作者:好未来技术团队
出处:
内容大纲：背景；Clickhouse介绍；Clickhouse架构及性能；Clickhouse在好未来的实践；建设与规划；参考文献。背景在日志中心发展早期，日志检索分析主要基于elasticsearch进行，随着日志中心接入的业务越来越多，数据量也逐渐增长，基于日志进行分析和监控告警的需求变得越来越复杂，很难用elasticsearch来满足，所以需要根据需求场景来选择合适数据库。我们需要的：
数据量会很大，因此需要分布式；支持实时写入，支持快速计算，在较短时间内能完成计算；强大的sql能力，实时指标sql化；人力有限，运维需要简单；高效的压缩比存储，服务器有限，可以用更少的服务器存储更多的数据；基于以上特点，我们选择了Clickhouse，接下来会介绍Clickhouse的特点、系统架构以及使用情况。
Clickhouse介绍1、Clickhouse特点===============
图2-1 Clickhouse特点图
可以看到，Clickhouse的特点恰是我们所需要的。接下来详细的介绍一下核心特性：
1）完备的DBMS功能：ClickHouse拥有完备的管理功能，所以它称得上是一个DBMS ( Database Management System，数据库管理系统 )，而不仅是一个数据库。
作为一个DBMS，它具备了一些基本功能，如：
DDL ( 数据定义语言 )：可以动态地创建、修改或删除数据库、表和视图，而无须重启服务；DML ( 数据操作语言 )：可以动态查询、插入、修改或删除数据；权限控制：可以按照用户粒度设置数据库或者表的操作权限，保障数据的安全性；数据备份与恢复：提供了数据备份导出与导入恢复机制，满足生产环境的要求；分布式管理：提供集群模式，能够自动管理多个数据库节点。2) 列式存储与数据压缩列式存储和数据压缩，对于一款高性能数据库来说是必不可少的特性。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。由于Clickhouse是真正意义上的列式存储，每一列都在不同的文件下，所以该文件数据类型一致，可以更有效的压缩。
3) 向量化执行引擎向量化执行以列存为前提，主要思想是每次从磁盘上读取一批列，这些列以数组形式组织。每次next都通过for循环处理列数组。这么做可以大幅减少next的调用次数。相应的CPU的利用率得到了提高，另外数据被组织在一起。
可以进一步利用CPU硬件的特性，如SIMD，将所有数据加载到CPU的缓存当中去，提高缓存命中率，提升效率。在列存储与向量化执行引擎的双重优化下，查询执行的速度会有一个非常巨大的飞跃。
4) 关系模型与SQL查询ClickHouse是一个关系型数据库。它几乎可以支持近百分之九十的sql作为查询语句，比如group by，order by等。
5) 多样化的表引擎ClickHouse和mysql一样，也将存储部分进行了抽象，把存储引擎作为一层独立的接口。所以说Clickhouse实现了很多种表引擎，比如mergetree，log，memory等类型的引擎，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。
6) 多线程与分布式
ClickHouse几乎具备现代化高性能数据库的所有典型特征，对于可以提升性能的手段可谓是一一用尽，对于多线程和分布式这类被广泛使用的技术，自然更是不在话下。
7) 多主架构HDFS、Spark、HBase和Elasticsearch这类分布式系统，都采用了Master-Slave主从架构，由一个管控节点作为Leader统筹全局。而ClickHouse则由于它的集群架构和其他数据库不同，这种架构使得它是一个多主架构。
8) 在线查询ClickHouse采用了LSM树结构，所以使得Clickhouse的插入量可以很大。同时，Clickhouse的内部优化，使得在复杂查询的场景下，它也能够做到极快响应，且无须对数据进行任何预处理加工。达到了实时数仓的效果
9) 数据分片与分布式查询Clickhouse拥有分布式能力，自然支持数据分片，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。ClickHouse并不像其他分布式系统那样，拥有高度自动化的分片功能。ClickHouse提供了本地表 ( Local Table ) 与分布式表 ( Distributed Table ) 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。
2、Clickhouse常见应用场景电信行业用于存储数据和统计数据使用；新浪微博用于用户行为数据记录和分析工作；用于广告网络和RTB,电子商务的用户行为分析；日志分析；检测和遥感信息的挖掘；商业智能；网络游戏以及物联网的数据处理和价值数据分析；最大的应用来自于Yandex的统计分析服务Yandex.Metri ca。Clickhouse架构及性能Clickhouse的集群架构是和其他的数据集群有一定的区别，他的集群能力是表级别的，而我们熟知的大数据体系，比如hadoop系列的集群都是服务级别的。例如，一个hdfs集群，所有文件都会切片、备份；而Clickhouse集群中，建表时也可以自己决定用不用，也就是说其实Clickhouse单节点就能存活。可能有其他的大数据经验的人对这种设计会有点奇怪，后面会从单机架构到集群架构，详细的去介绍。
1、Clickhouse单机架构设计官方介绍Clickhouse架构的资料比较匮乏，依据已有的经验结合外部资料，根据自己的理解还原Clickhouse的架构如下：
图3-1 clickhouse单机架构图
1）Parser与InterpreterParser和Interpreter是非常重要的两组接口：Parser分析器是将sql语句已递归的方式形成AST语法树的形式，并且不同类型的sql都会调用不同的parse实现类。而Interpreter解释器则负责解释AST，并进一步创建查询的执行管道。Interpreter解释器的作用就像Service服务层一样，起到串联整个查询过程的作用，它会根据解释器的类型，聚合它所需要的资源。首先它会解析AST对象；然后执行"业务逻辑" ( 例如分支判断、设置参数、调用接口等 )；最终返回IBlock对象，以线程的形式建立起一个查询执行管道。
2）表引擎表引擎是ClickHouse的一个显著特性，上文也有提到，clickhouse有很多种表引擎。不同的表引擎由不同的子类实现。表引擎是使用IStorage接口的，该接口定义了DDL ( 如ALTER、RENAME、OPTIMIZE和DROP等 ) 、read和write方法，它们分别负责数据的定义、查询与写入。
3）DataType数据的序列化和反序列化工作由DataType负责。根据不同的数据类型，IDataType接口会有不同的实现类。DataType虽然会对数据进行正反序列化，但是它不会直接和内存或者磁盘做交互，而是转交给Column和Filed处理。
4）Column与FieldColumn和Field是ClickHouse数据最基础的映射单元。作为一款百分之百的列式存储数据库，ClickHouse按列存储数据，内存中的一列数据由一个Column对象表示。Column对象分为接口和实现两个部分，在IColumn接口对象中，定义了对数据进行各种关系运算的方法，例如插入数据的insertRangeFrom和insertFrom方法、用于分页的cut，以及用于过滤的filter方法等。而这些方法的具体实现对象则根据数据类型的不同，由相应的对象实现，例如ColumnString、ColumnArray和ColumnTuple等。在大多数场合，ClickHouse都会以整列的方式操作数据，但凡事也有例外。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。与Column对象的泛化设计思路不同，Field对象使用了聚合的设计模式。在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。
5）BlockClickHouse内部的数据操作是面向Block对象进行的，并且采用了流的形式。虽然Column和Filed组成了数据的基本映射单元，但对应到实际操作，它们还缺少了一些必要的信息，比如数据的类型及列的名称。于是ClickHouse设计了Block对象，Block对象可以看作数据表的子集。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。Column提供了数据的读取能力，而DataType知道如何正反序列化，所以Block在这些对象的基础之上实现了进一步的抽象和封装，从而简化了整个使用的过程，仅通过Block对象就能完成一系列的数据操作。在具体的实现过程中，Block并没有直接聚合Column和DataType对象，而是通过ColumnWith TypeAndName对象进行间接引用。
2、Clickhouse集群架构设计Clickhouse是集群是通过配置clickhouse_remote_servers来管理集群的。在配置中，可以配置集群名字，集群所需要节点的信息，通过这些节点可以配置分片和副本机制。
简单的配置为例：<yandex> <clickhouse_remote_servers> <cluster1> <shard> <internal_replication>true</internal_replication> <replica> <host>clickhouse-node1</host> <port>9000</port> </replica> <replica> <host>clickhouse-node2</host> <port>9001</port> </replica> </shard> <shard> <internal_replication>true</internal_replication> <replica> <host>clickhouse-node3</host> <port>9000</port> </replica> <replica> <host>clickhouse-node4</host> <port>9001</port> </replica> </shard> ... </cluster1> ... </clickhouse_remote_servers> ...</yandex>以上集群配置完之后，想要用到Clickhouse的集群能力，还需要使用Replicated MergeTree+Distributed引擎，该引擎是"本地表 + 分布式表"的方式，因此可以实现多分片多副本；下面具体介绍下Replicated MergeTree引擎和Distributed引擎。
1）Replicated*MergeTree引擎首先需要介绍下MergeTree引擎，这也是Clickhouse存储数据的最核心引擎，之前所说的特点主要就是针对该引擎所描述的。MergeTree引擎则是在MergeTree基础上中扩展了一些功能引擎，包括支持ReplacingMergeTree，SummingMergeTree等等MergeTree家族引擎，详细了解可看官网mergetree引擎介绍，不带replication的MergeTree引擎都可以看成单机引擎，也就是说它们是在单节点上存在的。
而使用Replicated MergeTree就是将MergeTree引擎的数据通过Zookeeper调节，达到副本的效果。比如上述配置中，我们首先可以在cluster1中的每个节点上创建Replicated MergeTr ee表，通过配置文件，可以看到Clickhouse-node1和Clickho use-node2是在同一个shard里的，每个shard标签里的replica就代表复制节点。这时我们创建表时将两个副本指定在同一个zo okeeper目录下，那么写入到node1的数据会复制到node2，写入node2的数据会同步到node1，达到预计的复制效果。
到这里，每个节点上的本地表已经完成，但是多个分片的数据如何进行汇总，则需要下面的Distributed引擎。
2）Distributed引擎使用Distributed引擎的表本身不存储任何数据，但允许在多个服务器上进行分布式查询处理，读取是自动并行的。在读取期间，会使用远程服务器上的表索引（也就是我们上述使用的Replicate d*MergeTree引擎）。
在读写数据时，如果使用Distributed表，可以按照配置文件配置的分片方案，从不同分片（shard）中读写数据，做到数据分片的效果。比如我们读取数据时，是通过Distributed引擎表读取，这个时候它会读取集群中的每个分片的数据做汇总计算。注意，这一块会有深度分页的情况，有些sql可以先分散在每个节点上执行完再在查询节点做结果聚合，而有些则无法做结果聚合，必须将所有数据同步到查询节点，由查询节点统一汇总，这种情况就需要根据具体的数据情况进行优化。
图3-2 本地表加分布式表的查询流程图
图3-2是一个2分片2副本的架构，使用的是Replicated*Merge Tree + Distributed引擎模式。红色的数字代表节点的话，也就是节点1和2互为副本，3和4互为副本。
图中events为Distributed引擎表，也叫分布式表；events_loc al为Replicated*MergeTree引擎表，也叫本地表。该图中，分布式表只在节点3中创建，线上环境一般会在每个节点上都创建一个分布式表（不会消耗资源，因为分布式表不会存储数据）。
执行查询时，会访问一个节点的分布式表，该图中访问的是节点3中分布式表。然后分布式表会分别的读取2个分片的数据，在这里，它读取了节点3和节点2的本地表数据，这两个节点加在一块就是完整的数据。汇总查询后将结果（Result Set）返回。
3、Clickhouse性能1）插入：单机100-150M/s的插入速度；
2）查询：单字段groupby没有索引，1亿数据查询需要2.324s。有索引下，查询时间为0.101秒。可以看到Clickhouse的查询速度是及其快的，市面上常见的数据库基本都达不到这种性能；
3）其他：并发，官网默认配置为100。由于是大数据分析数据库主要适用于olap场景，对并发支持略差多个大数据查询可能会直接将cpu等资源占满，故并发实际达不到100。
Clickhouse在好未来的实践
图4-1 clickhouse线上架构图
1、业务场景目前在好未来除了我们部门，在其他部门也已经有了多个业务方。
1) 本部门使用平台：日志中心，猫头鹰，土拨鼠，grafana等。
使用方式：我们将需要的数据通过flink，spark，gohangout等工具消费kakfa，写入clickhouse，然后通过clickhouse做聚合查询，将数据展示出来。
比如，土拨鼠主要是通过网关数据做的聚合，可以看到各个域名，url或者服务器的调用次数，请求耗时等情况。再比如直播数据则是消费直播上报日志，用grafana将数据展示出来。
2) 其他部门除了在本部门，还有其他业务方，数据研发部，数据中台等也都在使用，数据研发部主要会将hive中的热点数据通过spark/dataX同步至Clickhouse。然后将数据通过天枢天璇等平台展示给分析师使用，提高了查询速度。
图4-2：clickhouse使用图
2、存储现状
图4-3 单节点数据存储情况
以上数据第一列为库名，第二列为行数，第三列为压缩前大小，第四列为压缩后大小。
可以看到单个节点已有多个达到TB级别和百亿级别行数的数据库。目前数据节点是6个，也就是说在集群中，数据量需要再乘以6，代表有个别库库行数已达到千亿行，容量达到百T级别。
建设与规划1、监控Clickhouse官方目前没有提供直接的监控界面，但是所需要的监控数据在system库中都会记录下来，网上已有人通过grafana展示出来，目前的监控图如图5-1所示。
图5-1 clickhouse监控图
除此之外，还写了脚本，定期的对每个节点的探活及故障重启。同时也使用神树平台查看各个节点的硬件信息及告警。
2、遇到的问题Clickhouse作为olap数据库，在使用过程中或多或少会出现一些问题，例如版本bug，使用不规范，混部出现的问题等，现在主要介绍几个需要持续优化或者业务配合的问题。其他遇到的一些问题也会在wiki上持续更新：
1) 大量查询导致服务器负载高情况，影响业务查询分析：多个复杂查询，并且命中数据量极大的情况下。每个查询都会占用大量的cpu和内存。会导致服务器负载被打满的情况。尤其是内存被打满，会造成节点挂掉的现象。
解决：
用户限制，避免内存被打满，可以配置max_memory_us age_ for_all_queries，使其低于服务器实际内存。并且还可以限制用户的并发，每次查询的数据量等；某些业务下无法限制查询数据量，可以添加缓存机制，避免大量大数据查询。2) ddl语句卡死分析：Clickhouse主要支持的是追加及查询，但是使用mergetr ee引擎的表，是可以做update和delete的。更新和删除操作是用alter table语句的，也就是说其实这是需要ddl的权限的。每一次这种操作，数据库都会发生加锁，更新表等操作，并且数据量大的情况下，做更新操作，整个数据都会根据索引情况重新排序，这是一个漫长的过程。Clickhouse的ddl语句底层应该是个队列，一个没执行完，也会导致其他ddl卡住。
解决：尽量减少ddl语句的执行频率以及增加执行间隔，或者尽量不要执行。
3) zookeeper失联分析：Clickhouse集群方案很依赖zk，副本同步机制都是依赖zk的，导致每次插入数据都会和zk做交互，并且在zk中做写操作，插入并发高的情况下，可能会导致zk暂时失联。
解决：之前zookeeper是和Clickhouse混部，后期做了拆分，情况有一部分好转。但是目前依然会偶尔出现问题，后续会继续对这块优化，zookeeper的服务器性能也会去尽量完善，申请高配服务器，提高zookeeper的性能，使得不会因为zookeeper性能而影响到Clickhouse。
3、未来规划想要打造一个高性能高稳定的大数据场景数据库，需要的是持续不断地学习以及和业务方的配合。
深入了解业务，根据业务场景建表；持续学习clickhouse，根据clickhouse特性优化sql；同时也需要业务方配合，如果大查询频率较高，可以考虑使用缓存等机制，或者特定场景可以使用近似计算。同时特殊场景特殊对待，实现合适的sql；数据持续增长，查询压力也是越来越大，进行集群之间的隔离，使其重要业务之间不会互相影响；持续完善监控和告警机制；clickhouse还有很多强大的功能，未来也会去尝试使用。作者:好未来技术团队
出处:
