Clickhouse学习笔记（11）—— 数据一致性

使用合并树引擎时，无论是ReplacingMergeTree还是SummingMergeTree，都只能保证数据的最终一致性，因为数据的去重、聚合等操作会在数据合并的期间进行，而合并会在后台以一个不确定的时间进行，因此无法预先计划；

数据准备

建表：

CREATE TABLE test_consistence(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deleted作为是否删除的标识；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

导入数据：

INSERT INTO TABLE test_consistence(user_id,score)
WITH(SELECT ['A','B','C','D','E','F','G']
)AS dict
SELECT number AS user_id, dict[number%7+1] FROM numbers(10000000);

数据结构如下：

通过修改create_time的值，可以更新数据：

INSERT INTO TABLE test_consistence(user_id,score,create_time)
WITH(SELECT ['AA','BB','CC','DD','EE','FF','GG']
)AS dict
SELECT number AS user_id, dict[number%7+1], now() AS create_time FROM 
numbers(500000);

now()函数可以获取当前时间

查询发现，此时表中共有10500000条数据，说明还未进行去重；

去重方案

手动 OPTIMIZE

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_consistence;

耗费时间：

可以看到，optimize是一个相对比较耗时的操作（与select、insert相比），因为需要进行大量的数据读写

通过 Group by 去重

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_consistence 
GROUP BY user_id
HAVING deleted = 0;

函数argMax：argMax(field1，field2)：按照 field2 的最大值取 field1 的值

因此argMax(score, create_time)的含义就是，按照create_time的最大值取score的值，因为create_time代表当前数据的更新时间，因此总能取到最新的数据；

同理argMax(deleted, create_time)是取最新的deleted标识，来判断数据是否被删除

创建视图

通过上面的操作我们可以实现数据的去重等操作，从而保证一致性，因此创建视图来保存数据查询的逻辑

CREATE VIEW view_test_consistence AS
SELECTuser_id ,argMax(score, create_time) AS score, argMax(deleted, create_time) AS deleted,max(create_time) AS ctime 
FROM test_consistence 
GROUP BY user_id
HAVING deleted = 0;

视图创建的格式：create view view_name as select......

注意：这里创建的视图仅仅保存了数据查询的逻辑，并不保存具体的数据；

测试去重效果

插入数据：

insert into test_consistence(user_id, score, create_time) values(0, 'AAAA', now());

然后查询数据：

select * from test_consistence where user_id = '0';

发现并未去重；

而从视图中查询：

select * from view_test_consistence where user_id = '0';

则仅有最新的数据：

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）

测试

① 不使用final查询：

select * from visits_v1 WHERE StartDate = '2014-03-17' limit 100;

②使用final查询：

select * from visits_v1 final WHERE StartDate = '2014-03-17' limit 100;

可以看到，查询速度并没有普通的查询快，因此使用final确保数据一致性也是以效率为代价的；

版本说明

早期版本增加 FINAL 之后，查询会变成单线程；但从v20.5.2.7-stable版本之后转为多线程执行，并可以通过max_final_threads 参数控制单个查询的线程数：

explain pipeline select * from visits_v1 final WHERE StartDate = '2014-03-17' limit 100;

可以看到从 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