系列文章目录

[数据挖掘] clickhouse在go语言里的实践

[数据挖掘] 用户画像平台构建与业务实践

文章目录

• 系列文章目录
• 前言
• 一、clickhouse的起源
• 二、OLAP/OLTP
• • 2.1、主流的OLAP/OLTP数据库
  • 三、go语言开发实践
  • • 3.1、安装配置go语言环境，配置IDE
    • • 3.1.1、Go开发环境安装
      • 3.1.2、IDE开发环境安装
      • 3.2、goframe工具安装
      • 3.3、引入clickhouse组件
      • 3.4、goframe使用clickhouse的完整项目
      • 4、clickhouse的表引擎分析
      • • 4.1、MergeTree
        • 4.2、ReplacingMergeTree
        • 5、clickhouse为何适合做大数据分析、数据挖掘，什么情况下用什么样的表引擎，以及clickhouse的缺陷
        • • 5.1、clickhouse为何适合做大数据分析、数据挖掘
          • 5.2、ClickHouse查询缺陷
          • • 5.2.1、单机时的查询处理缺陷
            • 5.2.2、集群成本高
            • 5.3.3、多表联查性能不佳
            • 5.3.4、修改、删除支持非常差
            • 6、架构设计
            • • 6.1、Clickhouse
              • 6.2、MySQL
              • 6.3、Redis
              • 总结

                ---

                前言

                今天给大家介绍一款OLAP大数据处理软件 clickhouse ，在业界它有一个荣誉，那就是”快“，当然此快不是开车快的意思，是指clickhouse在大数据量级的查询方面，对比Spark 、MySQL 、Hive 、Hadoop，速度有很大的提升。

                下面我们从clickhouse的起源、OLAP/OLTP、go语言开发实践、clickhouse的表存储引擎分析这几个方面，讲解clickhouse为何适合做大数据分析、数据挖掘，什么情况下用什么样的表引擎，以及clickhouse的缺陷等。

                ---

                一、clickhouse的起源

                ClickHouse起源于Yandex公司的Metrica产品团队。Metrica是一款Web流量分析工具，根据用户行为数据采集，进行数据OLAP分析。数据采集的Event由页面的点击（click）产生，然后进入数据仓库进行OLAP分析。ClickHouse的全称为Click Stream,Data WareHouse，简称ClickHouse。2021年9月20日，ClickHouse团队从Yandex独立，成立公司。

                二、OLAP/OLTP

                OLAP和OLTP是数据处理和交易过程中的两种不同类型的方法。

                OLTP，也称为联机事务处理过程，主要侧重于前台接收的用户数据可以立即传送到计算中心进行处理，并在很短的时间内给出处理结果。这种处理方式是对用户操作快速响应的方式之一，其基本特征是处理少量的事务性数据。

                OLAP，全称联机分析处理，使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的。它帮助分析人员快速获得数据，并进行分析和预测。

                2.1、主流的OLAP/OLTP数据库

                以下是一些主流的OLAP和OLTP数据库：

                数据库类型	数据库名	描述
                OLTP数据库	-	-
                -	MySQL	OLTP的代表，擅长事务处理，支持数据频繁插入或修改，适用于业务开发人员。
                -	Oracle	也是一个功能强大的OLTP数据库，广泛用于企业级应用。
                -	TiDB	是 PingCAP 公司自主设计、研发的开源分布式关系型数据库。是一款同时支持在线事务处理与在线分析处理 (Hybrid Transactional and Analytical Processing, HTAP)的融合型分布式数据库产品，具备水平扩容或者缩容、金融级高可用、实时 HTAP、云原生的分布式数据库、兼容 MySQL 5.7 协议和 MySQL 生态等重要特性。
                OLAP数据库	-	-
                -	Greenplum	一个分布式数据库，擅长对大量数据进行多维复杂分析，追求极致性能，面向分析决策人员。
                -	Hive	Hadoop的数据仓库工具，可以处理大规模的结构化数据，提供类似于SQL的查询功能，适用于数据仓库和BI平台。
                -	ClickHouse	一个开源的列式存储数据库，适合用于数据仓库和数据湖等场景，支持复杂的数据分析查询操作。
                -	AWS Redshift	AWS Redshift是AWS提供的一款云上数据仓库服务。只需通过简单的鼠标点击即可得到一款高性能、高可靠的数据仓库服务。它使用密集存储 (DS) 节点，能够以非常低的价格创建超大型数据仓库。在数据仓库、运营数据库和数据湖间分析结构化和半结构化数据，使用 AWS 设计的硬件和机器学习在任意规模提供最佳性价比。
                -	Doris	一个实时数仓，可以解决 PB 级别的数据量（如果高于 PB 级别，不推荐使用 Doris 解决，可以考虑用 Hive 等工具），解决结构化数据，查询时间一般在秒级或毫秒级。Doris 是由百度大数据部研发的，之前叫百度 Palo，2018年贡献到 Apache 社区后，更名为 Doris。

                ---

                三、go语言开发实践

                这里推荐大家使用go语言的goframe框架，且已开发支持多种数据库，包括：mysql 、mariadb、tidb、pgsql、mssql、oracle、clickhose、dm、sqllite。源码开放，可以提交pr，支持扩展其他数据库组件。

                亲测，轻松支持mysql、clickhose

                

                3.1、安装配置go语言环境，配置IDE

                3.1.1、Go开发环境安装

                1、下载Go开发包

                访问Go国内镜像站下载页面 https://golang.google.cn/dl/，并在页面最上方的版本中选择你当前的系统版本，会下载最新版本的Go开发包:

                

                2、安装引导

                访问官方安装介绍页面 https://golang.google.cn/doc/install，按照当前系统版本执行对应的安装流程即可。

                Windows(msi)和MacOS(pkg)推荐使用安装包的方式来安装。作者当前MacOS安装包(pkg)安装过程如下图所示：

                

                

                3.1.2、IDE开发环境安装

                目前Go的IDE有两款比较流行，一款是VSCode+Plugins（免费），另一款是JetBrains公司的Goland（收费）。由于JetBrains也是GoFrame框架的赞助商，因此我们优先推荐使用Goland来作为开发IDE，下载及注册请参考网上教程（百度 或 Google）。

                JetBrains的官方网站为：https://www.jetbrains.com

                **备注: 熟悉Java开发工具Idea的同学可以很快上手Goland，操作上感觉都似曾相识 **

                1、Goland的使用

                我们来创建第一个Go程序吧，老规矩，上hello world。

                

                2、创建项目

                这里需要注意的是Go安装文件的路径(SDK)，官方安装文档有详细说明，请仔细阅读。

                其中的Location随意选择一个本地路径即可。

                

                3、创建程序

                新建一个go文件，叫做hello.go，并输入以下代码:

                

                4、执行运行

                

                

                3.2、goframe工具安装

                帮助文档： https://goframe.org/pages/viewpage.action?pageId=1115782

                建议安装最新版本

                

                3.3、引入clickhouse组件

                clickhouse帮助文档：

                https://goframe.org/pages/viewpage.action?pageId=1114245#ORM%E4%BD%BF%E7%94%A8%E9%85%8D%E7%BD%AE-%E9%85%8D%E7%BD%AE%E6%96%B9%E6%B3%95

                数据库配置文件：config.yaml

                

                

                

                3.4、goframe使用clickhouse的完整项目

                一个完整的Web3区块链项目，使用goframe + clickhouse + mysql + redis ，本人原创，完全拥有版权

                地址：https://github.com/hd5723/chainApi

                

                ---

                4、clickhouse的表引擎分析

                官方文档（支持中、英、俄）：https://clickhouse.com/docs/zh/engines/table-engines

                

                简单介绍2种常用的表引擎：MergeTree、ReplacingMergeTree

                4.1、MergeTree

                Clickhouse 中最强大的表引擎当属 MergeTree （合并树）引擎及该系列（*MergeTree）中的其他引擎。

                MergeTree 系列的引擎被设计用于插入极大量的数据到一张表当中。数据可以以数据片段的形式一个接着一个的快速写入，数据片段在后台按照一定的规则进行合并。相比在插入时不断修改（重写）已存储的数据，这种策略会高效很多。

                主要特点:

                • 存储的数据按主键排序。

                  这使得您能够创建一个小型的稀疏索引来加快数据检索。

                • 如果指定了 分区键 的话，可以使用分区。

                • 在相同数据集和相同结果集的情况下 ClickHouse 中某些带分区的操作会比普通操作更快。查询中指定了分区键时 ClickHouse 会自动截取分区数据。这也有效增加了查询性能。

                  4.2、ReplacingMergeTree

                  该引擎和 MergeTree 的不同之处在于它会删除排序键值相同的重复项。

                  数据的去重只会在数据合并期间进行。合并会在后台一个不确定的时间进行，因此你无法预先作出计划。有一些数据可能仍未被处理。尽管你可以调用 OPTIMIZE 语句发起计划外的合并，但请不要依靠它，因为 OPTIMIZE 语句会引发对数据的大量读写。

                  因此，ReplacingMergeTree 适用于在后台清除重复的数据以节省空间，但是它不保证没有重复的数据出现。

                  ---

                  5、clickhouse为何适合做大数据分析、数据挖掘，什么情况下用什么样的表引擎，以及clickhouse的缺陷

                  5.1、clickhouse为何适合做大数据分析、数据挖掘

                  clickhouse 与MySQL性能对比

                  ClickHouse和MySQL是两种不同的数据库管理系统，它们在性能方面有一些区别。以下是ClickHouse和MySQL性能的对比：

                  • 数据存储结构：ClickHouse是一种列式存储数据库，适合处理大量数据，特别是在分析查询方面表现出色。而MySQL是一种行式存储数据库，以行为单位存储数据，适合事务处理和常规查询。
                  • 处理能力：ClickHouse在处理大规模数据集时表现出色，提供快速的聚合和分析能力。MySQL在小规模数据和事务处理方面表现较好。
                  • 查询语言：ClickHouse使用自己的查询语言ClickHouse SQL(类似于标准SQL)，支持复杂的分析查询和聚合操作。MySQL则使用标准SQL。
                  • 数据一致性：MySQL是一种关系型数据库，支持事务和ACID特性，确保数据的一致性。ClickHouse主要用于分析型查询，对于数据的一致性要求较低。
                  • 性能和扩展性：ClickHouse在处理大规模数据和高并发查询时具有优势，可以水平扩展，并提供在分布式环境中运行的能力。MySQL在小规模应用和事务处理方面表现较好。

                    总的来说，MySQL适合事务处理和一般查询。ClickHouse适合处理大规模数据和分析查询，ClickHouse的适合大宽表（上百个字段、海量数据）统计分析查询。

                    5.2、ClickHouse查询缺陷

                    5.2.1、单机时的查询处理缺陷

                    ClickHouse在查询时，会调动尽可能多的服务器资源，一般CPU占用会高达80%以上，因此不合适高并发查询。

                    5.2.2、集群成本高

                    如果要处理高并发问题， 需要增加服务器，成本非常高

                    5.3.3、多表联查性能不佳

                    适合适合大宽表（上百个字段）查询，多表查询就算字段不多，性能也不佳

                    5.3.4、修改、删除支持非常差

                    ClickHouse支持实时统计查询，但是修改、删除性能非常差，一般使用表引擎ReplacingMergeTree来解决修改、删除问题。

                    对ClickHouse进行修改可能会引发以下问题：

                    • 数据类型不一致：如果在对表结构进行修改时，改变了字段的数据类型，而后续插入的数据类型与修改后的表结构不匹配，可能会导致数据插入失败或数据不一致。例如，如果在ClickHouse中更改了字段类型从int变为float，但是后续插入的数据仍然是int类型，那么这些数据会被截断，导致数据不一致。
                    • 高频删除数据：如果在短时间内删除大量数据，ClickHouse可能会出现“Cannot allocate memory”的错误。因为ClickHouse在处理删除操作时，会先在内存中构建删除树，如果删除操作过于频繁，可能会耗尽内存。
                    • 重复数据处理：ClickHouse对重复数据的处理可能会出现问题。如果在同一个分片上插入的数据已经存在，ClickHouse会进行去重。然而，如果在不同分片间插入重复数据，ClickHouse不保证去重。这可能会导致数据重复的问题。

                      因此，在对ClickHouse进行修改时，一定要小心谨慎，并做好相应的测试，以避免可能的问题。如遇到修改后无法存入数据等问题，可以检查是否是上述情况导致，并按照相应的方法解决。如果是数据源数据进行了多次调整，数据字段进行过调整，要确保调整后的数据兼容旧的数据格式。

                      ---

                      6、架构设计

                      在实际的项目中，数据操作方面我们采用了Clickhouse + MySQL + Redis，分工明确。

                      6.1、Clickhouse

                      功效：实时统计查询

                      数据来源：设置定时任务，汇总mysql多个表几十个上百个字段，通过go程序写入Clickhouse

                      策略：定时增量更新、很少根据主键修改/删除

                      6.2、MySQL

                      功效：定时任务，查询多表数据

                      数据来源：通过ETH rpc接口获取数据，并写入

                      策略：频繁的写入数据，定时查询（分钟级、小时级等），少量修改/删除

                      6.3、Redis

                      用于维护版本号，缓存业务的第一页数据等

                      ---

                      总结

                      OLAP/OLTP数据库发展很多年了，也有很多争论，但总体来说，符合自己业务的才是好的。不同的业务、数据体量的增长、公司技术栈的储备等，都是影响因素。