ClickHouse分布式集群搭建指南

Posted 行者AI

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了ClickHouse分布式集群搭建指南相关的知识,希望对你有一定的参考价值。

阅读此文,你会了解ClickHouse的相关知识及ClickHouse分布式集群部署方案的搭建指南,如果你对ClickHouse感兴趣或是对数据分析有自己的想法,欢迎关注我们哦~

1. ClickHouse是什么 ?

ClickHouse 是 Yandex(俄罗斯最大的搜索引擎)开源的一个用于实时数据分析的基于列存储的数据库,其处理数据的速度比传统方法快 100-1000 倍。ClickHouse 的性能超过了目前市场上可比的面向列的 DBMS,每秒钟每台服务器每秒处理数亿至十亿多行和数十千兆字节的数据。

ClickHouse的一些特性

  • 快速:ClickHouse 会充分利用所有可用的硬件,以尽可能快地处理每个查询。单个查询的峰值处理性能超过每秒 2 TB(解压缩后,仅使用的列)。在分布式设置中,读取是在健康副本之间自动平衡的,以避免增加延迟。
  • 容错:ClickHouse 支持多主机异步复制,并且可以跨多个数据中心进行部署。所有节点都相等,这可以避免出现单点故障。单个节点或整个数据中心的停机时间不会影响系统的读写可用性。
  • 可伸缩:ClickHouse 可以在垂直和水平方向上很好地缩放。ClickHouse 易于调整以在具有数百或数千个节点的群集上或在单个服务器上,甚至在小型虚拟机上执行。当前,每个单节点安装的数据量超过数万亿行或数百兆兆字节。
  • 易用:ClickHouse 简单易用,开箱即用。它简化了所有数据处理:将所有结构化数据吸收到系统中,并且立即可用于构建报告。SQL 允许表达期望的结果,而无需涉及某些 DBMS 中可以找到的任何自定义非标准 API。
  • 充分利用硬件:ClickHouse 与具有相同的可用 I/O 吞吐量和 CPU 容量的传统的面向行的系统相比,其处理典型的分析查询要快两到三个数量级。列式存储格式允许在 RAM 中容纳更多热数据,从而缩短了响应时间。
  • 提高 CPU 效率:向量化查询执行涉及相关的 SIMD 处理器指令和运行时代码生成。处理列中的数据会提高 CPU 行缓存的命中率。
  • 优化磁盘访问:ClickHouse 可以最大程度地减少范围查询的次数,从而提高了使用旋转磁盘驱动器的效率,因为它可以保持连续存储数据。最小化数据传输:ClickHouse 使公司无需使用专门针对高性能计算的专用网络即可管理其数据

2. 集群搭建

2.1 机器准备

环境:centos 6 or centos 7 三台机器(ZooKeeper 也需要高可用)

主机ip安装soft备注
bgdata.operate.ck-0001172.20.1.39ClickHouse-server ClickHouse-client jdk1.8 ZooKeeper
bgdata.operate.ck-0002172.20.1.246ClickHouse-server ClickHouse-client jdk1.8 ZooKeeper
bgdata.operate.ck-0003172.20.1.173jdk1.8 ZooKeeper因为机器资源有限,只做ZooKeeper 高可用机器,实际中可以作为一个ck节点

设置hosts文件解析(这里是大坑,ck同步表数据的时候会去ZooKeeper 里面查询,ZooKeeper 里面存储的是hosts域名,不是IP,不解析会导致可以同步表但是无法同步表数据),三台操作
vi /etc/hosts

172.20.1.246    bgdata.operate.ck-0002
172.20.1.39     bgdata.operate.ck-0001
172.20.1.173    bgdata.operate.ck-0003

2.2 搭建ZooKeeper 集群,三台操作

yum install -y java-1.8.0-openjdk-devel
mkdir /data
cd /data
wget https://downloads.apache.org/zookeeper/zookeeper-3.6.2/apache-zookeeper-3.6.2.tar.gz && tar -xf apache-zookeeper-3.6.2.tar.gz 
ln -s apache-zookeeper-3.6.2 zookeeper
cd zookeeper
# 新建配置文件
cp conf/zoo_sample.cfg conf/zoo.cfg
# 创建ZooKeeper 数据目录
mkdir data

修改配置文件conf/zoo.cfg,三台一样

tickTime=2000
initLimit=10
syncLimit=5
dataDir=/data/zookeeper/data
clientPort=2181
server.1=172.20.1.39:2888:3888
server.2=172.20.1.246:2888:3888
server.3=172.20.1.173:2888:3888

创建myid在ZooKeeper 数据目录,三台不一样,对应上面server.1这个数字

echo 1 > /data/zookeeper/data/myid  # 其他机器分别是2 3

启动并检查

./bin/zkServer.sh start
./bin/zkServer.sh status

2.3 搭建ClickHouse一分片一副本的集群

bgdata.operate.ck-0001 bgdata.operate.ck-0002机器执行

安装clickhose

yum install yum-utils
rpm --import https://repo.yandex.ru/ClickHouse/ClickHouse-KEY.GPG
yum-config-manager --add-repo https://repo.yandex.ru/ClickHouse/rpm/stable/x86_64
yum install ClickHouse-server ClickHouse-client
mkdir /data/ClickHouse
chown -R ClickHouse.ClickHouse /data/ClickHouse/  #修改权限

配置,修改vim /etc/ClickHouse-server/config.xml

修改listen_host

<!-- Listen specified host. use :: (wildcard IPv6 address), if you want to accept connections both with IPv4 and IPv6 from everywhere. -->
    <!-- <listen_host>::</listen_host> -->
    <!-- Same for hosts with disabled ipv6: -->
    <!-- <listen_host>0.0.0.0</listen_host> -->

    <!-- Default values - try listen localhost on ipv4 and ipv6: -->
    <!--
    <listen_host>::1</listen_host>
    <listen_host>127.0.0.1</listen_host>
    -->
    <listen_host>0.0.0.0</listen_host> <!-- 新增所有地址可以访问 -->
    <!-- Don't exit if ipv6 or ipv4 unavailable, but listen_host with this protocol specified -->
    <!-- <listen_try>0</listen_try> -->

    <!-- Allow listen on same address:port -->
    <!-- <listen_reuse_port>0</listen_reuse_port> -->

    <!-- <listen_backlog>64</listen_backlog> -->

修改存储路径

<!-- Path to data directory, with trailing slash. -->
    <path>/data/ClickHouse/</path>  <!-- 修改存储路径 -->

    <!-- Path to temporary data for processing hard queries. -->
    <tmp_path>/data/ClickHouse/tmp/</tmp_path>  

添加集群配置

<remote_servers>
    <bigdata> <!-- 集群名字,自定义 -->
        <shard> <!-- 定义一个分片 -->
            <!-- Optional. Shard weight when writing data. Default: 1. -->
            <weight>1</weight>
            <!-- Optional. Whether to write data to just one of the replicas. Default: false (write data to all replicas). -->
            <internal_replication>false</internal_replication>
            <replica> <!-- 这个分片的副本存在在哪些机器上 -->
                <host>172.20.1.39</host>
                <port>9000</port>
            </replica>
            <replica>
                <host>172.20.1.246</host>
                <port>9000</port>
            </replica>
        </shard>
      <!--  
        <shard>
            <weight>2</weight>
            <internal_replication>true</internal_replication>
            <replica>
                <host>172.20.1.39</host>
                <port>9000</port>
            </replica>
            <replica>
                <host>172.20.1.246</host>
                <port>9000</port>
            </replica>
        </shard>
        -->
    </bigdata>
</remote_servers>  

添加zookeeper配置

<!-- ZooKeeper is used to store metadata about replicas, when using Replicated tables.
Optional. If you don't use replicated tables, you could omit that.
 
See https://clickhouse.yandex/docs/en/table_engines/replication/
-->
 
<zookeeper incl="zookeeper-servers" optional="true" />
<zookeeper>
    <node index="1">
        <host>172.20.1.39</host>
        <port>2181</port>
    </node>
    <node index="2">
        <host>172.20.1.246</host>
        <port>2181</port>
    </node>
    <node index="3">
        <host>172.20.1.173</host>
        <port>2182</port>
    </node>
</zookeeper>   

配置分片macros变量

 <macros incl="macros" optional="true" />
    <!-- 配置分片macros变量,在用client创建表的时候回自动带入 -->
    <macros>
      <shard>1</shard>
      <replica>172.20.1.39</replica> <!-- 这里指定当前集群节点的名字或者IP -->
    </macros>

启动

systemctl start ClickHouse-server.service
systemctl enable ClickHouse-server.service

检测

[root@bgdata zookeeper]# ClickHouse-client -h 172.20.1.246 -m
ClickHouse client version 20.3.2.1 (official build).
Connecting to 172.20.1.246:9000 as user default.
Connected to ClickHouse server version 20.3.2 revision 54433.
bgdata.operate.ck-0002 :) select * from system.clusters ;

SELECT *
FROM system.clusters

┌─cluster─┬─shard_num─┬─shard_weight─┬─replica_num─┬─host_name────┬─host_address─┬─port─┬─is_local─┬─user────┬─default_database─┬─errors_count─┬─estimated_recovery_time─┐
│ bigdata │         1 │            1 │           1 │ 172.20.1.39  │ 172.20.1.39  │ 9000 │        0 │ default │                  │            0 │                       0 │
│ bigdata │         1 │            1 │           2 │ 172.20.1.246 │ 172.20.1.246 │ 9000 │        1 │ default │                  │            0 │                       0 │
└─────────┴───────────┴──────────────┴─────────────┴──────────────┴──────────────┴──────┴──────────┴─────────┴──────────────────┴──────────────┴─────────────────────────┘

2 rows in set. Elapsed: 0.001 sec.

测试

两台都分别创建数据库 create database test1;

一台建表建立数据

CREATE TABLE t1 ON CLUSTER bigdata
(
    `ts` DateTime,
    `uid` String,
    `biz` String
)
ENGINE = ReplicatedMergeTree('/ClickHouse/test1/tables/shard/t1', 'replica')
PARTITION BY toYYYYMMDD(ts)
ORDER BY ts
SETTINGS index_granularity = 8192
######说明 shard自动获取对应配置文件的macros分片设置变量 replica一样  ENGINE = ReplicatedMergeTree,不能为之前的MergeTree
######'/ClickHouse/test1/tables/shard/t1' 是写入zk里面的地址,唯一,注意命名规范

INSERT INTO t1 VALUES ('2019-06-07 20:01:01', 'a', 'show');
INSERT INTO t1 VALUES ('2019-06-07 20:01:02', 'b', 'show');
INSERT INTO t1 VALUES ('2019-06-07 20:01:03', 'a', 'click');
INSERT INTO t1 VALUES ('2019-06-08 20:01:04', 'c', 'show');
INSERT INTO t1 VALUES ('2019-06-08 20:01:05', 'c', 'click');

第二台机器查看数据,如果数据查询到了 ,并且一致,则成功,否则需重新检查配置

3. 总结

  • 副本集是针对的表,不是库也不上整个ck,所以可以一些表用ReplicatedMergeTree也可以直接不复制,所以数据库都需要创建
  • 和ES分片和副本机器分布有区别,CK的每台机器只能一个分片的副本,所以如果要搭建2分片2副本需要2*2的机器,不然报错
  • 测试读写数据的时候发现,新建的表会同步,但是数据没有同步,通过查CK log以及zk里面对应host发现 zk存储的是主机名,不是ip,所以就无法找到主机写入,需要改hosts文件
  • 测试python ClickHouse_driver连接集群,发现需要高版本的ClickHouse_driver,不然没有alt_hosts参数
  • 增删数据库每台需要手动执行,增删表需要加上ON CLUSTER bigdata,增删数据是实时异步

python连接ck集群范例

from ClickHouse_driver import Client
client = Client("172.20.1.39",database="test1",alt_hosts="172.20.1.246") # 这里alt_hosts代表其他副本机器以,分割,shit源码看到的
print(client.execute("show tables"))

PS:

我们是行者AI,我们在“AI+游戏”中不断前行。

如果你也对游戏感兴趣,对AI充满好奇,那就快来加入我们(hr@xingzhe.ai)。

以上是关于ClickHouse分布式集群搭建指南的主要内容,如果未能解决你的问题,请参考以下文章

ClickHouse集群搭建部署

ClickHouse集群搭建部署

ClickHouse集群搭建部署

Flink1.8 集群搭建完全指南(1):Hadoop伪分布式

Clickhouse 外部表本地表副本表和分布式表

ClickHouse安装及集群搭建