clickhouse的稀疏索引
clickhouse官网稀疏索引
在使用primary key的时候指定的key必须是在order by多个字段中排在前面
CREATE TABLE hits_UserID_URL
(
`UserID` UInt32,
`URL` String,
`EventTime` DateTime
)
ENGINE = MergeTree
PRIMARY KEY (UserID, URL)
ORDER BY (UserID, URL, EventTime)
SETTINGS index_granularity = 8192, index_granularity_bytes = 0;
<br>-- 查看索引的行数marks
SELECT
part_type,
path,
formatReadableQuantity(rows) AS rows,
formatReadableSize(data_uncompressed_bytes) AS data_uncompressed_bytes,
formatReadableSize(data_compressed_bytes) AS data_compressed_bytes,
formatReadableSize(primary_key_bytes_in_memory) AS primary_key_bytes_in_memory,
marks,
formatReadableSize(bytes_on_disk) AS bytes_on_disk
FROM system.parts
WHERE (table = 'hits_UserID_URL') AND (active = 1)
FORMAT Vertical;
part_type: Wide
path: ./store/d9f/d9f36a1a-d2e6-46d4-8fb5-ffe9ad0d5aed/all_1_9_2/
rows: 8.87 million
data_uncompressed_bytes: 733.28 MiB
data_compressed_bytes: 206.94 MiB
primary_key_bytes_in_memory: 96.93 KiB
marks: 1083
bytes_on_disk: 207.07 MiB
1 rows in set. Elapsed: 0.003 sec.
1、在介绍索引之前先介绍下clickhouse存储数据的方式
在clickhouse中数据按照行列是存储在bin文件下的，也就是每一个列有一个文件夹。
在下图中显示每隔8192行或者是10M生成一个granule（颗粒），我更喜欢叫做块，块内有序。
https://img2023.cnblogs.com/blog/3306499/202310/3306499-20231031203325730-1772414885.png
2、稀疏索引工作原理
每一个块的第一条就会存储在索引中，这个索引存储在.idx文件中，然后被读入内存
https://img2023.cnblogs.com/blog/3306499/202310/3306499-20231031203851347-1481769792.png
SELECT URL, count(URL) AS Count
FROM hits_UserID_URL
WHERE UserID = 749927693
GROUP BY URL
ORDER BY Count DESC
LIMIT 10;<br><br>结果：┌─URL────────────────────────────┬─Count─┐
│ http://auto.ru/chatay-barana.. │ 170 │
│ http://auto.ru/chatay-id=371...│ 52 │
│ http://public_search │ 45 │
│ http://kovrik-medvedevushku-...│ 36 │
│ http://forumal │ 33 │
│ http://korablitz.ru/L_1OFFER...│ 14 │
│ http://auto.ru/chatay-id=371...│ 14 │
│ http://auto.ru/chatay-john-D...│ 13 │
│ http://auto.ru/chatay-john-D...│ 10 │
│ http://wot/html?page/23600_m...│ 9 │
└────────────────────────────────┴───────┘
10 rows in set. Elapsed: 0.005 sec.
Processed 8.19 thousand rows,
740.18 KB (1.53 million rows/s., 138.59 MB/s.)
ClickHouse客户端的输出现在显示，只有8190行流到ClickHouse，而不是进行完整的表扫描。执行计划：
┌─explain───────────────────────────────────────────────────────────────────────────────┐
│ Expression (Projection) │
│ Limit (preliminary LIMIT (without OFFSET)) │
│ Sorting (Sorting for ORDER BY) │
│ Expression (Before ORDER BY) │
│ Aggregating │
│ Expression (Before GROUP BY) │
│ Filter (WHERE) │
│ SettingQuotaAndLimits (Set limits and quota after reading from storage) │
│ ReadFromMergeTree │
│ Indexes: │
│ PrimaryKey │
│ Keys: │
│ UserID │
│ Condition: (UserID in ) │
│ Parts: 1/1 │
│ Granules: 1/1083 │
└───────────────────────────────────────────────────────────────────────────────────────┘
16 rows in set. Elapsed: 0.003 sec.
稀疏索引第一步是先通过二分查找快速寻找对应的块，第二步把这个块的数据解压，并寻找匹配的行数据
3、mrk文件为idx和bin架起来桥梁
mrk文件记录了索引，以及它对应的块的真实物理地址（block_offset），和解压后的位置（granule_offset)
https://img2023.cnblogs.com/blog/3306499/202310/3306499-20231031204723862-1066642860.png
索引通过block_offset锁定块，然后解压并加载到内存中，再通过granule_offset寻找数据的位置
https://img2023.cnblogs.com/blog/3306499/202310/3306499-20231031205443731-1996277231.png
4、在使用多个索引的时候第二个键列作为筛选条件呢
第一个键列是直接使用快速二分查找，那直接用第二个键列呢
SELECT UserID, count(UserID) AS Count
FROM hits_UserID_URL
WHERE URL = 'http://public_search'
GROUP BY UserID
ORDER BY Count DESC
LIMIT 10;
┌─────UserID─┬─Count─┐
│ 2459550954 │3741 │
│ 1084649151 │2484 │
│723361875 │ 729 │
│ 3087145896 │ 695 │
│ 2754931092 │ 672 │
│ 1509037307 │ 582 │
│ 3085460200 │ 573 │
│ 2454360090 │ 556 │
│ 3884990840 │ 539 │
│765730816 │ 536 │
└────────────┴───────┘
10 rows in set. Elapsed: 0.086 sec.
Processed 8.81 million rows,
799.69 MB (102.11 million rows/s., 9.27 GB/s.)<br>
-- trace_logging <br>...Executor): Key condition: (column 1 in ['http://public_search',
'http://public_search'])
...Executor): Used generic exclusion search over index for part all_1_9_2
with 1537 steps
...Executor): Selected 1/1 parts by partition key, 1 parts by primary key,
1076/1083 marks by primary key, 1076 marks to read from 5 ranges
...Executor): Reading approx. 8814592 rows with 10 streams 从结果可以看到url是第二键列，用它作为条件过滤，在数据量887万行中读取了881万行，几乎是全表扫描。为什么呢？
在 trace_logging中我们可以看到总共1083个块，但是1076个块中被认为可能有 url=http://public_search',但是实际上只有39个有
好像我们可以得出在符合主键 (UserID, URL)中对UserID确实有作用，但是对于URL就等同失效了
但是是真的是这样吗？其实这个和第一个键的占比很关键。
举个例子寻找URL=W3的
数据是先按照UserID排序后再按照URL排序，在UserID值比较少的时候，一个userID有很多条mark数据，因此就可以筛掉很多块。例如下图
因为userID一样，那么就可以直接比较URL，在mark0是W1而且mark1是W2,那么就可以直接认为mark0不可能含有W3，mark0就过掉了，mark2的URL比W3大，那么mark2以上的也不可能包含w3，那么只需要把mark1对应的数据进行寻找。
那么这个索引建立还是很有作用的
https://img2023.cnblogs.com/blog/3306499/202311/3306499-20231101172821090-1419778557.png
但是如果UserID很多，那就很等同失效
例如下图：
U1、U2、U3也可能有W3，这样子的话只能全表扫描了
https://img2023.cnblogs.com/blog/3306499/202311/3306499-20231101173814679-209198775.png
总结：
在多个索引时，使用第一个作为筛选条件是最好的，但是如果使用第二个的话，建议是在前置键列的基数较低（er）时最有效（也就是种类很少的时候，例如UserID很少）
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！
页:
[1]