网站导航
> 文章列表 > ClickHouse数据一致性

ClickHouse数据一致性

网友: 文章列表 2024-03-22 03:47:24

ClickHouse数据一致性

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

1 准备测试表和数据

ClickHouse数据一致性

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：
ClickHouse数据一致性

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. 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。
  1. 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 dictSELECT number AS user_id, dict[number%7+1] FROM numbers(10000000);
  1. 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 dictSELECT number AS user_id, dict[number%7+1], now() AS create_time FROM numbers(500000);
  1. 统计总数
   SELECT COUNT() FROM test_a;1050000012

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]]
1234

3 通过 Group by 去重

  1. 执行去重的查询
   SELECTuser_id ,argMax(score, create_time) AS score, argMax(deleted, create_time) AS deleted,max(create_time) AS ctime FROM test_a GROUP BY user_idHAVING 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。

  1. 创建视图，方便测试
   CREATE VIEW view_test_a ASSELECTuser_id ,argMax(score, create_time) AS score, argMax(deleted, create_time) AS deleted,max(create_time) AS ctime FROM test_a GROUP BY user_idHAVING deleted = 0;
  1. 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_aWHERE user_id = 0;
  1. 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_aWHERE 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;
  1. 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。

  1. 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 × 2Copy 1 → 2 AddingSelector ExpressionTransformMergeTree 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。

网络标签：

相关问题