导语 | ClickHouse 在近几年是大数据分析引擎界的一匹黑马，从石破天惊到一路腾飞，在 DB engine Rank 上进入前50名，成为寰球数据引擎界夺目的一颗明星。在寰球范畴内，ClickHouse 单表查问比其余引擎要快数倍以上，在过来的4年以来未曾有对手。ClickHouse 为什么会这么快？在理论应用当中如何利用这样一个引擎？还有哪些让人振奋和欣慰的feature将会公布？本文由易观CTO、腾讯云TVP 郭炜在 Techo TVP开发者峰会「数据的冰与火之歌——从在线数据库技术，到海量数据分析技术」的《ClickHouse最新技术的实际与利用》演讲分享整顿而成，为大家详尽介绍最新的 ClickHouse Feature 和实战利用。

点击可观看精彩演讲视频

一、ClickHouse 的前世今生

我明天次要讲四件事，第一是讲讲 ClickHouse 的前世今生；第二是给大家讲讲实战利用，因为很多小伙伴感觉 ClickHouse 很好，但到底该怎么应用还并不理解；第三介绍比拟新的一些Feature，会挑几个我比拟感兴趣的和大家聊一聊；最初是对将来的一些畅想。

1. ClickHouse 的诞生与腾飞

先说 ClickHouse 是谁？ClickHouse 其实是源自俄罗斯黑科技的一个引擎，它最早是用于Yandex 公司的工具 Metrica。ClickHouse 始终基于本身新的独立架构的外围在一直演进，它可能在服务器集群很大的状况下仍然保持稳定。目前在国内被腾讯、今日头条、新浪等多家公司所应用。

为什么 ClickHouse 很火呢？这个我的项目是在 2016 年年底的时候开源的，我是在 2017 年把它引进中国，来做 ClickHouse 的中文社区。最近这一年它忽然在国内、国外都特地火，在 DB Ranking 这个网站上的排名就回升了 71 位，成为第 50 名，但其实它曾经倒退了四年，仅次于它的另一个热门产品是 Snowflake。所以大家看这个回升的趋势，Snowflake 这么火，是不是 ClickHouse 未来会像 Snowflake 一样？我之后会介绍利用场景，ClickHouse 和 Snowflake 有相似之处，但它相对不是Snowflake，所以 ClickHouse 到底是谁？

2. ClickHouse 就是这么快

咱们过后的 ClickHouse 技术架构师说“ClickHouse 就是这么快”，它是一个十分快的引擎，列式存储、列式可压缩，而且反对含糊查问，也反对一些简单的SQL，简直线性的扩大；如果用得好，数据加载和引入的操作也是最快的，而且简略易用，对老手敌对，所以很多人都在疾速地应用 ClickHouse。

这张图是在 2018 年 Meetup 上，新浪Jack Gao分享的数据，是比拟早的版本，但大家能够看到，19 台服务器，300 亿/天，800 万次/天无效的查问，基本上均匀查问工夫在 200 毫秒，ClickHouse 就是这么快，19 台服务器的数量、200 毫秒对于一个 OLAP 引擎来讲是很难得的，当然它对一些外围监控查问可能工夫更短，在 40 毫秒。

2018 年的时候，咱们也做了一个和常见的 OLAP 引擎的横向比对测试。看左边的图会发现浅蓝色的柱子，就是 ClickHouse，在单表查问时十分快，相比其它引擎如传统的 Hive、Spark-SQL，那是几十倍的快，Join它略微慢一些。所以基于场景来讲，它不是 Snowflake，它当初解决的还是一些单表的场景，Join的时候它跟一般引擎差不多，没有那么快，所以如果做宽表这种单表查问，它是目前大家用得最多的。

ClickHouse 为什么这么快？从我的角度来看有三点起因：

第一个是计算引擎。大家晓得它叫向量化计算，另一个用向量化计算引擎的是 Snowflake，在这个点上这两个我的项目是很像的，它用 C 写的时候，其实会在汇编级别对每个计算单元都做向量化的解决，前面包含像 C++，它也用了很多极致的代码框架的优化，单表聚合的这个场景下用散列表的优化，包含精细化的内存解决，这些都是 ClickHouse 善于的中央。

第二是存储设计。在列存储上，独自的每一列它都嵌套了一个独自的数据文件。在列压缩上，用了很多算法，和别的引擎不同，每一列都能够用独自不同的压缩算法来晋升存储，包含在 ClickHouse 做解析和查问的时候，每一个表抉择的外部查问引擎都能够不同。往年咱们还提了一个叫 Projections 的货色，会帮忙在 ClickHouse 里再加一个预聚合，所以它的查明细、预聚合也会很快，解决了十分多查问场景里的问题。

第三是 ClickHouse 的社区。这是我特地推崇的中央，我也在经营中国社区，其实 ClickHouse 寰球社区很有意思，它是自循环的，没有内部依赖，不像过来大家要做一个货色，你还得部署一堆 Hadoop、HDFS、Hive、Spark，而 ClickHouse 一套就能搞定，很多咱们的用户就是用一台机器解决了过来 30 台 Hadoop 的问题，而且用的是自底向上的设计，每次咱们要去合并代码的时候都会被朵夫拆一遍，每一个审查都十分细节。社区承诺如果呈现一个更快的模式，你提交到社区里，并且教训证在 ClickHouse 里无效的话，社区会立马驳回，并在下一个版本里疾速地把它包容进来。所以 ClickHouse 的版本简直每个月要更新一两版，因为寰球都有特地聪慧的人在一直地将它优化。当然有些人会诟病它的不稳定性，就像最近 CentOS 出滚动版，可能是有这样的问题，然而你会发现它的迭代速度和最新的货色往往特地快，所以如果大家违心退出开源社区，能学到很多新的货色，你会发现你的货色只有做得好，很快会在寰球范畴内散播开去。整体来说，ClickHouse 高效地把这些技术全都交融起来，而且十分重视具体实现的细节，所以 ClickHouse 的第三个个性是社区开放性的精力。

二、ClickHouse 的实战利用

ClickHouse 帮忙大家解决了很多固定场景的理论问题，简直所有的互联网公司都在应用它，包含一些大厂像腾讯、阿里，都开始做 ClickHouse 云的服务，传统行业也开始大量应用 ClickHouse，这都是社区将来的一个机会。

1. 腾讯音乐

在实际利用上，最早在腾讯用得最多的就是腾讯音乐，做什么呢？次要是解决数据仓库到最初数据分析和应用的最初一公里的问题。过来都在做数仓，但其实数仓到最初一公里之间须要有一个 OLAP 引擎能疾速响应需要，能让咱们的数据分析师和经营人员秒级查出数据，ClickHouse 解决的就是这个问题，所以腾讯音乐是以 ClickHouse 计算+存储作为中间件的形式做了实时数仓，实现了批流一体计算。

这张图是往年 2 月份腾讯音乐 Zelus 做的分享：最早的时候应用日志流，会进入音讯队列，兴许是 kafka，兴许是腾讯外部的货色，它通过 Flink 和 Consumer 做了一个实时ETL，实时ETL 的时候会分两条线走，一条线当初就进入到 ClickHouse 里，去实现它的交互式数据分析和存储；对于利用来讲，所有的即席查问间接走这条线就进去了，因为它用同样的ETL，能保障明细数据口径是一样的。另一条线走了离线文件，离线文件其实是走了传统的数据仓库，Spark 和Hadoop 的这一块，走了两头表，走了宽表，最初后果表再进去，原来实时的数据实现了批流一体，查问可能疾速实现，帮忙最终用户有大量的即席查问报表。

我置信很多做数据的小伙伴都会遇到这个问题，常常领导说这个事要查一下，或者经营人员说给我出一个货色，你好不容易做了一个两头表、宽表，出一个后果表，过完当前发现这个表只用了一次，其实 ClickHouse 的呈现就是解决这个问题，让大家立即出数据，而且当初有很多数据分析人员包含经营人员曾经会写SQL，所以咱们通知他这个货色是怎么样的，在下面加一个 Superset 或其余的数据工具，间接搭上 ClickHouse，业务剖析人员就能够间接出数据而不必研发人员再做ETL。技术人员还是在原来的底层数据、两头表等数据里多花精力，那些长期的即席查问需要就不须要技术人员浪费时间每天开发ETL和数据脚本了，间接用 ClickHouse 就能够查问。

2. 新浪

新浪过后实际时，面临的问题是每天 300 亿条数据，查问特地多，达到800 万次。因为它提供的是零碎 API，所以很苦楚，起初用了 ClickHouse 疾速查问，单表查问以最快的形式完满地解决这个问题。它其实做了几件事：第一个是 ClickHouse 在入库的时候是十分快的，所以它间接利用了这个个性，做了实时入库，原始数据库能够轻易查，因为最初过来还得ETL加汇总层，先原子层、后汇总层、最初再下来，当初间接就到最底层把要的数据过后查出，缩短整个数据处理的门路，ETL也容易扩容，资源大大降低。它的应用还是从 kafka开始，把简单的ETL本人做了一层 kafka，最初从 kafka 间接进了 ClickHouse，从 ClickHouse 开始，有些数据的后果提取进入了 MySQL，通过 Superset 做了一个DashBoard，通过 Adhoc 界面间接查明细。前两天 Grafana 比拟冷落，它改了协定，最初通过 Grafana 把这个数据用 ClickHouse 查出来，因为 MySQL 数据量比拟大当前就出不来了，所以 ClickHouse 在这里是通过日志查问和这种根底来帮忙做这件事。

3. 喜马拉雅

喜马拉雅其实也是晚期开始应用 ClickHouse 的企业，有三个应用场景，也是国内应用 ClickHouse 最罕用的几个场景：第一个是用户行为剖析日志，留存、转化怎么做；第二个是用户画像圈选，比方要选一波人群，人群中10-15岁有多少人，别离是谁，最初怎么能间接收回；喜马拉雅还用于机器日志查问，哪里出问题，APM两头哪里可能剖析出各种各样的异样，就是用 ClickHouse，当然也用了千亿数据，秒级响应。整体上说，其实它的做法和后面的不太一样，应用了两条路线，一条是通过实时数据，把所谓的用户事件，包含tracking、events、system logs通过 Spark 做了streaming到 ClickHouse 里；另一条是把原来一些交易数据的标签，从数仓里通过SQL做批量的数据导入 ClickHouse，最初从 ClickHouse 里间接提供最初一步的查问。无论是用户的行为剖析、分群，还是最初的日志查问，都通过这种形式来做，这也是一种新的用法。

4. 趣头条

趣头条2019年的实际利用遇到的挑战是千亿数据，21万次的微小查问，用 ClickHouse 的个性完满解决。千亿数据，100多台机器，32核128G，80%的查问，一秒内搞定。它的玩法也比拟有特点的，先从 kafka 进 Flink，一部分数据进了 HDFS，ClickHouse 的查问劣势在于宽表和单表，Join的时候它可能没有那么快，这个时候趣头条做了一个翻新的办法：引入 presto。presto 能够跨库查问，在做Join的时候，它把一些数据放到 HDFS 里，通过 presto 和 ClickHouse 做Join，通过这种形式解决一些问题。它做了两个集群，满足整个日志查问和其它的查问，一个是APM查问的集群，另一个是给分析师用的集群。

5. B站

B站的场景也比拟典型，它是做用户行为剖析。有几千种事件类型，包含实时接入，每天有上千个查问，它遇到的挑战是任意维度、任意事件。在很久以前大家都用OLAP这种引擎去做，但都搞不定，必须得用最明细的SQL查到最底下的货色，最初分析师还要求秒级出后果，这时候B站做了响应式超大规模的用户行为剖析的货色，和后面两个有点相似，第一个是把原来离线的数据导入，通过 Spark 从 HDFS 里放进来，实时的数据通过 kafka、Flink 进来，当然当初咱们社区在尝试写出能间接从 kafka 进入、把 Flink 替换掉的货色。通过 ClickHouse 做查问接入服务，最初通过 JDBC 把各种报表平台、交付查问都放过来，当然它还做了一些库表治理、权限、元数据管理、集群监控等外部开发。所以整体上，B站把 ClickHouse 用于行为剖析的场景。

6. 苏宁

苏宁做的是另一个场景：用户画像。它须要精准辨认每一个用户的标签是什么、升高计算成本，所以做了物化视图，用去重解决了用户画像的问题。具体来说，因为在做用户画像时很多标签加工是离线计算的，这个标签不须要实时打上，然而查问或推送的时候会须要，所以苏宁一开始把所有相干的标签在 HDFS 里存了，在 MySQL 里存了维度表，把 ClickHouse 当作最初一步给用户画像平台应用的场景。当初我看到很多的传统用户也是这么应用 ClickHouse 的——当作用户的查问平台，因为它的查问是最快的。

7. 金数据

金数据它解决的是什么？大家填完统计报表，数据量可能很大，但填完当前马上就能看到后果。金数据原来应用的是 Mongo DB，然而查得不够快，而且Mongo DB 很多时候SQL兼容性不好，该怎么办？当初它的存储仍是 Mongo DB，但大家每次用金数据的报表去填或者去查的时候，背地是 ClickHouse 提供给最终应用用户去查问，所以 ClickHouse 不仅是给数据分析师应用，而且能够作为最终用户疾速查问明细数据的工具。

8. 虎牙直播

虎牙做日志查问的根本做法是，通过几个 kafka 集群把所有的日志信息都放到 ClickHouse 里，进行疾速查问。

方才的场景比拟多，整体上，ClickHouse 的应用场景有几个特色。第一它十分快，快到能够让最终用户间接应用。第二，它在应用用户画像和用户日志剖析方面十分善于，因为这是它在俄罗斯诞生时原生的目标。第三是善于做APM查问log日志，在这个环节里把日志存在 ClickHouse 里而不是 MySQL 里，查问速度会比原来设想的要快很多。

三、ClickHouse 的最新特色 Feature 与将来

当初有各种各样的Feature，我讲几个比拟有意思的。常常有人问我：“你看我SELECT一个2000行的货色太慢，对于列式存储数据，这件事不是特地敌对，怎么办呢？”就把相干的列合并，在应用的时候略微解析一下，ClickHouse 的速度就下来了，不要把它当成是2000列的，而是把2000列变成100列，100列外面依据不同的维度再辨别，它就会很快，这是2021年的其中一个新Feature。

第二个是方才说的 Projections。Projections 的特点是能够做预聚合，而且这和以前的 Vertica 是不一样的，Vertica 过来只反对一些聚合函数的预聚合，而 Projections 反对所有的函数。

还有存算拆散。很多小伙伴说 ClickHouse 怎么存算拆散？最近咱们的社区公众号“Clickhouse 开发者”里间断发了案例——怎么在腾讯云上做存算拆散，怎么做S3的存算拆散。社区也会适应趋势，疾速、逐渐地做存算拆散。

余下感兴趣的大家能够去订阅最初一页社区的微信公众号，外面会有细节，也有十分多的Meetup视频我也整顿在B站“ClickHouse 社区官网号”上，大家能够认真学习。

对于将来畅想，方才提到了很多的 Roadmap，ClickHouse 会在具体深刻场景和联合解决客户应用数据最初一公里上做十分多的工作。在中国咱们遇到了十分多用户和客户提出的想法和需要，所以当初中国社区也思考是不是未来有机会能成为 ClickHouse 商业化的公司和俄罗斯一起把 ClickHouse 做大做好。

ClickHouse 有这样一些资源，在网站 Clickhouse.Yandex 上，国内的志愿者社区是www.clickhouse.com.cn，也能够注明公司-职业-姓名加我的微信号Guodaxia2999，一起把社区做的更好。十分欢送大家应用 ClickHouse，让它成为你公司数据分析的最初一公里。

讲师简介

郭炜

易观CTO，腾讯云TVP，寰球顶级开源基金会 - Apache基金会正式 Member，Apache DolphinScheduler 发起人 & PMC，ClickHouse 中国社区发起人，中国软件行业协会智能应用服务分会副主任委员，中国开源社区最佳 33 人。郭炜学生毕业于北京大学，曾任联想研究院大数据总监，万达电商数据部总经理，先后在中金、IBM、Teradata任大数据方重要职位，对大数据前沿钻研做出卓越贡献。2015年退出易观后，推动易观大数据技术架构及体系搭建，易观混合云架构搭建；2018年提出大数据IOTA架构（Big Data IOTA）并提出企业“数据河”（Data River）的概念，率领团队打造秒算数据计算引擎，进行了架构验证，同时在易观开源Dolphin Scheduler，在2019年入选Apache基金孵化器，2021年被评比为Apache Foundation Member成员。