1.clickhouse 二（springboot+mybatis实现clickhouse的码分插入查询）
2.ClickHouse简单了解
3.Clickhouse安装部署
4.ClickHouse 源码解析: MergeTree Merge 算法
5.clickhouse新特性之---clickhouse-keeper
6.通过深挖Clickhouse源码，我精通了数据去重！码分

clickhouse 二（springboot+mybatis实现clickhouse的码分插入查询）

       本文详细介绍了如何利用SpringBoot和Mybatis实现与ClickHouse数据库的集成，旨在演示插入和查询操作的码分实现过程。ClickHouse，码分作为一款由Yandex公司开源的码分entos配置源码面向列的数据库管理系统，特别适用于实时生成分析数据报告，码分尤其在OLAP分析方面表现出色。码分

       为了实现与ClickHouse的码分集成，首先需要在项目中添加相应的码分Maven依赖。确保引入了SpringBoot和Mybatis的码分相关依赖，这将为后续的码分配置和操作打下基础。

       接下来，码分配置数据源时，码分需要定义与ClickHouse服务器的码分连接参数。这包括服务器地址、端口、数据库名称以及用户和密码等信息。这一步骤至关重要，确保了项目的正常运行。

       在参数配置阶段，需要对Druid连接池进行配置。Druid连接池能够有效管理数据库连接，优化资源使用，并提供连接监控功能，为项目的稳定性提供保障。

       对于Mapper.xml文件，需要编写SQL语句以实现对ClickHouse表的增删查改操作。这里主要关注的是插入和查询操作的实现，以展示ClickHouse在实时数据处理方面的高效。

       Mapper接口的编写遵循Mybatis的规范，定义了具体的SQL操作方法，与具体的数据库操作对应，使得业务逻辑与数据库操作分离，提高代码的可维护性和可读性。

       在controller接口中，通过调用Mapper接口的相应方法，将业务逻辑与具体的页面加载html源码数据库操作关联起来，完成数据的插入和查询操作的集成。

       为了验证集成的正确性和性能，创建了一个ClickHouse表并插入了几条数据进行测试。通过执行查询操作，可以验证数据的正确性和查询性能。

       对于需要源码的读者，可以在评论区留下邮箱，以便获取完整的项目实现代码。

       参考文章：SpringBoot2 整合 ClickHouse数据库，实现高性能数据查询分析

ClickHouse简单了解

       ClickHouse是一款源自俄罗斯的列式存储数据库，运行在端口上。

       它主要用于分析性查询，查找、更新和删除操作较为不便。其源码采用C++编写，单个查询可能占用所有CPU资源。

       ClickHouse的缺点包括CPU消耗大，在高qps下可能无法承受。它建议避免join操作，因为关联查询较慢。此外，空值（Nullable）可能会对性能产生负面影响，因此在设计数据库时应避免使用无业务意义的值来表示null。

       ClickHouse提供多种表引擎，包括TinyLog、Memory和MergeTree。其中，MergeTree是最强大的表引擎，支持索引（稀疏索引）和分区（与Hive类似）。

       主键没有唯一约束，且数据文件与标记文件（data.bin + data.mrk3）共同作用，加速查询。此外，还包括count.txt（行数）、columns.txt（列名信息）、checksums.txt（校验信息）、primary.idx（主键索引）、视频窗口拖动源码partition.dat（分区索引文件）和minmax_Create_time.idx（分区内的索引文件）等文件。

       稀疏索引默认间隔为，不建议修改。新插入数据后需要合并分区，且order by是必选项，用于分区内排序。如果不设置主键，则许多操作将通过order by字段进行处理，且要求主键必须是order by的前缀字段。

       二级索引用于数据量大且重复多的场景，其粒度决定了跳过多少个一级索引，从而加快寻找速度。TTL不能应用于主键，而ReplacingMergeTree引入了去重功能，SummingMergeTree则是预聚合引擎。

       ClickHouse不推荐使用update和delete，这些操作通常由管理员完成。通过alter table可以产生临时分区目录，删除操作通过标记字段_sign（1表示已删除）进行。由于数据会膨胀，清除过期数据通常使用JDBC直接查询结果再在前端展示。

       副本只支持MergeTree家族，写入流程通过client写入数据到节点a，并通过提交日志到zookeeper同步到b。节点平等，没有主从之分。

       物化视图（MATERIALIZED）将查询结果保存在磁盘或内存中，加速查询。其缺点包括对历史数据去重效果不佳以及资源消耗较大。

       ClickHouse适用于大量数据的分析统计报表，其并发性能几乎全方位碾压Elastic Search。写入性能高得益于LSM tree数据结构和顺序写入方式，读取性能高则归功于列存储方式。

Clickhouse安装部署

       ClickHouse可在包括x_、AArch和PowerPCLE架构在内的Linux、FreeBSD或Mac OS X系统上运行。对于不支持SSE 4.2的源码系统二开CPU或AArch、PowerPCLE架构的处理器，建议从源代码构建ClickHouse。

       针对CentOS 7系统，快速安装步骤如下：

       1. 访问ClickHouse官网，选择CentOS或RedHat进行安装。

       2. 启动客户端，运行命令clickhouse-client #启动客户端默认在localhost:和clickhouse-client --host=localhost --port= --user=xxx --password=xxx -m来配置服务器，并修改/etc/clickhouse-server/目录下的config.xml文件以调整listen_host和相关端口。

       系统管理命令包括：

       1. systemctl start clickhouse-server启动服务

       2. systemctl stop clickhouse-server停止服务

       3. systemctl status clickhouse-server查看服务状态

       ClickHouse的目录结构如下：

       1. /var/log/clickhouse-server/ - 包含日志文件

       2. /etc/clickhouse-server/ - 包含全局配置文件config.xml和用户配置文件users.xml

       3. /var/lib/clickhouse/ - 包含数据文件和元数据文件，数据文件主要位于data和metadata文件夹中。

       集群搭建步骤包括：

       1. 在每台服务器上安装ClickHouse，参照单机安装方法。

       2. 修改配置文件/etc/clickhouse-server/config.xml，配置远程服务器、Zookeeper（如果已部署）以及宏定义。

       3. 创建数据库和表：

       1. 使用命令CREATE DATABASE db_name ON CLUSTER cluster ENGINE = db_engine(...)来创建数据库，其中db_name为数据库名称，cluster为集群名称，db_engine为数据库引擎。

       2. 创建本地表和分布式表，根据需要调整表引擎。

       3. 进行数据插入和查询操作，测试分布式和单分片多副本环境。

       通过上述步骤，可实现ClickHouse的安装部署，满足不同场景的数据处理需求。

ClickHouse 源码解析: MergeTree Merge 算法

       ClickHouse MergeTree 「Merge 算法」 是对 MergeTree 表引擎进行数据整理的一种算法，也是 MergeTree 引擎得以高效运行的重要组成部分。

       理解 Merge 算法，首先回顾 MergeTree 相关背景知识。ClickHouse 在写入时，将一次写入的数据存放至一个物理磁盘目录，产生一个 Part。然而，随着插入次数增多，查询时数据分布不均，形成问题。测试公式收益源码一种常见想法是合并小 Part，类似 LSM-tree 思想，形成大 Part。

       面临合并策略的选择，"数据插入后立即合并"策略会迅速导致写入成本失控。因此，需要在写入放大与 Part 数量间寻求平衡。ClickHouse 的 Merge 算法便是实现这一平衡的解决方案。

       算法通过参数 base 控制参与合并的 Part 数量，形成树形结构。随着合并进行，形成不同层，总层数为 MergeTree 的深度。当树处于均衡状态时，深度与 log(N) 成比例。base 参数用于判断参与合并的 Part 是否满足条件，总大小与最大大小之比需大于等于 base。

       执行合并时机在每次插入数据后，但并非每次都会真正执行合并操作。对于给定的多个 Part，选择最适合合并的组合是一个数学问题，ClickHouse 限制为相邻 Part 合并，降低决策复杂度。最终，通过穷举找到最优组合进行合并。

       合并过程涉及对有序数组进行多路合并。ClickHouse 使用 Sort-Merge Join 类似算法，通过顺序扫描多个 Part 完成合并过程，保持有序性。算法复杂度为 Θ(M * N)，其中 M 为 Part 长度，N 为参与合并的 Part 数量。

       对于非主键字段，ClickHouse 提供两种处理方式：Horizontal 和 Vertical。Vertical 分为两个阶段，分别处理非主键字段的合并和输出。

       源码解析包括 Merge 触发时机、选择需要合并的 Parts、执行合并等部分。触发时机主要在写入数据时，考虑执行 Mutate 任务后。选择需要合并的 Parts 通过 SimpleMergeSelector 实现，考虑了与 TTL 相关的特殊 Merge 类型。执行合并的类为 MergeTask，分为三个阶段：ExecuteAndFinalizeHorizontalPart、VerticalMergeStage。

       Merge 算法是 MergeTree 高性能的关键，平衡写入放大与查询性能，是数据整理过程中的必要步骤。此算法通过参数和决策逻辑实现了在不同目标之间的权衡。希望以上信息能帮助你全面理解 Merge 算法。

clickhouse新特性之---clickhouse-keeper

       clickhouse-keeper是clickhouse社区在.8版本中引入的新特性，它旨在替代zookeeper，提供一个完全兼容zookeeper协议的分布式协调服务。此功能尚处于预生产阶段，官方仍在完善中，因此推荐在准备将其用于生产环境前先稍加等待。

       clickhouse-keeper通过底层的raft协议（nuraft库）实现多节点之间状态的线性一致性，相较于zookeeper的ZAB协议，它在一致性保障上有所不同。在性能和可靠性方面，clickhouse-keeper提供了以下几点优势：

       1. **部署方式**：clickhouse-keeper提供了三种不同的部署方式，包括独立部署、每个shard一组keeper，以及所有shard共享一组keeper。这使得用户可以根据自身需求灵活选择部署策略。

       2. **数据迁移**：为了将zookeeper中的数据迁移到keeper中，官方提供了一个迁移工具clickhouse-keeper-converter，它能够将zk中的数据导出为keeper能接受的snapshot格式，简化了迁移过程。

       在源码走读方面，以keeper作为独立进程启动时，其核心代码流程涉及以下几个关键点：

       1. **入口**：从mainEntryClickHouseKeeper到Keeper::main再到KeeperTCPHandler::runImpl，这是整个流程的开始。

       2. **KeeperTCPHandler**：这是keeper中处理TCP请求的回调，它负责接收客户端请求并处理。

       3. **KeeperDispatcher**：在KeeperTCPHandler中，依赖KeeperDispatcher来处理客户端请求，并保持keeper集群内状态的一致性。

       4. **初始化**：KeeperDispatcher启动时，会在后台生成三个线程，负责集群的主流程。

       5. **KeeperServer**：基于nuraft实现，构建了一个完整的raft实例，它包括KeeperStateMachine、KeeperStateManager、KeeperLogStore等组件，共同构成了keeper的核心功能。

       6. **Log Store/State Machine/State Manager**：在nuraft库中，这三者都需要用户自定义实现。在clickhouse-keeper中，实现了这些关键功能，确保了数据的可靠存储和一致性管理。

       7. **KeeperStorage**：在内存中存储所有数据，实现类似zk的状态机功能，包含各种逻辑操作、会话管理等。

       8. **KeeperSnapshotManager**：管理所有快照文件，支持快照的序列化与反序列化，确保了数据的持久性和恢复能力。

       9. **KeeperStateMachine**：实现了与Zookeeper相同的内部状态，以及对多个snapshot的管理，支持快照的序列化和反序列化，保证了集群的状态一致性。

       . **参考**：了解clickhouse-keeper和相关技术的更多信息，可以参考以下资源：

       altiny ppt: slideshare.net/Altinity...

       clickhouse-keeper文档: clickhouse.com/docs/zh/...

       nuraft文档: github.com/eBay/NuRaft/...

       本文使用 文章同步助手 同步完成。

通过深挖Clickhouse源码，我精通了数据去重！

       数据去重的Clickhouse探索

       在大数据面试中，数据去重是一个常考问题。虽然很多博主已经分享过相关知识，但本文将带您深入理解Hive引擎和Clickhouse在去重上的差异，尤其是后者如何通过MergeTree和高效的数据结构优化去重性能。

       Hive去重

       Hive中，distinct可能导致数据倾斜，而group by则通过分布式处理提高效率。面试时，理解MapReduce的数据分区分组是关键。然而，对于大规模数据，Hive的处理速度往往无法满足需求。

       Clickhouse的登场

       面对这个问题，Clickhouse凭借其列存储和MergeTree引擎崭露头角。MergeTree的高效体现在它的数据分区和稀疏索引，以及动态生成和合并分区的能力。

       Clickhouse：Yandex开源的实时分析数据库，每秒处理亿级数据

       MergeTree存储结构：基于列存储，通过合并树实现高效去重

       数据分区和稀疏索引

       Clickhouse的分区策略和数据组织使得去重更为快速。稀疏索引通过标记大量数据区间，极大地减少了查询范围，提高性能。

       优化后的去重速度

       测试显示，Clickhouse在去重任务上表现出惊人速度，特别是通过Bitmap机制，去重性能进一步提升。

       源码解析与原则

       深入了解Clickhouse的底层原理，如Bitmap机制，对于优化去重至关重要，这体现了对业务实现性能影响的深度理解。

       总结与启示

       对于数据去重，无论面试还是日常工作中，深入探究和实践是提升的关键。不断积累和学习，即使是初入职场者也能在大数据领域找到自己的位置。

ClickHouse利用跳数索引加速模糊查询

       模糊查询在日志存储场景中的应用与优化，ClickHouse作为高效大数据分布式引擎，已成为日志存储方案的热门选择。业界已有多家知名公司采用ClickHouse，如Uber、石墨文档、映客、快手、携程、唯品会等。日志查询中，模糊查询占主导地位，ES因强大的分词能力而受到青睐，然而，其存储瓶颈逐渐显现，如压缩率低、存储成本大、查询性能受限。因此，企业开始寻求ES的替代方案，ClickHouse因其优势脱颖而出。

       ClickHouse擅长的特性包括高写入性能与存储压缩率，使其成为存储日志的理想选择。尽管它不专为模糊查询设计，但提供了优化模糊查询的可能，其中跳数索引是关键。跳数索引作为二级索引，辅助主键索引，为不同查询场景提供优化。它包括针对去重、计算极值和全文搜索的索引类型，详情请参阅ClickHouse官方文档。

       在全文查询优化中，布隆过滤器家族的tokenbf_v1、ngrambf_v1和新推出的倒排索引inverted成为关注焦点。针对这三种索引的选择与应用，ngrambf_v1通常被视为最佳选择。以下通过实战演练，使用Java程序循环写入大量日志数据，验证不同索引的优化效果。

       通过构建索引并执行物化操作，索引的性能对查询结果产生影响。在案例中，我们使用了不同的索引进行查询，包括tokenbf_v1、ngrambf_v1和inverted，以验证其在模糊查询场景下的性能表现。结果显示，ngrambf_v1索引在特定查询条件下展现出最佳优化效果，大幅度降低了查询时间和数据扫描量。此外，ngrambf_v1索引的源码剖析揭示了其分词原理与数据处理机制，为深入理解其工作原理提供了参考。

       总结而言，跳数索引在优化模糊查询性能方面发挥了关键作用，尤其是ngrambf_v1索引在特定查询场景下展现出显著的优化效果。然而，索引选择与优化需根据具体查询场景进行，以实现最佳性能。此外，灵活运用二级索引策略，并结合其他优化手段（如物化视图、projection等）可进一步提升查询效率。最后，值得注意的是，跳数索引为MergeTree引擎特有的特性，其他引擎可能不支持此类优化。