ClickHouse 查詢優化詳細介紹

作者：oliverdding，騰訊 CSIG 測試開發工程師

ClickHouse 是 OLAP（Online analytical processing）數據庫，以速度見長 [1]。ClickHouse 爲什麼能這麼快？有兩點原因 [2]：

• 架構優越

• 列式存儲

• 索引

• 數據壓縮

• 向量化執行

• 資源利用

• 關注底層細節

但是，數據庫設計再優越也拯救不了錯誤的使用方式，本文以 MergeTree 引擎家族爲例講解如何對查詢優化。

ClickHouse 查詢執行過程

⚠️ 本節基於 ClickHouse 22.3 版本分析

clickhouser-server啓動後會在 while 循環中等待請求，接收到查詢後會調用executeQueryImpl()行數構建 AST、優化並生成執行計劃 pipeline，最後在executeImpl()中多線程執行 DAG 獲取結果，這篇文章只關心 SQL 執行，省略掉網絡交互部分，查詢執行流程如下圖所示：

SQL 的解析優化和編譯原理息息相關，本節將包含大量編譯原理和代碼細節，屬擴展知識。

詞法解析和語法解析

ClickHouse 拿到需要執行的 SQL，首先需要將 String 格式的字符串解析爲它能理解的數據結構，也就是 AST 和執行計劃。構造 AST 部分代碼如下所示：

// src/Interpreters/executeQuery.cpp

static std::tuple<ASTPtr, BlockIO> executeQueryImpl()
{
    // 構造Parser
    ParserQuery parser(end, settings.allow_settings_after_format_in_insert);

    // 將SQL轉爲抽象語法樹
    ast = parseQuery(parser, begin, end, "", max_query_size, settings.max_parser_depth);

    // 設置query的上下文，比如SETTINGS
    ...

    if (async_insert)
    {
        ...
    } else {
        // 生成interpreter實例
        interpreter = InterpreterFactory::get(ast, context, SelectQueryOptions(stage).setInternal(internal));

        // interpreter優化AST並返回執行計劃
        res = interpreter->execute();
    }

    // 返回抽象語法樹和執行計劃
    return std::make_tuple(ast, std::move(res));
}

值得一提的是，解析 SQL 生成語法樹這是編譯原理中詞法分析和語法分析部分覆蓋的事情。詞法分析只是簡單拆解數據流爲一個個 token，而語法分析分爲自頂向下和自底向上兩種方式，常見的語法分析方式也分爲手寫語法分析（往往是自頂向下的有限狀態機，遞歸下降分析）和語法分析工具（往往是自底向上，如 Flex、Yacc/Bison 等）。

• 曾經 GCC 使用 yacc/bison 作爲語法解析器，在 3.x 某個版本之後改爲手寫遞歸下降語法分析 [3]

• clang 一直是手寫遞歸下降語法分析 [4]

手寫語法分析比起語法分析工具有幾個優勢（當然要寫得好的情況）：

• 性能更好。可以優化熱點路徑等

• 診斷和錯誤恢復更清晰明瞭。手寫狀態機可以完全掌控系統狀態，錯誤處理更容易

• 簡單。不需要掌握新語法

ClickHouse 解析 SQL 的函數如下所示：

// src/Parsers/parseQuery.cpp

ASTPtr tryParseQuery()
{
    // 將SQL拆分爲token流
    Tokens tokens(query_begin, all_queries_end, max_query_size);
    IParser::Pos token_iterator(tokens, max_parser_depth);

    // 將token流解析爲語法樹
    ASTPtr res;
    const bool parse_res = parser.parse(token_iterator, res, expected);

    return res;
}

可以看到先將 SQL 字符串拆解爲 token 流（詞法分析），再調用perser.parse()函數進行語法分析，它的實現如下：

// src/Parsers/ParserQuery.cpp

bool ParserQuery::parseImpl(Pos & pos, ASTPtr & node, Expected & expected)
{
    ParserQueryWithOutput query_with_output_p(end, allow_settings_after_format_in_insert);
    ParserInsertQuery insert_p(end, allow_settings_after_format_in_insert);
    ParserUseQuery use_p;
    ParserSetQuery set_p;
    ParserSystemQuery system_p;
    ParserCreateUserQuery create_user_p;
    ParserCreateRoleQuery create_role_p;
    ParserCreateQuotaQuery create_quota_p;
    ParserCreateRowPolicyQuery create_row_policy_p;
    ParserCreateSettingsProfileQuery create_settings_profile_p;
    ParserCreateFunctionQuery create_function_p;
    ParserDropFunctionQuery drop_function_p;
    ParserDropAccessEntityQuery drop_access_entity_p;
    ParserGrantQuery grant_p;
    ParserSetRoleQuery set_role_p;
    ParserExternalDDLQuery external_ddl_p;
    ParserTransactionControl transaction_control_p;
    ParserBackupQuery backup_p;

    bool res = query_with_output_p.parse(pos, node, expected)
        || insert_p.parse(pos, node, expected)
        || use_p.parse(pos, node, expected)
        || set_role_p.parse(pos, node, expected)
        || set_p.parse(pos, node, expected)
        || system_p.parse(pos, node, expected)
        || create_user_p.parse(pos, node, expected)
        || create_role_p.parse(pos, node, expected)
        || create_quota_p.parse(pos, node, expected)
        || create_row_policy_p.parse(pos, node, expected)
        || create_settings_profile_p.parse(pos, node, expected)
        || create_function_p.parse(pos, node, expected)
        || drop_function_p.parse(pos, node, expected)
        || drop_access_entity_p.parse(pos, node, expected)
        || grant_p.parse(pos, node, expected)
        || external_ddl_p.parse(pos, node, expected)
        || transaction_control_p.parse(pos, node, expected)
        || backup_p.parse(pos, node, expected);

    return res;
}

可以發現 ClickHouse 將 Query 分爲了 18 種類型（截止 2022-11-12 日），每種 Query 都有自己的 Parser，通過關鍵詞匹配構造 AST 上的節點，最終生成語法樹。遞歸下降部分超綱了，這裏就不鋪開講。

優化器

經過語法分析後生成的 AST 並不是執行最優解，ClickHouse 包含大量基於規則的優化（rule based optimization），每個 Query 會遍歷一遍優化規則，將滿足的情況進行不改變查詢語義地重寫。

每一種 Query 類型都有對應的 Interpreter，後文都以 Select 查詢舉例，代碼如下：

// src/Interpreters/InterpreterFactory.cpp

std::unique_ptr<IInterpreter> InterpreterFactory::get()
{
    ...
    if (query->as<ASTSelectQuery>())
    {
        return std::make_unique<InterpreterSelectQuery>(query, context, options);
    }
    ...
}

在InterpreterSelectQuery類的構造函數中將 AST 優化、重寫，代碼詳見src/Interpreters/InterpreterSelectQuery.cpp，這裏只畫流程圖：

是否初始化 settings 優化 with 優化 joins 謂詞下推將 where 下推到 prewhere 是否要再次優化檢查 storage 權限生成 analysis_result 和 result_header

構造執行計劃

src/Interpreters/InterpreterSelectQuery.cpp文件InterpreterSelectQuery::executeImpl()方法將優化分析得到的中間數據輔助生成最終的執行計劃，代碼如下：

// src/Interpreters/InterpreterSelectQuery.cpp

void InterpreterSelectQuery::executeImpl()
{
    ...
    // 個人理解針對EXPLAIN PLAN，只構建執行計劃不執行
    if (options.only_analyze)
    {
        ...
    }
    else
    {
        // 從磁盤讀取所需列，注意這一行，後文跳轉進去分析
        executeFetchColumns(from_stage, query_plan);
    }
    if (options.to_stage > QueryProcessingStage::FetchColumns)
    {
        // 在分佈式執行Query時只在遠程節點執行
        if (expressions.first_stage)
        {
            // 當storage不支持prewhere時添加FilterStep
            if (!query_info.projection && expressions.filter_info)
            {
                ...
            }
            if (expressions.before_array_join)
            {
                ...
            }
            if (expressions.array_join)
            {
                ...
            }
            if (expressions.before_join)
            {
                ...
            }
            // 可選步驟：將join key轉爲一致的supertype
            if (expressions.converting_join_columns)
            {
                ...
            }
            // 添加Join
            if (expressions.hasJoin())
            {
                ...
            }
            // 添加where
            if (!query_info.projection && expressions.hasWhere())
                executeWhere(query_plan, expressions.before_where, expressions.remove_where_filter);
            // 添加aggregation
            if (expressions.need_aggregate)
            {
                executeAggregation(
                    query_plan, expressions.before_aggregation, aggregate_overflow_row, aggregate_final, query_info.input_order_info);
                /// We need to reset input order info, so that executeOrder can't use it
                query_info.input_order_info.reset();
                if (query_info.projection)
                    query_info.projection->input_order_info.reset();
            }
            // 準備執行：
            // 1. before windows函數
            // 2. windows函數
            // 3. after windows函數
            // 4. 準備DISTINCT
            if (expressions.need_aggregate)
            {
                // 存在聚合函數，在windows函數/ORDER BY之前不執行
            }
            else
            {
                // 不存在聚合函數
                // 存在windows函數，應該在初始節點運行
                // 並且，ORDER BY和DISTINCT依賴於windows函數，這裏也不能運行
                if (query_analyzer->hasWindow())
                {
                    executeExpression(query_plan, expressions.before_window, "Before window functions");
                }
                else
                {
                    // 沒有windows函數，執行before ORDER BY、準備DISTINCT
                    assert(!expressions.before_window);
                    executeExpression(query_plan, expressions.before_order_by, "Before ORDER BY");
                    executeDistinct(query_plan, true, expressions.selected_columns, true);
                }
            }
            // 如果查詢沒有GROUP、HAVING，有ORDER或LIMIT，會在遠程排序、LIMIT
            preliminary_sort();
        }
        // 在分佈式執行Query時只在初始節點執行或optimize_distributed_group_by_sharding_key開啓時
        if (expressions.second_stage || from_aggregation_stage)
        {
             if (from_aggregation_stage)
            {
                // 遠程節點聚合過，這裏啥也不幹
            }
            else if (expressions.need_aggregate)
            {
                // 從不同節點拉取數據合併
                if (!expressions.first_stage)
                    executeMergeAggregated(query_plan, aggregate_overflow_row, aggregate_final);

                if (!aggregate_final)
                {
                    // 執行group by with totals/rollup/cube
                    ...
                }
                // 添加Having
                else if (expressions.hasHaving())
                    executeHaving(query_plan, expressions.before_having, expressions.remove_having_filter);
            }
            // 報個錯
            else if (query.group_by_with_totals || query.group_by_with_rollup || query.group_by_with_cube)
                throw Exception("WITH TOTALS, ROLLUP or CUBE are not supported without aggregation", ErrorCodes::NOT_IMPLEMENTED);
            // 準備執行：
            // 1. before windows函數
            // 2. windows函數
            // 3. after windows函數
            // 4. 準備DISTINCT
            if (from_aggregation_stage)
            {
                if (query_analyzer->hasWindow())
                    throw Exception(
                        "Window functions does not support processing from WithMergeableStateAfterAggregation",
                        ErrorCodes::NOT_IMPLEMENTED);
            }
            else if (expressions.need_aggregate)
            {
                executeExpression(query_plan, expressions.before_window,
                    "Before window functions");
                executeWindow(query_plan);
                executeExpression(query_plan, expressions.before_order_by, "Before ORDER BY");
                executeDistinct(query_plan, true, expressions.selected_columns, true);
            }
            else
            {
                if (query_analyzer->hasWindow())
                {
                    executeWindow(query_plan);
                    executeExpression(query_plan, expressions.before_order_by, "Before ORDER BY");
                    executeDistinct(query_plan, true, expressions.selected_columns, true);
                }
                else
                {
                    // Neither aggregation nor windows, all expressions before
                    // ORDER BY executed on shards.
                }
            }
            // 添加order by
            if (expressions.has_order_by)
            {
                // 在分佈式查詢中，沒有聚合函數卻有order by，將會在遠端節點order by
                ...
            }
            // 多source order by優化
            ...

            // 多條流時再次執行distinct
            if (!from_aggregation_stage && query.distinct)
                executeDistinct(query_plan, false, expressions.selected_columns, false);

            // 處理limit
            ...
            // 處理projection
            ...
            // 處理offset
            ...
        }

        // 需要子查詢結果構建set
        if (!subqueries_for_sets.empty())
            executeSubqueriesInSetsAndJoins(query_plan, subqueries_for_sets);
    }
}

其中InterpreterSelectQuery::executeFetchColumns()函數是讀取所需列的階段。從代碼中可以看到它也做了很多的優化：

• count()優化

• 只有 LIMIT 情況的優化

• quota限制

可以看到：

1. limit 大部分情況下是計算完成後再執行，而 quota 是在讀取數據時執行的

2. 加速的關鍵是減少讀入的數據量，也就是說善用索引

3. 用count()、count(1)和count(*)，ClickHouse 都有優化，但不要count(any_field)

索引設計

索引是 ClickHouse 快速查詢最重要的一環，分爲主鍵索引（sparse indexes）和跳錶索引（data skipping indexes）。在執行查詢時，索引命中順序如下圖所示：

Partition Key MinMax IndexPartitionPrimary Key Sparse IndexData Skipping Indexes

詳見代碼：

// src/Processors/QueryPlan/ReadFromMergeTree.cpp

MergeTreeDataSelectAnalysisResultPtr ReadFromMergeTree::selectRangesToRead()
{
    ...
    try
    {
        // 使用partition by選取需要parts
        MergeTreeDataSelectExecutor::filterPartsByPartition(...);
        // 處理抽樣
        ...
        // 使用主鍵索引和跳錶索引
        result.parts_with_ranges = MergeTreeDataSelectExecutor::filterPartsByPrimaryKeyAndSkipIndexes(...);
    }
    catch(...)
    {
        ...
    }
    ...
}

值得注意的是，主鍵的 sparse index 使用二分查找直接縮小範圍到所需要的 parts，而跳錶索引就需要在選出來的 parts 裏，每 n 個（用戶自定義）granules 就需要比較 n 次。

最佳實踐：

partition by 需要一個可以轉爲時間的列，比如 Datatime、Date 或者時間戳，而如果 primary key 中也有時間字段，可以使用同一個字段避免查詢時需要同時指定兩個時間字段。比如：指定爲數據處理時間。

Partition

首先要辨析 part 和 partition 的區別，ClickHouse 應用層面定義了 partition，用戶指定 partition by 關鍵詞設置不同的 partition，但是 partition 只是邏輯分區。真正存儲到磁盤時按 part 來存儲，每一個 part 一個文件夾，裏面存儲不同字段的.mrk和.bin文件，以及一個minmax_{PARTITION_KEY_COLUMN}.idx文件，不同 part 的 minmax 作爲一個索引存儲於內存。

當查詢的 WHERE 帶有 partition key 時，首先會比較每一個 part 的 minmax 索引過濾不相關 parts。之後再根據 PARTITION BY 定義的規則過濾不相關 partition。

可是 partition 不是越小越好。

partitioning 並不會加速查詢（有主鍵存在），過小的 partition 反而會導致大量的 parts 無法合併（MergeTree 引擎家族會在後臺不斷合併 parts），因爲屬於不同 partition 的 parts 無法合併。[5]

最佳實踐 [6]：

• 一個 (Replicated)MergeTree 的 partition 大概 1 ～ 300GB

• Summing/ReplacingMergeTree 的 partition 大概 400MB ～ 40GB

• 查詢時涉及儘量少 partition

• 插入時最好只有 1 ～ 2 個分區

• 一張表維持 100 個分區以內

Primary key index

主鍵是 ClickHouse 最重要的索引，沒有之一。好的主鍵應該能有效排除大量無關的數據 granules，減少磁盤讀取的字節數。

先講幾個主鍵的背景知識：

• 主鍵用於數據排序

• ClickHouse 講數據按主鍵排序，再按index_granularity設置的大小（默認 8192）將數據分爲一個個 granules[7]

• 每個 granules 的第一行作爲主鍵索引中的一個元素 [8]

• 查詢時在主鍵上使用二分查找跳過無關 granules[9]

• 主鍵只能通過前綴命中索引 [10]

• 每一個 part 內的.bin文件存儲了 n 個 granules，用.mrk文件記錄每一個 granules 在.bin文件的地址偏移 [11]

• ClickHouse 會在後臺不斷合併同一個 partition 的不同 parts，直到大小 / 分佈達到 “預期”

主鍵的選擇應該儘可能考慮周全，因爲主鍵是無法修改的，只能建新表後數據遷移。

最佳實踐 [12]（針對 (Replicated)MergeTree 引擎）：

1. 選擇永遠會用於過濾條件的列

2. 越重要的、基數越低的放左邊

3. 主鍵中不要出現兩個高基數字段，一般最後一列可以爲總體增長的時間字段

4. 將行的特徵字段加入，將相似的行放一起，提高壓縮率

5. 若主鍵包含主從關係，主放左邊，從放右邊

Data skipping indexes

最後一步是跳錶索引，這個沒有太多可以講的地方，和其他數據庫相同，跳錶索引用於儘量減少讀取的行數。具體參看官方文檔。

配置優化

配置優化分爲兩部分，全局配置優化和 MergeTree 表配置優化。

全局配置優化

參看 Altinity 選擇性配置優化項。

這裏寫三個推薦的配置：

1. 添加force_index_by_date和force_primary_key避免全盤讀取

2. 調整內存配置，參考 Altinity

3. 系統表添加 TTL 和ttl_only_drop_parts表配置

表配置優化

除了全局配置，MergeTree 引擎家族每張表也有自己的配置項。[13]

推薦設置如下配置：

1. ttl_only_drop_parts=1。只有 parts 中所有數據都過期了纔會 DROP，可以有效減少TTL_MERGE發生的頻率，降低磁盤負載。

2. merge_with_ttl_timeout=86400。配合上一項配置，將 TTL 檢查調整爲 1 天一次（默認 4 小時一次）。

3. use_minimalistic_part_header_in_zookeeper=1。可以有效降低 Zookeeper 負載，避免 Zookeeeper 成爲性能瓶頸（插入）。

字段優化

除了索引、分區和配置外，還有表字段可以優化。接下來將講述 Schema 類型、CODEC 和緩存三個方面。

注意，儘量避免使用 Null，在 ClickHouse 中 Null 會用一個單獨 Null masks 文件存儲哪些行爲 Null[14]，因此讀取某個普通字段只需要.bin和.mrk兩個文件，而讀取 Nullable 字段時需要.bin、.mrk和 masks 文件。社區查詢驗證，最高會有 2 倍性能損失。[15]

Schema 類型

使用 ClickHouse 存儲時，一般用戶都會創建大寬表，包含大量數值、字符串類型的字段。這裏提及兩種 Schema 類型 [16]，沒有哪個更優越，由讀者執行評估業務適合哪一種。

平鋪字段

這是我們主表正在使用的類型，將可能用到的字段預留平鋪，除了一系列基礎字段外，增加大量metric1, metric2...metricN和tag1, tag2...tagN等等字段。

優點：

• 簡單

• 只讀取所需要的列，非常高效

• 每個指標、標記都可以有特殊類型

• 適合密集記錄（所有預留字段幾乎全用上）

缺點：

• 添加字段需要改變 schema

• 預留字段不能過多，最多 100 ～ 200 個

• 如果使用很稀疏，會創建大量 sparse file 字段

• 需要標識 “數據缺失” 的情況（Null 或者默認值）

• 讀取的列越多，需要讀取文件越多，IO 次數越多

arrays/nested/map 字段

這是我們 ctree 功能正在使用的類型。將業務字段塞入嵌套數據類型中，比如 array、nested struct 和 map。後文以 array 舉例：metric_array、tag_array。

優點：

• 動態擴展

• ClickHouse 有大量高效的相關處理函數，甚至可以針對 Array、Map 設置索引

• 適合稀疏記錄（每行存儲少量值，儘管總基數很高）

缺點：

• 只需要其中一個 metric/tag 時，需要將整個 array 全部讀入內存

• 不通用，與其他系統交互時比較麻煩。比如 spark 使用 jdbc 時，嵌套類型無法支持比如 array(array(string))

• 不通意義的值存儲在相同字段，壓縮率變低

• 需要不同類型的預留字段時需要創建不同類型

總結

關於 Schema 設計這裏，讀者可以考慮 28 原則，理論上 80% 查詢只會用到 20% 的業務字段，因此可以將使用頻率高的業務字段平鋪，將使用頻率低的字段放入嵌套結構中。

CODEC

CODEC 分爲壓縮算法 CODEC、存儲格式 CODEC 和加密 CODEC，一般可以組合一起使用。在 ClickHouse 中，未顯示指定 CODEC 的字段都會被分配一個 DEFAULT 默認 CODEC LZ4（除非用戶修改 clickhouse 配置 compression 部分 [17]）。

壓縮算法 CODEC 的選擇是一個平衡板問題，更高的壓縮度可以有更少的 IO 但是更高的 CPU，更低的壓縮度有更多的 IO 但是更少的 CPU。這需要讀者根據部署機器配置自行選擇合適的壓縮算法和壓縮等級。

這裏提供兩個判斷策略：

• 存在索引的字段可以設置更高的壓縮等級

• 用於 where 條件的字段應該設置更低壓縮等級

存儲格式 CODEC 主要是Delta、DoubleDelta、Gorilla、FPC和T64幾種。

• Delta存儲行之間的變化值，適合變化較小且比較固定的列，比如時間戳。需要配合 ZSTD 使用

• DoubleDelta存儲Delta的Delta。適合變化很慢的序列

• Gorilla適合不怎麼變動的 integer、float 類型 [18]

• FPC適合於 float 類型，由於我們未使用 float 字段這裏略過

• T64存儲編碼範圍內最大、最小值，以轉爲 64bit 存儲，適合較小的 integer 類型

擴展閱讀：

• Altinity Blog: New Encodings to Improve ClickHouse Efficiency

• Altinity Wiki: Codecs sped

緩存

mark_cache_size可以調整.mrk文件的緩存大小，默認爲 5GB。適當調大可以減少查詢時 IO 次數，有效降低磁盤壓力。[19]

• 字段越多，.mrk文件越大

• index_granularity與.mrk文件大小成負相關

可以通過如下 SQL 查詢當前所有表的 parts 信息：

SELECT
    database,
    table,
    count() AS parts,
    uniqExact(partition_id) AS partition_cnt,
    sum(rows),
    formatReadableSize(sum(data_compressed_bytes) AS comp_bytes) AS comp,
    formatReadableSize(sum(data_uncompressed_bytes) AS uncomp_bytes) AS uncomp,
    uncomp_bytes / comp_bytes AS ratio,
    formatReadableSize(sum(marks_bytes) AS mark_sum) AS marks,
    mark_sum / uncomp_bytes AS mark_ratio
FROM cluster(default_cluster, system.parts)
WHERE active
GROUP BY
    database,
    table
ORDER BY comp_bytes DESC

可以通過如下查詢獲取當天 mrk 緩存命中情況：

WITH (ProfileEvents.Values[indexOf(ProfileEvents.Names, 'MarkCacheHits')]) AS MARK_CACHE_HITS
SELECT
    toHour(event_time) AS time,
    countIf(MARK_CACHE_HITS != 0) AS hit_query_count,
    count() AS total_query_count,
    hit_query_count / total_query_count AS hit_percent,
    avg(MARK_CACHE_HITS) AS average_hit_files,
    min(MARK_CACHE_HITS) AS minimal_hit_files,
    max(MARK_CACHE_HITS) AS maximal_hit_files,
    quantile(0.5)(MARK_CACHE_HITS) AS "50",
    quantile(0.9)(MARK_CACHE_HITS) AS "90",
    quantile(0.99)(MARK_CACHE_HITS) AS "99"
FROM clusterAllReplicas('default_cluster', system.query_log)
WHERE event_date = toDate(now())
  AND (type = 2 OR type = 4)
  AND query_kind = 'Select'
GROUP BY time
ORDER BY time ASC

以及如下查詢獲取當前 mrk 緩存內存佔用情況：

SELECT formatReadableSize(value)
FROM asynchronous_metrics
WHERE metric = 'MarkCacheBytes'

以及 mrk 緩存具體緩存多少文件：

SELECT value
FROM asynchronous_metrics
WHERE metric = 'MarkCacheFiles'

除此之外，ClickHouse 還可以調整uncompressed_cache緩存一定量原始數據於內存中。[20] 但是這個緩存只對大量短查詢有效，對於 OLAP 來說，查詢千奇百怪，不太建議調整這個配置。

業務優化

到了最難的部分，由於接下來的部分和不同業務息息相關，爲了講解我們業務上的優化，我先介紹下我們業務情況：

QAPM 主打應用性能監控，主要分爲指標、個例兩張表。個例表包含更多基礎字段，一般用戶展示；指標表主要用於聚合計算。

首先確定主鍵，毋庸置疑的前兩個一定是

• app_id。放首位，因爲可能存在同一個產品不同功能聯動的情況，比如會話分析

• category。放第二位，因爲功能之間獨立，大量查詢只涉及單功能

指標沒有特徵鍵值，因此只添加處理時間作爲第三個主鍵。

對於指標表，設置的主鍵爲：app_id, category, entrance_time

個例存在特徵 feature，由於：

1. 大量查詢都包含 feature_md5

2. feature 是行的特徵，相同的特徵表明兩行相似，

將特徵的 md5 增加到主鍵中，用於加速查詢、提高壓縮率。但是這裏有兩個方向：

• 若 feature_md5 是高基數、大量長尾的字段

• 設置的主鍵爲：app_id, category, intDiv(entrance_time, 3600000), feature_md5

• 若 feature_md5 基數可以降低到千、萬量級

• 設置的主鍵爲：app_id, category, feature_md5, entrance_time

分區鍵設置爲`PARTITION BY intDiv(entrance_time, 2592000000)

鑑於SAMPLE BY需要將 xxHash 字段放在主鍵中，主鍵都包含高基數字段，就不設置抽樣鍵，而是在需要的時候軟抽樣 [21]：

SELECT count() FROM table WHERE ... AND cityHash64(some_high_card_key) % 10 = 0; -- Deterministic
SELECT count() FROM table WHERE ... AND rand() % 10 = 0; -- Non-deterministic

插入優化

數據插入看起來和查詢性能沒什麼聯繫，但是有間接影響。不合理的插入會導致更多的寫盤、更多的數據 merge 甚至有可能插入失敗，影響讀盤性能。

聚合寫入

ClickHouse 作爲 OLAP 並不適合小批量、大併發寫入，相反而適合大批量、小併發寫入，官方建議插入數據每批次至少 1000 行，或者每秒鐘最多 1 次插入。[22]

這一小節我想強調原子（Atomic Insert）寫入的概念：一次插入創建一個數據 part。

前文提及，ClickHouse 一個 part 是一個文件夾，後臺有個 merge 線程池不斷 merge 不同的 part。原子插入可以減少 merge 次數，讓 ClickHouse 負載更低，性能更好。

原子寫入的充分條件 [23]：

• 數據直接插入MergeTree表（不能有 Buffer 表）

• 數據只插入一個 partition（注意前文提到的 partition 和 part 的區別）

• 對於 INSERT FORMAT

• 插入行數少於max_insert_block_size（默認 1048545）

• 關閉並行格式化input_format_parallel_parsing=0

• 對於 INSERT SELECT

• 插入行數少於max_block_size

• 小 block 被合併到合適的 block 大小min_insert_block_size_rows and min_insert_block_size_bytes

• MergeTree表不包含物化視圖

這裏貼一下我們生產的配置（users.xml）。

經過統計，個例表每行大約 2KB，指標表每行大約 100B（未壓縮）。

設置min_insert_block_size_rows爲 10000000，指標會先滿足這個條件，大概一個 block 原始大小 1GB。設置min_insert_block_size_bytes爲 4096000000，個例會先滿足這個條件，大概一個 block 原始大小 1G，約 1024000 行。

這三個配置項是客戶端配置，需要在插入的 session 中設置，而不是在那幾個.xml中配置。

max_insert_block_size: 16777216
input_format_parallel_parsing: 0
min_insert_block_size_rows: 10000000
min_insert_block_size_bytes: 1024000000

注意，min_insert_block_size_rows和min_insert_block_size_bytes是 “或” 的關係：

// src/Interpreters/SquashingTransform.cpp

bool SquashingTransform::isEnoughSize(size_t rows, size_t bytes) const
{
    return (!min_block_size_rows && !min_block_size_bytes)
        || (min_block_size_rows && rows >= min_block_size_rows)
        || (min_block_size_bytes && bytes >= min_block_size_bytes);
}

讀寫分離

⚠️：本方案並沒有經過生產驗證，酌情考慮

ClickHouse 有 Shard 和 Replica 可以配置，作用如下圖所示：

所謂讀寫分離也就是將 Shard 分爲兩半，一半隻用於查詢，只要讓分佈式表查詢都導入到 Shard1 即可（在users.xml中配置load_balancing爲first_or_random）；一半用於寫入，插入的程序手動控制插入 Shard2 的節點，由 ClickHouse 的 ReplicatedMergeTree 不同 Shard 數據依靠 zookeeper 自動同步的策略將數據同步到 Shard1。[24]

這種策略有天然的缺陷：

• 寫的那半 Shard 持續有一定量（不會很高）的資源消耗用於寫入

• 讀的那半 Shard 會有資源消耗用於同步寫入（由於不用處理，會比直接寫入的情況資源消耗更低），但是讀請求會導致資源消耗突增

• 併發增加時性能不如混合情況，因爲讀寫分離相當於將讀資源砍半

🤔：或許可以配置兩邊 Shard 資源不一致來解決問題，比如寫入的 Shard 資源拉低，專用於處理數據插入；讀的 Shard 資源更高，專門用於處理突增併發流量。

BufferEngine

Buffer 並不推薦常規業務使用，只有在迫切需要查詢實時性 + 插入無法大批量預聚合時使用：

• 無法 atomic insert

• 即使使用 BufferEngine，數據插入也至少 1000 行每次，或者每秒鐘最多 1 次插入 [25]

KafkaEngine+MV

該部分待補充，想看的同學可以在評論區踢踢 😄

預聚合

預聚合有三種方法，ETL、物化視圖和投影，他們的區別如下 [26]：

YCzrSG

在我們業務中，個例是不應該預聚合的，因爲數據需要被拉取展示而不用計算。指標需要聚合，數據量較大，每次實時計算對 ClickHouse 負載太大。

其實還有一種聚合方式，過期數據聚合。可以參考，同樣限制要求 group by 的鍵值爲主鍵前綴。

在我們業務使用時，什麼時候用哪一個呢？

1. 需要針對某個功能加速時，可以考慮物化視圖 / 投影

2. 全表預聚合加速查詢，需要使用 ETL

資源控制

最後，爲了避免集羣被某個查詢、插入弄垮，需要合理安排內存使用，需要給訪問賬戶分權限，在我們業務分爲：

• default：最高級賬號，不使用

• root：數據插入，配置聚合寫入部分的幾個配置項

• monitor：內部開發使用，權限較高

• viewer：web 使用，添加大量限制

viewer賬戶配置如下所示：

<yandex>
    <profiles>
        <query>
            <max_memory_usage>10000000000</max_memory_usage>
            <max_memory_usage_for_all_queries>100000000000</max_memory_usage_for_all_queries>
            <max_rows_to_read>1000000000</max_rows_to_read>
            <max_bytes_to_read>100000000000</max_bytes_to_read>
            <max_rows_to_group_by>1000000</max_rows_to_group_by>
            <group_by_overflow_mode>any</group_by_overflow_mode>
            <max_rows_to_sort>1000000</max_rows_to_sort>
            <max_bytes_to_sort>1000000000</max_bytes_to_sort>
            <max_result_rows>100000</max_result_rows>
            <max_result_bytes>100000000</max_result_bytes>
            <result_overflow_mode>break</result_overflow_mode>
            <max_execution_time>60</max_execution_time>
            <min_execution_speed>1000000</min_execution_speed>
            <timeout_before_checking_execution_speed>15</timeout_before_checking_execution_speed>
            <max_columns_to_read>25</max_columns_to_read>
            <max_temporary_columns>100</max_temporary_columns>
            <max_temporary_non_const_columns>50</max_temporary_non_const_columns>
            <max_subquery_depth>2</max_subquery_depth>
            <max_pipeline_depth>25</max_pipeline_depth>
            <max_ast_depth>50</max_ast_depth>
            <max_ast_elements>100</max_ast_elements>
            <readonly>1</readonly>
        </query>
    </profiles>
</yandex>

同時建議設置 quota，減少大量讀盤計算、LIMIT 少量數據返回的情況發生。

我們是 CSIG 性能工程二組 QAPM 團隊，QAPM 時一款應用性能監控工具，覆蓋 android、ios、小程序、mac 和 win 多端，已有騰訊會議、優衣庫等大用戶接入，值得信賴，歡迎同事試用我們 QAPM 產品～跳轉鏈接

在 ClickHouse 優化過程遇到無數的問題，卡在 ClickHouse 自身監控無法覆蓋的角落時，全靠性能工程三組員工的 Drop（雨滴）工具的鼎力相助，高效直觀監控 CVM 各項指標，降低優化門檻，助力業務增效～跳轉鏈接

參考

[1]https://clickhouse.com/docs/en/faq/general/why-clickhouse-is-so-fast/

[2]https://benchmark.clickhouse.com

[3]https://gcc.gnu.org/wiki/New_C_Parser

[4]https://clang.llvm.org/features.html

[5]https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree/#mergetree-data-storage

[6]https://kb.altinity.com/engines/mergetree-table-engine-family/pick-keys/#partition-by

[7]https://clickhouse.com/docs/en/guides/improving-query-performance/sparse-primary-indexes/sparse-primary-indexes-design/#data-is-organized-into-granules-for-parallel-data-processing

[8]https://clickhouse.com/docs/en/guides/improving-query-performance/sparse-primary-indexes/sparse-primary-indexes-design/#the-primary-index-has-one-entry-per-granule

[9]https://clickhouse.com/docs/en/guides/improving-query-performance/sparse-primary-indexes/sparse-primary-indexes-design/#the-primary-index-is-used-for-selecting-granules

[10]https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree/#primary-keys-and-indexes-in-queries

[11]https://clickhouse.com/docs/en/guides/improving-query-performance/sparse-primary-indexes/sparse-primary-indexes-design/#mark-files-are-used-for-locating-granules

[12]https://kb.altinity.com/engines/mergetree-table-engine-family/pick-keys/#how-to-pick-an-order-by--primary-key

[13]https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree/#settings

[14]https://clickhouse.com/docs/en/sql-reference/data-types/nullable/#storage-features

[15]https://groups.google.com/g/clickhouse/c/AP2FbQ-uoj8

[16]https://kb.altinity.com/altinity-kb-schema-design/best-schema-for-storing-many-metrics-registered-from-the-single-source/

[17]https://clickhouse.com/docs/en/operations/server-configuration-parameters/settings/#server-settings-compression

[18]http://www.vldb.org/pvldb/vol8/p1816-teller.pdf

[19]https://clickhouse.com/docs/en/operations/server-configuration-parameters/settings/#server-mark-cache-size

[20]https://clickhouse.com/docs/en/operations/caches/

[21]https://kb.altinity.com/altinity-kb-queries-and-syntax/altinity-kb-sample-by/#sample-emulation-via-where-condition

[22]https://clickhouse.com/docs/en/about-us/performance/#performance-when-inserting-data

[23]https://github.com/ClickHouse/ClickHouse/issues/9195#issuecomment-587500824

[24]https://www.jianshu.com/p/c3a4cc528ce8

[25]https://github.com/ClickHouse/ClickHouse/issues/11783#issuecomment-647778852

[26]https://kb.altinity.com/altinity-kb-schema-design/preaggregations/

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/38RMVbw25P3iuE4IIuxdog