去重策略

**去重**是指**删除数据集中的重复行**的过程。在 OLTP 数据库中，由于每行都有唯一的主键，因此可以轻松完成此操作，但代价是插入速度会变慢。每个插入的行都需要先进行搜索，然后如果找到，则需要进行替换。

ClickHouse 在数据插入方面速度很快。存储文件是不可变的，ClickHouse 在插入行之前不会检查现有主键，因此去重需要花费更多精力。这也意味着去重不是立即发生的，而是**最终**的，这有一些副作用。

在任何时间点，您的表中仍然可能存在重复项（具有相同排序键的行）。
实际删除重复行的操作发生在合并部分期间。
您的查询需要允许存在重复项的可能性。


	ClickHouse 提供有关去重和许多其他主题的免费培训。删除和更新数据培训模块是一个不错的起点。

去重选项

ClickHouse 使用以下表引擎实现去重。

ReplacingMergeTree 表引擎：使用此表引擎，在合并期间会删除具有相同排序键的重复行。 ReplacingMergeTree 是模拟 upsert 行为（您希望查询返回最后插入的行）的不错选择。
折叠行：CollapsingMergeTree 和 VersionedCollapsingMergeTree 表引擎使用一种逻辑，其中现有行被 “取消”，然后插入新行。它们比 ReplacingMergeTree 更复杂，但您的查询和聚合更容易编写，不用担心数据是否已合并。当您需要频繁更新数据时，这两种表引擎很有用。

我们在下面介绍了这两种技术。有关更多详细信息，请查看我们免费的点播删除和更新数据培训模块。

使用 ReplacingMergeTree 进行 Upsert

让我们看一个简单的示例，其中一个表包含 Hacker News 评论，其中 views 列表示评论的查看次数。假设我们在发布文章时插入新行，并在查看次数增加时每天 upsert 一行，其中包含查看次数的总数。

CREATE TABLE hackernews_rmt (
    id UInt32,
    author String,
    comment String,
    views UInt64
)
ENGINE = ReplacingMergeTree
PRIMARY KEY (author, id)

让我们插入两行。

INSERT INTO hackernews_rmt VALUES
   (1, 'ricardo', 'This is post #1', 0),
   (2, 'ch_fan', 'This is post #2', 0)

要更新 views 列，请插入具有相同主键的新行（注意 views 列的新值）。

INSERT INTO hackernews_rmt VALUES
   (1, 'ricardo', 'This is post #1', 100),
   (2, 'ch_fan', 'This is post #2', 200)

表现在有 4 行。

SELECT *
FROM hackernews_rmt

┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │     0 │
│  1 │ ricardo │ This is post #1 │     0 │
└────┴─────────┴─────────────────┴───────┘
┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │   200 │
│  1 │ ricardo │ This is post #1 │   100 │
└────┴─────────┴─────────────────┴───────┘

输出中上面的单独框演示了幕后的两个部分 - 此数据尚未合并，因此重复行尚未删除。让我们在 SELECT 查询中使用 FINAL 关键字，这将导致对查询结果进行逻辑合并。

SELECT *
FROM hackernews_rmt
FINAL

┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │   200 │
│  1 │ ricardo │ This is post #1 │   100 │
└────┴─────────┴─────────────────┴───────┘

结果只有 2 行，并且最后插入的行是返回的行。

注意

如果您只有少量数据，使用 FINAL 可以正常工作。如果您处理的是大量数据，使用 FINAL 可能不是最佳选择。让我们讨论一个更好的选择，用于查找列的最新值…

避免使用 FINAL

让我们再次更新两行唯一行的 views 列。

INSERT INTO hackernews_rmt VALUES
   (1, 'ricardo', 'This is post #1', 150),
   (2, 'ch_fan', 'This is post #2', 250)

表现在有 6 行，因为实际合并尚未发生（只有我们在使用 FINAL 时进行的查询时合并）。

SELECT *
FROM hackernews_rmt

┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │   200 │
│  1 │ ricardo │ This is post #1 │   100 │
└────┴─────────┴─────────────────┴───────┘
┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │     0 │
│  1 │ ricardo │ This is post #1 │     0 │
└────┴─────────┴─────────────────┴───────┘
┌─id─┬─author──┬─comment─────────┬─views─┐
│  2 │ ch_fan  │ This is post #2 │   250 │
│  1 │ ricardo │ This is post #1 │   150 │
└────┴─────────┴─────────────────┴───────┘

与其使用 FINAL，不如使用一些业务逻辑 - 我们知道 views 列始终在增加，因此我们可以使用 max 函数在按所需列分组后选择具有最大值的行。

SELECT
    id,
    author,
    comment,
    max(views)
FROM hackernews_rmt
GROUP BY (id, author, comment)

┌─id─┬─author──┬─comment─────────┬─max(views)─┐
│  2 │ ch_fan  │ This is post #2 │        250 │
│  1 │ ricardo │ This is post #1 │        150 │
└────┴─────────┴─────────────────┴────────────┘

如上面查询所示进行分组实际上可能比使用 FINAL 关键字更高效（在查询性能方面）。

我们的删除和更新数据培训模块扩展了此示例，包括如何使用 ReplacingMergeTree 的 version 列。

使用 CollapsingMergeTree 频繁更新列

更新列涉及删除现有行并用新值替换它。正如您已经看到的那样，ClickHouse 中的这种操作会 *最终* 发生 - 在合并期间。如果您有很多行要更新，实际上避免使用 ALTER TABLE..UPDATE 可能会更高效，而是将新数据与现有数据一起插入。我们可以添加一个列，用于表示数据是否过期或新数据… 实际上有一个表引擎已经非常出色地实现了这种行为，特别是考虑到它会自动为您删除过期数据。让我们看看它的工作原理。

假设我们使用外部系统跟踪 Hacker News 评论的查看次数，并且每隔几个小时，我们将数据推送到 ClickHouse 中。我们希望删除旧行，并且新行代表每个 Hacker News 评论的新状态。我们可以使用 CollapsingMergeTree 来实现这种行为。

让我们定义一个表来存储查看次数。

CREATE TABLE hackernews_views (
    id UInt32,
    author String,
    views UInt64,
    sign Int8
)
ENGINE = CollapsingMergeTree(sign)
PRIMARY KEY (id, author)

注意 hackernews_views 表有一个名为 sign 的 Int8 列，称为**符号**列。符号列的名称是任意的，但 Int8 数据类型是必需的，并且请注意列名已传递到 CollapsingMergeTree 表的构造函数中。

CollapsingMergeTree 表的符号列是什么？它表示行的*状态*，符号列只能是 1 或 -1。以下是它的工作原理。

如果两行具有相同的主键（或如果排序顺序不同于主键，则为相同的主键排序顺序），但符号列的值不同，那么最后插入的 +1 行将成为状态行，而其他行会相互抵消。
相互抵消的行将在合并期间删除。
没有匹配对的行将保留。

让我们在 hackernews_views 表中添加一行。由于它是该主键的唯一行，因此我们将它的状态设置为 1。

INSERT INTO hackernews_views VALUES
   (123, 'ricardo', 0, 1)

现在假设我们想要更改 views 列。您插入两行：一行取消现有行，另一行包含行的最新状态。

INSERT INTO hackernews_views VALUES
   (123, 'ricardo', 0, -1),
   (123, 'ricardo', 150, 1)

表现在有 3 行，主键为 (123, 'ricardo')。

SELECT *
FROM hackernews_views

┌──id─┬─author──┬─views─┬─sign─┐
│ 123 │ ricardo │     0 │   -1 │
│ 123 │ ricardo │   150 │    1 │
└─────┴─────────┴───────┴──────┘
┌──id─┬─author──┬─views─┬─sign─┐
│ 123 │ ricardo │     0 │    1 │
└─────┴─────────┴───────┴──────┘

注意添加 FINAL 会返回当前状态行。

SELECT *
FROM hackernews_views
FINAL

┌──id─┬─author──┬─views─┬─sign─┐
│ 123 │ ricardo │   150 │    1 │
└─────┴─────────┴───────┴──────┘

但当然，不建议对大型表使用 FINAL。

注意

我们示例中为 views 列传递的值实际上并不需要，也不必与旧行的 views 的当前值匹配。事实上，您只需使用主键和 -1 就可以取消一行。

INSERT INTO hackernews_views(id, author, sign) VALUES
   (123, 'ricardo', -1)

来自多个线程的实时更新

使用 CollapsingMergeTree 表，行使用符号列相互抵消，并且行的状态由最后插入的行决定。但是，如果从不同的线程插入行，而这些行可能会以乱序插入，则这可能会成为问题。在这种情况下，使用 “最后” 行不起作用。

这就是 VersionedCollapsingMergeTree 派上用场的地方 - 它像 CollapsingMergeTree 一样折叠行，但它不会保留最后插入的行，而是保留您指定版本列的最高值的行。

让我们看一个例子。假设我们想跟踪 Hacker News 评论的查看次数，并且数据经常更新。我们希望报告使用最新值，而不强迫或等待合并。我们从类似于 CollapsedMergeTree 的表开始，不同的是我们添加了一个列来存储行状态的版本。

CREATE TABLE hackernews_views_vcmt (
    id UInt32,
    author String,
    views UInt64,
    sign Int8,
    version UInt32
)
ENGINE = VersionedCollapsingMergeTree(sign, version)
PRIMARY KEY (id, author)

注意该表使用 VersionsedCollapsingMergeTree 作为引擎，并传入**符号列**和**版本列**。以下是表的工作原理。

它会删除每个具有相同主键和版本但符号不同的行对。
行的插入顺序无关紧要。
请注意，如果版本列不是主键的一部分，ClickHouse 会将其隐式地添加到主键中，作为最后一个字段。

在编写查询时，您使用相同的逻辑 - 按主键分组，并使用巧妙的逻辑来避免那些已被取消但尚未删除的行。让我们向 hackernews_views_vcmt 表添加一些行。

INSERT INTO hackernews_views_vcmt VALUES
   (1, 'ricardo', 0, 1, 1),
   (2, 'ch_fan', 0, 1, 1),
   (3, 'kenny', 0, 1, 1)

现在我们更新其中两行并删除其中一行。要取消一行，请务必包含先前的版本号（因为它是主键的一部分）。

INSERT INTO hackernews_views_vcmt VALUES
   (1, 'ricardo', 0, -1, 1),
   (1, 'ricardo', 50, 1, 2),
   (2, 'ch_fan', 0, -1, 1),
   (3, 'kenny', 0, -1, 1),
   (3, 'kenny', 1000, 1, 2)

我们将运行与之前相同的查询，该查询巧妙地根据符号列添加和减去值。

SELECT
    id,
    author,
    sum(views * sign)
FROM hackernews_views_vcmt
GROUP BY (id, author)
HAVING sum(sign) > 0
ORDER BY id ASC

结果是两行。

┌─id─┬─author──┬─sum(multiply(views, sign))─┐
│  1 │ ricardo │                         50 │
│  3 │ kenny   │                       1000 │
└────┴─────────┴────────────────────────────┘

让我们强制执行表合并。

OPTIMIZE TABLE hackernews_views_vcmt

结果中应该只有两行。

SELECT *
FROM hackernews_views_vcmt

┌─id─┬─author──┬─views─┬─sign─┬─version─┐
│  1 │ ricardo │    50 │    1 │       2 │
│  3 │ kenny   │  1000 │    1 │       2 │
└────┴─────────┴───────┴──────┴─────────┘

当您希望在从多个客户端和/或线程插入行时实现去重时，VersionedCollapsingMergeTree 表非常有用。

为什么我的行没有去重？

插入的行可能没有去重的其中一个原因是，您在 INSERT 语句中使用了非幂等函数或表达式。例如，如果您使用 createdAt DateTime64(3) DEFAULT now() 列插入行，那么您的行将保证是唯一的，因为每行将为 createdAt 列具有唯一的默认值。MergeTree/ReplicatedMergeTree 表引擎将不知道去重这些行，因为每个插入的行将生成一个唯一的校验和。

在这种情况下，您可以为每批行指定您自己的 insert_deduplication_token，以确保同一批的多次插入不会导致相同行被重新插入。有关如何使用此设置的更多详细信息，请参阅关于 insert_deduplication_token 的文档。

去重策略

去重选项​

使用 ReplacingMergeTree 进行 Upsert​

避免使用 FINAL​

使用 CollapsingMergeTree 频繁更新列​

来自多个线程的实时更新​

为什么我的行没有去重？​