跳至主要內容

ClickHouse 面试题

小白debug大约 9 分钟

ClickHouse 面试题

什么是 ClickHouse?

ClickHouse 是近年来备受关注的开源列式数据库管理系统,主要用于数据分析 (OLAP)领域。通过向量化执行以及对 cpu 底层指令集(SIMD)的使用,它 可以对海量数据进行并行处理,从而加快数据的处理速度。ClickHouse 从 OLAP 场景需求出发,定制开发了一套全新的高效列式存储引擎,并且实现了数据有序 存储、主键索引、稀疏索引、数据 Sharding、数据 Partitioning、TTL、主备复 制等丰富功能。

ClickHouse 有哪些应用场景?

  1. 绝大多数请求都是用于读访问的;
  2. 数据需要以大批次(大于 1000 行)进行更新,而不是单行更新;
  3. 数据只是添加到数据库,没有必要修改;
  4. 读取数据时,会从数据库中提取出大量的行,但只用到一小部分列;
  5. 表很“宽”,即表中包含大量的列;
  6. 查询频率相对较低(通常每台服务器每秒查询数百次或更少);
  7. 对于简单查询,允许大约 50 毫秒的延迟;
  8. 列的值是比较小的数值和短字符串(例如,每个 URL只有 60 个字节);
  9. 在处理单个查询时需要高吞吐量(每台服务器每秒高达数十亿行);
  10. 不需要事务;
  11. 数据一致性要求较低;
  12. 每次查询中只会查询一个大表。除了一个大表,其余都是小表;
  13. 查询结果显著小于数据源。即数据有过滤或聚合。返回结果不超过单个服务 器内存。

ClickHouse 列式存储的优点有哪些?

  • 当分析场景中往往需要读大量行但是少数几个列时,在行存模式下,数据按

行连续存储,所有列的数据都存储在一个 block 中,不参与计算的列在 IO 时也要全部读出,读取操作被严重放大。而列存模式下,只需要读取参与计 算的列即可,极大的减低了 IO cost,加速了查询。

  • 同一列中的数据属于同一类型,压缩效果显著。列存往往有着高达十倍甚至

更高的压缩比,节省了大量的存储空间,降低了存储成本。

  • 更高的压缩比意味着更小的 data size,从磁盘中读取相应数据耗时更短。 - 自由的压缩算法选择。不同列的数据具有不同的数据类型,适用的压缩算法

也就不尽相同。可以针对不同列类型,选择最合适的压缩算法。

  • 高压缩比,意味着同等大小的内存能够存放更多数据,系统 cache 效果更好。

ClickHouse 的缺点是是什么?

  • 不支持事务,不支持真正的删除/更新; - 不支持二级索引;

  • join 实现与众不同;

  • 不支持窗口功能;

  • 元数据管理需要人为干预。

ClickHouse 的架构是怎样的?

ClickHouse 采用典型的分组式的分布式架构,其中:

  • Shard。集群内划分为多个分片或分组(Shard 0 … Shard N),通过 Shard

的线性扩展能力,支持海量数据的分布式存储计算。

  • Node。每个 Shard 内包含一定数量的节点(Node,即进程),同一 Shard 内的节点互为副本,保障数据可靠。ClickHouse 中副本数可按需建设,且逻

辑上不同 Shard 内的副本数可不同。

  • ZooKeeper Service。集群所有节点对等,节点间通过 ZooKeeper 服务进

行分布式协调。

ClickHouse 的逻辑数据模型?

从用户使用角度看,ClickHouse 的逻辑数据模型与关系型数据库有一定的相似: 一个集群包含多个数据库,一个数据库包含多张表,表用于实际存储数据。

ClickHouse 的核心特性?

  • 列存储:列存储是指仅从存储系统中读取必要的列数据,无用列不读取,速

度非常快。ClickHouse 采用列存储,这对于分析型请求非常高效。一个典型 且真实的情况是,如果我们需要分析的数据有 50 列,而每次分析仅读取其 中的 5 列,那么通过列存储,我们仅需读取必要的列数据,相比于普通行

存,可减少 10 倍左右的读取、解压、处理等开销,对性能会有质的影响。

  • 向量化执行:在支持列存的基础上,ClickHouse 实现了一套面向 向量化处

理 的计算引擎,大量的处理操作都是向量化执行的。相比于传统火山模型中 的逐行处理模式,向量化执行引擎采用批量处理模式,可以大幅减少函数调 用开销,降低指令、数据的 Cache Miss,提升 CPU 利用效率。并且 ClickHouse 可 利 用 SIMD 指 令 进 一 步 加 速 执 行 效 率 。 这 部 分 是 ClickHouse 优于大量同类 OLAP 产品的重要因素。

  • 编码压缩:由于 ClickHouse 采用列存储,相同列的数据连续存储,且底层

数据在存储时是经过排序的,这样数据的局部规律性非常强,有利于获得更 高的数据压缩比。此外,ClickHouse 除了支持 LZ### ZSTD 等通用压缩算 法外,还支持 Delta、DoubleDelta、Gorilla 等专用编码算法,用于进一步 提高数据压缩比。

  • 多索引:列存用于裁剪不必要的字段读取,而索引则用于裁剪不必要的记录

读取。ClickHouse 支持丰富的索引,从而在查询时尽可能的裁剪不必要的 记录读取,提高查询性能。

使用 ClickHouse 时有哪些注意点?

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,也可指定为

tuple();以单表 1 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。

数据采样策略 通过采用运算可极大提升数据分析的性能。

数据量太大时应避免使用 select * 操作,查询的性能会与查询的字段大小和数 量成线性变换;字段越少,消耗的 IO 资源就越少,性能就会越高。 千万以上数据集用 order by 查询时需要搭配 where 条件和 limit 语句一起使用。

如非必须不要在结果集上构建虚拟列,虚拟列非常消耗资源浪费性能,可以考虑 在前端进行处理,或者在表中构造实际字段进行额外存储。 不建议在高基列上执行 distinct 去重查询,改为近似去重 uniqCombined。 多表 Join 时要满足小表在右的原则,右表关联时被加载到内存中与左表进行比 较。

存储

ClickHouse 不支持设置多数据目录,为了提升数据 一个券组绑定多块物理磁盘提升读写性能;多数查询场景 硬盘快 2-3 倍。

io 性能,可以挂载虚拟券组,

SSD 盘会比普通机械

ClickHouse 的引擎有哪些?

ClickHouse 提供了大量的数据引擎,分为数据库引擎、表引擎,根据数据特点 及使用场景选择合适的引擎至关重要。

ClickHouse 引擎分类

在以下几种情况下,ClickHouse 使用自己的数据库引擎:

  • 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。

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 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。

建表引擎参数有哪些?

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

ORDER BY: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。 要求:主键必须是 order by 字段的前缀字段。

如果 ORDER BY与 PRIMARY KEY不同,PRIMARY KEY必须是 ORDER BY的 前缀(为了保证分区内数据和主键的有序性)。

ORDER BY 决定了每个分区中数据的排序规则;

PRIMARY KEY 决定了一级索引(primary.idx);

ORDER BY 可以指代 PRIMARY KEY, 通常只用声明 ORDER BY 即可。

PARTITION BY:分区字段,可选。如果不填:只会使用一个分区。 分区目录:MergeTree 是以列文件+索引文件+表定义文件组成的,但是如果设 定了分区那么这些文件就会保存到不同的分区目录中。

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。