Clickhouse-file：基于Clickhouse-local实现Clickhouse高效写入数据

前言

ClickHouse是一个用于OLAP（在线分析处理）的列式数据库管理系统，它专门为大数据量和高并发场景而设计。ClickHouse具有快速的扫描和聚合海量数据的能力，并且支持高并发查询，使其在处理数据分析任务方面比传统的行存储数据库更具优势。ClickHouse是一个开源项目，可以在较少的硬件资源上运行，并且可以轻松地水平扩展，以适应不断增长的数据量和流量。在快速增大的数据量的情况下，使用传统的数据写入模式，如：JDBC、CSV，会增大Clickhouse服务的数据解析压力。那是否有方法一方面能够提升数据写入量，另一方面减少Clickhouse的服务数据解析、写入压力呢？

1. 常用clickhouse flink connector

基于Clickhouse-jdbc

使用官方提供的Clickhouse-jdbc驱动，通过SQL的形式将数据提交到Clickhouse服务器。优势是灵活性最高，但是在大数据量写入的情况下该方法会触发频繁的后台文件合并，甚至会出现“too many parts”的错误，同时大量的SQL解析对Clickhouse服务器有影响。

官方插件（基于CSV）

将数据源流转化为CSV格式数据，并通过Http请求批量发送到Clickhouse。优势在于不需要任何驱动依赖，格式简单。缺点是稳定性差，对网络稳定性要求高

项目地址：GitHub - ivi-ru/flink-clickhouse-sink: Flink sink for Clickhouse

基于clickhouse-file插件

Clickhouse-file插件，其主要实现方式是，将数据写入到CSV文件，然后通过Clickhouse-local将CSV数据文件转换为Clickhouse-file数据文件，然后将CLickhouse-file上传到远程Clickhouse服务器，用户通过Clickhouse查询数据。其优势是处理大数据量速度快，并且由于在本地生成数据文件，对Clickhouse服务器压力相对较小。缺点是配置复杂度高，通用性较差。其相对于JDBC模式的显著优势是，处理海量数据对服务器造成的压力较小。现在已开源Clickhouse-file的产品有：ClickhouseFile | Apache SeaTunnel，项目仓库地址：seatunnel/seatunnel-connectors-v2/connector-clickhouse · GitHub

2. Clickhouse-file模式

基于Clickhouse-file 模式的，其主要实现方式是，将数据写入到CSV文件，然后通过Clickhouse-local将CSV数据文件转换为Clickhouse-file数据文件，然后将CLickhouse-file上传到远程Clickhouse服务器，用户通过Clickhouse查询数据。现在已开源的积压Clickhouse-file的项目有：ClickhouseFile | Apache SeaTunnel

2.1 基于Clickhouse file模式处理流程

Clickhouse Sink接收到源端数据源数据流
根据本地缓存的集群的数据分片策略，将数据分别写入到不同的本地缓存CSV文件
在同步执行数据快照时或缓存已满，使用Clickhouse Local将加载缓存的CSV数据文件，并生成本地Clickhouse文件
将Clickhouse本地文件，通过文件传输工具rsync传输到远程Clickhouse数据目录
数据文件Attach到Clickhouse Server，用户可以从Clickhouse中查询数据

2.2 关键技术组件

clickhouse-local

clickhouse local，开发人员可以直接从命令行使用SQL命令（使用clickhouse SQL方言），提供了一种简单高效的方式来访问clickhouse功能，而无需完整安装clickhouse。用户可以使用clickhouse在不连接clickhouse服务器的情况下，生成clickhouse文件数据，并且支持大多数clickhouse engine。根据这个特性，我们可以在本地将数据通过clickhouse local工具，在本地生成clickhouse数据文件，此文件传输到远程clickhouse数据目录，用户即可查询新的数据。

参考资料：clickhouse-local | ClickHouse Docs

clickhouse 临时文件传输到clickhouse服务器

支持两种文件传输方式：rsync、scp
- 相同点：
  - 均是基于ssh协议的安全传输工具。
  - 都可以通过远程主机的IP地址或域名进行连接，并且需要用户名和密码进行身份验证。
  - 传输数据时都会使用加密技术来保证数据的安全性。
- 不同点：
  - scp只支持文件传输，而rsync除了可以传输文件，还可以传输目录、链接、设备文件等。
  - rsync比scp更加灵活，能够自动检测并同步源和目标之间的差异，只传输发生变化的部分，从而提高传输效率。
  - rsync复制时可以指定多个源目录，将它们合并到一个目的目录中，而scp只能传输单个文件或目录。
  - rsync还支持增量备份，并且可以在网络传输中断后恢复传输，而scp则不支持这些特性。

Linux rsync

Linux rsync是一种用于文件同步和备份的命令行工具。它能够快速、可靠地将本地或远程计算机之间的文件进行同步，同时可以压缩数据传输并保证数据完整性。rsync的主要优点包括增量备份、支持复制硬链接和符号链接、支持过滤器以排除或包含特定文件和目录等功能。使用rsync可以帮助用户快速而有效地管理和备份文件，特别是在需要将文件从一个位置复制到另一个位置的情况下，比如在服务器之间同步数据。

Rsync可用于镜像数据、增量备份、在系统之间复制文件，并可替代scp、sftp和cp命令。

本地文件传输到远程：

rsync -a /opt/media/ remote_user@remote_host_or_ip:/opt/media/

远程文件传输到本地：

rsync -a remote_user@remote_host_or_ip:/opt/media/ /opt/media/

参考资料：Rsync Command in Linux with Examples | Linuxize

scp

基于SSH协议的安全文件传输命令，它可以在本地与远程系统之间复制文件和目录。

本地文件传输到远程：

scp /opt/media/ remote_user@remote_host_or_ip:/opt/media/

远程文件传输到本地：

scp remote_user@remote_host_or_ip:/opt/media//opt/media/

3. 实战

场景：将本地生成的CSV文件，通过Clickhouse-file导入到远程Clickhouse服务器

在clickhouse存在表my_first_table

CREATE TABLE my_first_table
(
    user_id UInt32,
    message String,
    timestamp DateTime
)
ENGINE = ReplacingMergeTree
PARTITION BY toYYYYMMDD(timestamp)
PRIMARY KEY user_id

本地新增CSV文件 test_tmp.csv，并写入数据

echo -e "1,wang,2023-05-11 10:00:00\n2,zhang,2023-05-12 11:00:00\n3,sun,2023-05-13 12:00:00" > /Users/vhicool/data/test_tmp.csv

通过clickhouse local将CSV文件转换为Clickhouse-file

./clickhouse local --file "/Users/vhicool/data/test_tmp.csv"  -S "user_id UInt32,message String,timestamp DateTime" -N "test_tmp_table" \
-q "CREATE TABLE IF NOT EXISTS my_first_table
(user_id UInt32,message String,timestamp DateTime) 
ENGINE = ReplacingMergeTree
PARTITION BY toYYYYMMDD(timestamp)
PRIMARY KEY user_id; 
INSERT INTO my_first_table select  user_id,message,timestamp from test_tmp_table"   \
--path "/Users/vhicool/data/test_tmp_file1"

此时我们到`/Users/vhicool/data/test_tmp_file1/目录下，可以查看当前生成的Clickhouse-file。

data/_local/
└── my_first_table
    ├── 20230511_1_1_0
    ├── 20230512_2_2_0
    ├── 20230513_3_3_0
    ├── detached
    └── format_version.tx

将Clickhouse-file文件复制到Clickhouse服务器数据目录

cp -r /Users/vhicool/data/test_tmp_file1/data/_local/my_first_table/*_*_*_* data/default/my_first_table/detached/

将数据文件ATTACH到Clickhouse数据表中

local :) ALTER TABLE my_first_table ATTACH PART '20230511_1_1_0'
local :) ALTER TABLE my_first_table ATTACH PART '20230512_2_2_0'
local :) ALTER TABLE my_first_table ATTACH PART '20230513_3_3_0'

查询导入的数据

local :)  SELECT * FROM my_first_table

┌─user_id─┬─message─┬───────────timestamp─┐
│       2 │ zhang   │ 2023-05-12 11:00:00 │
└─────────┴─────────┴─────────────────────┘
┌─user_id─┬─message─┬───────────timestamp─┐
│       1 │ wang    │ 2023-05-11 10:00:00 │
└─────────┴─────────┴─────────────────────┘
┌─user_id─┬─message─┬───────────timestamp─┐
│       3 │ sun     │ 2023-05-13 12:00:00 │
└─────────┴─────────┴─────────────────────┘

3 rows in set. Elapsed: 0.002 sec.

查询数据分片


local :)  SELECT
    partition,
    name,
    rows
FROM system.parts
WHERE table = 'my_first_table'

┌─partition─┬─name───────────┬─rows─┐
│ 20230511  │ 20230511_1_1_0 │    1 │
│ 20230512  │ 20230512_2_2_0 │    1 │
│ 20230513  │ 20230513_3_3_0 │    1 │
└───────────┴────────────────┴──────┘

3 rows in set. Elapsed: 0.003 sec.

参考资料

flink官方写入数据支持的格式
 clickhouse之数据写入问题_clickhouse insert/jdbc
百亿级数据同步，如何基于 SeaTunnel 的 ClickHouse 实现？ | Apache SeaTunnel