ClickHouse 与 BigQuery：使用 ClickHouse 在 BigQuery 数据之上提供实时查询

Google BigQuery 是一款无服务器云数据仓库，能够对 PB 级别的数据进行可扩展分析。BigQuery 与 GCP 生态系统深度集成，已被广泛应用于各种报表和批处理分析用例。

越来越多的场景需要用户在高吞吐量流式数据源之上获得亚秒级的交互式性能。为了满足这些需求，我们越来越看到用户将 ClickHouse 与 BigQuery 一起部署，以加快为面向客户的应用程序和内部分析提供支持的查询速度。因此，ClickHouse 和 BigQuery 成为企业构建现代分析堆栈的补充技术。

在这篇文章中，我们将探讨 BigQuery 和 ClickHouse 之间同步数据的方法。这包括批量移动数据以及使用 BigQuery 计划查询和Google DataFlow（Apache Beam 的运行器）持续追加新数据。我们还将向您介绍使用 ClickHouse 进行基本数据分析。

BigQuery 在 PB 级别的数据上，针对各种查询访问模式提供可预测的性能方面表现出色。它能够共享计算资源、混洗数据和溢出到磁盘，这意味着即使是最复杂的深度分析查询也能在可接受的时间内为分析师和业务报告提供服务。这些功能非常适合经典数据仓库相关的低(或较低)查询每秒数 (QPS) 场景中的即席查询，尤其是在查询访问模式未知或变化很大的情况下。

相比之下，ClickHouse 针对需要以下功能的使用案例进行了优化：

• **亚秒级分析查询**，用于面向用户的应用程序，其中访问模式已知且可预测。这有时可能是 BigQuery 中数据的子集，甚至是一组重点分析查询的整个数据集。请注意，虽然 BigQuery 从未“缓慢”，但它通常在秒级提供性能，这使得构建动态实时应用程序更具挑战性。
• **随着应用程序使用量的增长，查询每秒数可能不受限制**。ClickHouse 旨在处理高并发查询，并且不对并行查询的数量设置强制限制。
• **支持高插入速率**，同时仍能对最近的数据实现低延迟并发查询，而传统上数据仓库（如 BigQuery）并未针对此进行优化。

这些特性通常是在需要提供近实时分析的外部或内部应用程序中所需的。

定价模型也可能是做出技术选择的一个因素。BigQuery 按扫描的数据量收费，这对于即席分析查询非常有效，但对于实时分析工作负载来说可能会被认为成本较高。相反，ClickHouse 是开源的，可以部署在您自己的基础设施上，或者托管在ClickHouse Cloud 上，后者仅根据使用的计算资源和存储空间收费。请注意，可以通过预留 BigQuery 槽位来解决其中一些定价挑战，但这需要较高的使用门槛，并非所有用户都适用。

本博文中的示例使用ClickHouse Cloud，它提供免费试用版，允许您完成我们介绍的场景。我们在sql.clickhouse.com上使用了一个公开可用的云环境，该环境总共拥有 720 GB 内存和 180 个 vCPU。所有说明也与运行最新版本 (23.1) 的自托管 ClickHouse 部署兼容。

我们使用 BigQuery 公共项目中提供的以太坊加密货币数据集作为我们的数据集。我们将在以后的博文中详细探讨此数据集，但建议您阅读 Google 关于如何构建此数据集的博文以及关于查询此数据集和其他加密数据集的后续博文。阅读本博文不需要任何关于加密货币的先验知识，但对于感兴趣的用户，以太坊简介提供了一个有用的概述。Google 已针对此数据集记录了许多优秀的查询，我们将在后面的博文中参考这些查询，并且我们已将等效的 ClickHouse 查询整理在此处，并欢迎您贡献代码。

总而言之，我们的数据集包含 4 个表。这是完整数据的子集，但足以满足大多数常见问题。

• 区块 - 区块是包含一系列交易的批次，其中包含链中先前区块的哈希值。
• 交易 - 交易是来自账户的加密签名指令。账户将发起交易以更新以太坊网络的状态，例如将 ETH 从一个账户转移到另一个账户。
• 跟踪 - 允许查询所有以太坊地址及其余额的内部交易。
• 合约 - “智能合约”只是一个在以太坊区块链上运行的程序。

对于希望绕过 BigQuery 插入此数据集的用户，可以使用优秀的Ethereum ETL 工具，该工具已提交了一个支持ClickHouse 作为目标的 PR。上述表格代表了一个子集，并解决了最常见的查询，同时提供了大量的交易数据。或者，此数据可在 BigQuery 的公共项目中获得 - 用户只需根据扫描的数据量付费查询此数据，每月免费提供1TB 数据。此数据由 Google持续更新和维护，更新通常仅落后于实时区块链 4 分钟。为了方便用户复现示例，我们已将此数据提供在sql.clickhouse.com上进行查询，以及在公共存储桶gs://clickhouse_public_datasets/ethereum中。

在选择将哪些数据存储在 ClickHouse 中，哪些存储在 BigQuery 中时，我们通常会看到用户识别出实时分析应用程序最常用的查询。对于流式分析数据，这通常会根据时间维度构成数据的子集。

在本博文的剩余部分，我们做出以下假设

• 数据持续生成并存储在 BigQuery 中，并且需要将新行持续流式传输到 ClickHouse。
• 数据是追加式且不可变的。不需要选择性地更新行，尽管删除旧数据是预期的，并在下面进行了描述。
• 数据上存在时间维度或递增的数字标识符，允许识别用于复制到 ClickHouse 的新行。

以太坊区块链数据固有地满足这些属性。在我们的例子中，我们使用区块时间戳。下面我们将讨论从 BigQuery 迁移历史数据到 ClickHouse，以及持续追加新数据的方法。

在 ClickHouse 和 BigQuery 之间移动数据的用户会立即注意到，ClickHouse 在数值方面提供了更细粒度的精度。例如，BigQuery 提供了数值类型INT64、NUMERIC、BIGNUMERIC 和 FLOAT64。将其与 ClickHouse 进行对比，ClickHouse 为小数、浮点数和整数提供了多种精度。通过这些，ClickHouse 用户可以优化存储和内存开销，从而实现更快的查询和更低的资源消耗。下面我们为每种 BigQuery 类型映射等效的 ClickHouse 类型

BigQuery	ClickHouse
ARRAY	Array(t)
NUMERIC	Decimal(P, S), Decimal32(S), Decimal64(S), Decimal128(S)
BIG NUMERIC	Decimal256(S)
BOOL	Bool
BYTES	FixedString
DATE	Date32 (范围更窄)
DATETIME	DateTime, DateTime64 (范围更窄，精度更高)
FLOAT64	Float64
GEOGRAPHY	地理数据类型
INT64	UInt8, UInt16, UInt32, UInt64, UInt128, UInt256, Int8, Int16, Int32, Int64, Int128, Int256
INTERVAL	NA 作为表达式支持 或 通过函数支持
JSON	JSON
STRING	String (字节)
STRUCT	元组, 嵌套
TIME	DateTime64
TIMESTAMP	DateTime64

在 ClickHouse 类型有多种选择的情况下，请考虑数据的实际范围并选择所需的最低范围。此外，请考虑使用适当的编解码器进行进一步压缩。

可以使用以下查询检索 BigQuery 表的当前模式

SELECT table_name, ddl FROM `bigquery-public-data`.crypto_ethereum.INFORMATION_SCHEMA.TABLES
WHERE  table_name = 'blocks';

原始 BigQuery 模式可以在这里找到这里。使用上述查询的结果，我们可以根据每列的已知范围创建具有适当类型的 ClickHouse 表。例如，您可以运行另一个查询来识别数据范围和基数

SELECT
 MAX(number) AS max_number, 
 MIN(number) AS min_number, 
 MAX(size) AS max_size, 
 MIN(size) AS min_size
FROM bigquery-public-data.crypto_ethereum.blocks

max_number    min_number    max_size    min_size
16547585    0    1501436    514

我们对这些模式进行了一些基本的优化，使用了适当的类型和编解码器来最小化存储，但将完整分析留到以后专门针对此数据集的博文中进行。块的模式

CREATE TABLE ethereum.blocks
(
	`number` UInt32 CODEC(Delta(4), ZSTD(1)),
	`hash` String,
	`parent_hash` String,
	`nonce` String,
	`sha3_uncles` String,
	`logs_bloom` String,
	`transactions_root` String,
	`state_root` String,
	`receipts_root` String,
	`miner` String,
	`difficulty` Decimal(38, 0),
	`total_difficulty` Decimal(38, 0),
	`size` UInt32 CODEC(Delta(4), ZSTD(1)),
	`extra_data` String,
	`gas_limit` UInt32 CODEC(Delta(4), ZSTD(1)),
	`gas_used` UInt32 CODEC(Delta(4), ZSTD(1)),
	`timestamp` DateTime CODEC(Delta(4), ZSTD(1)),
	`transaction_count` UInt16,
	`base_fee_per_gas` UInt64
)
ENGINE = MergeTree
ORDER BY timestamp

其他表的模式可以在这里找到这里。请注意，尽管它们在原始 BigQuery 模式中是可空的，但我们没有将我们的列设置为可空。对于大多数查询，无需区分默认值和空值。通过使用默认值，我们避免了可空列的额外UInt8 列开销。我们还为这些表选择了主键以优化预期的查询。最后，鉴于 BigQuery 根据物理或逻辑大小收取数据存储费用，因此记录这些表的相应大小是值得的。此信息可以从UI 中获取，方法是在选择表并检查详细信息时，或使用简单的查询

SELECT
table_name, total_rows, round(total_physical_bytes / power(1024, 3),2) as total_physical_gb, round(total_logical_bytes /power(1024, 3),2)  as total_logical_gb
FROM
 `<project id>.region-<region>.INFORMATION_SCHEMA.TABLE_STORAGE` WHERE table_name IN ('transactions', 'contracts', 'blocks', 'traces') AND table_schema='crypto_ethereum'

请注意，此查询无法在bigquery-public-data项目上执行，需要将表复制到您自己的项目中。

此表显示了 2023 年 2 月 1 日捕获的存储在 BigQuery 中的数据集统计信息。BigQuery 的“物理”和“逻辑”大小大体上等同于 ClickHouse 的“压缩”和“未压缩”大小。

表名	总行数	总物理大小（GB）	总逻辑大小（GB）
交易	1,852,951,870	332.62	695.99

BigQuery 支持将数据导出到 Google 的对象存储 (GCS)。在本例中，将公共表blocks、traces、transactions和contracts导出到 GCS，然后将数据导入到 ClickHouse Cloud。我们使用s3 表函数，因为 GCS 与Amazon 的简单存储服务 (S3)互操作。这种方法有很多优点

• BigQuery 导出功能支持用于导出数据子集的过滤器。
• BigQuery 支持导出到Parquet、Avro、JSON 和 CSV格式，以及多种压缩类型 - ClickHouse 都支持。
• GCS 支持对象生命周期管理，允许在指定时间段后删除已导出并导入到 ClickHouse 的数据。
• Google 允许每天免费导出高达 50TB 的数据到 GCS。用户只需为 GCS 存储付费。
• 导出会自动生成多个文件，每个文件最多包含 1GB 的表数据。这对 ClickHouse 很有益，因为它允许并行化导入。

在尝试以下示例之前，我们建议用户查看导出所需的权限和位置建议，以最大限度地提高导出和导入性能。

在我们的示例中，我们使用 BigQuery SQL 接口 - 请参阅此处提供的替代方案，例如bq这里。下面我们将 blocks 表导出到指定的 GCS 存储桶，使用EXPORT DATA 语句。虽然在下面的示例中，我们导出了整个数据集，但 SELECT 语句允许导出子集。

EXPORT DATA
  OPTIONS (
	uri = 'gs://clickhouse_public_datasets/ethereum/blocks/*.csv.gz',
	format = 'CSV',
	compression = 'GZIP',
	overwrite = true,
	header = true,
	field_delimiter = ',')
AS (
  SELECT *
  FROM bigquery-public-data.crypto_ethereum.blocks
  ORDER BY number ASC
);

我们导出到 CSV 并请求使用 GZIP 压缩文件。对于块数据，这大约需要 1 分钟。我们还在 uri 参数中使用了 * 字符。这确保输出被分片成多个文件，并带有数值递增的后缀，如果导出超过 1GB 的数据。

导出完成后，我们可以将这些数据导入到 ClickHouse 表中。请注意，我们在运行以下 INSERT INTO blocks 表之前预先创建了该表。

SET parallel_distributed_insert_select = 1

INSERT INTO blocks
SELECT number, hash, parent_hash, nonce, sha3_uncles, logs_bloom, transactions_root, state_root, receipts_root, miner, difficulty, total_difficulty, size, extra_data, gas_limit, gas_used, timestamp, transaction_count, base_fee_per_gas
FROM s3Cluster('default', 'https://storage.googleapis.com/clickhouse_public_datasets/ethereum/blocks/*.gz', 'CSVWithNames', 'timestamp DateTime, number Int64, hash String, parent_hash String, nonce String, sha3_uncles String, logs_bloom String, transactions_root String, state_root String, receipts_root String, miner String, difficulty Decimal(38, 0), total_difficulty Decimal(38, 0), size Int64, extra_data String, gas_limit Int64,gas_used Int64,transaction_count Int64,base_fee_per_gas Int64')

0 rows in set. Elapsed: 22.712 sec. Processed 16.54 million rows, 19.52 GB (728.29 thousand rows/s., 859.50 MB/s.)

我们使用s3Cluster 函数，它是 s3 函数的分布式变体，允许 ClickHouse Cloud 中的完整集群资源用于读取和写入。设置 parallel_distributed_insert_select=1 确保插入是并行的，并且数据从读取它的同一节点插入（在写入时跳过启动节点）。

在上面的示例中，我们没有提供身份验证密钥，因为存储桶是公开的。如果用户为存储桶生成HMAC 密钥（在服务或用户级别），则支持使用私有存储桶支持。Access key 和 Secret 可以分别替换为 aws_access_key_id、aws_secret_access_key。在下面安全示例中，我们查询了数据 - 这是临时分析的典型访问模式

SELECT max(number) AS max_block_number
FROM s3('https://storage.googleapis.com/clickhouse_public_datasets/ethereum/blocks/*.csv.gz', 'CSVWithNames')

┌─max_block_number─┐
│     	16542640 │
└──────────────────┘

1 row in set. Elapsed: 15.926 sec. Processed 16.54 million rows, 148.88 MB (1.04 million rows/s., 9.35 MB/s.)

上面使用 CSV 作为交换格式不是最佳选择。Parquet 作为一种面向列的格式，代表了一种更好的交换格式，因为它本身是压缩的，并且 BigQuery 导出和 ClickHouse 查询的速度更快。如果使用 Parquet，则需要将可空列映射到非空等效项，因为上面选择了模式（或在 ClickHouse 中使用可空列）。例如，下面我们使用ifNull 函数将 base_fee_per_gas 的空值映射为 0。导出到 Parquet 时可用的其他压缩算法可用可以进一步改进此过程，但我们将把此练习留给读者。

INSERT INTO blocks
SELECT number, hash, parent_hash, nonce, sha3_uncles, logs_bloom, transactions_root, state_root, receipts_root, miner, difficulty, total_difficulty, size, extra_data, gas_limit, gas_used, timestamp, transaction_count, ifNull(base_fee_per_gas, 0) AS base_fee_per_gas
FROM s3Cluster('default', 'https://storage.googleapis.com/bigquery_ethereum_export/blocks/*.parquet', 'GOOGR2DYAAX6RVODIMREAVPB', '+tNQdQQ0DCEItWQlJseXcidKSG6pOU65o1r0N17O')

我们对每个表重复了上述练习，使用 Parquet 格式记录了以下时间。使用此方法，我们能够在不到一小时内将 4TB 的数据从 BigQuery 传输到 ClickHouse！

表	行数	导出文件数	数据大小	BigQuery 导出	时隙时间	ClickHouse 导入
blocks	16,569,489	73	14.53GB	23 秒	37 分钟	15.4 秒
交易	1,864,514,414	5169	957GB	1 分钟 38 秒	1 天 8 小时	18 分钟 5 秒
traces	6,325,819,306	17,985	2.896TB	5 分钟 46 秒	5 天 19 小时	34 分钟 55 秒
contracts	57,225,837	350	45.35GB	16 秒	1 小时 51 分钟	39.4 秒
总计	82.6 亿	23,577	3.982TB	8 分钟 3 秒	> 6 天 5 小时	53 分钟 45 秒

如下所示，ClickHouse 实现了大约 8 倍的压缩，将 BigQuery 存储效率提高了 30%。

SELECT table,
formatReadableSize(sum(data_compressed_bytes)) AS compressed_size,
formatReadableSize(sum(data_uncompressed_bytes)) AS uncompressed_size,
round(sum(data_uncompressed_bytes) / sum(data_compressed_bytes), 2) AS ratio
FROM system.columns
WHERE database = 'ethereum'
GROUP BY table
ORDER BY sum(data_compressed_bytes) DESC

┌─table────────┬─compressed_size─┬─uncompressed_size─┬─ratio─┐
│ traces       │ 509.39 GiB      │ 3.85 TiB          │  7.74 │
│ transactions │ 228.52 GiB      │ 1.14 TiB          │  5.09 │
│ blocks       │ 5.37 GiB        │ 15.62 GiB         │  2.92 │
│ contracts    │ 2.98 GiB    	 │ 15.78 GiB     	 │  5.3  │
└──────────────┴─────────────────┴───────────────────┴───────┘

总结如下，我们可以看到 ClickHouse 比 BigQuery 实现了大约 30% 的更好压缩。

表	BigQuery 逻辑大小	BigQuery 物理大小	BigQuery 压缩率	ClickHouse 未压缩大小	ClickHouse 压缩大小	ClickHouse 压缩率
交易	695.99 GB	332.62 GB	2.09	1.14TiB	228.52 GB	5.09
blocks	17.05 GB	6.25 GB	2.73	15.62GB	5.37 GB	2.92
traces	4212.71 GB	738.45 GB	5.7	3.85 TiB	509.39 GB	7.74
contracts	51.33 GB	3.54 GB	14.5	15.78 GB	2.98 GB	5.3

上述方法适用于批量数据加载，这对于开发和实验很有用。但它没有解决 BigQuery 表正在接收新数据的事实。因此，对于生产环境，我们需要另一种方法，该方法可以持续处理追加新数据。

一种方法是简单地使用 BigQuery 的计划查询功能来计划定期导出。如果您可以接受将数据插入 ClickHouse 的某些延迟，则此方法易于实施和维护。

在我们的示例中，我们将每小时安排一次导出。每小时，我们导出过去 60 分钟的数据。但是，我们偏移了此窗口以允许区块提交到区块链并出现在 BigQuery 中的延迟。通常，这不会超过 4 分钟，我们使用 15 分钟以确保安全。因此，每次运行导出时，我们都会导出从 now-75mins 到 now-15mins 的所有行。如下所示

为了确保我们的窗口查询不会丢失任何数据，我们需要将我们的间隔计算键控到计划时间，通过名为[run_time](https://cloud.google.com/bigquery/docs/scheduling-queries)的变量获取，而不是执行时间，执行时间可能略有不同。

现在，我们可以安排以下查询每小时运行一次，以导出以太坊区块数据。**请确保您安排的第一个导出作业至少在导入后 75 分钟开始，以避免重复！**

DECLARE
 export_time_lower TIMESTAMP DEFAULT TIMESTAMP_SUB(@run_time, INTERVAL 75 MINUTE);
DECLARE
 export_time_upper TIMESTAMP DEFAULT TIMESTAMP_SUB(@run_time, INTERVAL 15 MINUTE);

EXPORT DATA
 OPTIONS ( uri = CONCAT('gs://clickhouse_public_datasets/ethereum/blocks/increment-', CAST(UNIX_SECONDS(TIMESTAMP_TRUNC(CURRENT_TIMESTAMP(), HOUR)) AS STRING), '*.parquet'),
   format = 'PARQUET', overwrite = true) AS (
 SELECT
   *
 FROM
   bigquery-public-data.crypto_ethereum.blocks
 WHERE
   timestamp > export_time_lower
   AND timestamp <= export_time_upper
 ORDER BY
   number ASC );

这种增量导出完成得快得多（在大多数情况下只需几分钟），因为 BigQuery 表按时间戳列进行分区，使这些过滤子句能够快速运行。

关于查询语法的几个细节

• 上述查询仅导出区块。其他表的等效查询非常相似，只是使用了列block_timestamp而不是timestamp。
• 导出文件具有increment-前缀。这使我们能够在导入期间仅针对增量文件（见下文）。
• 我们在文件名中包含当前时间（以 epoch 秒为单位），使用表达式CAST(UNIX_SECONDS(TIMESTAMP_TRUNC(CURRENT_TIMESTAMP(), HOUR)) AS STRING)。这使我们能够在导入期间针对特定文件（见下文）。

在撰写本文时，ClickHouse 还没有内置的导入调度方式（提案正在讨论中），但我们可以使用外部作业安排此导入。这可以通过多种方式实现——使用 lambda 函数、Cloud Run，甚至dbt 中的增量物化——但为了演示简单起见，我们使用简单的 cron 作业。

以下 bash 脚本可以由 cron 作业在导出完成后定期运行。此示例处理 blocks 表，但可以轻松地适应其他表。

#!/bin/bash

max_date=$(clickhouse-client --query "SELECT toInt64(toStartOfHour(toDateTime(max(block_timestamp))) + toIntervalHour(1)) AS next FROM ethereum.transactions");

clickhouse-client --query "INSERT INTO blocks SELECT number, hash, parent_hash, nonce, sha3_uncles, logs_bloom, transactions_root, state_root, receipts_root, miner, difficulty, total_difficulty, size, extra_data, gas_limit, gas_used, timestamp, transaction_count, ifNull(base_fee_per_gas, 0) AS base_fee_per_gas
FROM s3(''https://storage.googleapis.com/clickhouse_public_datasets/ethereum/blocks/increment-' || toString(${max_date}) || '-*.parquet')"

这里的第一行识别 ClickHouse 中数据的当前最大时间。我们使用toStartOfHour函数将其四舍五入到小时，并在将值转换为 Int64 之前添加一小时。这给了我们一个 epoch 秒值。当附加我们的increment-前缀时，它会识别 cron 作业执行时的当前小时的文件。下一行使用 s3 函数对该文件执行简单的导入到表中。

此方法的另一种替代方法是导入所有包含时间戳大于max_date（即WHERE timestamp > ${max_date}）的数据的increment-*行。但是，这需要我们扫描所有增量文件。虽然最初速度很快，但随着文件数量的增加，这会导致性能下降。

如果我们执行批量导入，然后安排上述导入和导出查询，我们将在批量加载完成和增量加载开始之间的数据期间不可避免地出现“空白”。再次注意，安排增量导出在批量数据的导入后 75 分钟开始以避免重复的重要性。

此空白可以通过以下步骤轻松解决。我们概述了 blocks 数据集的这些步骤，但使用block_timestamp列的其他表的流程相同。请注意，我们在将增量数据加载到 ClickHouse 之前执行此操作。

1. 通过查询 ClickHouse 中数据的最大时间戳来识别我们的“空白”的下限。

SELECT max(timestamp)
FROM blocks
┌──────max(timestamp)─┐
│ 2023-02-02 13:34:11 │
└─────────────────────┘

2. 假设上述查询已安排并已完成增量导入，请识别导出文件中的最小时间戳，即我们“空白”的上限。

SELECT min(timestamp)
FROM s3('https://storage.googleapis.com/bigquery_ethereum_export/blocks/increment-*.parquet')
┌─────────────min(timestamp)─┐
│ 2023-02-02 14:22:47.000000 │
└────────────────────────────┘

3. 导出在步骤 (2) 中识别的时间范围之间的数据。使用允许轻松识别它们的前缀，例如gap。

EXPORT DATA
 OPTIONS ( uri = CONCAT('gs://bigquery_ethereum_export/blocks/gap-*.parquet'),
   format = 'PARQUET',
   overwrite = TRUE) AS (
 SELECT * FROM
   bigquery-public-data.crypto_ethereum.blocks
 WHERE
   timestamp > '2023-02-02 13:34:11' AND timestamp < '2023-02-02 14:22:47'
 ORDER BY
   number ASC );

4. 使用正确的gap-前缀将这些文件导入表中。

INSERT INTO blocks SELECT number, hash, parent_hash, nonce, sha3_uncles, logs_bloom, transactions_root, state_root, receipts_root, miner, difficulty, total_difficulty, size, extra_data, gas_limit, gas_used, timestamp, transaction_count, ifNull(base_fee_per_gas, 0) AS base_fee_per_gas
FROM s3('https://storage.googleapis.com/bigquery_ethereum_export/blocks/gap-*.parquet')

如果导出失败，上述方法需要手动干预。导入作业更健壮，并且永远不会多次导入相同的文件。如果导入最新的文件，或者当前小时的文件导出失败，则不执行任何操作。如果导出失败然后修复，则可以根据需要运行此脚本多次以填充丢失的小时并赶上进度。

在其当前形式下，前面的脚本意味着 ClickHouse 中的以太坊数据最多滞后于区块链 85 分钟——假设我们在增量导出完成后 10 分钟执行我们的 cron 作业。我们可以调整上述过程，将导出减少到分钟级别。这将要求我们调整上述导入脚本，可能使用过滤器——留给读者练习，或考虑其他工具……

Google Cloud Dataflow 是一种完全托管的服务（一个 Runner），用于在 Google Cloud Platform 生态系统中执行 Apache Beam 管道。Apache Beam 是一种开源统一编程模型（由 Google 开发），用于定义和执行数据处理管道，包括 ETL、批处理和流（连续）处理。基于Dataflow 模型论文，Dataflow 允许用户使用Python、Go 或Java开发管道，并将这些管道部署到 GCE 以运行。这些管道由I/O 连接器组成，这些连接器连接到数据源并提供读（源）和写（接收器）操作，以及转换操作，这些操作有助于数据处理。关键是此框架提供允许这些管道及其操作并行执行的基元，无论是批处理还是流式处理方式。我们强烈建议感兴趣的用户阅读基本概念。

虽然其他数据集可能需要更多转换逻辑，但我们只想在 BigQuery 和 ClickHouse 之间流式传输数据。除了将行分组为批次（以便高效插入 ClickHouse）之外，不需要其他转换。BigQuery 受核心 I/O 连接器支持，该连接器为读取行提供简单的源接口。ClickHouse 通过官方 IO 连接器在 Apache Beam 中得到支持，该连接器仅适用于 Java SDK。目前，这仅提供接收器支持，并且要求目标表存在。虽然 python SDK 没有内置对 ClickHouse 的支持，但 Beam 提供了一种简单的方法来编写通过 ParDo 转换的接收器连接器。Apache Beam 对外部库的支持允许我们使用 ClickHouse python 客户端执行插入 ClickHouse 的操作。最后，一个简单的BatchElements转换允许我们在插入 ClickHouse 之前生成组行。我们展示了下面基本实现的重要部分，以展示这种方法的潜力。完整示例在此处。

执行此管道以迁移 blocks 表需要如下所示运行 python 代码。这假设您已将您的机器配置为使用 Google Dataflow 并具有所需的权限

python -m sync_clickhouse --target_table ethereum.blocks --clickhouse_host <clickhouse_host> --clickhouse_password <password> --region us-central1 --runner DataflowRunner --project <GCE project> --temp_location gs://<bucket> --requirements_file requirements.txt

请注意，还需要通过requirements.txt提供依赖项，以及可以缓存数据的 GCS 存储桶，因为 BigQuery 连接器通过将数据导出到存储桶并将其用作中间存储来工作——有点像我们之前的方法。GCE 控制台提供了此过程的良好可视化。

上述方法具有以下限制，我们将这些改进留给读者作为练习

• 理想的解决方案将利用一个流式管道，该管道在向源添加更多数据时永远运行。但是，流式管道需要无界源，并且由于 BigQuery 源是有界的，因此它不能用于流式管道。相反，我们使用批处理管道根据快照运行直到完成，然后停止。这里最简单的解决方案是让管道在启动时识别 ClickHouse 中的当前最大时间戳，并将其用作 BigQuery 的筛选条件。然后，可以使用Cloud Scheduler轻松安排管道运行。
• 我们的 ClickHouse 连接器必须将行构造为二维数组，以便与 ClickHouse python 客户端一起使用。此工作也可以作为并行化的 ParDo 完成。
• 我们使用BatchElements 转换和 10000k 的固定大小进行批处理。其他数据集可能需要调整这一点。请注意，此转换还可以进行自适应批处理。
• 我们通过 requirements.txt 文件提供依赖项。这是开始的最简单方法，但在生产环境中不推荐。

我们实现此特定数据集的持续数据加载的方法实际上可以更容易地实现，因为 Google 已通过其他方式使其可用。以太坊数据由 Google 发布在公共 Pub/Sub 主题上，在那里可以根据数据的可用性进行使用。虽然我们仍然会利用以下技术将历史以太坊数据加载到 ClickHouse 中，但可能会编写 Google Dataflow 作业或利用 Vector，Vector 支持pub/sub 作为源和ClickHouse 作为接收器。可能存在解决此问题的其他方法，我们欢迎提出建议。

对于大多数部署，ClickHouse 优异的数据压缩意味着您可以长期以细粒度的格式存储数据。对于我们特定的以太坊数据集，这可能不是特别有益，因为我们可能需要为许多查询保留区块链的完整历史记录，例如计算账户余额。

但是，有一些简单且可扩展的方法可以删除可能适用于其他数据集的旧数据。例如，可以使用TTL 功能在行或列级别使 ClickHouse 中的旧数据过期。可以通过按日期对表进行分区来提高效率，从而允许在设定的时间间隔内有效地删除数据。出于示例目的，我们已修改了以下blocks表的架构以按月进行分区。然后，使用 TTL 功能有效地使超过五年的行过期。设置ttl_only_drop_parts确保仅当其中所有行都已过期时才删除一个部分。

CREATE TABLE blocks
(
...
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(timestamp)
ORDER BY timestamp
TTL timestamp + INTERVAL 60 MONTH DELETE
SETTINGS ttl_only_drop_parts=1

请注意，分区既可以对查询产生积极和消极影响，更应该被视为数据管理功能，而不是优化查询性能的工具。

这个数据集值得专门写一篇博客来介绍可能的查询。用于将此数据加载到 BigQuery 的etherium-etl 工具的作者发布了一系列关于此数据集见解的优秀博客。在以后的博客中，我们将介绍这些查询，并展示如何将它们转换为 ClickHouse 语法，以及如何显著加速其中一些查询。目前，我们先介绍一些简单的查询来入门。

最初的 BigQuery 查询，作为Awesome BigQuery 视图的一部分进行记录，并在此处进行了讨论，执行时间为 6 秒。优化的 ClickHouse 查询在 0.009 秒内完成，在比较 ClickHouse 和 BigQuery 时，这是一个很大的差异。

ALTER TABLE traces ADD PROJECTION trace_type_projection (
                	SELECT trace_type,
                	toStartOfDay(block_timestamp) as date, sum(value) as value GROUP BY trace_type, date
                	)
ALTER TABLE traces MATERIALIZE PROJECTION trace_type_projection

WITH ether_emitted_by_date AS
	(
    	SELECT
        	date,
        	sum(value) AS value
    	FROM traces
    	WHERE trace_type IN ('genesis', 'reward')
    	GROUP BY toStartOfDay(block_timestamp) AS date
	)
SELECT
	date,
	sum(value) OVER (ORDER BY date ASC) / power(10, 18) AS supply
FROM ether_emitted_by_date

┌────────────────date─┬────────────supply─┐
│ 1970-01-01 00:00:00 │ 72009990.49948001 │
│ 2015-07-30 00:00:00 │ 72049301.59323001 │
│ 2015-07-31 00:00:00 │    72085493.31198 │
│ 2015-08-01 00:00:00 │    72113195.49948 │
│ 2015-08-02 00:00:00 │    72141422.68698 │
...

3 rows in set. Elapsed: 0.009 sec. Processed 11.43 thousand rows, 509.00 KB (1.23 million rows/s., 54.70 MB/s.)

请注意，此查询已使用投影进行了优化——这是 ClickHouse 中用于针对特定工作负载进行优化的众多工具之一。

摘自 Kaggle 上此数据集最受欢迎的笔记本。我们最初重写了此查询以包含左反连接，尽管这似乎不是必需的。因此，使用查询的更优化的版本。

SELECT
	SUM(value / POWER(10, 18)) AS sum_tx_ether,
	AVG(gas_price * (receipt_gas_used / POWER(10, 18))) AS avg_tx_gas_cost,
	toStartOfDay(block_timestamp) AS tx_date
FROM transactions
WHERE (receipt_status = 1) AND (value > 0) AND (block_timestamp > '2018-01-01') AND (block_timestamp <= '2018-12-31')
GROUP BY tx_date
ORDER BY tx_date ASC

┌───────sum_tx_ether─┬───────avg_tx_gas_cost─┬─────────────tx_date─┐
│  8246871.766893768 │ 0.0005370300954867644 │ 2018-01-01 00:00:00 │
│ 13984780.926949782 │ 0.0005844979818261873 │ 2018-01-02 00:00:00 │
│ 13975588.850788314 │ 0.0006050748915709839 │ 2018-01-03 00:00:00 │
│ 20231765.935660254 │ 0.0007000256320466776 │ 2018-01-04 00:00:00 │

364 rows in set. Elapsed: 0.673 sec. Processed 250.90 million rows, 8.28 GB (373.01 million rows/s., 12.31 GB/s.)

此查询由 BigQuery 市场中列出的数据集推广，并可以在此处加载。

SELECT to_address, count() AS tx_count
FROM transactions
WHERE to_address IN (
	SELECT address
	FROM contracts
	WHERE is_erc721 = true
)
GROUP BY to_address
ORDER BY tx_count DESC
LIMIT 5

┌─to_address─────────────────────────────────┬─tx_count─┐
│ 0x06012c8cf97bead5deae237070f9587f8e7a266d │  4949539 │
│ 0x06a6a7af298129e3a2ab396c9c06f91d3c54aba8 │   646405 │
│ 0xd73be539d6b2076bab83ca6ba62dfe189abc6bbe │   443184 │
│ 0x1a94fce7ef36bc90959e206ba569a12afbc91ca1 │   181073 │
│ 0xf5b0a3efb8e8e4c201e2a935f110eaaf3ffecb8d │   148123 │
└────────────────────────────────────────────┴──────────┘

10 rows in set. Elapsed: 0.804 sec. Processed 374.39 million rows, 19.09 GB (465.46 million rows/s., 23.74 GB/s.)

通过将这三个查询的执行卸载到 ClickHouse，它们的延迟都得到了不同程度的改善。延迟的改善程度会有所不同，访问模式已知且专注于单个表的分析的查询受益最大。上面的查询是此类查询的完美示例，可以想象它们为应用程序提供支持。在这些情况下，可以利用 ClickHouse 的特定功能（例如主键和投影）来实现超过 10 倍的性能提升。

在这篇博文中，我们探讨了如何将数据从 BigQuery 移动到 ClickHouse 进行分析，以及这两种技术如何相互补充。我们展示了多种加载数据并保持数据同步的方法，以及如何利用 ClickHouse 对这些数据进行实时分析。在以后的文章中，我们将更详细地探讨这个以太坊数据集。

同时，我们已在此公共 ClickHouse 部署中提供此数据集以供探索（sql.clickhouse.com），以及公共 GCS 存储桶 gs://clickhouse_public_datasets/ethereum。欢迎您通过下载 ClickHouse 的免费开源版本并自行部署或启动ClickHouse Cloud 免费试用来尝试它。ClickHouse Cloud 是一个完全托管的无服务器产品，基于 ClickHouse，您可以在其中轻松构建实时应用程序，而无需担心部署和管理基础设施。

我们推荐以下关于以太坊和查询此数据集的资源。

• 如何将 Google BigQuery 中的时间序列数据重放至 Pub/Sub
• Evgeny Medvedev 关于区块链分析的系列文章
• BigQuery 中的以太坊：用于智能合约分析的公共数据集
• 加密货币的 Awesome BigQuery 视图
• 如何在 BigQuery 中查询所有以太坊地址的余额
• 可视化一段时间内的平均以太坊成本
• 在 BigQuery 中绘制以太坊地址增长图表
• 使用 Google Data Studio 在 Google BigQuery 中比较 8 个区块链的交易吞吐量
• 在 BigQuery 公共数据集中引入六种新的加密货币——以及如何分析它们