ClickHouse-尚硅谷（12. 高级-数据一致性*）学习笔记

Posted 2022-11-14 yuan_404

下一篇：（11. 高级-查询优化）学习笔记

下一篇：（13. 高级-物化视图）学习笔记

文章目录

• 1 准备测试表和数据
• 2 手动 OPTIMIZE(不推荐)
• 3 通过 Group by 去重
• 4 通过 FINAL 查询
• • 4.1 老版本测试
  • 4.2 新版本测试

  查询 CK 手册发现，即便对数据一致性支持最好的 Mergetree，也只是保证最终一致性：

  我们在使用 ReplacingMergeTree、SummingMergeTree 这类表引擎的时候，会出现短暂数据不一致的情况。
  在某些对一致性非常敏感的场景，通常有以下几种解决方案。

1 准备测试表和数据

1. 创建表

   CREATE TABLE test_a(
   	user_id UInt64,
   	score String,
   	deleted UInt8 DEFAULT 0,
   	create_time DateTime DEFAULT toDateTime(0)
   )ENGINE= ReplacingMergeTree(create_time)
   ORDER BY user_id;
   

   其中:

   • user_id 是数据去重更新的标识;
   • create_time 是版本号字段，每组数据中 create_time 最大的一行表示最新的数据;
   • deleted 是自定的一个标记位，比如 0 代表未删除，1 代表删除数据。

2. 写入 1000 万 测试数据

   INSERT INTO TABLE test_a(user_id,score)
   WITH(
   	SELECT ['A','B','C','D','E','F','G']
   )AS dict
   SELECT number AS user_id, dict[number%7+1] FROM numbers(10000000);
   

3. 修改前 50 万 行数据，修改内容包括 name 字段和 create_time 版本号字段

   INSERT INTO TABLE test_a(user_id,score,create_time)
   WITH(
   SELECT ['AA','BB','CC','DD','EE','FF','GG']
   )AS dict
   SELECT number AS user_id, dict[number%7+1], now() AS create_time FROM 
   numbers(500000);
   

4. 统计总数

   SELECT COUNT() FROM test_a;
   10500000
   

   还未触发分区合并，所以还未去重。

2 手动 OPTIMIZE(不推荐)

在写入数据后，立刻执行 OPTIMIZE 强制触发新写入分区的合并动作。

OPTIMIZE TABLE test_a FINAL;

语法：OPTIMIZE TABLE [db.]name [ON CLUSTER cluster] [PARTITION partition | 
PARTITION ID 'partition_id'] [FINAL] [DEDUPLICATE [BY expression]]

3 通过 Group by 去重

1. 执行去重的查询

   SELECT
   user_id ,
   argMax(score, create_time) AS score, 
   argMax(deleted, create_time) AS deleted,
   max(create_time) AS ctime 
   FROM test_a 
   GROUP BY user_id
   HAVING deleted = 0;
   

   函数说明：

   argMax(field1，field2):取 field2 最大值所在行的 field1 字段值

   当我们更新数据时，会写入一行新的数据，例如上面语句中，通过查询最大的create_time 得到修改后的 score 字段值。

2. 创建视图，方便测试

   CREATE VIEW view_test_a AS
   SELECT
   user_id ,
   argMax(score, create_time) AS score, 
   argMax(deleted, create_time) AS deleted,
   max(create_time) AS ctime 
   FROM test_a 
   GROUP BY user_id
   HAVING deleted = 0;
   

3. 插入重复数据，再次查询

   #再次插入一条数据
   INSERT INTO TABLE test_a(user_id,score,create_time)
   VALUES(0,'AAAA',now())
   #再次查询
   SELECT *
   FROM view_test_a
   WHERE user_id = 0;
   

4. 删除数据测试

   #再次插入一条标记为删除的数据
   INSERT INTO TABLE test_a(user_id,score,deleted,create_time) 
   VALUES(0,'AAAA',1,now());
   
   #再次查询，刚才那条数据看不到了
   SELECT *
   FROM view_test_a
   WHERE user_id = 0;
   

  这行数据并没有被真正的删除，而是被过滤掉了。在一些合适的场景下，可以结合表级别的 TTL 最终将物理数据删除。

4 通过 FINAL 查询

  在查询语句后增加 FINAL 修饰符，这样在查询的过程中将会执行 Merge 的特殊逻辑（例如数据去重，预聚合等）。
  但是这种方法在早期版本基本没有人使用，因为在增加 FINAL 之后，我们的查询将会变成一个单线程的执行过程，查询速度非常慢。
  在 v20.5.2.7-stable 版本中，FINAL 查询支持多线程执行，并且可以通过 max_final_threads 参数控制单个查询的线程数。但是目前读取 part 部分的动作依然是串行的。
  FINAL 查询最终的性能和很多因素相关，列字段的大小、分区的数量等等都会影响到最终的查询时间，所以还要结合实际场景取舍。

参考链接：https://github.com/ClickHouse/ClickHouse/pull/10463
分别安装了 20.4.5.36 和 21.7.3.14 两个版本的 ClickHouse 进行对比。

4.1 老版本测试

1. 普通查询语句

   select * from visits_v1 WHERE StartDate = '2014-03-17' limit 100;
   

2. FINAL 查询

   select * from visits_v1 FINAL WHERE StartDate = '2014-03-17' limit 100;
   

先前的并行查询变成了单线程。

4.2 新版本测试

1. 普通语句查询

   select * from visits_v1 WHERE StartDate = '2014-03-17' limit 100 settings max_threads = 2;
   

   查看执行计划：

   explain pipeline select * from visits_v1 WHERE StartDate = '2014-03-17' limit 100 settings max_threads = 2;
   
   (Expression) 
   	ExpressionTransform × 2
   	(SettingQuotaAndLimits) 
   		(Limit) 
   		Limit 2 → 2
   			(ReadFromMergeTree) 
   			MergeTreeThread × 2 0 → 1
   

   明显将由 2 个线程并行读取 part 查询。

2. FINAL 查询

   select * from visits_v1 final WHERE StartDate = '2014-03-17' limit 100 
   settings max_final_threads = 2;
   

   查询速度没有普通的查询快，但是相比之前已经有了一些提升,查看 FINAL 查询的执行计划：

   explain pipeline select * from visits_v1 final WHERE StartDate = '2014-03-17' limit 100 settings max_final_threads = 2;
   
   (Expression) 
   ExpressionTransform × 2 
   (SettingQuotaAndLimits) 
   	(Limit) 
   	Limit 2 → 2 
   		(ReadFromMergeTree) 
   		ExpressionTransform × 2 
   			CollapsingSortedTransform × 2
   				Copy 1 → 2 
   					AddingSelector 
   						ExpressionTransform
   							MergeTree 0 → 1 
   

   从 CollapsingSortedTransform 这一步开始已经是多线程执行，但是读取 part 部分的动作还是串行。