博客 / 工程

ClickHouse 中链接物化视图

author avatar
Mark Needham
2024 年 4 月 16 日 - 12 分钟阅读

物化视图 在 ClickHouse 中是指当一批行到达源表时触发的查询。它们将对这些行进行操作,可能会在写入目标表之前转换数据。下图概述了其工作原理

mv-chain-1.png

在过去的几周里,我一直在学习 聚合状态。我创建了一个小型演示,其中包含两个从同一个 Kafka 表引擎读取数据的物化视图。一个存储原始事件数据,另一个存储聚合状态。

当我向 Tom 展示这个例子时,他建议我不要让两个物化视图都从 Kafka 引擎表读取数据,而是可以将物化视图链接在一起。下图显示了他的想法

mv-chain-2.png

换句话说,聚合状态物化视图不应该从 Kafka 引擎表读取数据,而应该从已经从 Kafka 中提取的原始事件中读取数据。

在本博文的剩余部分,我们将通过一个实际示例来说明如何链接物化视图。我们将使用 Wiki 最近更改 feed,它提供了一系列事件,代表对各种 Wikimedia 属性所做的更改。数据以服务器发送事件的形式提供,下面显示了一个示例消息的 data 属性

{
  "$schema": "/mediawiki/recentchange/1.0.0",
  "meta": {
    "uri": "https://en.wiktionary.org/wiki/MP3%E6%92%AD%E6%94%BE%E5%99%A8",
    "request_id": "ccbbbe2c-6e1b-4bb7-99cb-317b64cbd5dc",
    "id": "41c73232-5922-4484-82f3-34d45f22ee7a",
    "dt": "2024-03-26T09:13:09Z",
    "domain": "en.wiktionary.org",
    "stream": "mediawiki.recentchange",
    "topic": "eqiad.mediawiki.recentchange",
    "partition": 0,
    "offset": 4974797626
  },
  "id": 117636935,
  "type": "edit",
  "namespace": 0,
  "title": "MP3播放器",
  "title_url": "https://en.wiktionary.org/wiki/MP3%E6%92%AD%E6%94%BE%E5%99%A8",
  "comment": "clean up some labels; add missing space after *; {{zh-noun}} -> {{head|zh|noun}}, {{zh-hanzi}} -> {{head|zh|hanzi}} per [[WT:RFDO#All templates in Category:Chinese headword-line templates except Template:zh-noun]], [[WT:RFDO#Template:zh-noun]]; fix some lang codes (manually assisted)",
  "timestamp": 1711444389,
  "user": "WingerBot",
  "bot": true,
  "notify_url": "https://en.wiktionary.org/w/index.php?diff=78597416&oldid=50133194&rcid=117636935",
  "minor": true,
  "patrolled": true,
  "length": {
    "old": 229,
    "new": 234
  },
  "revision": {
    "old": 50133194,
    "new": 78597416
  },
  "server_url": "https://en.wiktionary.org",
  "server_name": "en.wiktionary.org",
  "server_script_path": "/w",
  "wiki": "enwiktionary",
  "parsedcomment": "clean up some labels; add missing space after *; {{zh-noun}} -&gt; {{head|zh|noun}}, {{zh-hanzi}} -&gt; {{head|zh|hanzi}} per <a href=\"/wiki/Wiktionary:RFDO#All_templates_in_Category:Chinese_headword-line_templates_except_Template:zh-noun\" class=\"mw-redirect\" title=\"Wiktionary:RFDO\">WT:RFDO#All templates in Category:Chinese headword-line templates except Template:zh-noun</a>, <a href=\"/wiki/Wiktionary:RFDO#Template:zh-noun\" class=\"mw-redirect\" title=\"Wiktionary:RFDO\">WT:RFDO#Template:zh-noun</a>; fix some lang codes (manually assisted)"
}

假设我们正在构建一个仪表板来跟踪正在进行的更改。我们对单个更改不感兴趣,而是希望按分钟跟踪进行更改的唯一用户数、正在更改的唯一页面数以及所做的更改总数。

我们将首先创建并使用 wiki 数据库

CREATE DATABASE wiki;
USE wiki;

创建 Kafka 表引擎

接下来,让我们创建一个名为 wikiQueue 的表,它将从 Kafka 消费消息。broker 在本地端口 9092 上运行,我们的主题名为 wiki_events

请注意,如果您使用的是 ClickHouse Cloud,则需要使用 ClickPipes 来处理从 Kafka 摄取数据。

CREATE TABLE wikiQueue(
    id UInt32,
    type String,
    title String,
    title_url String,
    comment String,
    timestamp UInt64,
    user String,
    bot Boolean,
    server_url String,
    server_name String,
    wiki String,
    meta Tuple(uri String, id String, stream String, topic String, domain String)
)
ENGINE = Kafka(
  'localhost:9092', 
  'wiki_events', 
  'consumer-group-wiki', 
  'JSONEachRow'
);

rawEvents 表存储 dateTimetitle_urltopicuser

CREATE TABLE rawEvents (
    dateTime DateTime64(3, 'UTC'),
    title_url String,
    topic String,
    user String
) 
ENGINE = MergeTree 
ORDER BY dateTime;

然后,我们将编写以下物化视图以将数据写入 rawEvents

CREATE MATERIALIZED VIEW rawEvents_mv TO rawEvents AS 
SELECT toDateTime(timestamp) AS dateTime,
       title_url, 
       tupleElement(meta, 'topic') AS topic, 
       user
FROM wikiQueue
WHERE title_url <> '';

我们使用 toDateTime 函数将 epoch 秒时间戳转换为 DateTime 对象。我们还使用 tupleElement 函数从 meta 对象中提取 topic 属性。

存储聚合状态

接下来,让我们创建一个表来存储聚合状态,以启用 增量聚合。聚合状态存储在具有 AggregateFunction(<aggregationType>, <dataType>) 类型的列中。

为了保持 String 值的唯一计数(我们需要这样做来跟踪唯一用户和唯一页面),我们将使用 AggregateFunction(uniq, String) 类型。为了保持运行总数(我们需要用于总更新),我们将使用 AggregateFunction(sum, UInt32) 类型。UInt32 类型为我们提供了 4294967295 的最大值,这远远超过了我们在一分钟内将收到的更新次数。

我们将此表称为 byMinute,其定义如下

CREATE TABLE byMinute
(
    dateTime DateTime64(3, 'UTC') NOT NULL,
    users AggregateFunction(uniq, String),
    pages AggregateFunction(uniq, String),
    updates AggregateFunction(sum, UInt32) 
)
ENGINE = AggregatingMergeTree() 
ORDER BY dateTime;

填充此表的物化视图将从 rawEvents 读取数据,并使用 -State 组合器来提取中间状态。我们将对用户和页面使用 uniqState 函数,对更新使用 sumState 函数。

CREATE MATERIALIZED VIEW byMinute_mv TO byMinute AS 
SELECT toStartOfMinute(dateTime) AS dateTime,
       uniqState(user) as users,
       uniqState(title_url) as pages,
       sumState(toUInt32(1)) AS updates
FROM rawEvents
GROUP BY dateTime;

下图显示了到目前为止我们创建的物化视图和表的链

mv-chain-3.png

我们没有任何数据流入 Kafka,因此此表将没有任何数据。让我们通过运行以下命令来解决这个问题。

curl -N https://stream.wikimedia.org/v2/stream/recentchange  |
awk '/^data: /{gsub(/^data: /, ""); print}' |
jq -cr --arg sep ø '[.meta.id, tostring] | join($sep)' |
kcat -P -b localhost:9092 -t wiki_events -Kø

此命令从最近更改 feed 中提取 data 属性,使用 jq 构建 key:value 对,然后使用 kcat 将其管道传输到 Kafka。

如果我们让它运行一会儿,我们就可以编写一个查询来查看正在进行的更改次数:

SELECT
    dateTime AS dateTime,
    uniqMerge(users) AS users,
    uniqMerge(pages) AS pages,
    sumMerge(updates) AS updates
FROM byMinute
GROUP BY dateTime
ORDER BY dateTime DESC
LIMIT 10;
    ┌────────────────dateTime─┬─users─┬─pages─┬─updates─┐
 1.2024-03-26 15:53:00.00024875510022.2024-03-26 15:52:00.000429148121643.2024-03-26 15:51:00.000406141721594.2024-03-26 15:50:00.000392124018435.2024-03-26 15:49:00.000418134619106.2024-03-26 15:48:00.000422138818677.2024-03-26 15:47:00.000423144920158.2024-03-26 15:46:00.000409142019339.2024-03-26 15:45:00.0004021348182410.2024-03-26 15:44:00.00043216422142 │
    └─────────────────────────┴───────┴───────┴─────────┘

一切看起来都运行良好。

向链中添加另一个 MV

现在,在运行一段时间后,我们决定将数据按 10 分钟的时间段分组和分块,而不是仅仅按 1 分钟的时间段分组,这将很有用。我们可以通过对 byMinute 表编写以下查询来做到这一点

SELECT
    toStartOfTenMinutes(dateTime) AS dateTime,
    uniqMerge(users) AS users,
    uniqMerge(pages) AS pages,
    sumMerge(updates) AS updates
FROM byMinute
GROUP BY dateTime
ORDER BY dateTime DESC
LIMIT 10;

这将返回如下内容,其中 dateTime 列中的值现在以 10 分钟为增量。

    ┌────────────dateTime─┬─users─┬─pages─┬─updates─┐
 1. │ 2024-03-26 15:50:00 │   977 │  4432 │    7168 │
 2. │ 2024-03-26 15:40:00 │  1970 │ 12372 │   20555 │
 3. │ 2024-03-26 15:30:00 │  1998 │ 11673 │   20043 │
 4. │ 2024-03-26 15:20:00 │  1981 │ 12051 │   20026 │
 5. │ 2024-03-26 15:10:00 │  1996 │ 11793 │   19392 │
 6. │ 2024-03-26 15:00:00 │  2092 │ 12778 │   20649 │
 7. │ 2024-03-26 14:50:00 │  2062 │ 12893 │   20465 │
 8. │ 2024-03-26 14:40:00 │  2028 │ 12798 │   20873 │
 9. │ 2024-03-26 14:30:00 │  2020 │ 12169 │   20364 │
10. │ 2024-03-26 14:20:00 │  2077 │ 11929 │   19797 │
    └─────────────────────┴───────┴───────┴─────────┘

这对于我们正在处理的小数据量来说效果很好,但是当我们处理更大的数据时,我们可能希望有另一个表来存储按 10 分钟间隔分桶的数据。让我们创建该表

CREATE TABLE byTenMinutes
(
    dateTime DateTime64(3, 'UTC') NOT NULL,
    users AggregateFunction(uniq, String),
    pages AggregateFunction(uniq, String),
    updates AggregateFunction(sum, UInt32) 
)
ENGINE = AggregatingMergeTree() 
ORDER BY dateTime;

接下来,让我们创建一个物化视图来填充该表。物化视图将使用类似于我们上面用于计算 10 分钟分桶的查询来查询 byMinute 表。唯一的更改是,我们将需要使用 -MergeState 组合器来返回聚合 byMinute 数据而不是底层结果的聚合状态,而不是使用 -Merge 组合器。

从理论上讲,我们将节省一些计算时间,因为 byMinute MV 已经按一分钟的时间段聚合了数据。现在,我们不再需要从头开始将原始的按秒数据聚合到 10 分钟的时间段中,而是利用一分钟的时间段。

物化视图如下所示

CREATE MATERIALIZED VIEW byTenMinutes_mv TO byTenMinutes AS
SELECT toStartOfMinute(dateTime) AS dateTime,
       uniqMergeState(users) as users,
       uniqMergeState(pages) as pages,
       sumMergeState(updates) AS updates
FROM byMinute
GROUP BY dateTime;

下图显示了我们现在创建的物化视图的链接

mv-chain-4.png

如果我们查询 byTenMinutes 表,它将没有任何数据,一旦它开始填充数据,它将仅拾取摄取到 byMinute 表中的新数据。但是一切还没有丢失,我们仍然可以编写一个查询来回填旧数据

INSERT INTO byTenMinutes 
SELECT toStartOfTenMinutes(dateTime),
       uniqMergeState(users) AS users, uniqMergeState(pages) AS pages,
       sumMergeState(updates) AS updates
FROM byMinute
GROUP BY dateTime;

然后,我们可以对 byTenMinutes 编写以下查询,以返回按 10 分钟时间段分组的数据

SELECT
    dateTime AS dateTime,
    uniqMerge(users) AS users,
    uniqMerge(pages) AS pages,
    sumMerge(updates) AS updates
FROM byTenMinutes
GROUP BY dateTime
ORDER BY dateTime DESC
LIMIT 10;

我们将获得与查询 byMinute 表时相同的结果

    ┌────────────dateTime─┬─users─┬─pages─┬─updates─┐
 1. │ 2024-03-26 15:50:00 │   977 │  4432 │    7168 │
 2. │ 2024-03-26 15:40:00 │  1970 │ 12372 │   20555 │
 3. │ 2024-03-26 15:30:00 │  1998 │ 11673 │   20043 │
 4. │ 2024-03-26 15:20:00 │  1981 │ 12051 │   20026 │
 5. │ 2024-03-26 15:10:00 │  1996 │ 11793 │   19392 │
 6. │ 2024-03-26 15:00:00 │  2092 │ 12778 │   20649 │
 7. │ 2024-03-26 14:50:00 │  2062 │ 12893 │   20465 │
 8. │ 2024-03-26 14:40:00 │  2028 │ 12798 │   20873 │
 9. │ 2024-03-26 14:30:00 │  2020 │ 12169 │   20364 │
10. │ 2024-03-26 14:20:00 │  2077 │ 11929 │   19797 │
    └─────────────────────┴───────┴───────┴─────────┘
分享此文章

订阅我们的新闻邮件

随时了解功能发布、产品路线图、支持和云服务!
正在加载表单...
关注我们
X imageSlack imageGitHub image
Telegram imageMeetup imageRss image