ClickHouse列式存儲數據庫的性能特性及底層存儲原理

ClickHouse是一款MPP架構的列式存儲數據庫，但MPP和列式存儲并不是什么"稀罕"的設計。擁有類似架構的其他數據庫產品也有很多，但是為什么偏偏只有ClickHouse的性能如此出眾呢？ClickHouse發(fā)展至今的演進過程一共經歷了四個階段，每一次階段演進，相比之前都進一步取其精華去其糟粕。可以說ClickHouse汲取了各家技術的精髓，將每一個細節(jié)都做到了極致。接下來將介紹ClickHouse的一些核心特性，正是這些特性形成的合力使得ClickHouse如此優(yōu)秀。

01完備的DBMS功能

ClickHouse擁有完備的管理功能，所以它稱得上是一個DBMS ( Database Management System，數據庫管理系統(tǒng))，而不僅是一個數據庫。作為一個DBMS，它具備了一些基本功能，如下所示。

?DDL (數據定義語言)：可以動態(tài)地創(chuàng)建、修改或刪除數據庫、表和視圖，而無須重啟服務。

?DML (數據操作語言)：可以動態(tài)查詢、插入、修改或刪除數據。

?權限控制：可以按照用戶粒度設置數據庫或者表的操作權限，保障數據的安全性。

?數據備份與恢復：提供了數據備份導出與導入恢復機制，滿足生產環(huán)境的要求。

?分布式管理：提供集群模式，能夠自動管理多個數據庫節(jié)點。

這里只列舉了一些最具代表性的功能，但已然足以表明為什么Click House稱得上是DBMS了。

02列式存儲與數據壓縮

列式存儲和數據壓縮，對于一款高性能數據庫來說是必不可少的特性。一個非常流行的觀點認為，如果你想讓查詢變得更快，最簡單且有效的方法是減少數據掃描范圍和數據傳輸時的大小，而列式存儲和數據壓縮就可以幫助我們實現(xiàn)上述兩點。列式存儲和數據壓縮通常是伴生的，因為一般來說列式存儲是數據壓縮的前提。

按列存儲與按行存儲相比，前者可以有效減少查詢時所需掃描的數據量，這一點可以用一個示例簡單說明。假設一張數據表A擁有50個字段A1～A50，以及100行數據。

按列存儲相比按行存儲的另一個優(yōu)勢是對數據壓縮的友好性。同樣可以用一個示例簡單說明壓縮的本質是什么。假設有兩個字符串abcdefghi和bcdefghi，現(xiàn)在對它們進行壓縮，如下所示：

壓縮前：abcdefghi_bcdefghi

壓縮后：abcdefghi_(9,8)

可以看到，壓縮的本質是按照一定步長對數據進行匹配掃描，當發(fā)現(xiàn)重復部分的時候就進行編碼轉換。例如上述示例中的(9，8)，表示如果從下劃線開始向前移動9個字節(jié)，會匹配到8個字節(jié)長度的重復項，即這里的bcdefghi。

真實的壓縮算法自然比這個示例更為復雜，但壓縮的實質就是如此。數據中的重復項越多，則壓縮率越高；壓縮率越高，則數據體量越??；而數據體量越小，則數據在網絡中的傳輸越快，對網絡帶寬和磁盤IO的壓力也就越小。既然如此，那怎樣的數據最可能具備重復的特性呢？答案是屬于同一個列字段的數據，因為它們擁有相同的數據類型和現(xiàn)實語義，重復項的可能性自然就更高。

ClickHouse就是一款使用列式存儲的數據庫，數據按列進行組織，屬于同一列的數據會被保存在一起，列與列之間也會由不同的文件分別保存(這里主要指MergeTree表引擎)。數據默認使用LZ4算法壓縮，在Yandex.Metrica的生產環(huán)境中，數據總體的壓縮比可以達到8:1 (未壓縮前17PB，壓縮后2PB )。列式存儲除了降低IO和存儲的壓力之外，還為向量化執(zhí)行做好了鋪墊。

03向量化執(zhí)行引擎

坊間有句玩笑，即"能用錢解決的問題，千萬別花時間"。而業(yè)界也有種調侃如出一轍，即"能升級硬件解決的問題，千萬別優(yōu)化程序"。有時候，你千辛萬苦優(yōu)化程序邏輯帶來的性能提升，還不如直接升級硬件來得簡單直接。這雖然只是一句玩笑不能當真，但硬件層面的優(yōu)化確實是最直接、最高效的提升途徑之一。向量化執(zhí)行就是這種方式的典型代表，這項寄存器硬件層面的特性，為上層應用程序的性能帶來了指數級的提升。

向量化執(zhí)行，可以簡單地看作一項消除程序中循環(huán)的優(yōu)化。這里用一個形象的例子比喻。小胡經營了一家果汁店，雖然店里的鮮榨蘋果汁深受大家喜愛，但客戶總是抱怨制作果汁的速度太慢。小胡的店里只有一臺榨汁機，每次他都會從籃子里拿出一個蘋果，放到榨汁機內等待出汁。如果有8個客戶，每個客戶都點了一杯蘋果汁，那么小胡需要重復循環(huán)8次上述的榨汁流程，才能榨出8杯蘋果汁。如果制作一杯果汁需要5分鐘，那么全部制作完畢則需要40分鐘。為了提升果汁的制作速度，小胡想出了一個辦法。他將榨汁機的數量從1臺增加到了8臺，這么一來，他就可以從籃子里一次性拿出8個蘋果，分別放入8臺榨汁機同時榨汁。此時，小胡只需要5分鐘就能夠制作出8杯蘋果汁。為了制作n杯果汁，非向量化執(zhí)行的方式是用1臺榨汁機重復循環(huán)制作n次，而向量化執(zhí)行的方式是用n臺榨汁機只執(zhí)行1次。

為了實現(xiàn)向量化執(zhí)行，需要利用CPU的SIMD指令。SIMD的全稱是Single Instruction Multiple Data，即用單條指令操作多條數據?，F(xiàn)代計算機系統(tǒng)概念中，它是通過數據并行以提高性能的一種實現(xiàn)方式(其他的還有指令級并行和線程級并行)，它的原理是在CPU寄存器層面實現(xiàn)數據的并行操作。

在計算機系統(tǒng)的體系結構中，存儲系統(tǒng)是一種層次結構。典型服務器計算機的存儲層次結構如圖1所示。一個實用的經驗告訴我們，存儲媒介距離CPU越近，則訪問數據的速度越快。

從上圖中可以看到，從左向右，距離CPU越遠，則數據的訪問速度越慢。從寄存器中訪問數據的速度，是從內存訪問數據速度的300倍，是從磁盤中訪問數據速度的3000萬倍。所以利用CPU向量化執(zhí)行的特性，對于程序的性能提升意義非凡。

ClickHouse目前利用SSE4.2指令集實現(xiàn)向量化執(zhí)行。

04關系模型與SQL查詢

相比HBase和Redis這類NoSQL數據庫，ClickHouse使用關系模型描述數據并提供了傳統(tǒng)數據庫的概念(數據庫、表、視圖和函數等)。與此同時，ClickHouse完全使用SQL作為查詢語言(支持GROUP BY、ORDER BY、JOIN、IN等大部分標準SQL )，這使得它平易近人，容易理解和學習。因為關系型數據庫和SQL語言，可以說是軟件領域發(fā)展至今應用最為廣泛的技術之一，擁有極高的"群眾基礎"。也正因為ClickHouse提供了標準協(xié)議的SQL查詢接口，使得現(xiàn)有的第三方分析可視化系統(tǒng)可以輕松與它集成對接。在SQL解析方面，ClickHouse是大小寫敏感的，這意味著SELECT a和SELECT A所代表的語義是不同的。

關系模型相比文檔和鍵值對等其他模型，擁有更好的描述能力，也能夠更加清晰地表述實體間的關系。更重要的是，在OLAP領域，已有的大量數據建模工作都是基于關系模型展開的(星型模型、雪花模型乃至寬表模型)。ClickHouse使用了關系模型，所以將構建在傳統(tǒng)關系型數據庫或數據倉庫之上的系統(tǒng)遷移到ClickHouse的成本會變得更低，可以直接沿用之前的經驗成果。

05多樣化的表引擎

也許因為Yandex.Metrica的最初架構是基于MySQL實現(xiàn)的，所以在ClickHouse的設計中，能夠察覺到一些MySQL的影子，表引擎的設計就是其中之一。與MySQL類似，ClickHouse也將存儲部分進行了抽象，把存儲引擎作為一層獨立的接口。截至本書完稿時，ClickHouse共擁有合并樹、內存、文件、接口和其他6大類20多種表引擎。其中每一種表引擎都有著各自的特點，用戶可以根據實際業(yè)務場景的要求，選擇合適的表引擎使用。

通常而言，一個通用系統(tǒng)意味著更廣泛的適用性，能夠適應更多的場景。但通用的另一種解釋是平庸，因為它無法在所有場景內都做到極致。

在軟件的世界中，并不會存在一個能夠適用任何場景的通用系統(tǒng)，為了突出某項特性，勢必會在別處有所取舍。其實世間萬物都遵循著這樣的道理，就像信天翁和蜂鳥，雖然都屬于鳥類，但它們各自的特點卻鑄就了完全不同的體貌特征。信天翁擅長遠距離飛行，環(huán)繞地球一周只需要1至2個月的時間。因為它能夠長時間處于滑行狀態(tài)，5天才需要扇動一次翅膀，心率能夠保持在每分鐘100至200次之間。而蜂鳥能夠垂直懸停飛行，每秒可以揮動翅膀70～100次，飛行時的心率能夠達到每分鐘1000次。如果用數據庫的場景類比信天翁和蜂鳥的特點，那么信天翁代表的可能是使用普通硬件就能實現(xiàn)高性能的設計思路，數據按粗粒度處理，通過批處理的方式執(zhí)行；而蜂鳥代表的可能是按細粒度處理數據的設計思路，需要高性能硬件的支持。

將表引擎獨立設計的好處是顯而易見的，通過特定的表引擎支撐特定的場景，十分靈活。對于簡單的場景，可直接使用簡單的引擎降低成本，而復雜的場景也有合適的選擇。

06多線程與分布式

ClickHouse幾乎具備現(xiàn)代化高性能數據庫的所有典型特征，對于可以提升性能的手段可謂是一一用盡，對于多線程和分布式這類被廣泛使用的技術，自然更是不在話下。

如果說向量化執(zhí)行是通過數據級并行的方式提升了性能，那么多線程處理就是通過線程級并行的方式實現(xiàn)了性能的提升。相比基于底層硬件實現(xiàn)的向量化執(zhí)行SIMD，線程級并行通常由更高層次的軟件層面控制?，F(xiàn)代計算機系統(tǒng)早已普及了多處理器架構，所以現(xiàn)今市面上的服務器都具備良好的多核心多線程處理能力。由于SIMD不適合用于帶有較多分支判斷的場景，ClickHouse也大量使用了多線程技術以實現(xiàn)提速，以此和向量化執(zhí)行形成互補。

如果一個籃子裝不下所有的雞蛋，那么就多用幾個籃子來裝，這就是分布式設計中分而治之的基本思想。同理，如果一臺服務器性能吃緊，那么就利用多臺服務的資源協(xié)同處理。為了實現(xiàn)這一目標，首先需要在數據層面實現(xiàn)數據的分布式。因為在分布式領域，存在一條金科玉律—計算移動比數據移動更加劃算。在各服務器之間，通過網絡傳輸數據的成本是高昂的，所以相比移動數據，更為聰明的做法是預先將數據分布到各臺服務器，將數據的計算查詢直接下推到數據所在的服務器。ClickHouse在數據存取方面，既支持分區(qū)(縱向擴展，利用多線程原理)，也支持分片(橫向擴展，利用分布式原理)，可以說是將多線程和分布式的技術應用到了極致。

07多主架構

HDFS、Spark、HBase和Elasticsearch這類分布式系統(tǒng)，都采用了Master-Slave主從架構，由一個管控節(jié)點作為Leader統(tǒng)籌全局。而ClickHouse則采用Multi-Master多主架構，集群中的每個節(jié)點角色對等，客戶端訪問任意一個節(jié)點都能得到相同的效果。這種多主的架構有許多優(yōu)勢，例如對等的角色使系統(tǒng)架構變得更加簡單，不用再區(qū)分主控節(jié)點、數據節(jié)點和計算節(jié)點，集群中的所有節(jié)點功能相同。所以它天然規(guī)避了單點故障的問題，非常適合用于多數據中心、異地多活的場景。

08在線查詢

ClickHouse經常會被拿來與其他的分析型數據庫作對比，比如Vertica、SparkSQL、Hive和Elasticsearch等，它與這些數據庫確實存在許多相似之處。例如，它們都可以支撐海量數據的查詢場景，都擁有分布式架構，都支持列存、數據分片、計算下推等特性。這其實也側面說明了ClickHouse在設計上確實吸取了各路奇技淫巧。與其他數據庫相比，ClickHouse也擁有明顯的優(yōu)勢。例如，Vertica這類商用軟件價格高昂；SparkSQL與Hive這類系統(tǒng)無法保障90%的查詢在1秒內返回，在大數據量下的復雜查詢可能會需要分鐘級的響應時間；而Elasticsearch這類搜索引擎在處理億級數據聚合查詢時則顯得捉襟見肘。

正如ClickHouse的"廣告詞"所言，其他的開源系統(tǒng)太慢，商用的系統(tǒng)太貴，只有Clickouse在成本與性能之間做到了良好平衡，即又快又開源。ClickHouse當之無愧地闡釋了"在線"二字的含義，即便是在復雜查詢的場景下，它也能夠做到極快響應，且無須對數據進行任何預處理加工。

09Leetcode超級會員數據分片與分布式查詢

數據分片是將數據進行橫向切分，這是一種在面對海量數據的場景下，解決存儲和查詢瓶頸的有效手段，是一種分治思想的體現(xiàn)。ClickHouse支持分片，而分片則依賴集群。每個集群由1到多個分片組成，而每個分片則對應了ClickHouse的1個服務節(jié)點。分片的數量上限取決于節(jié)點數量( 1個分片只能對應1個服務節(jié)點)。

ClickHouse并不像其他分布式系統(tǒng)那樣，擁有高度自動化的分片功能。ClickHouse提供了本地表( Local Table )與分布式表( Distributed Table )的概念。一張本地表等同于一份數據的分片。而分布式表本身不存儲任何數據，它是本地表的訪問代理，其作用類似分庫中間件。借助分布式表，能夠代理訪問多個數據分片，從而實現(xiàn)分布式查詢。

這種設計類似數據庫的分庫和分表，十分靈活。例如在業(yè)務系統(tǒng)上線的初期，數據體量并不高，此時數據表并不需要多個分片。所以使用單個節(jié)點的本地表(單個數據分片)即可滿足業(yè)務需求，待到業(yè)務增長、數據量增大的時候，再通過新增數據分片的方式分流數據，并通過分布式表實現(xiàn)分布式查詢。這就好比一輛手動擋賽車，它將所有的選擇權都交到了使用者的手中。

云原生概念的誕生ClickHouse存儲層

ClickHouse從OLAP場景需求出發(fā)，定制開發(fā)了一套全新的高效列式存儲引擎，并且實現(xiàn)了數據有序存儲、主鍵索引、稀疏索引、數據Sharding、數據Partitioning、TTL、主備復制等豐富功能。以上功能共同為ClickHouse極速的分析性能奠定了基礎。

列式存儲

與行存將每一行的數據連續(xù)存儲不同，列存將每一列的數據連續(xù)存儲。示例圖如下：

相比于行式存儲，列式存儲在分析場景下有著許多優(yōu)良的特性。

1）如前所述，分析場景中往往需要讀大量行但是少數幾個列。在行存模式下，數據按行連續(xù)存儲，所有列的數據都存儲在一個block中，不參與計算的列在IO時也要全部讀出，讀取操作被嚴重放大。而列存模式下，只需要讀取參與計算的列即可，極大的減低了IO cost，加速了查詢。

2）同一列中的數據屬于同一類型，壓縮效果顯著。列存往往有著高達十倍甚至更高的壓縮比，節(jié)省了大量的存儲空間，降低了存儲成本。

3）更高的壓縮比意味著更小的data size，從磁盤中讀取相應數據耗時更短。

4）自由的壓縮算法選擇。不同列的數據具有不同的數據類型，適用的壓縮算法也就不盡相同?？梢葬槍Σ煌蓄愋?，選擇最合適的壓縮算法。

5）高壓縮比，意味著同等大小的內存能夠存放更多數據，系統(tǒng)cache效果更好。

數據有序存儲

ClickHouse支持在建表時，指定將數據按照某些列進行sort by。

排序后，保證了相同sort key的數據在磁盤上連續(xù)存儲，且有序擺放。在進行等值、范圍查詢時，where條件命中的數據都緊密存儲在一個或若干個連續(xù)的Block中，而不是分散的存儲在任意多個Block， 大幅減少需要IO的block數量。另外，連續(xù)IO也能夠充分利用操作系統(tǒng)page cache的預取能力，減少page fault。

主鍵索引

ClickHouse支持主鍵索引，它將每列數據按照index granularity（默認8192行）進行劃分，每個index granularity的開頭第一行被稱為一個mark行。主鍵索引存儲該mark行對應的primary key的值。

對于where條件中含有primary key的查詢，通過對主鍵索引進行二分查找，能夠直接定位到對應的index granularity，避免了全表掃描從而加速查詢。

但是值得注意的是：ClickHouse的主鍵索引與MySQL等數據庫不同，它并不用于去重，即便primary key相同的行，也可以同時存在于數據庫中。要想實現(xiàn)去重效果，需要結合具體的表引擎ReplacingMergeTree、CollapsingMergeTree、VersionedCollapsingMergeTree實現(xiàn)，我們會在未來的文章系列中再進行詳細解讀。

數據插入、更新、刪除

Clickhouse是個分析型數據庫。這種場景下，數據一般是不變的，因此Clickhouse對update、delete的支持是比較弱的，實際上并不支持標準的update、delete操作。

Clickhouse通過alter方式實現(xiàn)更新、刪除，它把update、delete操作叫做mutation(突變)。

標準SQL的更新、刪除操作是同步的，即客戶端要等服務端反回執(zhí)行結果（通常是int值）；而Clickhouse的update、delete是通過異步方式實現(xiàn)的，當執(zhí)行update語句時，服務端立即反回，但是實際上此時數據還沒變，而是排隊等著。

Mutation具體過程

首先，使用where條件找到需要修改的分區(qū)；然后，重建每個分區(qū)，用新的分區(qū)替換舊的，分區(qū)一旦被替換，就不可回退；對于每個分區(qū)，可以認為是原子性的；但對于整個mutation，如果涉及多個分區(qū)，則不是原子性的。

? 更新功能不支持更新有關主鍵或分區(qū)鍵的列。

? 更新操作沒有原子性，即在更新過程中select結果很可能是一部分變了，一部分沒變，從上邊的具體過程就可以知道。

? 更新是按提交的順序執(zhí)行的。

? 更新一旦提交，不能撤銷，即使重啟Clickhouse服務，也會繼續(xù)按照system.mutations的順序繼續(xù)執(zhí)行。

? 已完成更新的條目不會立即刪除，保留條目的數量由finished_mutations_to_keep存儲引擎參數確定。超過數據量時舊的條目會被刪除。

? 更新可能會卡住，比如update intvalue='abc’這種類型錯誤的更新語句執(zhí)行不過去，那么會一直卡在這里，此時，可以使用KILL MUTATION來取消。

使用建議

按照官方的說明，update/delete的使用場景是一次更新大量數據，也就是where條件篩選的結果應該是一大片數據。

舉例：alter table test update status=1 where status=0 and day='2020-04-01'，一次更新一天的數據。

那么，能否一次只更新一條數據呢？例如：alter table test update pv=110 where id=100當然也可以，但頻繁的這種操作，可能會對服務造成壓力。這很容易理解，如上文提到，更新的單位是分區(qū)，如果只更新一條數據，那么需要重建一個分區(qū)；如果更新100條數據，而這100條可能落在3個分區(qū)上，則需重建3個分區(qū)；相對來說一次更新一批數據的整體效率遠高于一次更新一行。對于頻繁單條更新的這種場景，建議使用ReplacingMergeTree引擎來變相解決。具體如何使用，以后有時間再整理。

Hbase隨機讀寫，但是Hbase的update操作不是真的update，它的實際操作是insert一條新的數據，打上不同的timestamp，而老的數據會在有效期之后自動刪除。而Clickhouse干脆就不支持update和delete。

ClickHouse核心涉及模塊

1. Column與Field

Column和Field是ClickHouse數據最基礎的映射單元。作為一款百分之百的列式存儲數據庫，ClickHouse按列存儲數據，內存中的一列數據由一個Column對象表示。Column對象分為接口和實現(xiàn)兩個部分，在IColumn接口對象中，定義了對數據進行各種關系運算的方法，例如插入數據的insertRangeFrom和insertFrom方法、用于分頁的cut，以及用于過濾的filter方法等。而這些方法的具體實現(xiàn)對象則根據數據類型的不同，由相應的對象實現(xiàn)，例如ColumnString、ColumnArray和ColumnTuple等。在大多數場合，ClickHouse都會以整列的方式操作數據，但凡事也有例外。如果需要操作單個具體的數值(也就是單列中的一行數據)，則需要使用Field對象，F(xiàn)ield對象代表一個單值。與Column對象的泛化設計思路不同，F(xiàn)ield對象使用了聚合的設計模式。在Field對象內部聚合了Null、UInt64、String和Array等13種數據類型及相應的處理邏輯。

2. DataType

數據的序列化和反序列化工作由DataType負責。IDataType接口定義了許多正反序列化的方法，它們成對出現(xiàn)，例如serializeBinary和deserializeBinary、serializeTextJSON和deserializeTextJSON等，涵蓋了常用的二進制、文本、JSON、XML、CSV和Protobuf等多種格式類型。IDataType也使用了泛化的設計模式，具體方法的實現(xiàn)邏輯由對應數據類型的實例承載，例如DataTypeString、DataTypeArray及DataTypeTuple等。

DataType雖然負責序列化相關工作，但它并不直接負責數據的讀取，而是轉由從Column或Field對象獲取。在DataType的實現(xiàn)類中，聚合了相應數據類型的Column對象和Field對象。例如，DataTypeString會引用字符串類型的ColumnString，而DataTypeArray則會引用數組類型的ColumnArray，以此類推。

3. Block與Block流

ClickHouse內部的數據操作是面向Block對象進行的，并且采用了流的形式。雖然Column和Filed組成了數據的基本映射單元，但對應到實際操作，它們還缺少了一些必要的信息，比如數據的類型及列的名稱。于是ClickHouse設計了Block對象，Block對象可以看作數據表的子集。Block對象的本質是由數據對象、數據類型和列名稱組成的三元組，即Column、DataType及列名稱字符串。Column提供了數據的讀取能力，而DataType知道如何正反序列化，所以Block在這些對象的基礎之上實現(xiàn)了進一步的抽象和封裝，從而簡化了整個使用的過程，僅通過Block對象就能完成一系列的數據操作。在具體的實現(xiàn)過程中，Block并沒有直接聚合Column和DataType對象，而是通過ColumnWithTypeAndName對象進行間接引用。

有了Block對象這一層封裝之后，對Block流的設計就是水到渠成的事情了。流操作有兩組頂層接口：IBlockInputStream負責數據的讀取和關系運算，IBlockOutputStream負責將數據輸出到下一環(huán)節(jié)。Block流也使用了泛化的設計模式，對數據的各種操作最終都會轉換成其中一種流的實現(xiàn)。IBlockInputStream接口定義了讀取數據的若干個read虛方法，而具體的實現(xiàn)邏輯則交由它的實現(xiàn)類來填充。

IBlockInputStream接口總共有60多個實現(xiàn)類，它們涵蓋了ClickHouse數據攝取的方方面面。這些實現(xiàn)類大致可以分為三類：第一類用于處理數據定義的DDL操作，例如DDLQueryStatusInputStream等；第二類用于處理關系運算的相關操作，例如LimitBlockInput-Stream、JoinBlockInputStream及AggregatingBlockInputStream等；第三類則是與表引擎呼應，每一種表引擎都擁有與之對應的BlockInputStream實現(xiàn)，例如MergeTreeBaseSelect-BlockInputStream ( MergeTree表引擎)、TinyLogBlockInputStream ( TinyLog表引擎)及KafkaBlockInputStream ( Kafka表引擎)等。

IBlockOutputStream的設計與IBlockInputStream如出一轍。IBlockOutputStream接口同樣也定義了若干寫入數據的write虛方法。它的實現(xiàn)類比IBlockInputStream要少許多，一共只有20多種。這些實現(xiàn)類基本用于表引擎的相關處理，負責將數據寫入下一環(huán)節(jié)或者最終目的地，例如MergeTreeBlockOutputStream、TinyLogBlockOutputStream及StorageFileBlock-OutputStream等。

4. Table

在數據表的底層設計中并沒有所謂的Table對象，它直接使用IStorage接口指代數據表。表引擎是ClickHouse的一個顯著特性，不同的表引擎由不同的子類實現(xiàn)，例如IStorageSystemOneBlock (系統(tǒng)表)、StorageMergeTree (合并樹表引擎)和StorageTinyLog (日志表引擎)等。IStorage接口定義了DDL (如ALTER、RENAME、OPTIMIZE和DROP等)、read和write方法，它們分別負責數據的定義、查詢與寫入。在數據查詢時，IStorage負責根據AST查詢語句的指示要求，返回指定列的原始數據。后續(xù)對數據的進一步加工、計算和過濾，則會統(tǒng)一交由Interpreter解釋器對象處理。對Table發(fā)起的一次操作通常都會經歷這樣的過程，接收AST查詢語句，根據AST返回指定列的數據，之后再將數據交由Interpreter做進一步處理。

文章出處：【微信公眾號：數據分析與開發(fā)】

責任編輯：gt