ToB企服应用市场:ToB评测及商务社交产业平台

标题: 【Clickhouse】ReplaceingMergeTree引擎final实现合并去重探索 [打印本页]

作者: 篮之新喜 时间: 2023-6-8 10:16
标题: 【Clickhouse】ReplaceingMergeTree引擎final实现合并去重探索
前言

在OLAP实践中，在有数据更新的场景中，比如存储订单数据，我们经常会用到ReplaceingMergeTree引擎来去重数据，以获取数据的最新状态。但是ReplaceingMergeTree引擎实现数据的去重合并的操作是异步的，这样在实际查询的时候，其实是仍然有一部分数据是未进行合并的。为了保证统计数据的准确性，比如订单金额，一个常用的方法是在查询时增加final关键字。那final关键字是如何合并数据的，以及合并的数据范围是怎样的，本文就对此做一个简单的探索。
知识准备

分片：分片就是clickhouse的实例节点，不同的分片就代表不同的节点或机器，分片之间是物理隔离的分区：分区是一个表中通过指定的规则划分而成的逻辑数据集，比如日期分区，分区是一种逻辑上的，不同的分片上会有相同的分区

探索过程

探索过程比较长，请大家保持耐心，如果不想看过程，可以直接看结论哈，马上开始～
本文基于的clickhouse版本为version 23.3.1.2823
创建表

创建ReplacingMergeTree引擎的表，分布式表union_order_onl_all_test，本地表union_order_onl_local_test，以日期为分区，order_id作为排序键，mid是消息ID，用消息ID作为数据变更的版本号，同时order_id字段作为分片hash字段，不同的订单会被写入到不同的实例上。

CREATE TABLE gbn_onl_mix.union_order_onl_local_test on cluster lf6ckcnts05
(
`order_id` UInt64 COMMENT '订单号',
`after_prefr_amount_1` Float64 COMMENT '订单金额',
`deal_flag` UInt8 COMMENT '成交标识',
`mid` String COMMENT '消息ID',
`update_time` String COMMENT '更新时间',
`ver` UInt64 DEFAULT toUInt64OrZero(mid) COMMENT '版本号',
`dt`Date DEFAULT toDate(update_time) COMMENT '分区'
)
ENGINE = ReplicatedReplacingMergeTree('/clickhouse/lf6ckcnts05/jdob_ha/gbn_onl_mix/lf6ckcnts05/{shard}', '{replica}', ver)
PARTITION BY toYYYYMMDD(dt)
ORDER BY (order_id)
TTL dt + toIntervalDay(7)
SETTINGS storage_policy = 'jdob_ha', index_granularity = 3
CREATE TABLE gbn_onl_mix.union_order_onl_all_test on cluster lf6ckcnts05 as gbn_onl_mix.union_order_onl_local_test
engine=Distributed(lf6ckcnts05, gbn_onl_mix, union_order_onl_local_test, cityHash64(order_id)) ;

复制代码

数据初始化

初始数据包括2个订单，111和222，初始版本都是0，初始成交状态也都是0，日期是2023-05-28

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,0, 0,'2023-05-28'),('222',2,0,0,'2023-05-28');

复制代码

查询分区信息和数据如下：可以看到数据被写入到了1个分区的2个part中，分区都是20230528，part名都是20230528_0_0_0

知识点详见 https://clickhouse.com/docs/zh/engines/table-engines/mergetree-family/custom-partitioning-key 分区信息有重复是因为lf6ckcnts05集群的配置是有一个副本

验证同分片同分区数据合并

final合并

order_id=111有数据更新，mid变成了1，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,0, 1,'2023-05-28');

复制代码

查询分区信息如下，可见增加了一个part，分区为20230528，part名为20230528_1_1_0

查询数据如下，可见order_id=111的订单，版本0和版本1的数据都是存在的

SELECT * FROM gbn_onl_mix.union_order_onl_all_test WHERE dt = '2023-05-28'

复制代码

查询数据使用final结果如下，可见order_id=111的订单，只查询出最新版本1的数据

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final WHERE dt = '2023-05-28'

复制代码

再查询一下实际的数据如下，结果order_id=111的2个版本的数据还是都被查询出来了，可见final查询对实际物理数据的存储没有影响

SELECT * FROM gbn_onl_mix.union_order_onl_all_test WHERE dt = '2023-05-28'

复制代码

小结：final可以合并同分片同分区的数据，并且final合并数据只是针对当次查询，不会对数据进行物理合并
引擎合并

order_id=111有数据更新，mid变成了2，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,0, 2,'2023-05-28');

复制代码

查询分区和数据如下，分区20230528，增加一个part，名为20230528_2_2_0

order_id=111有数据更新，mid变成了3，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,0, 3,'2023-05-28');

复制代码

分区20230528，增加名为20230528_2_2_0的part

此时数据还没有被引擎合并，先去吃个饭吧～
Later For a Moment ～～～
吃饭回来，查询分区，发现数据已经被引擎合并了，合并后的分区为20230528_0_3_1，但是同分区不同分片的数据没有被合并

小结：ReplaceingMergeTree引擎合并数据，合并的是同分片同分区的数据
验证同分片不同分区数据合并

final合并

order_id=111数据继续更新，mid变成了4，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,1, 4,'2023-05-29');

复制代码

查询分区和数据如下，可见增加了一个part，分区是20230529，part名为20230529_0_0_0，order_id=111订单数据版本3和版本4同时存储，数据还未合并

使用final查询数据，结果如下，我们会发现，order_id=111的订单在2个分区2023-05-28和2023-05-29中的数据被合并了

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final

复制代码

小结：final可以跨分区进行合并
引擎合并

order_id=111数据继续更新，mid变成5、6、7，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,1, 5,'2023-05-29','111',1,1, 6,'2023-05-29','111',1,1, 7,'2023-05-29');

复制代码

查询分区和数据如下，可见增加part 20230529_1_1_0，只插入了一条最新消息为7的数据，即插入数据时，数据就已经合并了

order_id=111数据继续更新，mid变成8、9，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,1, 8,'2023-05-29');
INSERT into gbn_onl_mix.union_order_onl_all_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('111',1,1, 9,'2023-05-29');

复制代码

查询分区和数据如下，新增part 20230529_2_2_0和20230529_3_3_0

使用final同时查询2个分区数据，以及单独查询单个分区的数据，结果如下，可以看到卡不同的分区，最后合并的结果也不同，（这不是废话嘛～～）

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final

复制代码

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final WHERE dt = '2023-05-29'

复制代码

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final WHERE dt = '2023-05-28'

复制代码

Later For a Moment ～～～
数据合并完成，结果如下，part 20230529_0_0_0、20230529_1_1_0、20230529_2_2_0、20230529_3_3_0变成active=0，合并后part为20230529_0_3_1，但是分区20230508的part 20230528_0_3_1并没有被合并

查询分区数据，结果如下

SELECT * FROM gbn_onl_mix.union_order_onl_all_test WHERE dt = '2023-05-28'
SELECT * FROM gbn_onl_mix.union_order_onl_all_test WHERE dt = '2023-05-29'

复制代码

小结：无论是从分区信息还是从数据结果来看，ReplaceingMergeTree引擎是不会合并同分片不同分区的数据的
验证不同分片数据合并

final合并

考虑order_id=222的订单数据，金额修改成22以做区分，在不同的分片上插入变更数据，本次插入改用向本地表中插入数据，可达到跨分片实例的效果，如下
order_id=222的订单，mid变成1，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_local_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('222',22,0,1,'2023-05-28');

复制代码

查询数据，发现居然和版本0插入到同一个分片上了

SELECT * FROM gbn_onl_mix.union_order_onl_local_test WHERE dt = '2023-05-28'

复制代码

再来一次，order_id=222的订单，mid变成2，即插入如下数据

INSERT into gbn_onl_mix.union_order_onl_local_test (order_id,after_prefr_amount_1,deal_flag,mid,update_time) values ('222',22,0,2,'2023-05-28');

复制代码

查询数据，可见这次数据是插入到了不同的分片实例上

SELECT * FROM gbn_onl_mix.union_order_onl_local_test WHERE dt = '2023-05-28'

复制代码

查看目前分区20230528的数据，如下

SELECT * FROM gbn_onl_mix.union_order_onl_all_test WHERE dt = '2023-05-28'

复制代码

使用final查询结果如下，可见final查询不能合并跨分片的数据，（order_id=222，ver=1和ver=2是存储在不同分片上的数据）

SELECT * FROM gbn_onl_mix.union_order_onl_all_test final WHERE dt = '2023-05-28'

复制代码

引擎合并

手动触发引擎合并，如下

optimize table union_order_onl_local_test on cluster lf6ckcnts05 FINAL;

复制代码

查询数据结果，如下，结果同final查询

小结：无论是final查询还是引擎合并，不同分片上的数据都不会被合并，即使是同分区的也不会被合并
结论

啰哩啰嗦这么多，总结一下吧～～
1.对于不同分片上的数据来说，ReplaceingMergeTree引擎合并和查询时加final的合并，都不会合并不同分片上的数据
2.对于相同分片上的数据来说，ReplaceingMergeTree引擎合并，只合并同分区的数据，不同分区的数据不会合并；查询时加final的合并，会对不同分区的数据进行合并，合并是按照排序键进行合并的，如果想避免不同分区间的合并可以在排序键中增加分区字段
如有问题请指正，欢迎大家沟通交流，感谢～～

作者：京东零售曹建奇
来源：京东云开发者社区

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！

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)