一、clickhouse-简介

ClickHouse是俄罗斯的Yandex于2016年开源的一个用于联机分析(OLAP:Online Analytical Processing)的列式数据库管理系统(DBMS:Database Management System) , 主要用于在线分析处理查询（OLAP），能够使用SQL查询实时生成分析数据报告。 ClickHouse的全称是Click Stream，Data WareHouse，简称ClickHouse

ClickHouse是一个完全的列式分布式数据库管理系统(DBMS)，允许在运行时创建表和数据库，加载数据和运行查询，而无需重新配置和重新启动服务器，支持线性扩展，简单方便，高可靠性，容错。它在大数据领域没有走 Hadoop 生态，而是采用 Local attached storage （本地连接存储）作为存储，这样整个 IO 可能就没有 Hadoop 那一套的局限。它的系统在生产环境中可以应用到比较大的规模，因为它的线性扩展能力和可靠性保障能够原生支持 shard + replication 这种解决方案。它还提供了一些 SQL 直接接口，有比较丰富的原生 client。

补充OLAP概念
OLAP基础概念篇 https://blog.csdn.net/qq_37933018/article/details/111535904
OLAP开源组件篇 https://blog.csdn.net/qq_37933018/article/details/111537128

1、ClickHouse优点

1. 灵活的MPP(大规模并行处理)架构 ，支持线性扩展，简单方便，高可靠性

2. 多服务器分布式处理数据 ，完备的DBMS（数据库管理）系统

3. 底层数据列式存储，支持压缩，优化数据存储，优化索引数据，优化底层存储

4. 容错跑分快：比Vertica快5倍，比Hive快279倍，比MySQL快800倍，其可处理的数据级别已达到10亿级别

5. 功能多：支持数据统计分析各种场景，支持类SQL查询，异地复制部署

6. 海量数据存储,分布式运算,快速闪电的性能,几乎实时的数据分析 ,友好的SQL语法,出色的函数支持

2、ClickHouse缺点

1. 不支持事务，不支持真正的删除/更新 (批量)
2. 不支持高并发，官方建议qps为100（qps：每秒请求数，就是说服务器在一秒的时间内处理了多少个请求），可以通过修改配置文件增加连接数，但是在服务器足够好的情况下
3. 不支持二级索引
4. 不擅长多表join（一般都设计为大宽表）
5. 元数据管理需要人为干预
6. 尽量做1000条以上批量的写入，避免逐行insert或小批量的insert，update，delete操作

3、应用场景

1. 绝大多数请求都是用于读访问的, 要求实时返回结果
2. 数据需要以大批次（大于1000行）进行更新，而不是单行更新；或者根本没有更新操作
3. 数据只是添加到数据库，没有必要修改
4. 读取数据时，会从数据库中提取出大量的行，但只用到一小部分列
5. 表很“宽”，即表中包含大量的列
6. 查询频率相对较低（通常每台服务器每秒查询数百次或更少）
7. 对于简单查询，允许大约50毫秒的延迟
8. 列的值是比较小的数值和短字符串（例如，每个URL只有60个字节）
9. 在处理单个查询时需要高吞吐量（每台服务器每秒高达数十亿行）
10. 不需要事务
11. 数据一致性要求较低 [原子性 持久性 一致性 隔离性]
12. 每次查询中只会查询一个大表。除了一个大表，其余都是小表
13. 查询结果显著小于数据源。即数据有过滤或聚合。返回结果不超过单个服务器内存大小

4 核心概念

（1） 数据分片

数据分片是将数据进行横向切分，这是一种在面对海量数据的场 景下，解决存储和查询瓶颈的有效手段，是一种分治思想的体现。 ClickHouse支持分片，而分片则依赖集群。每个集群由1到多个分片组成，而每个分片则对应了ClickHouse的1个服务节点。分片的数量上限取决于节点数量（1个分片只能对应1个服务节点）。ClickHouse并不像其他分布式系统那样，拥有高度自动化的分片功能。ClickHouse提供了本地表（Local Table）与分布式表（Distributed Table）的概念。一张本地表等同于一份数据的分片。而分布式表本身不存储任何数据，它是本地表的访问代理，其作用类似分库中间件。借助分布式表，能够代理访问多个数据分片，从而实现分布式查询。这种设计类似数据库的分库和分表，十分灵活。例如在业务系统上线的初期，数据体量并不高，此时数据表并不需要多个分片。所以使用单个节点的本地表（单个数据分片）即可满足业务需求，待到业务增长、数据量增大的时候，再通过新增数据分片的方式分流数据，并通过分布式表实现分布式查询。这就好比一辆手动挡赛车，它将所有的选择权都交到了使用者的手中!

（2）列式存储

1）如前所述，分析场景中往往需要读大量行但是少数几个列。在行存模式下，数据按行连续存储，所有列的数据都存储在一个block中，不参与计算的列在IO时也要全部读出，读取操作被严重放大。而列存模式下，只需要读取参与计算的列即可，极大的减低了IO cost，加速了查询。

2）同一列中的数据属于同一类型，压缩效果显著。列存往往有着高达十倍甚至更高的压缩比，节省了大量的存储空间，降低了存储成本。

3）更高的压缩比意味着更小的data size，从磁盘中读取相应数据耗时更短。

4）自由的压缩算法选择。不同列的数据具有不同的数据类型，适用的压缩算法也就不尽相同。可以针对不同列类型，选择最合适的压缩算法。

5）高压缩比，意味着同等大小的内存能够存放更多数据，系统cache效果更好。

官方数据显示，通过使用列存，在某些分析场景下，能够获得100倍甚至更高的加速效应。

（3） 向量化

ClickHouse不仅将数据按列存储，而且按列进行计算。传统OLTP数据库通常采用按行计算，原因是事务处理中以点查为主，SQL计算量小，实现这些技术的收益不够明显。但是在分析场景下，单个SQL所涉及计算量可能极大，将每行作为一个基本单元进行处理会带来严重的性能损耗：

1）对每一行数据都要调用相应的函数，函数调用开销占比高；

2）存储层按列存储数据，在内存中也按列组织，但是计算层按行处理，无法充分利用CPU cache的预读能力，造成CPU Cache miss严重；

3）按行处理，无法利用高效的SIMD指令；

ClickHouse实现了向量执行引擎（Vectorized execution engine），对内存中的列式数据，一个batch（批量）调用一次SIMD指令（而非每一行调用一次），不仅减少了函数调用次数、降低了cache miss，而且可以充分发挥SIMD指令的并行能力，大幅缩短了计算耗时。向量执行引擎，通常能够带来数倍的性能提升。

(SIMD全称Single Instruction Multiple Data，单指令多数据流，能够复制多个操作数，并把它们打包在大型寄存器的一组指令集。以同步方式，在同一时间内执行同一条指令。)

（4） 表

上层数据的视图展示概念 ,包括表的基本结构和数据

（5） 分区

ClickHouse支持PARTITION BY子句，在建表时可以指定按照任意合法表达式进行数据分区操作，比如通过toYYYYMM()将数据按月进行分区、toMonday()将数据按照周几进行分区、对Enum类型的列直接每种取值作为一个分区等。数据以分区的形式统一管理和维护一批数据!

（6） 副本

数据存储副本,在集群模式下实现高可用 , 简单理解就是相同的数据备份，在CK（ClickHouse缩写）中通过复制集，我们实现保障了数据可靠性外，也通过多副本的方式，增加了CK查询的并发能力。这里一般有2种方式：

（1）基于ZooKeeper的表复制方式；

（2）基于Cluster的复制方式。

由于我们推荐的数据写入方式本地表写入，禁止分布式表写入，所以我们的复制表只考虑ZooKeeper的表复制方案。

（7） 引擎 必须指定引擎

不同的引擎决定了表数据的存储特点,位置和表数据的操作行为:

1. 决定表存储在哪里以及以何种方式存储

2. 支持哪些查询以及如何支持

3. 并发数据访问

4. 索引的使用

5. 是否可以执行多线程请求

6. 数据是否存储副本

7. 并发操作 insert into tb_x select * from tb_x ;

表引擎决定了数据在文件系统中的存储方式，常用的也是官方推荐的存储引擎是MergeTree系列，如果需要数据副本的话可以使用ReplicatedMergeTree系列，相当于MergeTree的副本版本。读取集群数据需要使用分布式表引擎Distribute。

二、ClickHouse部署

ClickHouse支持运行在主流64位CPU架构（X86、AArch和 PowerPC）的Linux操作系统之上，可以通过源码编译、预编译压缩包、Docker镜像和RPM等多种方法进行安装。

1、单节点部署

yum  -y install yum-utils
rpm --import https://repo.clickhouse.tech/CLICKHOUSE-KEY.GPG
yum-config-manager --add-repo https://repo.clickhouse.tech/rpm/clickhouse.repo
yum -y  install clickhouse-server clickhouse-client/etc/init.d/clickhouse-server start   -- 启动服务

2、CK目录介绍

程序在安装的过程中会自动构建整套目录结构，接下来分别说明它们的作用。

（1）/etc/clickhouse-server

服务端的配置文件目录，包括全局配置config.xml 和用户配置users.xml等。

（2）/var/lib/clickhouse

默认的数据存储目录（通常会修改默认路径配置，将数据保存到大容量磁盘挂载的路径）。

（3）/var/log/clickhouse-server

默认保存日志的目录（通常会修改路径配置，将日志保存到大容量磁盘挂载的路径）。

（4）/usr/bin 默认添加进系统环境变量中

在/usr/bin下搜索命令

find ./ -name "clickhouse*"
clickhouse：主程序的可执行文件。
clickhouse-client：一个指向ClickHouse可执行文件的软链接，供客户端连接 使用。
clickhouse-server：一个指向ClickHouse可执行文件的软链接，供服务端启动 使用。
clickhouse-compressor：内置提供的压缩工具，可用于数据的正压反解。

3、CK服务启动

（1）修改数据、日志文件目录（也可不修改）

vi /etc/clickhouse-server/config.xml

<path>/chbase/data/</path>
<tmp_path>/chbase/data/tmp/</tmp_path>
<user_files_path>/chbase/data/user_files/</user_files_path>
<format_schema_path>/chbase/data/format_schemas/</format_schema_path>

（2）启动服务

ClickHouse的底层访问接口支持TCP和HTTP两种协议，其中，TCP 协议拥有更好的性能，其默认端口为9000，主要用于集群间的内部通信及CLI客户端；而HTTP协议则拥有更好的兼容性，可以通过REST服务的形式被广泛用于JAVA、Python等编程语言的客户端，其默认端口为8123。通常而言，并不建议用户直接使用底层接口访问ClickHouse，更为推荐的方式是通过CLI和JDBC这些封装接口，因为它们更加简单易用!

# 启动
/etc/init.d/clickhouse-server start
# 停止
/etc/init.d/clickhouse-server stop

查看9000端口

netstat -nltp | grep 9000
tcp6       0      0 :::9000                 :::*                    LISTEN      1354/clickhouse-ser

（3）连接客户端

交互式客户端

clickhouse-client  -u  default  --password  -m

默认用户即为 default ，默认不设置密码，所以以上命令可以简写为

clickhouse-client -m

一些其他命令：

（1）–host/-h：服务端的地址，默认值为localhost。如果修改了 config.xml内的listen_host，则需要依靠此参数指定服务端 地址

（2）–port：服务端的TCP端口，默认值为9000。如果要修改config.xml内的tcp_port，则需要使用此参数指定。

（3）–user/-u：登录的用户名，默认值为default。如果使用非 default的其他用户名登录，则需要使用此参数指定，例如下 面所示代码。关于自定义用户的介绍将在后面介绍或者关注博客地址。 https://blog.csdn.net/qq_37933018?t=1

（4）–password：登录的密码，默认值为空。如果在用户定义中未设置 密码，则不需要填写（例如默认的default用户）。

（5）–database/-d：登录的数据库，默认值为default。

（6）–query/-q：只能在非交互式查询时使用，用于指定SQL语句。

（7）–multiquery/-n：在非交互式执行时，允许一次运行多条SQL语 句，多条语句之间以分号间隔。

（8）–time/-t：在非交互式执行时，会打印每条SQL的执行时间

（9）-m：允许换行

非交互式客户端

非交互式执行方式一般只执行一次 ,不进入到客户中的非操作方式 ,用户测试,数据导入, 数据导出非常方便 !

clickhouse-client  -n -q
clickhouse-client  -q -n  'show databases; use test1;' ;
-n 支持同时执行多个SQL语句 ,语句之间使用;号分割
-q 执行SQL语句

（4）使用 idea 远程连接

修改 /etc/clickhouse-server/config.xml 配置文件，使其支持远程连接

将 <listen_host>::</listen_host> 放开。其中 :: 的意思是任何机器都可以访问。
重启clickHouse

下载 ClickHose 驱动，输入主机、用户名即可连接

连接不成功检查以下几点：

• ClickHose 服务是否启动
• 域名映射是否正确
• 防火墙是否关闭
• 该服务是否允许远程连接

三、clickhouse基础入门

1、基本语法展示

-- 展示所有数据库
show databases ;
-- 创建数据库
create database if not exists test1 ;
-- 选择数据库
use test1 ;
-- 查看当前数据库
select currentDatabase() ;
-- 删除数据库
drop database test1 ;
-- 查看当前库下所有表
show tables ;
--查看建表语句：
show create table tb_orders3;

2、数据类型

注意在CK中关键字严格区分大小写，字符串用单引号

建表的时候一般情况下要指定引擎!!!表不同的引擎决定了数据存储的位置 数据存储的特点，以及上层操作的方式

create table tb_test1(
id Int8 ,
name String
)engine=Memory;

（一）数值类型

（1）IntX和UIntX

以前我们常用Tinyint、Smallint、Int和Bigint指代整数的不同取值范围。而ClickHouse则直接使用Int8、Int16、Int32和Int64指代4种大小的Int类型，其末尾的数字正好表明了占用字节的大小（8位=1字节）

ClickHouse支持无符号的整数，使用前缀U表示

create table test_int(id Int8 ,age UInt8 ,cdId Int32
)engine=Memory ;

（2）FloatX

注意: 和我们以前的认知是一样的,这种数据类型在数据特别精准的情况下可能出现数据精度问题!

Select 8.0/0 -->inf 正无穷

Select -8.0/0 -->inf 负无穷

Select 0/0 -->nan 非数字

（3）Decimal

如果要求更高精度的数值运算，则需要使用定点数。ClickHouse提供了Decimal32、Decimal64和Decimal128三种精度的定点数。可以通过两种形式声明定点：

简写方式有Decimal32(S)、Decimal64(S)、 Decimal128(S)三种

原生方式为Decimal(P,S)，其中：

P代表精度，决定总位数（整数部分+小数部分），取值范围是1 ～38；S代表规模，决定小数位数，取值范围是0～P

Decimal 总位数（P）多一位报错 小数部分（S）多一位自动抹去

在使用两个不同精度的定点数进行四则运算的时候，它们的小数点位数S会发生变化。

在进行加法运算时，S取最大值。例如下面的查询，toDecimal64(2,4)与toDecimal32(2,2)相加后S=4：

在进行减法运算时，S取最大值。例如下面的查询，toDecimal64(2,4)与toDecimal32(2,2)相减后S=4：

在进行乘法运算时，S取最和。例如下面的查询，toDecimal64(2,4)与toDecimal32(2,2)相乘后S=4+2：

在进行除法运算时，S取最大值。例如下面的查询，toDecimal64(2,4)与toDecimal32(2,2)相除后S=4：但是要保证被除数的S大于除数的S,否则会报错

create table test_decimal(
id Int8 ,
sal Decimal(5,2) -- 5 总位数  2 小数位   确定2
)engine=Memory ;

（二）字符串类型

字符串类型可以细分为String、FixedString和UUID三类。从命名来看仿佛不像是由一款数据库提供的类型，反而更像是一门编程语言的设计,没错CK语法具备编程语言的特征(数据+运算)

（1）String

字符串由String定义，长度不限。因此在使用String的时候无须声明大小。它完全代替了传统意义上数据库的Varchar、Text、Clob和Blob等字符类型。String类型不限定字符集，因为它根本就没有这个概念，所以可以将任意编码的字符串存入其中。但是为了程序的规范性和可维护性，在同一套程序中应该遵循使用统一的编码，例如“统一保持UTF-8编码”就是一种很好的约定。所以在对数据操作的时候我们不在需要区关注编码和乱码问题!

（2）FixedString

FixedString类型和传统意义上的Char类型有些类似，对于一些字符有明确长度的场合，可以使用固定长度的字符串。定长字符串通过FixedString(N)声明，其中N表示字符串长度。但与Char不同的是， FixedString使用null字节填充末尾字符，而Char通常使用空格填充。比如在下面的例子中，字符串‘abc’虽然只有3位，但长度却是5，因为末尾有2位空字符填充 !

create table test_str(name String ,job FixedString(4)   -- 最长4个字符
)engine=Memory ;

（3）UUID

UUID是一种数据库常见的主键类型，在ClickHouse中直接把它作为一种数据类型。UUID共有32位，它的格式为8-4-4-4-12。如果一个UUID类型的字段在写入数据时没有被赋值，则会依照格式使用0填充

CREATE TABLE test_uuid
(`uid` UUID,`name` String
)
ENGINE = Log ;DESCRIBE TABLE test_uuid
┌─name─┬─type───┬
│ uid  │ UUID   │
│ name │ String │
└──────┴────────┴--以下两种写法等价
insert into test_uuid select generateUUIDv4() , 'zss' ;
insert into test_uuid  values (generateUUIDv4() , 'zss') ;select * from test_uuid ;
┌──────────────────────────────────uid─┬─name─┐
│ 47e39e22-d2d6-46fd-8014-7cd3321f4c7b │ zss  │
└──────────────────────────────────────┴──────┘-------------------------UUID类型的字段默认补位0-----------------------------
insert into test_uuid (name) values('hangge') ;
┌──────────────────────────────────uid─┬─name─┐
│ 47e39e22-d2d6-46fd-8014-7cd3321f4c7b │ zss  │
└──────────────────────────────────────┴──────┘
┌──────────────────────────────────uid─┬─name───┐
│ 00000000-0000-0000-0000-000000000000 │ hangge │
└──────────────────────────────────────┴────────┘

（三）时间类型

（1） Date

Date类型不包含具体的时间信息，只精确到天，支持字符串形式写入：

CREATE TABLE test_date
(`id` int,`cd` Date
)
ENGINE = Memory ;
DESCRIBE TABLE test_date  ;
┌─name─┬─type──┬
│ id   │ Int32 │
│ ct   │ Date  │
└──────┴───────┴
insert into test_date vlaues(1,'2021-09-11'),(2,now()) ;
select id , ct from test_date ;┌─id─┬─────────ct─┐
│  1 │ 2021-09-11 │
│  2 │ 2021-05-17 │
└────┴────────────┘

（2） DateTime

DateTime类型包含时、分、秒信息，精确到秒，支持字符串形式写入：

create table testDataTime(ctime DateTime) engine=Memory ;
insert into testDataTime values('2021-12-27 01:11:12'),(now()) ;
select * from testDataTime ;

（3）DateTime64

DateTime64可以记录亚秒（毫秒），它在DateTime之上增加了精度的设置

create table testDataTime64(ctime DateTime64) engine=Memory ;
insert into testDataTime64 values('2021-12-27 01:11:12.189'),(now()) ;
select * from testDataTime64 ;

（4）三种日期类型都支持插入时间戳

注意：Date 、Date32、DateTime 都只支持单位为秒的时间戳，单位为毫秒的时间戳在这三个类型中解析出的时间会出错

DateTime64 支持单位为毫秒的时间戳

create table tb_date(
cdate01  Date  ,
cdate02  Date32 ,
cdate03  DateTime ,
cdate04  DateTime64
)engine = Memory ;insert into tb_date values (1632628849 , 1632628849 ,1632628849 ,1632628849189) ;┌────cdate01─┬────cdate02─┬─────────────cdate03─┬─────────────────cdate04─┐
│ 2021-09-26 │ 2021-09-26 │ 2021-09-26 12:00:49 │ 2021-09-26 12:00:49.189 │
└────────────┴────────────┴─────────────────────┴─────────────────────────┘

（四）复杂类型

（1）Enum 枚举

ClickHouse支持枚举类型，这是一种在定义常量时经常会使用的数据类型。ClickHouse提供了Enum8和Enum16两种枚举类型，它们除了取值范围不同之外，别无二致。枚举固定使用(String:Int)Key/Value键值对的形式定义数据，所以Enum8和Enum16分别会对应(String:Int8)和(String:Int16)!

create table test_enum(id Int8 , color Enum('red'=1 , 'green'=2 , 'blue'=3)) engine=Memory ;
insert into  test_enum values(1,'red'),(1,'red'),(2,'green');
--也可以使用这种方式进行插入数据:
insert into test_enum values(3,3) ;
-- 报错  枚举定义的时候没有这个值  限制值的使用
insert into t_enum values(4,'PINK');

在定义枚举集合的时候，有几点需要注意。首先，Key和Value是不允许重复的，要保证唯一性。其次，Key和Value的值都不能为Null，但Key允许是空字符串。在写入枚举数据的时候，只会用到Key字符串部分，

注意: 其实我们可以使用字符串来替代Enum类型来存储数据,那么为什么是要使用枚举类型呢？这是出于性能的考虑。因为虽然枚举定义中的Key属于String类型，但是在后续对枚举的所有操作中（包括排序、分组、去重、过滤、底层存储等），会使用Int类型的Value值 ,提高处理数据的效率!

• 限制枚举类型字段的值
• 底层存储的是对应的Int类型的数据 , 使用更小的存储空间
• 可以使用String来替代枚举 / 没有值的限定
• 插入数据的时候可以插入指定的字符串 也可以插入对应的int值

（2）Array(T) 数组

CK支持数组这种复合数据类型 , 并且数据在操作在今后的数据分析中起到非常便利的效果!数组的定义方式有两种 : array(e1,e2…)或[e1,e2…]
数组中的数据类型必须是一致的!

CK数组取元素 角标从1开始

-- 数组的定义
[1,2,3,4,5]
array('a' , 'b' , 'c')create table test_array(
id Int8 ,
hobby Array(String)
)engine=Memory ;insert into test_array values(1,['eat','drink','la']),(2,array('sleep','palyg','sql'));select id , hobby  , toTypeName(hobby) from test_array ;
┌─id─┬─hobby───────────────────┬─toTypeName(hobby)─┐
│  1 │ ['eat','drink','la']    │ Array(String)     │
│  2 │ ['sleep','palyg','sql'] │ Array(String)     │
└────┴─────────────────────────┴───────────────────┘--数组一些相关函数 arr代表数组名
-- 数组取值 注意，角标从1开始
arr[index]
arrayElement(arr,index)
--数组长度
length(arr)
arr.size0
--数组的高阶函数
arrayMap(函数，数组名)  --对数组中的每个数据处理
select id , name , arrayMap(e->upper(e)  , fs) from t_friend ;

（3）Tuple 元组

元组类型由1～n个元素组成，每个元素之间允许设置不同的数据类型，且彼此之间不要求兼容。元组同样支持类型推断，其推断依据仍然以最小存储代价为原则。与数组类似，元组也可以使用两种方式定义，tuple(…)、(…) 。元组中可以存储多种数据类型,但是要注意数据类型的顺序

select tuple(1,'asb',12.23) as x , toTypeName(x) ;┌─x───────────────┬─toTypeName(tuple(1, 'asb', 12.23))─┐
│ (1,'asb',12.23) │ Tuple(UInt8, String, Float64)      │
└─────────────────┴────────────────────────────────────┘
---简写形式
SELECT (1, 'asb', 12.23) AS x,toTypeName(x)
┌─x───────────────┬─toTypeName(tuple(1, 'asb', 12.23))─┐
│ (1,'asb',12.23) │ Tuple(UInt8, String, Float64)      │
└─────────────────┴────────────────────────────────────┘--注意:建表的时候使用元组的需要制定元组的数据类型
CREATE TABLE test_tuple (
c1 Tuple(UInt8, String, Float64)
) ENGINE = Memory;

• col Tuple(Int8,Int8,String) – 定义泛型

select tupleElement(c1 , 2)   from test_tuple;  -- 获取元组指定位置的值

（4）Nested 嵌套

Nested是一种嵌套表结构。一张数据表，可以定义任意多个嵌套类型字段，但每个字段的嵌套层级只支持一级，即嵌套表内不能继续使用嵌套类型。对于简单场景的层级关系或关联关系，使用嵌套类型也是一种不错的选择。

create table test_nested(uid Int8 ,name String ,props Nested(pid Int8,pnames String ,pvalues String)
)engine = Memory ;
desc test_nested ;
┌─name──────────┬─type──────────┬
│ uid           │ Int8          │
│ name          │ String        │
│ props.pid     │ Array(Int8)   │
│ props.pnames  │ Array(String) │
│ props.pvalues │ Array(String) │
└───────────────┴───────────────┴

嵌套类型本质是一种多维数组的结构。嵌套表中的每个字段都是一个数组，并且行与行之间数组的长度无须对齐。需要注意的是，在同一行数据内每个数组字段的长度必须相等。
可以对多个数组的元素的个数进行每行统一

insert into test_nested values(1,'hadoop',[1,2,3],['p1','p2','p3'],['v1','v2','v3']);
-- 行和行之间的属性的个数可以不一致 ,但是当前行的Nested类型中的数组个数必须一致
insert into test_nested values(2,'spark',[1,2],['p1','p2'],['v1','v2']);
SELECT *
FROM test_nested┌─uid─┬─name───┬─props.pid─┬─props.pnames─────┬─props.pvalues────┐
│   1 │ hadoop │ [1,2,3]   │ ['p1','p2','p3'] │ ['v1','v2','v3'] │
└─────┴────────┴───────────┴──────────────────┴──────────────────┘
┌─uid─┬─name──┬─props.pid─┬─props.pnames─┬─props.pvalues─┐
│   2 │ spark │ [1,2]     │ ['p1','p2']  │ ['v1','v2']   │
└─────┴───────┴───────────┴──────────────┴───────────────┘
SELECT uid,name,props.pid,props.pnames[1]
FROM test_nested;
┌─uid─┬─name───┬─props.pid─┬─arrayElement(props.pnames, 1)─┐
│   1 │ hadoop │ [1,2,3]   │ p1                            │
└─────┴────────┴───────────┴───────────────────────────────┘
┌─uid─┬─name──┬─props.pid─┬─arrayElement(props.pnames, 1)─┐
│   2 │ spark │ [1,2]     │ p1                            │
└─────┴───────┴───────────┴───────────────────────────────┘

和单纯的多个数组类型的区别是: 每行数据中的每个属性数组的长度一致

（5）Map 键值对

create table t_map(
id  Int8 ,
m Map(String,UInt8)
)engine = Memory ;
-- 插入数据 有两种方式
insert  into t_map values(1 , map('zss',23,'lss',33,'ww',44)) ;
insert  into t_map values(2 , {'zss':23,'lss':33,'ww':44}) ,(3, {'zss':23,'lss':33,'ww':44}) ;select * from t_map;
┌─id─┬─m───────────────────────────┐
│  1 │ {'zss':23,'lss':33,'ww':44} │
└────┴─────────────────────────────┘//map取值也可以用arrayElement
select arrayElement(m,'zss') from t_map;
┌─arrayElement(m, 'zss')─┐
│                     23 │
└────────────────────────┘

（6）GEO

（7）IPV4 域名

域名类型分为IPv4和IPv6两类，本质上它们是对整型和字符串的进一步封装。IPv4类型是基于UInt32封装的，IPv6类型是基于FixedString(16)封装的

使用域名类型好处

• 出于便捷性的考量，例如IPv4类型支持格式检查，格式错误的IP数据是无法被写入的，例如：

INSERT INTO IP4_TEST VALUES ('www.51doit.com','192.0.0')
//报错
Code: 441. DB::Exception: Invalid IPv4 value.

• 出于性能的考量，同样以IPv4为例，IPv4使用UInt32存储，相比String更加紧凑，占用的空间更小，查询性能更快。IPv6类型是基于FixedString(16)封装的，它的使用方法与IPv4别无二致, 在使用Domain（域名）类型的时候还有一点需要注意，虽然它从表象上看起来与String一样，但Domain类型并不是字符串，所以它不支持隐式的自动类型转换。如果需要返回IP的字符串形式，则需要显式调用 IPv4NumToString或IPv6NumToString函数进行转换。

create table test_domain(
id Int8 ,
ip IPv4
)engine=Memory ;
insert  into test_domain values(1,'192.168.133.2') ;
insert  into test_domain values(1,'192.168.133') ; 在插入数据的会进行数据的检查所以这行数据会报错
-- Exception on client:
-- Code: 441. DB::Exception: Invalid IPv4 value.
-- Connecting to database doit1 at localhost:9000 as user default.
-- Connected to ClickHouse server version 20.8.3 revision 54438.

（8）Boolean和Nullable

ck中没有Boolean类型 ,使用1和0来代表true和false

Nullable 某种数据类型允许为null , 或者是没有给值的情况下模式是NULL

create table test_null(
id  Int8 ,age Int8
)engine = Memory ;create table test_null2(
id  Int8 ,age Nullable(Int8)
)engine = Memory ;

（9）强制类型转换

使用 cast(v , dataType) 函数强制类型转换

SELECT cast(12.23 + 3, 'Int8')
┌─CAST(plus(12.23, 3), 'Int8')─┐
│                           15 │
└──────────────────────────────┘

cast函数的三种写法

select   cast(12.23 + 3, 'Int8')
select   cast(12.23 + 3 as Int8)
select   (12.23 + 3) :: Int8 ;

使用cast实现拉链操作

-- 拉链操作
SELECT CAST(([1, 2, 3], ['Ready', 'Steady', 'Go']), 'Map(UInt8, String)') AS map;
┌─map───────────────────────────┐
│ {1:'Ready',2:'Steady',3:'Go'} │
└───────────────────────────────┘SELECT CAST(([1, 2, 3], ['Ready', 'Steady', 'Go']), 'Map(UInt8, String)') AS map , mapKeys(map) as ks , mapValues(map) as vs;
┌─map───────────────────────────┬─ks──────┬─vs──────────────────────┐
│ {1:'Ready',2:'Steady',3:'Go'} │ [1,2,3] │ ['Ready','Steady','Go'] │
└───────────────────────────────┴─────────┴─────────────────────────┘

ClickHouse基础相关推荐

1. 【clickhouse】ClickHouse基础、实践、调优全视角解析

   1.概述 ClickHouse基础.实践.调优全视角解析(part1-配置篇) ClickHouse基础.实践.调优全视角解析(part2-表引擎介绍) ClickHouse基础.实践.调优全视角解析 ...

2. Clickhouse 基础知识 - 函数

   -------------------------------------------------- ------------------------------------------------- ...

3. Clickhouse—基础架构

   ClickHouse 基础架构 我们从两块来看ClickHouse的基础架构 ClickHouse集群结构 ClickHouse 内部结构 1. ClickHouse集群结构 ClickHouse 采 ...

4. clickhouse 基础知识

   转自:https://www.jianshu.com/p/a5bf490247ea Clickhouse是一个用于联机分析处理(OLAP)的列式数据库管理系统(columnar DBMS). 传统数据 ...

5. clickhouse基础教程

   一.基础概念 Clickhouse由俄罗斯Yandex公司开源的数据库,专为OLAP而设计. Yandex是俄罗斯最大的搜索引擎公司,官方宣称ClickHouse 日处理记录数"十亿级&qu ...

6. ClickHouse基础知识及与MySQL性能对比

   文章目录 ClickHouse介绍 如何理解OLTP和OLAP 如何理解行式存储和列式存储 ClickHouse应用场景 ClickHouse引擎 Log系列引擎 MergeTree系列表引擎 Col ...

7. Clickhouse 函数基础入门

   Clickhouse 基础知识 - 函数 -------------------------------------------------- ---------------Clickhouse基础知 ...

8. clickhouse安装_初识ClickHouse——安装与入门

   前言: 久闻 ClickHouse 大名,一直没有去详细了解.近期看了下 ClickHouse 相关文档,决定安装体验下.想了解 ClickHouse 的小伙伴可以一起跟着学习哦.本篇文章主要介绍 C ...

9. clickhouse的常见问题以及和mysql相关特性对比

   FBI warning: 本文乃小白视角中的clickhouse,有一定mysql基础,但是没有clickhouse基础. 带着问题来学习 如何理解行式存储和列式存储? clickhouse有哪些引擎 ...

最新文章

1. 杂项-Log：NLog
2. 2019 阿里云峰会·北京站正式启动，互联网出海分论坛报名开启...
3. linux 运行cmd文件,cmd文件如何在虚拟linux下运行
4. [渝粤教育] 广东-国家-开放大学 21秋期末考试马克思主义基本原理概论(A)10882k1 (5)
5. Spring的组件赋值以及环境属性@PropertySource
6. linux打开pythonshall,linux系统shell脚本后台运行python程序
7. 1.4编程基础之逻辑表达式与条件分支 08 判断一个数能否同时被3和5整除
8. 《GPUPro》笔记
9. docker load tar.gz包失败解决方法
10. 开源GIS（十九）——WKT、WKB与GeoJSON
11. 【Mava】一个分布式多智能体强化学习研究框架
12. Flash Builder实用快捷键集锦
13. VUE实现市、区二级联动
14. 系统管理服务器名,服务器管理系统排名
15. 我的架构感悟：从美国宪法学习架构设计原则
16. 安卓Android修改车机版系统的导航栏和状态栏高度
17. 17.机器比人更需要通证
18. MVC设计模式的理解
19. 微信小程序-导航吸顶+view锚点
20. GlidedSky爬虫-验证码1

热门文章

1. umi ssr 之从入门到放弃
2. 成人学历提升考试内容有哪些-难考吗
3. unreal python部分函数功能
4. AE10.0破解版无法使用的状况
5. ssm毕设项目高校教师工作量的核算的设计与实现g6ipj（java+VUE+Mybatis+Maven+Mysql+sprnig）
6. Retrieving the COM class factory for component with CLSID {00024500-0000-000
7. 数据结构-时间复杂度计算示例
8. 支持批量查询中通快递单号的推荐软件
9. 如何在Sage X3 ERP中使用集装箱管理和物流跟踪
10. 思特威科创板上市：市值227亿 募资缩水15.6亿