騰訊阿里頭條翻牌子 | ClickHouse中MergeTree的存儲結構和查詢加速

點擊上方藍色字體，選擇“設爲星標”

回覆”資源“獲取更多資源

在上上一篇文章中《 ClickHouse表引擎到底怎麼選》，我們提到了ClickHouse的引擎選擇問題，本文中我們會介紹在ClickHouse中的SQL執行過程。

在上篇文章中《騰訊阿里頭條翻牌子 | ClickHouse中SQL執行過程》我們提到SQL在ClickHouse中的SQL執行過程。

引言

ClickHouse是最近比較火的一款開源列式存儲分析型數據庫，它最核心的特點就是極致存儲壓縮率和查詢性能，本人最近正在學習ClickHouse這款產品中。從我個人的視角來看存儲是決定一款數據庫核心競爭力、適用場景的關鍵所在，所以接下來我會陸續推出一系列文章來分析ClickHouse中最重要的MergeTree存儲內核。本文主旨在於介紹MergeTree的存儲格式，並且徹底剖析MergeTree存儲的極致檢索性能。

MergeTree存儲

MergeTree思想

提到MergeTree這個詞，可能大家都會聯想到LSM-Tree這個數據結構，我們常用它來解決隨機寫磁盤的性能問題，MergeTree的核心思想和LSM-Tree相同。MergeTree存儲結構需要對用戶寫入的數據做排序然後進行有序存儲，數據有序存儲帶來兩大核心優勢：

• 列存文件在按塊做壓縮時，排序鍵中的列值是連續或者重複的，使得列存塊的數據壓縮可以獲得極致的壓縮比。

• 存儲有序性本身就是一種可以加速查詢的索引結構，根據排序鍵中列的等值條件或者range條件我們可以快速找到目標行所在的近似位置區間(下文會展開詳細介紹)，而且這種索引結構是不會產生額外存儲開銷的。

大家可以從ClickHouse的官方文檔上找到一系列的MergeTree表引擎，包括基礎的MergeTree，擁有數據去重能力的ReplacingMergeTree、CollapsingMergeTree、VersionedCollapsingMergeTree，擁有數據聚合能力的SummingMergeTree、AggregatingMergeTree等。但這些擁有“特殊能力”的MergeTree表引擎在存儲上和基礎的MergeTree其實沒有任何差異，它們都是在數據Merge的過程中加入了“額外的合併邏輯”，這部分會在後續介紹MergeTree異步Merge機制的文章中詳細展開介紹。

MergeTree存儲結構

爲了方便大家理解表的存儲結構，下面列舉了某個POC用戶的測試表DDL，我們將從這個表入手來分析MergeTree存儲的內核設計。從DDL的PARTITION BY申明中我們可以看出用戶按每個區服每小時粒度創建了數據分區，而每個數據分區內部的數據又是按照(action_id, scene_id, time_ts, level, uid)作爲排序鍵進行有序存儲。

     
     
     
      
      
      CREATE TABLE user_action_log (
  `time` DateTime DEFAULT CAST('1970-01-01 08:00:00', 'DateTime') COMMENT '日誌時間',
  `action_id` UInt16 DEFAULT CAST(0, 'UInt16') COMMENT '日誌行爲類型id',
  `action_name` String DEFAULT '' COMMENT '日誌行爲類型名',
  `region_name` String DEFAULT '' COMMENT '區服名稱',
  `uid` UInt64 DEFAULT CAST(0, 'UInt64') COMMENT '用戶id',
  `level` UInt32 DEFAULT CAST(0, 'UInt32') COMMENT '當前等級',
  `trans_no` String DEFAULT '' COMMENT '事務流水號',
  `ext_head` String DEFAULT '' COMMENT '擴展日誌head',
  `avatar_id` UInt32 DEFAULT CAST(0, 'UInt32') COMMENT '角色id',
  `scene_id` UInt32 DEFAULT CAST(0, 'UInt32') COMMENT '場景id',
  `time_ts` UInt64 DEFAULT CAST(0, 'UInt64') COMMENT '秒單位時間戳',
  index avatar_id_minmax (avatar_id) type minmax granularity 3
) ENGINE = MergeTree()
PARTITION BY (toYYYYMMDD(time), toHour(time), region_name)
ORDER BY (action_id, scene_id, time_ts, level, uid)
PRIMARY KEY (action_id, scene_id, time_ts, level);

該表的MergeTree存儲結構邏輯示意圖如下：

MergeTree表的存儲結構中，每個數據分區相互獨立，邏輯上沒有關聯。單個數據分區內部存在着多個MergeTree Data Part。這些Data Part一旦生成就是Immutable的狀態，Data Part的生成和銷燬主要與寫入和異步Merge有關。MergeTree表的寫入鏈路是一個極端的batch load過程，Data Part不支持單條的append insert。每次batch insert都會生成一個新的MergeTree Data Part。如果用戶單次insert一條記錄，那就會爲那一條記錄生成一個獨立的Data Part，這必然是無法接受的。一般我們使用MergeTree表引擎的時候，需要在客戶端做聚合進行batch寫入或者在MergeTree表的基礎上創建Distributed表來代理MergeTree表的寫入和查詢，Distributed表默認會緩存用戶的寫入數據，超過一定時間或者數據量再異步轉發給MergeTree表。MergeTree存儲引擎對數據實時可見要求非常高的場景是不太友好的。

上圖展示了單個MergeTree Data Part裏最核心的一部分磁盤文件(只畫了action_id和avatar_id列其關的存儲文件)，從功能上分主要有三個類：

1. 數據文件：action_id.bin、avatar_id.bin等都是單個列按塊壓縮後的列存文件。ClickHouse採用了非常極端的列存模式，這裏展開一些細節，單個列數據可能會對應多個列存文件，例如申明一個Nullable字段時會多一個nullable標識的列存文件，申明一個Array字段時會多一個array size的列存文件, 採用字典壓縮時字典Key也會單獨變成一個列存文件。有一點小Tips：當用戶不需要Null值特殊標識時，最好不要去申明Nullable，這是ClickHouse的極簡化設計思路。

2. Mark標識文件：action_id.mrk2、avatar_id.mrk2等都是列存文件中的Mark標記，Mark標記和MergeTree列存中的兩個重要概念相關：Granule和Block。

Granule是數據按行劃分時用到的邏輯概念。關於多少行是一個Granule這個問題，在老版本中這是用參數index_granularity設定的一個常量，也就是每隔確定行就是一個Granule。在當前版本中有另一個參數index_granularity_bytes會影響Granule的行數，它的意義是讓每個Granule中所有列的sum size儘量不要超過設定值。老版本中的定長Granule設定主要的問題是MergeTree中的數據是按Granule粒度進行索引的，這種粗糙的索引粒度在分析超級大寬表的場景中，從存儲讀取的data size會膨脹得非常厲害，需要用戶非常謹慎得設定參數。
Block是列存文件中的壓縮單元。每個列存文件的Block都會包含若干個Granule，具體多少個Granule是由參數min_compress_block_size控制，每次列的Block中寫完一個Granule的數據時，它會檢查當前Block Size有沒有達到設定值，如果達到則會把當前Block進行壓縮然後寫磁盤。
從以上兩點可以看出MergeTree的Block既不是定data size也不是定行數的，Granule也不是一個定長的邏輯概念。所以我們需要額外信息快速找到某一個Granule。這就是Mark標識文件的作用，它記錄了每個Granule的行數，以及它所在的Block在列存壓縮文件中的偏移，同時還有Granule在解壓後的Block中的偏移位置。

3. 主鍵索引：primary.idx是表的主鍵索引。ClickHouse對主鍵索引的定義和傳統數據庫的定義稍有不同，它的主鍵索引沒用主鍵去重的含義，但仍然有快速查找主鍵行的能力。ClickHouse的主鍵索引存儲的是每一個Granule中起始行的主鍵值，而MergeTree存儲中的數據是按照主鍵嚴格排序的。所以當查詢給定主鍵條件時，我們可以根據主鍵索引確定數據可能存在的Granule Range，再結合上面介紹的Mark標識，我們可以進一步確定數據在列存文件中的位置區間。ClickHoue的主鍵索引是一種在索引構建成本和索引效率上相對平衡的粗糙索引。MergeTree的主鍵序列默認是和Order By序列保存一致的，但是用戶可以把主鍵序列定義成Order By序列的部分前綴。

4分區鍵索引：minmax_time.idx、minmax_region_name.idx是表的分區鍵索引。MergeTree存儲會把統計每個Data Part中分區鍵的最大值和最小值，當用戶查詢中包含分區鍵條件時，就可以直接排除掉不相關的Data Part，這是一種OLAP場景下常用的分區裁剪技術。

5Skipping索引：skp_idx_avatar_id_minmax.idx是用戶在avatar_id列上定義的MinMax索引。Merge Tree中的Skipping Index是一類局部聚合的粗糙索引。用戶在定義skipping index的時候需要設定granularity參數，這裏的granularity參數指定的是在多少個Granule的數據上做聚合生成索引信息。用戶還需要設定索引對應的聚合函數，常用的有minmax、set、bloom_filter、ngrambf_v1等，聚合函數會統計連續若干個Granule中的列值生成索引信息。Skipping索引的思想和主鍵索引是類似的，因爲數據是按主鍵排序的，主鍵索引統計的其實就是每個Granule粒度的主鍵序列MinMax值，而Skipping索引提供的聚合函數種類更加豐富，是主鍵索引的一種補充能力。另外這兩種索引都是需要用戶在理解索引原理的基礎上貼合自己的業務場景來進行設計的。

MergeTree查詢

這一章主要會結合ClickHouse的源碼爲大家分析MergeTree表引擎上的數據查詢過程，我大致把這個過程分爲兩塊：索引檢索和數據掃描。索引檢索部分對每個MergeTree Data Part是串行執行，但Data Part之間的檢索沒有任何關聯。而在數據掃描部分中最底層的列存掃描是多所有Data Part並行執行，各Data Part的列存掃描之間也沒有任何關聯。

索引檢索

MergeTree存儲在收到一個select查詢時會先抽取出查詢中的分區鍵和主鍵條件的KeyCondition，KeyCondition類上實現了以下三個方法，用於判斷過濾條件可能滿足的Mark Range。上一章講過MergeTree Data Part中的列存數據是以Granule爲粒度被Mark標識數組索引起來的，而Mark Range就表示Mark標識數組裏滿足查詢條件的下標區間。

     
     
     
      
      
      /// Whether the condition is feasible in the key range.
    /// left_key and right_key must contain all fields in the sort_descr in the appropriate order.
    /// data_types - the types of the key columns.
    bool mayBeTrueInRange(size_t used_key_size, const Field * left_key, const Field * right_key, const DataTypes & data_types) const;
    /// Whether the condition is feasible in the direct product of single column ranges specified by `parallelogram`.
    bool mayBeTrueInParallelogram(const std::vector<Range> & parallelogram, const DataTypes & data_types) const;
    /// Is the condition valid in a semi-infinite (not limited to the right) key range.
    /// left_key must contain all the fields in the sort_descr in the appropriate order.
    bool mayBeTrueAfter(size_t used_key_size, const Field * left_key, const DataTypes & data_types) const;

索引檢索的過程中首先會用分區鍵KeyCondition裁剪掉不相關的數據分區，然後用主鍵索引挑選出粗糙的Mark Range，最後再用Skipping Index過濾主鍵索引產生的Mark Range。用主鍵索引挑選出粗糙的Mark Range的算法是一個不斷分裂Mark Range的過程，返回結果是一個Mark Range的集合。起始的Mark Range是覆蓋整個MergeTree Data Part區間的，每次分裂都會把上次分裂後的Mark Range取出來按一定粒度步長分裂成更細粒度的Mark Range，然後排除掉分裂結果中一定不滿足條件的Mark Range，最後Mark Range到一定粒度時停止分裂。這是一個簡單高效的粗糙過濾算法。

使用Skipping Index過濾主鍵索引返回的Mark Range之前，需要構造出每個Skipping Index的IndexCondition，不同的Skipping Index聚合函數有不同的IndexCondition實現，但判斷Mark Range是否滿足條件的接口和KeyCondition是類似的。

數據Sampling

經過上一小節的索引過濾之後，我們已經得到了需要掃描的Mark Range集合，接下來就應該是數據掃描部分了。這一小節插入簡單講一下MergeTree裏的數據Sampling是如何實現的。它並不是在數據掃描過程中實現的，而是在索引檢索的過程中就已經完成，這種做法是爲了極致的sample效率。用戶在建表的時候可以指定主鍵中的某個列或者表達式作爲Sampling鍵，ClickHouse在這裏用了簡單粗暴的做法：Sampling鍵的值必須是數值類型的，並且系統假定它的值是隨機均勻分佈的一個狀態。如果Sampling鍵的值類型是Uint32，當我們設定sample比率是0.1的時候，索引檢索過程中會把sample轉換成一個filter條件：Sampling鍵的值 < Uint32::max * 0.1。用戶在使用Sampling功能時必須清楚這個細節，不然容易出現採樣偏差。一般我們推薦Sampling鍵是列值加一個Hash函數進行隨機打散。

數據掃描

MergeTree的數據掃描部分提供了三種不同的模式：

Final模式：該模式對CollapsingMergeTree、SummingMergeTree等表引擎提供一個最終Merge後的數據視圖。前文已經提到過MergeTree基礎上的高級MergeTree表引擎都是對MergeTree Data Part採用了特定的Merge邏輯。它帶來的問題是由於MergeTree Data Part是異步Merge的過程，在沒有最終Merge成一個Data Part的情況下，用戶無法看到最終的數據結果。所以ClickHouse在查詢是提供了一個final模式，它會在各個Data Part的多條BlockInputStream基礎上套上一些高級的Merge Stream，例如DistinctSortedBlockInputStream、SummingSortedBlockInputStream等，這部分邏輯和異步Merge時的邏輯保持一致，這樣用戶就可以提前看到“最終”的數據結果了。

Sorted模式：sort模式可以認爲是一種order by下推存儲的查詢加速優化手段。因爲每個MergeTree Data Part內部的數據是有序的，所以當用戶查詢中包括排序鍵order by條件時只需要在各個Data Part的BlockInputStream上套一個做數據有序歸併的InputStream就可以實現全局有序的能力。
Normal模式：這是基礎MergeTree表最常用的數據掃描模式，多個Data Part之間進行並行數據掃描，對於單查詢可以達到非常高吞吐的數據讀取。

接下來展開介紹下Normal模式中幾個關鍵的性能優化點：

並行掃描：傳統的計算引擎在數據掃描部分的併發度大多和存儲文件數綁定在一起，所以MergeTree Data Part並行掃描是一個基礎能力。但是MergeTree的存儲結構要求數據不斷mege，最終合併成一個Data Part，這樣對索引和數據壓縮纔是最高效的。所以ClickHouse在MergeTree Data Part並行的基礎上還增加了Mark Range並行。用戶可以任意設定數據掃描過程中的並行度，每個掃描線程分配到的是Mark Range In Data Part粒度的任務，同時多個掃描線程之間還共享了Mark Range Task Pool，這樣可以避免在存儲掃描中的長尾問題。
數據Cache：MergeTree的查詢鏈路中涉及到的數據有不同級別的緩存設計。主鍵索引和分區鍵索引在load Data Part的過程中被加載到內存，Mark文件和列存文件有對應的MarkCache和UncompressedCache，MarkCache直接緩存了Mark文件中的binary內容，而UncompressedCache中緩存的是解壓後的Block數據。
SIMD反序列化：部分列類型的反序列化過程中採用了手寫的sse指令加速，在數據命中UncompressedCache的情況下會有一些效果。
PreWhere過濾：ClickHouse的語法支持了額外的PreWhere過濾條件，它會先於Where條件進行判斷。當用戶在sql的filter條件中加上PreWhere過濾條件時，存儲掃描會分兩階段進行，先讀取PreWhere條件中依賴的列值，然後計算每一行是否符合條件。相當於在Mark Range的基礎上進一步縮小掃描範圍，PreWhere列掃描計算過後，ClickHouse會調整每個Mark對應的Granule中具體要掃描的行數，相當於可以丟棄Granule頭尾的一部分行。

結語

隨着閱讀ClickHouse源碼深入瞭解它的內核實現，我認爲ClickHouse目前還不是一個特別完美的分析型數據庫。但它仍然有許多極致的性能優化設計，這些設計都是源於Yandex公司真實的分析場景，並且確實可以解決海量數據下的一些業務問題。我相信在一部分適合ClickHouse的業務場景中，它就是可以給用戶帶來最極致性能體驗的數據庫。