一、导入数据
1、同步mysql库中表
CREATE TABLE tab1 ENGINE = MergeTree ORDER BY id AS SELECT * FROM mysql('hostip:3306', 'db', 'table', 'user', 'passwd') ;
注：id mysql中的主键
2、csv文件导入clickhouse
2.1、创建表
CREATE TABLE tab1(
eventDate Date,
impid UInt64,
uid String,
idfa String,
imei String
) ENGINE=MergeTree(eventDate, (impid, eventDate), 8192)
一般情况下, 都建议使用 MergeTree 引擎. 这个引擎必须要有一个 Date 的列来作为索引, 即上面的 eventDate.
2.2、导入CSV数据
cat test.csv | clickhouse-client -u user --password password --query="INSERT INTO db.tab1 FORMAT CSV";
指定分隔符
cat test.csv | clickhouse-client -u user --password password --format_csv_delimiter="|" --query="INSERT INTO db.tab1 FORMAT CSV";
导入数据时忽略错误
clickhouse-client --input_format_allow_errors_num=100000 --input_format_allow_errors_ratio=0.2
--input_format_allow_errors_num : 是允许的错误数
--input_format_allow_errors_ratio : 是允许的错误率, 范围是 [0-1]
3、采用remote函数
insert into db.tab1 select * from remote('目标IP',db.table,'user','passwd')
4、clickhouse-copier 工具
5、hdfs导入数据
ClickHouse与Hadoop的兼容性不好，数据交互还是依靠将数据导出为固定格式的文件，然后将文件导入到ClickHouse中。
准备
创建student.csv文件，
添加内容如下：
1,lis
2,wangw
3,zhaos
上传到HDFS
[hadoop01@localhost webapps]# hadoop fs -put student.csv /
5.1、从HDFS读取数据
从HDFS上读取数据类似于将HDFS作为外部存储，然后去拉取HDFS上的数据。
需要用到一个新的引擎HDFS：
CREATE TABLE hdfs_student_csv(
id Int8,
name String
)
Engine=HDFS('hdfs://hadoop01:9000/student.csv','csv');
但是数据实际上还是在HDFS上，如果关掉HDFS，他就会报错。
5.2、从HDFS导入数据
我们想要将读取到的数据保存到本地，只需要将读取数据的表导入其他的本地表。
创建一张表结构和hdfs_student_csv完全一致，但是表引擎无所谓。
CREATE TABLE student_local(
id Int8,
name String
)
Engine=TinyLog;
导入数据：
insert into student_local select * from hdfs_student_csv;
6、INSERT INTO插入数据
主要用于向表中添加数据，基本格式如下：
INSERT INTO [db.]table [(c1, c2, c3)] VALUES (v11, v12, v13), (v21, v22, v23), ...
还可以使用select来写入数据：
INSERT INTO [db.]table [(c1, c2, c3)] SELECT ...
insert into t2 select * from t3
不严格插入数据，没有出现的列自动填充为默认值
INSERT INTO [db.]table [(c1, c2, c3)] VALUES (v11, v12, v13), (v21, v22)
严格插入数据，每一列都必须出现在上面
INSERT INTO [db.]table [(c1, c2, c3)] FORMAT Values (v11, v12, v13), (v21, v22, v23)
ClickHouse不支持的修改数据的查询：UPDATE, DELETE, REPLACE, MERGE, UPSERT, INSERT UPDATE。
二、导出数据
1、导出 CSV 数据
clickhouse-client --query="select uid, idfa, imei from (select impid, uid from tab1 where impid >= 15289903030261609347 and impid <= 15289904230261609347) any inner join (select impid, idfa, imei from tab1 where impid >= 15289903030261609347 and impid <= 15289904230261609347) using(impid) format CSV" > 9c9dc608-269b-4f02-b122-ef5dffb2669d.log
三、删除库、表、数据、分区
1、删除库
2、删除表
drop table tabl;
删除集群多个节点同一张表
drop table tabl on cluster clickhouse_cluster;
3、删除数据
删除表的数据，对主键支持的可以，非主键有时数据删除有问题
删除指定数据
ALTER TABLE <table> DELETE WHERE <filter expression>
全部删除
您始终必须指定过滤器表达式。如果要通过Mutation删除所有数据，请指定始终为true的内容，例如：
ALTER TABLE <table> DELETE WHERE 1=1
truncate table tabl;
清理集群表数据
truncate table lmmbase.user_label_uid on cluster crm_4shards_1replicas;
4、删除分区
按时间分区：
toYYYYMM(EventDate)：按月分区
toMonday(EventDate)：按周分区
toDate(EventDate)：按天分区
按指定列分区：
PARTITION BY cloumn_name
对分区的操作：
alter table tab1 DROP PARTITION [partition] #删除分区
alter table tab1 DETACH PARTITION [partition]#下线分区
alter table tab1 ATTACH PARTITION [partition]#恢复分区
MergeTree 引擎中删除分区
注意, 默认情况下 mergeTree 引擎是按月分区的, 删除分区的格式为 201808
如果想修改为按日分区, 则在建表时加上:
ENGINE = MergeTree PARTITION BY eventDate ORDER BY imp_id SETTINGS index_granularity = 8192;
然后就可以:
alter table xxx drop partition '2018-08-08';
默认情况下, Clickhouse 不允许删除分区或表的大小大于 50GB 的分区或表. 可以通过修改server的配置文件来永久配置. 也可以临时设置一下来删除而不用重启服务.
永久配置
sudo vim /etc/clickhouse-server/config.xml
然后注释掉下面两行
<!-- <max_table_size_to_drop>0</max_table_size_to_drop> -->
<!-- <max_partition_size_to_drop>0</max_partition_size_to_drop> -->
0表示不限制. 或者你可以设置为你想限制的最大的大小.
临时设置
创建个标志文件:
sudo touch '/home/username/clickhouse/flags/force_drop_table' && sudo chmod 666 '/home/username/clickhouse/flags/force_drop_table'
创建好之后, 就可以执行上面的删除分区或表的命令了.
四、更新
ALTER只支持MergeTree系列，Merge和Distributed引擎的表，基本语法：
ALTER TABLE [db].name [ON CLUSTER cluster] ADD|DROP|MODIFY COLUMN ...
参数解析：
ADD COLUMN – 向表中添加新列
DROP COLUMN – 在表中删除列
MODIFY COLUMN – 更改列的类型
1、更新数据
也可以用类似的方法进行变异（UPDATE）
ALTER TABLE <table> UPDATE column1 = expr1 [, ...] WHERE <filter expression>
2、变更表名
rename table tabl1 to tabl2;
3、添加新列
alter table tab1 add column age UInt32 default 0;
4、更改列的类型
alter table tab1 modify column age UInt16
5、删除age列
alter table tab1 drop column age
6、查看表结构
desc tabl;
五、表创建
1、创建本地表 drop TABLE if exists idc.web_element_detail_dist on CLUSTER idc_cluster ; drop TABLE if exists idc.web_element_detail on CLUSTER idc_cluster ; CREATE TABLE if not exists idc.web_element_detail on CLUSTER idc_cluster ( `task_id` UInt64 COMMENT '拨测任务id', `target` String COMMENT '域名/网址', `target_name` String COMMENT '网址名称', `element` String COMMENT '元素名称', `report_time` DateTime COMMENT '上报时间', `net_type` String COMMENT '网络接入方式', `probe_id` String COMMENT '探针id', `opt_type` String COMMENT '运营商类型', `opt_name` String COMMENT '运营商名称', `province_id` UInt32 COMMENT '省份编码', `province_name` String COMMENT '省份名称', `city_id` UInt32 COMMENT '地市编码', `city_name` String COMMENT '地市名称', `area_id` UInt32 COMMENT '区县编码', `area_name` String COMMENT '区县名称', `busi_type` String COMMENT '业务类型', `element_num` String COMMENT '元素个数', `idc_ip` String COMMENT '目标ip地址', `idc_delay` Float32 COMMENT 'idc延迟', `idc_size` Float32 COMMENT 'idc大小' , `ip_opt_type` String COMMENT '目标运营商类型', `ip_opt_name` String COMMENT '目标运营商名称', `ip_province_id` UInt32 COMMENT '目标IP省份编码', `ip_province_name` String COMMENT '目标IP省份名称', `ip_city_id` UInt32 COMMENT '目标IP地市编码', `ip_city_name` String COMMENT '目标IP地市名称', `ip_area_id` UInt32 COMMENT '目标IP区县编码', `ip_area_name` String COMMENT '目标IP区县名称', `five_min` UInt32, `ten_min` UInt32, `half_hour` UInt32, `one_hour` UInt32, `four_hour` UInt32, `half_day` UInt32 ) ENGINE = MergeTree() PARTITION BY (task_id, toYYYYMMDD(report_time)) ORDER BY (target, report_time) SETTINGS index_granularity = 8192; 2、创建分布式表 CREATE TABLE idc.web_element_detail_dist on CLUSTER idc_cluster AS idc.web_element_detail ENGINE = Distributed(idc_cluster, idc, web_element_detail, rand());
六、检查表数据损坏
CHECK TABLE
检查表中的数据是否损坏，他会返回两种结果：
0 – 数据已损坏
1 – 数据完整
该命令只支持Log，TinyLog和StripeLog引擎。
七、join 表性能
join 表性能
切记, 要用大表 join 小表. (不知道具体为什么, 从经验上看, 用大表作为驱动表, 性能远远快于用小表作为驱动表). (MySQL 里的话, 则是小表驱动大表).
优化 distinct count
之前
select yob, count(), count(distinct uid, idfa, imei) from nginx_bid_log where eventDate='2018-9-1' group by yob;
之后
select yob, count(), count(distinct(sipHash64(concat(uid, idfa, imei)))) from nginx_bid_log where eventDate='2018-9-1' group by yob;
查看数据分布
select histogram(100)(upstream_resp_time) from (select upstream_resp_time from nginx_bid_log where eventDate = '2018-12-13') format CSV;
histogram(100) 表示组距100 (即分成100等份的的分布) , 后面的 upstream_resp_time 是你的列名, 即按这个列的数据来进行统计.
select upstream_resp_time, bar(列名, 最小值, 最大, step) from tableXX;
显示简单的图形.
hex 十六进制 转换为 十进制
SELECT reinterpretAsInt64(reverse(unhex('123')));
md5 分区
# 一
SELECT reinterpretAsInt64(reverse(unhex(substring(md5_field, 1, 1))));
# 二, md5 => hex => 十进制 => 取模
SELECT modulo(reinterpretAsInt64(reverse(unhex(substring(md5_field, 1, 1)))), 5);