问题描述
我正在努力与Clickhouse保持每个PK的唯一数据行。
我选择此Column base DB来快速表示统计数据,并且对其速度非常满意。但是,这里出现了一些重复的数据问题。
测试表看起来像...
CREATE TABLE test2 (
`uid` String COMMENT 'User ID',`name` String COMMENT 'name'
) ENGINE ReplacingMergeTree(uid)
ORDER BY uid
PRIMARY KEY uid;
让我们假设我将使用此表来联接显示名称(此表中的name
字段)。但是,我可以在同一个PK(排序键)中插入很多数据。
例如
INSERT INTO test2
(uid,name) VALUES ('1','User1');
INSERT INTO test2
(uid,'User2');
INSERT INTO test2
(uid,'User3');
SELECT * FROM test2 WHERE uid = '1';
现在,我可以看到具有相同排序键的3行。有什么方法可以使密钥唯一,至少可以防止在密钥存在的情况下插入?
让我们考虑以下情况
表和数据是
CREATE TABLE blog (
`blog_id` String,`blog_writer` String
) ENGINE MergeTree
ORDER BY tuple();
CREATE TABLE statistics (
`date` UInt32,`blog_id` String,`read_cnt` UInt32,`like_cnt` UInt32
) ENGINE MergeTree
ORDER BY tuple();
INSERT INTO blog (blog_id,blog_writer) VALUES ('1','name1');
INSERT INTO blog (blog_id,blog_writer) VALUES ('2','name2');
INSERT INTO statistics(date,blog_id,read_cnt,like_cnt) VALUES (202007,'1',10,20);
INSERT INTO statistics(date,like_cnt) VALUES (202008,20,0);
INSERT INTO statistics(date,like_cnt) VALUES (202009,3,1);
INSERT INTO statistics(date,'2',11,2);
这是汇总查询
SELECT
b.writer,a.read_sum,a.like_sum
FROM
(
SELECT
blog_id,SUM(read_cnt) as read_sum,SUM(like_cnt) as like_sum
FROM statistics
GROUP BY blog_id
) a JOIN
(
SELECT blog_id,blog_writer as writer FROM blog
) b
ON a.blog_id = b.blog_id;
此刻它可以正常工作,但是如果出现新的低点,如
INSERT INTO statistics(date,60,0);
我期望的是更新低,“ name1”'read_sum
的总和为73
。但它显示93
,因为它允许重复插入。
有什么办法
- 防止重复插入
- 或在表格中设置唯一的保证PK
谢谢。
解决方法
我不认为这是解决问题的方法,但至少从商业角度来说,我以这种方式绕过了问题。
由于clickhouse正式不支持修改表数据。(它们提供ALTER TABLE ... UPDATE | DELETE
,但最终它们将重写表)我将表分成多个小分区(在我的情况下,一个分区约有50,000个数据),如果出现重复的数据,则1)删除分区2)再次重新插入数据。在上述情况下,我总是在插入之前执行ALTER TABLE ... DROP PARTITION
语句。
我也尝试过ReplacingMergeTree
,但是仍然发生数据重复。(也许我不明白如何使用该表,但是我给出了一个排序键-当我插入重复的数据时,同一数据中有多个数据排序键)
想到的一件事是ReplacingMergeTree
。它不能保证立即没有重复,但最终会做到。如文档所述:
重复数据删除仅在合并期间发生。合并发生在 背景在未知的时间,因此您无法为此做准备。某些 数据可能仍未处理。
我个人使用的另一种方法是引入另一个名为_ts
的列-插入行时的时间戳。这样,您就可以跟踪更改,并借助clickhouse漂亮的{{1}},可以轻松获取给定pk的行的最新版本。
limit by
选择看起来像这样:
CREATE TABLE test2 (
`uid` String COMMENT 'User ID',`name` String COMMENT 'name',`_ts` DateTime
) ENGINE MergeTree(uid)
ORDER BY uid;
实际上,您不需要pk,只需在SELECT uid,name FROM test2 ORDER BY _ts DESC LIMIT 1 BY uid;
中指定需要行唯一的行/行即可。
除了ReplacingMergeTree
异步运行重复数据删除之外,因此您可以临时复制具有相同pk的行,还可以使用CollapsingMergeTree
或VersionedCollapsingMergeTree
。
使用CollapsingMergeTree
,您可以执行以下操作:
CREATE TABLE statistics (
`date` UInt32,`blog_id` String,`read_cnt` UInt32,`like_cnt` UInt32,`sign` Int8
) ENGINE CollapsingMergeTree(sign)
ORDER BY tuple()
PRIMARY KEY blog_id;
唯一的警告是在重复的PK的每个插入上,您必须取消先前的寄存器,如下所示:
# first insert
INSERT INTO statistics(date,blog_id,read_cnt,like_cnt,sign) VALUES (202008,'1',20,1);
# cancel previous insert and insert the new one
INSERT INTO statistics(date,-1);
INSERT INTO statistics(date,11,2,1);