ClickHouse

ClickHouse——建表优化、参数设置

2023-03-03  本文已影响0人  小波同学

一、数据类型

1.1、时间字段类型

建表时能用数值型或日期时间型表示的字段就不要用字符串，全String类型在以Hive为中心的数仓建设中常见，但ClickHouse环境不应受此影响。

虽然ClickHouse底层将DateTime存储为时间戳Long类型，但不建议存储Long类型，因为DateTime不需要经过函数转换处理，执行效率高、可读性好。

执行下面建表语句

create table t_type2(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2) ,
    create_time  Int32  
 ) engine =ReplacingMergeTree(create_time)
   partition by toYYYYMMDD(toDate(create_time)) –-需要转换一次，否则报错
   primary key (id)
   order by (id, sku_id);
  说明：create_time 建表时类型指明 int32,分区时需要使用 toDate 进行转换
  直接使用 DateTime ，分区时不用进行 toDate,方便一些

改为时间类型，此处无需转换

create table t_type2(
    id UInt32,
    sku_id String,
    total_amount Decimal(16,2) ,
    create_time  DateTime
 ) engine =ReplacingMergeTree(create_time)
   partition by toYYYYMMDD(create_time)
   primary key (id)
   order by (id, sku_id);

1.2、空值存储类型

官方已经指出Nullable类型几乎总是会拖累性能，因为存储Nullable列时需要创建一个额外的文件来存储NULL的标记，并且Nullable列无法被索引。因此除非极特殊情况，应直接使用字段默认值表示空，或者自行指定一个在业务中无意义的值（例如用-1表示没有商品ID）。

CREATE TABLE t_null
(
    x Int8,
    y Nullable(Int8)
) ENGINE TinyLog;
INSERT INTO t_null
VALUES (1, NULL),
       (2, 3);
SELECT x + y
FROM t_null;

dategrip 效果


小窗口效果

hadoop201 :) SELECT x + y
:-] FROM t_null;

SELECT x + y
FROM t_null

Query id: 10634f73-6643-4a35-bb66-7168a4f2a2fd

┌─plus(x, y)─┐
│       ᴺᵁᴸᴸ │
│          5 │
└────────────┘

2 rows in set. Elapsed: 0.008 sec.

存储信息：y 值单独存储null

/var/lib/clickhouse/data/default/t_null
[root@hadoop201 t_null]# ll
total 16
-rw-r----- 1 clickhouse clickhouse 91 Aug  4 14:06 sizes.json
-rw-r----- 1 clickhouse clickhouse 28 Aug  4 14:06 x.bin
-rw-r----- 1 clickhouse clickhouse 28 Aug  4 14:06 y.bin
-rw-r----- 1 clickhouse clickhouse 28 Aug  4 14:06 y.null.bin

二、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，也可以指定为Tuple()，以单表一亿数据为例，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。

比如官方案例的hits_v1表：

……
PARTITION BY toYYYYMM(EventDate)
ORDER BY (CounterID, EventDate, intHash32(UserID))
……

visits_v1表

……
PARTITION BY toYYYYMM(StartDate)
ORDER BY (CounterID, StartDate, intHash32(UserID), VisitID)
……

三、表参数

Index_granularity是用来控制索引粒度的，默认是8192，如非必须不建议调整。

如果表中不是必须保留全量历史数据，建议指定TTL（生存时间值），可以免去手动过期历史数据的麻烦，TTL 也可以通过alter table语句随时修改。

四、写入和删除优化

写入过快报错，报错信息：

1. Code: 252, e.displayText() = DB::Exception: Too many parts(304). 
Merges are processing significantly slower than inserts
2. Code: 241, e.displayText() = DB::Exception: Memory limit (for query) 
exceeded:would use 9.37 GiB (attempt to allocate chunk of 301989888 
bytes), maximum: 9.31 GiB

处理方式：

五、常见配置

配置项主要在config.xml或users.xml中，基本上都在users.xml里

config.xml的配置项：
https://clickhouse.tech/docs/en/operations/server-configuration-parameters/settings/

users.xml的配置项：
https://clickhouse.tech/docs/en/operations/settings/settings/

5.1、CPU 优化

配置 描述
background_pool_size 后台线程池的大小，merge线程就是在该线程池中执行，该线程池不仅仅是给merge线程用的，默认值16，允许的前提下建议改成cpu个数的2倍（线程数）
background_schedule_pool_size 执行后台任务（复制表、Kafka流、DNS缓存更新）的线程数。默认128，建议改成cpu个数的2倍（线程数）
background_distributed_schedule_pool_size 设置为分布式发送执行后台任务的线程数，默认16，建议改成cpu个数的2倍（线程数）
max_concurrent_queries 最大并发处理的请求数(包含select,insert等)，默认值100，推荐150(不够再加)~300
max_threads 设置单个查询所能使用的最大cpu个数，默认是cpu核数

5.2、内存资源

配置 描述
max_memory_usage 此参数在users.xml 中,表示单次Query占用内存最大值，该值可以设置的比较大，这样可以提升集群查询的上限。保留一点给OS，比如128G内存的机器，设置为100GB。
max_bytes_before_external_group_by 一般按照max_memory_usage的一半设置内存，当group使用内存超过阈值后会刷新到磁盘进行。因为clickhouse聚合分两个阶段：查询并及建立中间数据、合并中间数据，结合上一项，建议50GB。
max_bytes_before_external_sort 当order by已使用max_bytes_before_external_sort内存就进行溢写磁盘(基于磁盘排序)，如果不设置该值，那么当内存不够时直接抛错，设置了该值order by可以正常完成，但是速度相对存内存来说肯定要慢点(实测慢的非常多，无法接受)。
max_table_size_to_drop 此参数在 config.xml 中，应用于需要删除表或分区的情况，默认是50GB，意思是如果删除50GB以上的分区表会失败。建议修改为0，这样不管多大的分区表都可以删除。

5.3、存储

ClickHouse不支持设置多数据目录，为了提升数据io性能，可以挂载虚拟券组，一个券组绑定多块物理磁盘提升读写性能，多数据查询场景SSD会比普通机械硬盘快2-3倍。

参考：
https://www.cnblogs.com/wdh01/p/16875801.html

https://www.cnblogs.com/chuijingjing/p/17087160.html

上一篇下一篇

猜你喜欢

热点阅读