用ClickHouse 文件表引擎快速查询分析文件数据

有时我们需要快速查询分析文件数据，正常流程需要在数据库中创建表，然后利用工具或编码导入数据，这时才能在数据库中查询分析。利用ClickHouse文件引擎可以快速查询文件数据。本文首先介绍ClickHouse文件引擎，然后介绍如何快速实现查询数据文件的方案。

ClickHouse 文件引擎

文件表引擎在文件中保存数据，支持的数据格式有：CSV, JSON, XML 等，详细内容可参考官网文档。

典型应用场景为：

• 从ClickHouse导出数据至文件
• 对数据进行格式转换
• 通过编辑文件更新ClickHouse表数据

File表引擎用法

语法如下：

File(Format)

Format 参数制定一种有效的文件格式。为了执行select 查询，格式必须支持输入格式，同样为了insert查询，需支持输出。支持的格式类型可参考官网文档。大部分格式同时支持输入和输出格式，但部分格式仅支持其中之一，如 MySQLDump 仅支持输入，不支持输出。

ClickHouse 不允许指定文件路径，因为文件路径是在服务端配置文件path参数指定。

当实用上面语法创建表时，则会在指定文件夹中创建空的子目录。写入数据时，会在子目录中生成data.Format文件。我们可以在服务端文件系统中手动创建该子目录，然后ATTACH命令链接表信息，也可以从文件中查询数据。但不建议采用该方式，因为ClickHouse不跟踪外部数据变化。

举例

创建 表：file_engine_table,格式为TabSeparated，即数据用tab分隔，就是tsv文件格式。

CREATE TABLE file_engine_table (name String, value UInt32) ENGINE=File(TabSeparated)

ClickHouse 缺省在该目录下创建子目录： /var/lib/clickhouse/data/default/file_engine_table.

下面手动创建数据文件 /var/lib/clickhouse/data/default/file_engine_table/data.TabSeparated :

$ cat data.TabSeparated
one 1
two 2

查询数据

SELECT * FROM file_engine_table┌─name─┬─value─┐
│ one  │     1 │
│ two  │     2 │
└──────┴───────┘

ClickHouse-local工具用法

在clickhouse-local工具，文件引擎除了文件格式参数，还可以指定文件路径参数。默认输入/输出流可以使用数字或人类可读的名称来指定，例如0或stdin, 1或stdout。可以根据附加的引擎参数或文件扩展名(gz、br或xz)读写压缩文件。

$ echo -e "1,2\n3,4" | clickhouse-local -q "CREATE TABLE table (a Int64, b Int64) ENGINE = File(CSV, stdin); SELECT a, b FROM table; DROP TABLE table"

其他说明

• 可以并行执行多个 SELECT 查询, 但 INSERT查询彼此互斥需等待前面操作完成.

• 支持通过INSERT 查询创建新文件.

• 如果文件已存在, INSERT 操作会追加新的内容.

• 虽然支持表分区，但不建议使用，也不会增加查询效率

• 不支持操作

  • ALTER
  • SELECT ... SAMPLE
  • Indices
  • Replication

关于默认设置

• engine_file_empty_if_not_exists - allows to select empty data from a file that doesn’t exist. Disabled by default.
• engine_file_truncate_on_insert - allows to truncate file before insert into it. Disabled by default.
• engine_file_allow_create_multiple_files - allows to create a new file on each insert if format has suffix. Disabled by default.
• engine_file_skip_empty_files - allows to skip empty files while reading. Disabled by default.
• storage_file_read_method - method of reading data from storage file, one of: read, pread, mmap. The mmap method does not apply to clickhouse-server (it’s intended for clickhouse-local). Default value: pread for clickhouse-server, mmap for clickhouse-local.

上传文件直接分析

通过上节内容，我们指定文件表引擎就是在固定路径下创建子目录，然后在该子目录中创建对应文件（插入数据）。我们的需求是快速查询分析数据文件，如csv文件，用户上传完就可以分析。

实现步骤：

1. 需要一些参数，如表名称和描述（英文名和中文名），

2. 用户上传csv文件

   • 解析csv文件（读取第一行作为字段名称，最好为英文命名，读取第二行数据判断数据类型），如果没有标题行，则自动命名为F1,F2…
   • 使用文件表引擎语法创建表，引用上一步中的参数信息
   • 在元数据中插入表和字段信息，用于自助查询分析场景
   • 在该表中插入csv文件数据，动态生成insert语句。

3. 查询该表，也可以执行一些统计查询语句。

总结

本文介绍了ClickHouse文件引擎的概念和使用方法。利用文件引擎我们快速实现对数据文件的查询统计分析。