使用ClickHouse一键接管MySQL数据分析

为啥有这篇文章？
- 很多人好奇ClickHouse，都听说过很快，但是到底有多恐怖？
- 新建表还要理解ClickHouse的引擎和数据类型，好麻烦
- 今天，用一个简单粗暴的功能，帮你一键导入MySQL的数据，无需人肉建表

数据导入

第一组

# du出的表大小
5.5G    article_clientuser_sum.ibd
# ClickHouse操作语句
CREATE TABLE article_clientuser_sum
ENGINE = MergeTree
ORDER BY id AS
SELECT *
FROM mysql('host:port', 'db', 'article_clientuser_sum', 'user', 'password') 
# 耗时和平均速度
0 rows in set. Elapsed: 137.251 sec. Processed 18.59 million rows, 7.34 GB (135.43 thousand rows/s., 53.48 MB/s.)

第二组

# 另一个表
20G     xx_httpcode_minf.ibd
CREATE TABLE xx_httpcode_minf
ENGINE = MergeTree
ORDER BY id AS
SELECT *
FROM mysql('host:port', 'db', 'tb', 'user', 'password') 
# 不知道为啥这表这么快就导入了 貌似是行少，但是表的总大小大啊
0 rows in set. Elapsed: 44.389 sec. Processed 13.03 million rows, 1.44 GB (293.44 thousand rows/s., 32.35 MB/s.)

PK之count(*)

第一组

# 1800w
# ClickHouse
SELECT count(*)
FROM article_clientuser_sum
┌──count()─┐
│ 18587381 │
└──────────┘
1 rows in set. Elapsed: 0.033 sec. Processed 18.59 million rows, 74.35 MB (556.76 million rows/s., 2.23 GB/s.)
# MySQL
mysql> select count(*) from article_clientuser_sum ;
+----------+
| count(*) |
+----------+
| 18587381 |
+----------+
1 row in set (39.48 sec)
# 性能 1196X

第二组

# 1300w
# ClickHouse
SELECT count(*)
FROM xx_httpcode_minf
┌──count()─┐
│ 13025469 │
└──────────┘
1 rows in set. Elapsed: 0.032 sec. Processed 13.03 million rows, 52.10 MB (406.68 million rows/s., 1.63 GB/s.)
# MySQL
mysql> SELECT count(*)
    -> FROM xx_httpcode_minf;
+----------+
| count(*) |
+----------+
| 13025469 |
+----------+
1 row in set (1 min 46.87 sec)
# 性能 3340X

PK之复杂查询

第一组

# ClickHouse
SELECT SUM(size) AS size
FROM xx_network_flow
WHERE (date >= '2018-01-01') AND (date <= '2018-01-31') AND (netstat = 0) AND (project LIKE '保密%')
Row 1:
──────
size: 4132888693
1 rows in set. Elapsed: 0.039 sec. Processed 841.66 thousand rows, 9.46 MB (21.67 million rows/s., 243.70 MB/s.)
# MySQL
+------------+
| size       |
+------------+
| 4132888693 |
+------------+
1 row in set (2.34 sec)
# 性能 60X

SQL太长，截图示例
SQL里的xxx均为脱敏数据

# ClickHouse
┌─────size─┐
│ 76888224 │
└──────────┘
1 rows in set. Elapsed: 0.137 sec. Processed 841.66 thousand rows, 9.46 MB (6.13 million rows/s., 68.97 MB/s.)
# MySQL
+----------+
| size     |
+----------+
| 76888224 |
+----------+
1 row in set (2.86 sec)
# 性能 21X

第二组

# ClickHouse
SELECT
    project,
    idc,
    minf,
    http_code,
    sum(sumhit) AS num
FROM xx_httpcode_minf
WHERE (date = '2018-01-16') AND (httptype = 'download') AND \
(minf >= 0) AND (minf <= 288) AND \
(http_code IN ('200', '500', '404', '502', '503', '504'))
GROUP BY
    project,
    idc,
    minf,
    http_code
ORDER BY num DESC
LIMIT 3
┌─project─────────────────────────────────────┬─idc────┬─minf─┬─http_code─┬────num─┐
│ 域名1xxxx │ .1xx │  195 │ 200       │ 247522 │
│ 域名2xxxx │ .2xx │  185 │ 200       │ 246613 │
│ 域名3xxxx │ .3xx │  188 │ 200       │ 245808 │
└─────────────────────────────────────────────┴────────┴──────┴───────────┴────────┘
3 rows in set. Elapsed: 0.161 sec. Processed 13.03 million rows, 284.63 MB (80.94 million rows/s., 1.77 GB/s.)
# MySQL
+---------------------------------------------+--------+------+-----------+--------+
| project                                     | idc    | minf | http_code | num    |
+---------------------------------------------+--------+------+-----------+--------+
| 域名1xxxx| .1.xx |  195 | 200       | 247522 |
|  域名2xxxx | .2.xxx |  185 | 200       | 246613 |
|  域名3xxxx | .3xx |  188 | 200       | 245808 |
+---------------------------------------------+--------+------+-----------+--------+
3 rows in set (12.02 sec)
# 性能 75X

SQL太长，截图示例
SQL里的xxx均为脱敏数据

# ClickHouse
┌─project────────────────────────────┬─idc────┬─minf─┬─http_code─┬───num─┐
│  域名1 │ 1xxx│  154 │ 404       │ 10792 │
│  域名1 │ 2xxx │  155 │ 404       │ 10395 │
│ 域名1│ 3xxx │  272 │ 404       │ 10313 │
└────────────────────────────────────┴────────┴──────┴───────────┴───────┘
3 rows in set. Elapsed: 0.119 sec. Processed 13.03 million rows, 283.15 MB (109.10 million rows/s., 2.37 GB/s.)
# MySQL
+------------------------------------+--------+------+-----------+-------+
| project                            | idc    | minf | http_code | num   |
+------------------------------------+--------+------+-----------+-------+
|  域名1 | .1zz |  154 | 404       | 10792 |
|  域名1 | .3xx |  155 | 404       | 10395 |
|  域名1 | .3rr |  272 | 404       | 10313 |
+------------------------------------+--------+------+-----------+-------+
3 rows in set (2.19 sec)
# 性能 18X

压缩对比

表名	MySQL表容量	ClickHouse表容量	压缩倍数
article_clientuser_sum	5.5GB	1.2G	4.6
xx_httpcode_minf	20GB	243M	84
xx_network_flow	189MB	25M	7.56

注：xx_httpcode_minf这个表的MySQL文件20个G，应该是有大量的空洞造成的，这也就是Facebook的人开发MyRocks的原因：减少空洞，节省磁盘

风险

目前该功能还处于初级阶段，有不完善的地方，比如数据导入的方式比较粗暴，中间如果有异常，需要重新执行（使用的ClickHouse版本为：1.1.54342），据开发者描述，后续会支持直接在ClickHouse里对第三方数据源进行查询操作，无需建表、导入
MySQL的参数需要修改，如max_allowed_packet
数据导入时需要注意带宽，实测可以达到50MB/S
如果MySQL里的字段有decimal字符类型会怎么样？ClickHouse没有双精度的类型
部分SQL需要改写
- 如双引号改单引号

讨论

ClickHouse为啥快？
1. MySQL单条SQL是单线程的，只能跑满一个core，ClickHouse相反，有多少CPU，吃多少资源，所以飞快
2. ClickHouse不支持事务，不存在隔离级别。这里要额外说一下，有人觉得，你一个数据库都不支持事务，不支持ACID还玩个毛。ClickHouse的定位是分析性数据库，而不是严格的关系型数据库。又有人要问了，数据都不一致，统计个毛。举个例子，汽车的油表是100%准确么？为了获得一个100%准确的值，难道每次测量你都要停车检查么？统计数据的意义在于用大量的数据看规律，看趋势，而不是100%准确。
3. IO方面，MySQL是行存储，ClickHouse是列存储，后者在count()这类操作天然有优势，同时，在IO方面，MySQL需要大量随机IO，ClickHouse基本是顺序IO。
4. 有人可能觉得上面的数据导入的时候，数据肯定缓存在内存里了，这个的确，但是ClickHouse基本上是顺序IO，用过就知道了，对IO基本没有太高要求，当然，磁盘越快，上层处理越快，但是99%的情况是，CPU先跑满了（数据库里太少见了，大多数都是IO不够用）。
说到MySQL上跑的各种复杂查询，那是相当痛苦的回忆。从索引层面，很难对这些SQL进行优化，这也是我从MySQL DBA转做数据分析后要解决的第一个问题
专业的事情让专业的数据库来做，放开MySQL吧~
太™快了，还不赶紧来试试

Reference

MySQLのデータをClickHouseで高速に集計する

数据导入

第一组

第二组

PK之count(*)

第一组

第二组

PK之复杂查询

第一组

第二组

压缩对比

风险

讨论

Reference

广告