第04期:MergeTree 引擎之数据分区

tech2023-02-23  95

前面通过 一文了解 ClickHouse 介绍过 ClickHouse 的特性、结构、使用场景。自己并未完全深入学习 clickhouse,因为公司打算小范围使用 ClickHouse,所以有必要深入学习之。本文主要内容是关于了解 Clickhouse 的分区感念和分区合并规则。

MergeTree 数据分区规则

创建按照月份为分区条件的表 tab_partition

CREATE TABLE tab_partition(`dt` Date, `v` UInt8) ENGINE = MergeTree PARTITION BY toYYYYMM(dt) ORDER BY v; insert into tab_partition(dt,v) values ('2020-02-11',1),('2020-02-13',2); insert into tab_partition(dt,v) values ('2020-04-11',3),('2020-04-13',4); insert into tab_partition(dt,v) values ('2020-09-11',5),('2020-09-10',6); insert into tab_partition(dt,v) values ('2020-10-12',7),('2020-10-09',8); insert into tab_partition(dt,v) values ('2020-02-14',9),('2020-02-15',10); insert into tab_partition(dt,v) values ('2020-02-11',23),('2020-02-13',45);

MergeTree 存储引擎在写入数据之后生成对应的分区文件为:

MergeTree 的分区目录是在写入数据的过程中被创建出来,每 insert 一次,就会创建一批次分区目录。也就是说如果仅创建表结构,是不会创建分区目录的,因为木有数据。

MergeTree 数据分区目录命名规则其规则为:PartitionID_MinBlockNum_MaxBlockNum_Level 比如 202002_4_4_0 其中 202002 是分区ID ,4_4 对应的是 最小的数据块编号和最大的数据块编号,最后的 _0 表示目前分区合并的层级。 各部分的含义及命名规则如下: PartitionID:该值由 insert 数据时分区键的值来决定。分区键支持使用任何一个或者多个字段组合表达式,针对取值数据类型的不同,分区 ID 的生成逻辑目前有四种规则:

不指定分区键:如果建表时未指定分区键,则分区 ID 默认使用 all,所有数据都被写入 all 分区中。

整型字段:如果分区键取值是整型字段,并且无法转换为 YYYYMMDD 的格式,则会按照该整型字段的字符形式输出,作为分区 ID 取值。

日期类型:如果分区键属于日期格式,或可以转换为 YYYYMMDD 格式的整型,则按照 YYYYMMDD 格式化后的字符形式输出,作为分区 ID 取值。

其他类型:如果使用其他类似 Float、String 等类型作为分区键,会通过对其插入数据的 128 位 Hash 值作为分区 ID 的取值。

MinBlockNum 和 MaxBlockNum:BlockNum 是一个整型的自增长型编号,该编号在单张 MergeTree 表中从 1 开始全局累加,当有新的分区目录创建后,该值就加 1,对新的分区目录来讲,MinBlockNum 和 MaxBlockNum 取值相同。例如上面示例数据为 202002_1_1_0 202002_1_5_1,但当分区目录进行合并后,取值规则会发生变化,MinBlockNum 取同一分区所欲目录中最新的 MinBlockNum 值。MaxBlockNum 取同一分区内所有目录中的最大值。 Level:表示合并的层级。相当于某个分区被合并的次数,它不是以表全局累加,而是以分区为单位,初始创建的分区,初始值为 0,相同分区 ID 发生合并动作时,在相应分区内累计加 1。

MergeTree 数据分区合并规则

随着数据的写入 MergeTree 存储引擎会很多分区目录。如果分区目录数太多怎么办?因为 Clickhouse 的 MergeTree 存储引擎是基于 LSM 实现的。MergeTree 可以通过分区合并将属于相同分区的多个目录合并为一个新的目录(官方描述在 10 到 15 分钟内会进行合并,也可直接执行 optimize 语句),已经存在的旧目录(也即 system.parts 表中 activie 为 0 的分区)在之后某个时刻通过后台任务删除(默认 8 分钟)。

分区合并

我们回顾之前创建的表的分区目录

# ls 202002_1_1_0 202004_2_2_0 202009_3_3_0 202002_4_4_0 202002_5_5_0

手工触发分区合并

qabb-qa-ch00 :) optimize table tab_partition; OPTIMIZE TABLE tab_partition Ok. 0 rows in set. Elapsed: 0.003 sec. qabb-qa-ch00 :) select partition,name,part_type, active from system.parts where table ='tab_partition'; ┌─partition─┬─name─────────┬─part_type─┬─active─┐ │ 202002 │ 202002_1_1_0 │ Wide │ 0 │ │ 202002 │ 202002_1_5_1 │ Wide │ 1 │ │ 202002 │ 202002_4_4_0 │ Wide │ 0 │ │ 202002 │ 202002_5_5_0 │ Wide │ 0 │ │ 202004 │ 202004_2_2_0 │ Wide │ 1 │ │ 202009 │ 202009_3_3_0 │ Wide │ 1 │ └───────────┴──────────────┴───────────┴────────┘ 6 rows in set. Elapsed: 0.003 sec.

其中 active 为 1 表示经过合并之后的最新分区,为 0 则表示旧分区,查询时会自动过滤 active=0 的分区。 我们通过分区 202002 最新的分区目录 202002_1_5_1 看到合并分区新目录的命名规则如下:

PartitionID:分区 ID 保持不变 MinBlockNum:取同一个分区内所有目录中最小的 MinBlockNum 值 MaxBlockNUm:取同一个分区内所有目录中最大的 MaxBlockNum 值 Level:取同一个分区内最大 Level 值并加 1

合并之后的目录结构如下:

小结

本文可以认为是《ClickHouse 原理解析与应用实践》的学习笔记。通过案例介绍了 MergeTree 的分区产生的机制,命名规则,以及合并的基本过程。有兴趣的朋友可以自己动手实践一下。


关于 ClickHouse 的技术内容,你们还有什么想知道的吗?赶紧留言告诉小编吧!

最新回复(0)