技术标签: 机器学习 ClickHouse 数据库 大数据
本文介绍了大数据中使用的一种数据库ClickHouse,它不同于传统的mysql数据库,ClickHouse是列式存储数据库(DBMS),主要用于在线分析查询处理(OLAP),同样的HBASE也是列式存储数据库。
(1)对于列的聚合,计数,求和等统计操作优于行式存储
(2)由于某一列的数据类型都是相同的,针对于数据存储更容易进行数据压缩,每一列选择更优的数据压缩算法,大大提高了数据的压缩比重。
(3)由于数据压缩比更好,节省了磁盘空间,使 cache 有了更大的发挥空间。
ClickHouse单条查询就要利用整机所有的CPU,也就意味着它处理多条查询命令的时候效率(QBS(Query per second)每秒钟的查询次数)不会很高。所以ClickHouse不适合做初始的数据处理,适合处理已经处理过的数据的宽表。
整型 | 类似于Java中的 | 无符号整型 | 浮点型 | Decimal | 字符串 | 枚举 |
---|---|---|---|---|---|---|
int8 | byte | Uint8 | float32 | Decimal32 | String | Enum8 |
int16 | short | Uint16 | float64 | Decimal64 | FixedString(N) | Enum16 |
int32 | int | Uint32 | Decimal128 | |||
int64 | long | Uint64 |
Decimal数据类型应用于金融领域,即和钱相关,因为他的数据精度不会丢失。
ClickHouse 中最强大的表引擎当属 MergeTree(合并树)引擎及该系列(*MergeTree)中的其他引擎,支持索引和分区。
代码如下:
create table t(
id UInt32,
sku_id String,
create_time Datetime
)engine = MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id , sku_id);
注意:在ClickHouse中,主键并不唯一,所以底层也不会自动为我们加上唯一约束
在ClickHouse中,任何一个批次的数据写入都会产生一个临时分区,不会纳入任何一个已有的分区。写入后的某个时刻(大概 10-15 分钟后),ClickHouse 会自动执行合并操作(也可以手动通过 optimize 执行),把临时分区的数据,合并到已有分区中。
代码如下:
optimize table xxxx final;
分区尽量以天为分区,不能分区粒度过小,这样会产生大量的数据,ClickHouse是基于内存的不善于处理大量的数据;
ClickHouse中的主键,只提供了数据的一级索引,但是却不是唯一约束,并且底层运用了稀疏索引,稀疏索引就是间隔一定的距离来存储主键的索引。
稀疏索引的好处就是可以用很少的索引数据,定位更多的数据,代价就是只能定位到索引粒度的第一行,然后再进行进行一点扫描。
(1) order by 设定了分区内的数据按照哪些字段顺序进行有序保存。
(2) order by 是 MergeTree 中唯一一个必填项,甚至比 primarykey 还重要,因为当用户不设置主键的情况,很多处理会依照 order by 的字段进行处理。
要求:主键必须是 order by 字段的前缀字段。比如 order by 字段是 (id,sku_id) 那么主键必须是 id 或者(id,sku_id)
索引(orderby())的原则:查询频率高的放在前面;基数特别大(比如某一列有1亿条数据,但是数据重复率很低)的不适合做索引;
在ClickHouse中,建表时Index_granularity是用来控制索引粒度的,默认是8192,如非必须不建议调整。
TTL 即 Time To Live,MergeTree 提供可以管理数据表或列的生命周期的功能。
列级别-实例是该列数据会在创建10秒之后消失:
代码如下:
create table t(
id UInt32,
sku_id String,
cnum UInt8 TTL create_time+interval 10 SECOND,
create_time Datetime
)engine = MergeTree
partition by (create_time)
primary key (id)
order by (id , sku_id);
表中的数据列cnum就会在10秒后消失;
表级别-实例是该表会在创建10秒之后消失:
代码如下:
alter table t MODIFY TTL create_time + interval 10 SECOND;
时间单位可以替换为:SECOND,MINUTE,HOUR,DAY,WEEK,MONTH,QUARTER, YEAR
ReplacingMergeTree 是 MergeTree 的一个变种,它存储特性完全继承 MergeTree,只是多了一个去重的功能。
去重时机:数据的去重只会在合并的过程中出现。
去重范围:如果表经过了分区,去重只会在分区内部进行去重,不能跨分区去重;
注意:ReplacingMergeTree不能保证没有重复数据的出现
ReplacingMergeTree特点:
➢实际上是使用 order by 字段作为唯一键
➢去重不能跨分区
➢只有同一批插入(新版本)或合并分区时才会进行去重
➢认定重复的数据保留版本字段值最大的
➢如果版本字段相同则按插入顺序保留最后一笔
可以“预聚合”的引擎,同样是以orderby的字段进行聚合,即相当于是以orderby的字段进行groupby。
(1) 只能分区内聚合
(2) 分片合并的时候才会聚合
SummingMergeTree 特点:
➢以 SummingMergeTree(A)中指定的列A作为汇总数据列
➢可以填写多列必须数字列,如果不填以所有非维度列且为数字列的字段为汇总数据列
➢以 order by 的列为准,作为维度列
➢其他的列按插入顺序保留第一行
➢不在一个分区的数据不会被聚合
➢只有在同一批次插入(新版本)或分片合并时才会进行聚合
本文简单介绍了ClickHouse的基础概念以及表引擎等知识,在大数据之ClickHouse(下)中会继续介绍ClickHouse的相关的SQL操作、语法指令以及配置信息等。
文章浏览阅读3.4k次,点赞8次,收藏42次。一、什么是内部类?or 内部类的概念内部类是定义在另一个类中的类;下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类?or 内部类有什么作用?1、 内部类方法可以访问该类定义所在的作用域中的数据,包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时,使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别
文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起,当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器,有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具
文章浏览阅读174次。1.数据源准备2.数据处理step1:数据表处理应用函数:①VLOOKUP函数; ② CONCATENATE函数终表:step2:数据透视表统计分析(1) 透视表汇总不同渠道用户数, 金额(2)透视表汇总不同日期购买用户数,金额(3)透视表汇总不同用户购买订单数,金额step3:讲第二步结果可视化, 比如, 柱形图(1)不同渠道用户数, 金额(2)不同日期..._exce l趋势分析数据量
文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行,帮助IT运维人员提高工作效率。通俗来说,就是用来控制哪些人可以登录哪些资产(事先防范和事中控制),以及录像记录登录资产后做了什么事情(事后溯源)。由于堡垒机内部保存着企业所有的设备资产和权限关系,是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患:密码设置过于简单,容易被暴力破解;为方便记忆,设置统一的密码,一旦单点被破,极易引发全面危机。在单一的静态密码验证机制下,登录密码是堡垒机安全的唯一_horizon宁盾双因素配置
文章浏览阅读7.7k次,点赞4次,收藏16次。Chrome作为一款挺不错的浏览器,其有着诸多的优良特性,并且支持跨平台。其支持(Windows、Linux、Mac OS X、BSD、Android),在绝大多数情况下,其的安装都很简单,但有时会由于网络原因,无法安装,所以在这里总结下Chrome的安装。Windows下的安装:在线安装:离线安装:Linux下的安装:在线安装:离线安装:..._chrome linux debian离线安装依赖
文章浏览阅读153次。中国发达城市榜单每天都在刷新,但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源,上海是“摩登”的国际化大都市,广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...
文章浏览阅读3.3k次。前言spark在java使用比较少,多是scala的用法,我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应,只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序
文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码,自己完成底层外设驱动开发后,集成即可使用,代码精简高效,大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码
文章浏览阅读4.6k次,点赞20次,收藏148次。AUTOSAR基础篇之OS(下)前言首先,请问大家几个小小的问题,你清楚:你知道多核OS在什么场景下使用吗?多核系统OS又是如何协同启动或者关闭的呢?AUTOSAR OS存在哪些功能安全等方面的要求呢?多核OS之间的启动关闭与单核相比又存在哪些异同呢?。。。。。。今天,我们来一起探索并回答这些问题。为了便于大家理解,以下是本文的主题大纲:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型
文章浏览阅读2.2k次,点赞6次,收藏14次。原因:自己写的头文件没有被加入到方案的包含目录中去,无法被检索到,也就无法打开。将自己写的头文件都放入header files。然后在VS界面上,右键方案名,点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件
文章浏览阅读3.3w次,点赞80次,收藏342次。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。当数据量很大时,count 的数量的指定可能会不起作用,Redis 会自动调整每次的遍历数目。_redis命令
文章浏览阅读449次,点赞3次,收藏3次。URP的设计目标是在保持高性能的同时,提供更多的渲染功能和自定义选项。与普通项目相比,会多出Presets文件夹,里面包含着一些设置,包括本色,声音,法线,贴图等设置。全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,主光源和附加光源在一次Pass中可以一起着色。URP:全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,一次Pass可以计算多个光源。可编程渲染管线:渲染策略是可以供程序员定制的,可以定制的有:光照计算和光源,深度测试,摄像机光照烘焙,后期处理策略等等。_urp渲染管线