，然后編譯執(zhí)行。如下圖例子所示，對于Expression直接生成代碼，不僅消除了大量的虛函數(shù)調(diào)用（即圖中多個function pointer的調(diào)用），而且由于在運行時表達(dá)式的參數(shù)類型、個數(shù)等都是已知的，也消除了不必要的if-else分支判斷。

近似計算

近似計算以損失一定結(jié)果精度為代價，極大地提升查詢性能。在海量數(shù)據(jù)處理中，近似計算價值更加明顯。

ClickHouse實現(xiàn)了多種近似計算功能：

• 近似估算distinct values、中位數(shù)，分位數(shù)等多種聚合函數(shù)；
• 建表DDL支持SAMPLE BY子句，支持對于數(shù)據(jù)進(jìn)行抽樣處理；

復(fù)雜數(shù)據(jù)類型支持

ClickHouse還提供了array、json、tuple、set等復(fù)合數(shù)據(jù)類型，支持業(yè)務(wù)schema的靈活變更。

結(jié)語

近年來ClickHouse發(fā)展趨勢迅猛，社區(qū)和大廠都紛紛跟進(jìn)使用。本文嘗試從OLAP場景的需求出發(fā)，介紹了ClickHouse存儲層、計算層的主要設(shè)計。ClickHouse實現(xiàn)了大多數(shù)當(dāng)前主流的數(shù)據(jù)分析技術(shù)，具有明顯的技術(shù)優(yōu)勢：

• 提供了極致的查詢性能：開源公開benchmark顯示比傳統(tǒng)方法快100~1000倍，提供50MB~200MB/s的高吞吐實時導(dǎo)入能力）
• 以極低的成本存儲海量數(shù)據(jù)： 借助于精心設(shè)計的列存、高效的數(shù)據(jù)壓縮算法，提供高達(dá)10倍的壓縮比，大幅提升單機數(shù)據(jù)存儲和計算能力，大幅降低使用成本，是構(gòu)建海量數(shù)據(jù)倉庫的絕佳方案。
• 簡單靈活又不失強大：提供完善SQL支持，上手十分簡單；提供json、map、array等靈活數(shù)據(jù)類型適配業(yè)務(wù)快速變化；同時支持近似計算、概率數(shù)據(jù)結(jié)構(gòu)等應(yīng)對海量數(shù)據(jù)處理。

相比于開源社區(qū)的其他幾項分析型技術(shù)，如Druid、Presto、Impala、Kylin、ElasticSearch等，ClickHouse更是一整套完善的解決方案，它自包含了存儲和計算能力（無需額外依賴其他存儲組件），完全自主實現(xiàn)了高可用，而且支持完整的SQL語法包括JOIN等，技術(shù)上有著明顯優(yōu)勢。相比于hadoop體系，以數(shù)據(jù)庫的方式來做大數(shù)據(jù)處理更加簡單易用，學(xué)習(xí)成本低且靈活度高。當(dāng)前社區(qū)仍舊在迅猛發(fā)展中，相信后續(xù)會有越來越多好用的功能出現(xiàn)。

原文鏈接
本文為阿里云原創(chuàng)內(nèi)容，未經(jīng)允許不得轉(zhuǎn)載。

總結(jié)

以上是生活随笔為你收集整理的ClickHouse深度揭秘的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。