第1章 ClickHouse的前世今生

• 在大量数据分析场景的解决方案中，传统关系型数据库很快就被Hadoop生态所取代
• 传统关系型数据库所构建的数据仓库，被以Hive为代表的大数据技术所取代
• 数据查询分析的手段也层出不穷，Spark、Impala、Kylin等百花齐放

1.1 传统BI系统之殇

• 企业在生产经营的过程中，并不是只关注诸如流程审批、数据录入和填报这类工作。站在监管和决策层面，还需要另一种分析类视角，例如分析报表、分析决策等。而IT系统在早期的建设过程中多呈烟囱式发展，数据散落在各个独立的系统之内，相互割裂、互不相通
• 为了解决数据孤岛的问题，人们提出了数据仓库的概念。即通过引入一个专门用于分析类场景的数据库，将分散的数据统一汇聚到一处。借助数据仓库的概念，用户第一次拥有了站在企业全局鸟瞰一切数据的视角
• 相对于联机事务处理系统，我们把这类BI系统称为联机分析（OLAP）系统

1.2 现代BI系统的新思潮

• 根据一项调查，互联网用户通常都没有耐心。例如47%的消费者希望在2秒或更短的时间内完成网页加载
• SaaS模式的兴起，为传统企业软件系统的商业模式带来了新的思路，这是一次新的技术普惠

1. 一方面，SaaS模式将之前只服务于中大型企业的软件系统放到了互联网，扩展了它的受众；
2. 另一方面，由于互联网用户的基本特征和软件诉求，又倒逼了这些软件系统在方方面面进行革新与升级

2003年起，Google陆续发表的三篇论文开启了大数据的技术普惠，Hadoop生态由此开始一发不可收拾，数据分析开启了新纪元。从某种角度来看，以使用Hadoop生态为代表的这类非传统关系型数据库技术所实现的BI系统，可以称为现代BI系统

• 在海量数据下要实现多维分析的实时应答，仍旧困难重重。（现代BI系统的典型应用场景是多维分析，某些时候可以直接使用OLAP指代这类场景。）

1.3 OLAP常见架构分类

• OLAP名为联机分析，又可以称为多维分析，是由关系型数据库之父埃德加·科德（EdgarFrankCodd）于1993年提出的概念。顾名思义，它指的是通过多种不同的维度审视数据，进行深层次分析
• 数据立方体可以进行如下操作

1. 下钻：从高层次向低层次明细数据穿透。例如从“省”下钻到“市
2. 上卷：和下钻相反，从低层次向高层次汇聚。例如从“市”汇聚成“省
3. 切片：观察立方体的一层，将一个或多个维度设为单个固定值，然后观察剩余的维度，例如将商品维度固定为“足球
4. 切块：与切片类似，只是将单个固定值变成多个值。例如将商品维度固定成“足球”“篮球
5. 旋转：旋转立方体的一面，如果要将数据映射到一张二维表，那么就要进行旋转，这就等同于行列置换

image-20211023201438413

OLAP架构大致分成三类

ROLAP（RelationalOLAP，关系型OLAP）

• 顾名思义，它直接使用关系模型构建，数据模型常使用星型模型或者雪花模型

MOLAP（MultidimensionalOLAP，多维型OLAP）

• 它的出现是为了缓解ROLAP性能问题。MOLAP使用多维数组的形式保存数据，其核心思想是借助预先聚合结果，使用空间换取时间的形式最终提升查询性能

1. 维度预处理可能会导致数据的膨胀
2. 其立方体预聚合后的数据量可能会达到10到20倍的膨胀
3. 由于使用了预处理的形式，数据立方体会有一定的滞后性，不能实时进行数据分析

HOLAP（HybridOLAP，混合架构的OLAP）

• 这种思路可以理解成ROLAP和MOLAP两者的集成

1.4 OLAP实现技术的演进

• 演进过程简单划分成两个阶段

传统关系型数据库阶段

• 在这个阶段中，OLAP主要基于以Oracle、MySQL为代表的一众关系型数据实现。在这个时期，不论是ROLAP还是MOLAP，在数据体量大、维度数目多的情况下都存在严重的性能问题

大数据技术阶段

1. 由于大数据处理技术的普及，人们开始使用大数据技术重构ROLAP和MOLAP。以ROLAP架构为例，传统关系型数据库就被Hive和SparkSQL这类新兴技术所取代
2. 大数据技术阶段，主流MOLAP架构已经能够在亿万级数据的体量下，实现毫秒级的查询响应时间。尽管如此，MOLAP架构依然存在维度爆炸、数据同步实时性不高的问题

1.5 一匹横空出世的黑马

• 一款具备现代化SaaS属性的BI分析类产品
• 必须至少具备如下特征

1. 一站式：下至数百条数据的个人Excel表格，上至数亿级别的企业数据，都能够在系统内部被直接处理
2. 自服务，简单易用：面向普通用户而非专业IT人员，通过简单拖拽或搜索维度，就能完成初步的分析查询
3. 实时应答：无论数据是什么体量级别，查询必须在毫秒至1秒内返回
4. 专业化、智能化：需要具备专业化程度并具备智能化的提升空间，需要提供专业的数学方法

• 具有ROLAP、在线实时查询、完整的DBMS、列式存储、不需要任何数据预处理、支持批量更新、拥有非常完善的SQL支持和函数、支持高可用、不依赖Hadoop复杂生态、开箱即用等许多特点
• 对一张拥有133个字段的数据表分别在1000万、1亿和10亿三种数据体量下执行基准测试，基准测试的范围涵盖43项SQL查询。在1亿数据集体量的情况下，ClickHouse的平均响应速度是Vertica的2.63倍、InfiniDB的17倍、MonetDB的27倍、Hive的126倍、MySQL的429倍以及Greenplum的10倍

详细测试结果：https://clickhouse.yandex/benchmark.html

1.6 ClickHouse的发展历程

• ClickHouse背后的研发团队是来自俄罗斯的Yandex公司。这是一家俄罗斯本土的互联网企业，于2011年在纳斯达克上市，它的核心产品是搜索引擎。根据最新的数据显示，Yandex占据了本国47%以上的搜索市场，是现今世界上最大的俄语搜索引擎
• ClickHouse就是在这样的产品背景下诞生的，伴随着Yandex.Metrica业务的发展，其底层架构历经四个阶段
• Yandex.Metrica研发团队以OLAPServer为基础进一步完善，以实现一个完备的数据库管理系统（DBMS）为目标，最终打造出了ClickHouse，并于2016年开源

ClickHouse的发展历程

image-20211023201841353

1.7 ClickHouse的名称含义

• 而在采集数据的过程中，一次页面click（点击），会产生一个event（事件）。至此，整个系统的逻辑就十分清晰了，那就是基于页面的点击事件流，面向数据仓库进行OLAP分析。所以ClickHouse的全称是ClickStream，DataWareHouse，简称ClickHouse

image-20211023201901111

1.8 ClickHouse适用的场景

• 在存储数据超过20万亿行的情况下，ClickHouse做到了90%的查询都能够在1秒内返回的惊人之举
• ClickHouse非常适用于商业智能领域（也就是我们所说的BI领域），除此之外，它也能够被广泛应用于广告流量、Web、App流量、电信、金融、电子商务、信息安全、网络游戏、物联网等众多其他领域

1.9 ClickHouse不适用的场景

• 它有以下几点不足

1. 不支持事务
2. 不擅长根据主键按行粒度进行查询（虽然支持），故不应该把ClickHouse当作KeyValue数据库使用
3. 不擅长按行删除数据（虽然支持）

1.10 有谁在使用ClickHouse

• ClickHouse官网的案例介绍（https://clickhouse.yandex/）

第2章 ClickHouse架构概述

Yandex.Metrica目前已经成为世界第三大Web流量分析平台，每天处理超过200亿个跟踪事件。能够拥有如此惊人的体量，在它背后提供支撑的ClickHouse功不可没。ClickHouse已经为Yandex.Metrica存储了超过20万亿行的数据，90%的自定义查询能够在1秒内返回，其集群规模也超过了400台服务器

• ClickHouse更像一款“传统”MPP架构的数据库，它没有采用Hadoop生态中常用的主从架构，而是使用了多主对等网络结构，同时它也是基于关系模型的ROLAP方案

2.1 ClickHouse的核心特性

ClickHouse是一款MPP架构的列式存储数据库

完备的DBMS功能

1. DDL（数据定义语言）
2. DML（数据操作语言）
3. 权限控制
4. 数据备份与恢复
5. 分布式管理

列大存储与数据压缩

• 如果你想让查询变得更快，最简单且有效的方法是减少数据扫描范围和数据传输时的大小，而列式存储和数据压缩就可以帮助我们实现上述两点
• 数据中的重复项越多，则压缩率越高；压缩率越高
• 数据最可能具备重复的特性呢？答案是属于同一个列字段的数据，因为它们拥有相同的数据类型和现实语义，重复项的可能性自然就更高

向量化执行引擎

• 这项寄存器硬件层面的特性，为上层应用程序的性能带来了指数级的提升
• 向量化执行，可以简单地看作一项消除程序中循环的优化
• 为了制作n杯果汁，非向量化执行的方式是用1台榨汁机重复循环制作n次，而向量化执行的方式是用n台榨汁机只执行1次
• 为了实现向量化执行，需要利用CPU的SIMD指令。SIMD的全称是SingleInstructionMultipleData，即用单条指令操作多条数据。现代计算机系统概念中，它是通过数据并行以提高性能的一种实现方式（其他的还有指令级并行和线程级并行），它的原理是在CPU寄存器层面实现数据的并行操作
• 一个实用的经验告诉我们，存储媒介距离CPU越近，则访问数据的速度越快

图21　距离CPU越远，数据的访问速度越慢

image-20211023202106178

• 所以利用CPU向量化执行的特性，对于程序的性能提升意义非凡
• ClickHouse目前利用SSE4.2指令集实现向量化执行

关系模型与SQL查询

• ClickHouse完全使用SQL作为查询语言（支持GROUPBY、ORDERBY、JOIN、IN等大部分标准SQL），这使得它平易近人，容易理解和学习
• 在SQL解析方面，ClickHouse是大小写敏感的，这意味着SELECTa和SELECTA所代表的语义是不同的
• ClickHouse使用了关系模型，所以将构建在传统关系型数据库或数据仓库之上的系统迁移到ClickHouse的成本会变得更低

多样化的表引擎

• ClickHouse共拥有合并树、内存、文件、接口和其他6大类20多种表引擎。其中每一种表引擎都有着各自的特点，用户可以根据实际业务场景的要求，选择合适的表引擎使用

多线程与分布式

• 由于SIMD不适合用于带有较多分支判断的场景，ClickHouse也大量使用了多线程技术以实现提速，以此和向量化执行形成互补
• ClickHouse在数据存取方面，既支持分区（纵向扩展，利用多线程原理），也支持分片（横向扩展，利用分布式原理），可以说是将多线程和分布式的技术应用到了极致

多主架构

• HDFS、Spark、HBase和Elasticsearch这类分布式系统，都采用了MasterSlave主从架构，由一个管控节点作为Leader统筹全局。而ClickHouse则采用MultiMaster多主架构，集群中的每个节点角色对等，客户端访问任意一个节点都能得到相同的效果。这种多主的架构有许多优势，例如对等的角色使系统架构变得更加简单，不用再区分主控节点、数据节点和计算节点，集群中的所有节点功能相同。所以它天然规避了单点故障的问题，非常适合用于多数据中心、异地多活的场景

在线查询

• ClickHouse经常会被拿来与其他的分析型数据库作对比，比如Vertica、SparkSQL、Hive和Elasticsearch等，它与这些数据库确实存在许多相似之处。例如，它们都可以支撑海量数据的查询场景，都拥有分布式架构，都支持列存、数据分片、计算下推等特性。这其实也侧面说明了ClickHouse在设计上确实吸取了各路奇技淫巧。与其他数据库相比，ClickHouse也拥有明显的优势。

1. Vertica这类商用软件价格高昂
2. SparkSQL与Hive这类系统无法保障90%的查询在1秒内返回，在大数据量下的复杂查询可能会需要分钟级的响应时间；
3. Elasticsearch这类搜索引擎在处理亿级数据聚合查询时则显得捉襟见肘

ClickHouse的“广告词”所言，其他的开源系统太慢，商用的系统太贵，只有Clickouse在成本与性能之间做到了良好平衡，即又快又开源

数据分片与分布式查询

• 数据分片是将数据进行横向切分，这是一种在面对海量数据的场景下，解决存储和查询瓶颈的有效手段，是一种分治思想的体现。ClickHouse支持分片，而分片则依赖集群。每个集群由1到多个分片组成，而每个分片则对应了ClickHouse的1个服务节点。分片的数量上限取决于节点数量（1个分片只能对应1个服务节点）
• ClickHouse提供了本地表（LocalTable）与分布式表（DistributedTable）的概念。一张本地表等同于一份数据的分片。而分布式表本身不存储任何数据，它是本地表的访问代理，其作用类似分库中间件。借助分布式表，能够代理访问多个数据分片，从而实现分布式查询
• 这种设计类似数据库的分库和分表，十分灵活。例如在业务系统上线的初期，数据体量并不高，此时数据表并不需要多个分片。所以使用单个节点的本地表（单个数据分片）即可满足业务需求，待到业务增长、数据量增大的时候，再通过新增数据分片的方式分流数据，并通过分布式表实现分布式查询。这就好比一辆手动挡赛车，它将所有的选择权都交到了使用者的手中

2.2 ClickHouse的架构设计

Column与Field

• Column和Field是ClickHouse数据最基础的映射单元
• ClickHouse按列存储数据，内存中的一列数据由一个Column对象表示
• 如果需要操作单个具体的数值（也就是单列中的一行数据），则需要使用Field对象，Field对象代表一个单值
• Field对象内部聚合了Null、UInt64、String和Array等13种数据类型及相应的处理逻辑

图22　ClickHouse架构设计中的核心模块

image-20211023202512308

DataType

• 数据的序列化和反序列化工作由DataType负责。IDataType接口定义了许多正反序列化的方法，它们成对出现，例如serializeBinary和deserializeBinary
• 在DataType的实现类中，聚合了相应数据类型的Column对象和Field对象

Block与Block流

• Block对象的本质是由数据对象、数据类型和列名称组成的三元组，即Column、DataType及列名称字符串
• 对Block流的设计就是水到渠成的事情了。流操作有两组顶层接口：IBlockInputStream负责数据的读取和关系运算，IBlockOutputStream负责将数据输出到下一环节

Table

• 在数据表的底层设计中并没有所谓的Table对象，它直接使用IStorage接口指代数据表

Functions与Aggregate Functions

• ClickHouse主要提供两类函数——普通函数和聚合函数。普通函数由IFunction接口定义，拥有数十种函数实现
• 聚合函数由IAggregateFunction接口定义，相比无状态的普通函数，聚合函数是有状态的

Cluster与Replication

• ClickHouse的集群由分片（Shard）组成，而每个分片又通过副本（Replica）组成。这种分层的概念，在一些流行的分布式系统中十分普遍。例如，在Elasticsearch的概念中，一个索引由分片和副本组成，副本可以看作一种特殊的分片。如果一个索引由5个分片组成，副本的基数是1，那么这个索引一共会拥有10个分片（每1个分片对应1个副本）
• ClickHouse的某些设计总是显得独树一帜

1. ClickHouse的1个节点只能拥有1个分片，也就是说如果要实现1分片、1副本，则至少需要部署2个服务节点
2. 分片只是一个逻辑概念，其物理承载还是由副本承担的

代码清单21　自定义集群ch_cluster的配置示例

image-20211023202641833

2.3 ClickHouse为何如此之快

• 在设计软件架构的时候，做设计的原则应该是自顶向下地去设计，还是应该自下而上地去设计呢？在传统观念中，或者说在我的观念中，自然是自顶向下的设计，通常我们都被教导要做好顶层设计。而ClickHouse的设计则采用了自下而上的方式。ClickHouse的原型系统早在2008年就诞生了，在诞生之初它并没有宏伟的规划。相反它的目的很单纯，就是希望能以最快的速度进行GROUPBY查询和过滤

着眼硬件，先想后做

• 从硬件功能层面着手设计，在设计伊始就至少需要想清楚如下几个问题

1. 我们将要使用的硬件水平是怎样的？包括CPU、内存、硬盘、网络等
2. 在这样的硬件上，我们需要达到怎样的性能？包括延迟、吞吐量等
3. 我们准备使用怎样的数据结构？

• 基于将硬件功效最大化的目的，ClickHouse会在内存中进行GROUPBY，并且使用HashTable装载数据。与此同时，他们非常在意CPUL3级别的缓存，因为一次L3的缓存失效会带来70～100ns的延迟。这意味着在单核CPU上，它会浪费4000万次/秒的运算；而在一个32线程的CPU上，则可能会浪费5亿次/秒的运算。所以别小看这些细节，一点一滴地将它们累加起来，数据是非常可观的。正因为注意了这些细节，所以ClickHouse在基准查询中能做到1.75亿次/秒的数据扫描性能

算法在前，抽象在后

• 在字符串搜索方面，针对不同的场景，ClickHouse最终选择了这些算法：对于常量，使用Volnitsky算法；对于非常量，使用CPU的向量化执行SIMD，暴力优化；正则匹配使用re2和hyperscan算法。性能是算法选择的首要考量指标

勇于尝鲜，不行就换

• ClickHouse会使用最合适、最快的算法。如果世面上出现了号称性能强大的新算法，ClickHouse团队会立即将其纳入并进行验证

特定场景，特殊优化

• 大家熟知的大杀器——向量化执行了。SIMD被广泛地应用于文本转换、数据过滤、数据解压和JSON转换等场景。相较于单纯地使用CPU，利用寄存器暴力优化也算是一种降维打击了

第3章 安装与部署

• ClickHouse的安装显得尤为简单，它自成一体，在单节点的情况下不需要额外的系统依赖

3.2 客户端的访问接口

• ClickHouse的底层访问接口支持TCP和HTTP两种协议，其中，TCP协议拥有更好的性能，其默认端口为9000
• 通常而言，并不建议用户直接使用底层接口访问ClickHouse，更为推荐的方式是通过CLI和JDBC这些封装接口，因为它们更加简单易用

CLI

• CLI（CommandLineInterface）即命令行接口，其底层是基于TCP接口进行通信的，是通过clickhouseclient脚本运行的。它拥有两种执行模式
• 交互式执行可以广泛用于调试、运维、开发和测试等场景，它的使用方法是直接运行clickhouseclient进行登录

image-20211023202839996

image-20211023202856777

• 通过交互式执行的SQL语句，相关查询结果会统一被记录到~/.clickhouseclienthistory文件

image-20211023202911784

• 非交互式模式主要用于批处理场景，诸如对数据的导入和导出等操作。在执行脚本命令时，需要追加query参数指定执行的SQL语句

image-20211023202937350

image-20211023202949442

• 可以追加multiquery参数，它可以支持一次运行多条SQL查询，多条查询语句之间使用分号间隔

image-20211023203009420

3.3 内置的实用工具

clickhouse-local

• clickhouselocal可以独立运行大部分SQL查询，不需要依赖任何ClickHouse的服务端程序，它可以理解成是ClickHouse服务的单机版微内核，是一个轻量级的应用程序。clickhouselocal只能够使用File表引擎

image-20211023203054941

• 也可以借助操作系统的命令，实现对系统用户内存用量的查询

image-20211023203105872

image-20211023203117015

• clickhousebenchmark是基准测试的小工具，它可以自动运行SQL查询，并生成相应的运行指标报告，例如执行下面的语句启动测试

image-20211023203131298

• 可以指定多条SQL进行测试，此时需要将SQL语句定义在文件中

image-20211023203146789

image-20211023203155324

• clickhousebenchmark支持对比测试，此时需要通过此参数声明两个服务端的地址

image-20211023203207911

第4章 数据定义

• 对于一款可以处理海量数据的分析系统而言，支持DML查询实属难能可贵
• ClickHouse支持较完备的DML语句，包括INSERT、SELECT、UPDATE和DELETE。虽然UPDATE和DELETE可能存在性能问题，但这些能力的提供确实丰富了各位架构师手中的筹码，在架构设计时也能多几个选择
• 作为一款完备的DBMS（数据库管理系统），ClickHouse提供了DDL与DML的功能，并支持大部分标准的SQL。也正因如此，ClickHouse十分容易入门
• 作为一款异军突起的OLAP数据库黑马，ClickHouse有着属于自己的设计目标，高性能才是它的根本，所以也不能完全以对传统数据库的理解度之。比如，ClickHouse在基础数据类型方面，虽然相比常规数据库更为精练，但同时它又提供了实用的复合数据类型，而这些是常规数据库所不具备的

4.1 ClickHouse的数据类型

• ClickHouse提供了许多数据类型，它们可以划分为基础类型、复合类型和特殊类型
• 基础类型

1. 数值
2. 字符串
3. 时间

• 数值类型

1. 整数
2. 浮点数
3. 定点数

• Int 类型

1. Int8
2. Int16
3. Int32
4. Int64

其末尾的数字正好表明了占用字节的大小（8位=1字节）

• ClickHouse的浮点数

1. 正无穷
2. 负无穷
3. 非数字

• 在使用定点数时还有一点值得注意：由于现代计算器系统只支持32位和64位CPU，所以Decimal128是在软件层面模拟实现的，它的速度会明显慢于Decimal32与Decimal64
• 字符串类型

1. String
2. FixedString
3. UUID

• 时间类型分为DateTime、DateTime64和Date三类。ClickHouse目前没有时间戳类型。时间类型最高的精度是秒，也就是说，如果需要处理毫秒、微秒等大于秒分辨率的时间，则只能借助UInt类型实现
• DateTime64可以记录亚秒，它在DateTime之上增加了精度的设置

• 四类复合类型

1. 数组：在同一个数组内可以包含多种数据类型，例如数组[1,2.0]是可行的。但各类型之间必须兼容，例如数组[1,'2']则会报错
2. 元组：元组类型由1～n个元素组成，每个元素之间允许设置不同的数据类型，且彼此之间不要求兼容
3. 枚举
4. 嵌套：嵌套类型，顾名思义是一种嵌套表结构。一张数据表，可以定义任意多个嵌套类型字段，但每个字段的嵌套层级只支持一级。每个数组的元素个数必须相等。在访问嵌套类型的数据时需要使用点符号

• 准确来说，Nullable并不能算是一种独立的数据类型，它更像是一种辅助的修饰符，需要与基础数据类型一起搭配使用
• 在使用Nullable类型的时候还有两点值得注意

1. 首先，它只能和基础类型搭配使用，不能用于数组和元组这些复合类型，也不能作为索引字段；
2. 应该慎用Nullable类型，包括Nullable的数据表，不然会使查询和写入性能变慢。因为在正常情况下，每个列字段的数据会被存储在对应的[Column].bin文件中。如果一个列字段被Nullable类型修饰后，会额外生成一个[Column].null.bin文件专门保存它的Null值。这意味着在读取和写入数据时，需要一倍的额外文件操作

• 域名类型

1. IPv4
2. IPv6

• 本质上它们是对整型和字符串的进一步封装。IPv4类型是基于UInt32封装的

4.2 如何定义数据表

• 数据库目前一共支持5种引擎

1. Ordinary：默认引擎，在绝大多数情况下我们都会使用默认引擎，使用时无须刻意声明。在此数据库下可以使用任意类型的表引擎
2. Dictionary：字典引擎
3. Memory：内存引擎，用于存放临时数据
4. Lazy：日志引擎，此类数据库下只能使用Log系列的表引擎
5. MySQL：MySQL引擎，此类数据库下会自动拉取远端MySQL中的数据，并为它们创建MySQL表引擎的数据表

• 默认数据库的实质是物理磁盘上的一个文件目录，所以在语句执行之后，ClickHouse便会在安装路径下创建DB_TEST数据库的文件目录
• 在metadata路径下也会一同创建用于恢复数据库的DB_TEST.sql文件
• ClickHouse目前提供了三种最基本的建表方法

1. 使用[db_name.]参数可以为数据表指定数据库，如果不指定此参数，则默认会使用default数据库
2. 第二种定义方法是复制其他表的结构
3. 第三种定义方法是通过SELECT子句的形式创建

• 在这种方式下，不仅会根据SELECT子句建立相应的表结构，同时还会将SELECT子句查询的数据顺带写入
• 表字段支持三种默认值表达式的定义方法，分别是DEFAULT、MATERIALIZED和ALIAS
• 表字段一旦被定义了默认值，它便不再强制要求定义数据类型，因为ClickHouse会根据默认值进行类型推断

• 默认值表达式的三种定义方法之间也存在着不同之处

1. 数据写入：在数据写入时，只有DEFAULT类型的字段可以出现在INSERT语句中。而MATERIALIZED和ALIAS都不能被显式赋值，它们只能依靠计算取值
2. 数据查询：在数据查询时，只有DEFAULT类型的字段可以通过SELECT返回。而MATERIALIZED和ALIAS类型的字段不会出现在SELECT查询的返回结果集中
3. 数据存储：在数据存储时，只有DEFAULT和MATERIALIZED类型的字段才支持持久化。如果使用的表引擎支持物理存储（例如TinyLog表引擎），那么这些列字段将会拥有物理存储。而ALIAS类型的字段不支持持久化，它的取值总是需要依靠计算产生，数据不会落到磁盘

• 修改动作并不会影响数据表内先前已经存在的数据。但是默认值的修改有诸多限制，例如在合并树表引擎中，它的主键字段是无法被修改
• ClickHouse也有临时表的概念，创建临时表的方法是在普通表的基础之上添加TEMPORARY关键字

• 临时表特殊之处

1. 它的生命周期是会话绑定的，所以它只支持Memory表引擎，如果会话结束，数据表就会被销毁；
2. 临时表不属于任何数据库，所以在它的建表语句中，既没有数据库参数也没有表引擎参数。

临时表的优先级是大于普通表的。当两张数据表名称相同的时候，会优先读取临时表的数据

• 数据分区（partition）和数据分片（shard）是完全不同的两个概念。
• 数据分区是针对本地数据而言的，是数据的一种纵向切分。而数据分片是数据的一种横向切分（第10章会详细介绍）。数据分区对于一款OLAP数据库而言意义非凡：借助数据分区，在后续的查询过程中能够跳过不必要的数据目录，从而提升查询的性能。合理地利用分区特性，还可以变相实现数据的更新操作，因为数据分区支持删除、替换和重置操作
• 目前只有合并树（MergeTree）家族系列的表引擎才支持数据分区
• 通过一个简单的例子演示分区表的使用方法。首先由PARTITIONBY指定分区键，例如下面的数据表partition_v1使用了日期字段作为分区键，并将其格式化为年月的形式：

image-20211125223049579

• 接着写入不同月份的测试数据：

image-20211125223057898

• 最后通过system.parts系统表，查询数据表的分区状态：

image-20211125223117716

• partition_v1按年月划分后，目前拥有两个数据分区，且每个分区都对应一个独立的文件目录，用于保存各自部分的数据

两种视图

普通视图

• 只是一层简单的查询代理
• 普通视图不会存储任何数据，它只是一层单纯的SELECT查询映射，起着简化查询、明晰语义的作用，对查询性能不会有任何增强

物化视图

• 物化视图拥有独立的存储
• 物化视图支持表引擎，数据保存形式由它的表引擎决定
• 物化视图创建好之后，如果源表被写入新数据，那么物化视图也会同步更新。POPULATE修饰符决定了物化视图的初始化策略：如果使用了POPULATE修饰符，那么在创建视图的过程中，会连带将源表中已存在的数据一并导入，如同执行了SELECTINTO一般；反之，如果不使用POPULATE修饰符，那么物化视图在创建之后是没有数据的，它只会同步在此之后被写入源表的数据。物化视图目前并不支持同步删除，如果在源表中删除了数据，物化视图的数据仍会保留
• 物化视图本质是一张特殊的数据表，例如使用SHOWTABLE查看数据表的列表：
• 删除视图的方法是直接使用DROPTABLE查询

4.3 数据表的基本操作

• 目前只有MergeTree、Merge和Distributed这三类表引擎支持ALTER查询

4.4 数据分区的基本操作

• ClickHouse内置了许多system系统表，用于查询自身的状态信息。其中parts系统表专门用于查询数据表的分区信息
• 如果数据表某一列的数据有误，需要将其重置为初始值，此时可以使用下面的语句实现：
• 表分区可以通过DETACH语句卸载，分区被卸载后，它的物理数据并没有删除，而是被转移到了当前数据表目录的detached子目录下。而装载分区则是反向操作，它能够将detached子目录下的某个分区重新装载回去。卸载与装载这一对伴生的操作，常用于分区数据的迁移和备份场景
• 一旦分区被移动到了detached子目录，就代表它已经脱离了ClickHouse的管理，ClickHouse并不会主动清理这些文件。这些分区文件会一直存在，除非我们主动删除或者使用ATTACH语句重新装载它们

4.5 分布式DDL执行

• ClickHouse支持集群模式，一个集群拥有1到多个节点。CREATE、ALTER、DROP、RENMAE及TRUNCATE这些DDL语句，都支持分布式执行
• 将一条普通的DDL语句转换成分布式执行十分简单，只需加上ONCLUSTERcluster_name声明即可

4.6 数据的写入

• INSERT语句支持三种语法范式，三种范式各有不同，可以根据写入的需求灵活运用

1. 第一种是使用VALUES格式的常规语法：

image-20211125223353036

2. 第二种是使用指定格式的语法：

image-20211125223410855

3. 第三种是使用SELECT子句形式的语法：

image-20211125223426497

• 在通过SELECT子句写入数据的时候，同样也支持加入表达式或函数，例如：

image-20211125223437270

• VALUES和SELECT子句的形式都支持声明表达式或函数，但是表达式和函数会带来额外的性能开销，从而导致写入性能的下降。所以如果追求极致的写入性能，就应该尽可能避免使用它们
• ClickHouse内部所有的数据操作都是面向Block数据块的，所以INSERT查询最终会将数据转换为Block数据块。也正因如此，INSERT语句在单个数据块的写入过程中是具有原子性的
• max_insert_block_size参数在使用CLI命令行或者INSERTSELECT子句写入时是不生效的

4.7 数据的删除与修改

• ClickHouse提供了DELETE和UPDATE的能力，这类操作被称为Mutation查询，它可以看作ALTER语句的变种。虽然Mutation能最终实现修改和删除，但不能完全以通常意义上的UPDATE和DELETE来理解，我们必须清醒地认识到它的不同：

1. 首先，Mutation语句是一种“很重”的操作，更适用于批量数据的修改和删除；
2. 其次，它不支持事务，一旦语句被提交执行，就会立刻对现有数据产生影响，无法回滚；
3. 最后，Mutation语句的执行是一个异步的后台过程，语句被提交之后就会立即返回。

所以这并不代表具体逻辑已经执行完毕，它的具体执行进度需要通过system.mutations系统表查询

第5章 数据字典

• 字典中的数据会主动或者被动（数据是在ClickHouse启动时主动加载还是在首次查询时惰性加载由参数设置决定）加载到内存，并支持动态更新。由于字典数据常驻内存的特性，所以它非常适合保存常量或经常使用的维度表数据，以避免不必要的JOIN查询。