DataX的Clickhouse读写插件

Stella981
• 阅读 1301

作者:一剑飘雪

特别说明:点击文章尾部“阅读原文”链接,查看标准Markdown文档。

ClickHouseReader 插件文档


1 快速介绍

ClickHouseReader插件实现了从ClickHouse读取数据。在底层实现上,ClickHouseReader通过JDBC连接远程ClickHouse数据库,并执行相应的sql语句将数据从ClickHouse库中SELECT出来。

不同于其他关系型数据库,ClickHouseReader不支持FetchSize.(截止ClickHouse-jdbc版本0.1.48为止)

2 实现原理

简而言之,ClickHouseReader通过JDBC连接器连接到远程的ClickHouse数据库,并根据用户配置的信息生成查询SELECT SQL语句,然后发送到远程ClickHouse数据库,并将该SQL执行返回结果使用DataX自定义的数据类型拼装为抽象的数据集,并传递给下游Writer处理。

对于用户配置Table、Column、Where的信息,ClickHouseReader将其拼接为SQL语句发送到ClickHouse数据库;对于用户配置querySql信息,ClickHouseReader直接将其发送到ClickHouse数据库。

3 功能说明

3.1 配置样例

  • 配置一个从ClickHouse数据库同步抽取数据到本地的作业:

    { "job": { "setting": { "speed": { "channel": 3 }, "errorLimit": { "record": 0, "percentage": 0.02 } }, "content": [ { "reader": { "name": "clickhousereader", "parameter": { "username": "root", "password": "root", "column": [ "id", "name" ], "splitPk": "db_id", "connection": [ { "table": [ "table" ], "jdbcUrl": [ "jdbc:clickhouse://127.0.0.1:8123/default" ] } ] } }, "writer": { "name": "streamwriter", "parameter": { "print":true } } } ] }}

  • 配置一个自定义SQL的数据库同步任务到本地内容的作业:

    { "job": { "setting": { "speed": { "channel":1 } }, "content": [ { "reader": { "name": "clickhousereader", "parameter": { "username": "root", "password": "root", "connection": [ { "querySql": [ "select db_id,on_line_flag from db_info where db_id < 10;" ], "jdbcUrl": [ "jdbc:clickhouse://127.0.0.1:8123/default" ] } ] } }, "writer": { "name": "streamwriter", "parameter": { "print": false, "encoding": "UTF-8" } } } ] }}

3.2 参数说明

  • jdbcUrl

  • 描述:描述的是到对端数据库的JDBC连接信息,使用JSON的数组描述,并支持一个库填写多个连接地址。之所以使用JSON数组描述连接信息,是因为阿里集团内部支持多个IP探测,如果配置了多个,ClickHouseReader可以依次探测ip的可连接性,直到选择一个合法的IP。如果全部连接失败,ClickHouseReader报错。 注意,jdbcUrl必须包含在connection配置单元中。对于阿里集团外部使用情况,JSON数组填写一个JDBC连接即可。

    jdbcUrl按照ClickHouse官方规范,并可以填写连接附件控制信息。具体请参看ClickHouse官方文档。

  • 必选:是

  • 默认值:无

  • username

  • 描述:数据源的用户名

  • 必选:是

  • 默认值:无

  • password

  • 描述:数据源指定用户名的密码

  • 必选:是

  • 默认值:无

  • table

  • 描述:所选取的需要同步的表。使用JSON的数组描述,因此支持多张表同时抽取。当配置为多张表时,用户自己需保证多张表是同一schema结构,ClickHouseReader不予检查表是否同一逻辑表。注意,table必须包含在connection配置单元中。

  • 必选:是

  • 默认值:无

  • column

  • 描述:所配置的表中需要同步的列名集合,使用JSON的数组描述字段信息。用户使用*代表默认使用所有列配置,例如[’*’]。

    支持列裁剪,即列可以挑选部分列进行导出。

    支持列换序,即列可以不按照表schema信息进行导出。

    支持常量配置,用户需要按照ClickHouse SQL语法格式: [“id”, “`table`”, “1”, “‘bazhen.csy’”, “null”, “toDate(trade_date) + 1”, “2.3” , “true”] id为普通列名,`table`为包含保留在的列名,1为整形数字常量,’bazhen.csy’为字符串常量,null为空指针,toDate(trade_date) + 1为表达式,2.3为浮点数,true为布尔值。

  • 必选:是

  • 默认值:无

  • splitPk

     目前splitPk仅支持整形、字符串数据切分,不支持浮点、日期等其他类型。如果用户指定其他非支持类型,ClickHouseReader将报错!

    如果splitPk不填写,包括不提供splitPk或者splitPk值为空,DataX视作使用单通道同步该表数据。
    
  • 必选:否

  • 默认值:空

  • 描述:ClickHouseReader进行数据抽取时,如果指定splitPk,表示用户希望使用splitPk代表的字段进行数据分片,DataX因此会启动并发任务进行数据同步,这样可以大大提供数据同步的效能。

    推荐splitPk用户使用表主键,因为表主键通常情况下比较均匀,因此切分出来的分片也不容易出现数据热点。

  • where

  • 描述:筛选条件,ClickHouseReader根据指定的column、table、where条件拼接SQL,并根据这个SQL进行数据抽取。在实际业务场景中,往往会选择当天的数据进行同步,可以将where条件指定为gmt_create > $bizdate 。注意:不可以将where条件指定为limit 10,limit不是SQL的合法where子句。

    where条件可以有效地进行业务增量同步。如果不填写where语句,包括不提供where的key或者value,DataX均视作同步全量数据。
    
  • 必选:否

  • 默认值:无

  • querySql

    当用户配置querySql时,ClickHouseReader直接忽略table、column、where条件的配置,querySql优先级大于table、column、where选项。

  • 必选:否

  • 默认值:无

  • 描述:在有些业务场景下,where这一配置项不足以描述所筛选的条件,用户可以通过该配置型来自定义筛选SQL。当用户配置了这一项之后,DataX系统就会忽略table,column这些配置型,直接使用这个配置项的内容对数据进行筛选,例如需要进行多表join后同步数据,使用select a,b from table_a join table_b on table_a.id = table_b.id

3.3 类型转换

目前ClickHouseReader支持大部分ClickHouse类型,但也存在部分个别类型没有支持的情况,请注意检查你的类型。

下面列出ClickHouseReader针对ClickHouse类型转换列表:

DataX 内部类型

ClickHouse 数据类型

Long

Uint8,Uint16,Uint32,Uint64,Int8,Int16,Int32,Int64,Enum8,Enum16

Double

Float32,Float64,Decimal

String

String,FixedString(N)

Date

Date, Datetime

Boolean

UInt8 类型,取值限制为 0 或 1

Bytes

String

请注意:

  • 除上述罗列字段类型外,其他类型均不支持,如Array、Nested等

4 性能报告

4.1 环境准备

4.1.1 数据特征

建表语句:

CREATE TABLE `t_trade_record` (    `id` INT ( 11 ) NOT NULL AUTO_INCREMENT,    `trade_no` BIGINT ( 20 ) NOT NULL,    `order_no` BIGINT ( 20 ),    `pair_id` VARCHAR ( 128 ),    `belonger` VARCHAR ( 128 ),    `login_name` VARCHAR ( 128 ),    `belonger_type` VARCHAR ( 32 ),    `trade_date` date,    `trade_time` TIMESTAMP(0),    `bs_flag` VARCHAR ( 8 ),    `price` DECIMAL ( 16, 8 ),    `quantity` INT ( 11 ),    `income_asset_code` VARCHAR ( 128 ),    `income_fee` DECIMAL ( 16, 8 ),    `update_time` TIMESTAMP(0) NULL,    `insert_time` TIMESTAMP(0) NULL,    PRIMARY KEY ( `id` ) USING BTREE,    UNIQUE INDEX `index_trade_no` ( `trade_no` ) USING BTREE ) ENGINE = INNODB CHARACTER SET = utf8;

插入记录类似于:

INSERT INTO `t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135300, 116615441, 115754819, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'B', 113.02000000, 0, 'C10001', 0.00001110, '2018-12-21 00:35:00', '2018-12-21 00:35:00');INSERT INTO `t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135299, 116615440, 115754793, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'S', 113.02000000, 0, 'C10002', 0.00037297, '2018-12-21 00:35:00', '2018-12-21 00:35:00');

4.1.2 机器参数

  • 执行DataX的机器参数为:
  1. cpu: 4核 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz

  2. mem: 4GB

  3. net: 千兆双网卡

  4. disc: DataX 数据不落磁盘,不统计此项

  • ClickHouse数据库机器参数为: 虚拟机配置如下
  1. cpu: 2物理2逻辑 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz

  2. mem: 2G

  3. net: 千兆双网卡

4.1.3 DataX jvm 参数

-Xms1024m -Xmx1024m -XX:+HeapDumpOnOutOfMemoryError

4.2 测试报告

4.2.1 单表测试报告

通道数

是否按照主键切分

DataX速度(Rec/s)

DataX流量(MB/s)

DataX机器网卡进入流量(MB/s)

DataX机器运行负载

DB网卡流出流量(MB/s)

DB运行负载

1

192299

21.82

36

0.6

38

0.6

2

461519

52.37

92

0.75

94

0.72

4

480749

54.55

96

0.9

99

0.92

说明:

  1. 这里的单表,主键类型为 bigint(20),范围为:1231425-116615530,从主键范围划分看,数据分布均匀。

  2. 对单表如果没有安装主键切分,那么配置通道个数不会提升速度,效果与1个通道一样。

  3. 由于机器性能限制,达到2通道时,CPU已到100%,故4通道时,速度并没有增长

4.2.2 分表测试报告

应机器原因,暂时没有做测试

5 约束限制

5.1 一致性约束

ClickHouse在数据存储划分中属于RDBMS系统,对外可以提供强一致性数据查询接口。例如当一次同步任务启动运行过程中,当该库存在其他数据写入方写入数据时,ClickHouseReader完全不会获取到写入更新数据,这是由于数据库本身的快照特性决定的。关于数据库快照特性,请参看MVCC Wikipedia

上述是在ClickHouseReader单线程模型下数据同步一致性的特性,由于ClickHouseReader可以根据用户配置信息使用了并发数据抽取,因此不能严格保证数据一致性:当ClickHouseReader根据splitPk进行数据切分后,会先后启动多个并发任务完成数据同步。由于多个并发任务相互之间不属于同一个读事务,同时多个并发任务存在时间间隔。因此这份数据并不是完整的一致的数据快照信息。

针对多线程的一致性快照需求,在技术上目前无法实现,只能从工程角度解决,工程化的方式存在取舍,我们提供几个解决思路给用户,用户可以自行选择:

  1. 使用单线程同步,即不再进行数据切片。缺点是速度比较慢,但是能够很好保证一致性。

  2. 关闭其他数据写入方,保证当前数据为静态数据,例如,锁表、关闭备库同步等等。缺点是可能影响在线业务。

5.2 增量数据同步

ClickHouseReader使用JDBC SELECT语句完成数据抽取工作,因此可以使用SELECT…WHERE…进行增量数据抽取,方式有多种:

  • 数据库在线应用写入数据库时,填充modify字段为更改时间戳,包括新增、更新、删除(逻辑删)。对于这类应用,ClickHouseReader只需要WHERE条件跟上一同步阶段时间戳即可。

  • 对于新增流水型数据,ClickHouseReader可以WHERE条件后跟上一阶段最大自增ID即可。

对于业务上无字段区分新增、修改数据情况,ClickHouseReader也无法进行增量数据同步,只能同步全量数据。

5.3 Sql安全性

ClickHouseReader提供querySql语句交给用户自己实现SELECT抽取语句,ClickHouseReader本身对querySql不做任何安全性校验。这块交由DataX用户方自己保证。

DataX ClickHouseWriter


1 快速介绍

数据导入clickhousewriter的插件

2 实现原理

使用clickhousewriter的官方jdbc接口, 批量把从reader读入的数据写入ClickHouse

3 功能说明

3.1 配置样例

job.json

{  "job": {    "setting": {        "speed": {            "channel": 2        }    },    "content": [      {        "reader": {          ...        },        "writer": {            "name": "clickhousewriter",            "parameter": {                "username": "default",                "password": "zifei123",                "column":["belonger","belonger_type","bs_flag","id","income_asset_code","income_fee","insert_time","logName","order_no","pair_id","price","quantity","trade_date","trade_no","trade_time","update_time"],                "connection": [                    {                        "jdbcUrl": "jdbc:clickhouse://127.0.0.1:8123/default",                        "table":["XXX"]                    }                ]            }        }      }    ]  }}

3.2 参数说明

  • jdbcUrl

  • 描述:ClickHouse的连接地址,目前支持多数据源并行导入,支持随机负载均衡,其格式为:jdbc:clickhouse://ip1:8123,ip2:8123/database

  • 必选:是

  • 默认值:无

  • username

  • 描述:导入数据源的用户名

  • 必选:是

  • 默认值:空

  • password

  • 描述:导入数据源的密码

  • 必选:是

  • 默认值:空

  • batchSize

  • 描述:每次批量数据的条数

  • 必选:否

  • 默认值:2048

  • trySize

  • 描述:失败后重试的次数

  • 必选:否

  • 默认值:30

  • column

  • 描述:elasticsearch所支持的字段类型,样例中包含了全部

  • 必选:是

4 性能报告

4.1 环境准备

  • 总数据量 1.2亿条数据, 每条1.2kb

  • 1个replica,单机模式

4.1.1 数据特征

建表语句:

CREATE TABLE default.t_match_record (       id                      UInt32,       trade_no                UInt32,       order_no                UInt32,       pair_id                 String,       belonger                String,       login_name              String,       belonger_type           String,       trade_date              Date,       trade_time              DateTime,       bs_flag                 String,       price                   Decimal64(8),       quantity                UInt32,       income_asset_code       String,       income_fee              Decimal64(8),       insert_time             DateTime,       update_time             DateTime)Engine=MergeTree(trade_date,(belonger,pair_id,trade_no,trade_date),8192);

插入记录类似于:

INSERT INTO `default`.`t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135300, 116615441, 115754819, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'B', 113.02000000, 0, 'C10001', 0.00001110, '2018-12-21 00:35:00', '2018-12-21 00:35:00');INSERT INTO `default`.`t_match_record`(`id`, `trade_no`, `order_no`, `pair_id`, `belonger`, `login_name`, `belonger_type`, `trade_date`, `trade_time`, `bs_flag`, `price`, `quantity`, `income_asset_code`, `income_fee`, `update_time`, `insert_time`) VALUES (141135299, 116615440, 115754793, 'ETH-USDT', '2357246974', '131****4807', '0', '2019-04-21', '2019-04-21 00:34:19', 'S', 113.02000000, 0, 'C10002', 0.00037297, '2018-12-21 00:35:00', '2018-12-21 00:35:00');

4.1.2 机器参数

虚拟机配置如下

  1. cpu: 2物理2逻辑 Intel(R) Core(TM) i5-8600 CPU @ 3.10GHz

  2. mem: 2G

  3. net: 千兆双网卡

4.1.3 DataX jvm 参数

-Xms1024m -Xmx1024m -XX:+HeapDumpOnOutOfMemoryError

4.2 测试报告

通道数

批量提交行数

DataX速度(Rec/s)

DataX流量(MB/s)

1

8192

115379

13.09

2

2048

144224

16.37

2

4096

151815

17.23

2

8192

162506

18.44

4

2048

151815

17.23

4

4096

172208

19.54

4

8192

202420

22.97

4.3 测试总结

  • 最好的结果是1-2通道,每次传8192(对当前笔者测试坏境配置而言,瓶颈在CPU上),如果单条数据很大, 请适当减少批量数,防止oom

  • 通过升级硬件,单机写入300K/S不是问题,甚至500K/S,而且ClickHouse也是分布式的,多设置几个分片就可以水平扩展,此时还可以并行写入

  • 当通道为4,批量提交为8192时,笔者测试机器已压榨到极限:物理机CPU100%,磁盘占用100%,网卡流量峰值为360Mbps。

4.4 导入建议

  • 数据应该以尽量大的batch进行写入,如每次写入100,000行,根据机器性能,尝试增加通道数

  • 数据最好跟ClickHouse分区Key分组排序,这样有更好的插入性能

本文分享自微信公众号 - 糖果的实验室(mycandylab)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

点赞
收藏
评论区
推荐文章
blmius blmius
3年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
皕杰报表之UUID
​在我们用皕杰报表工具设计填报报表时,如何在新增行里自动增加id呢?能新增整数排序id吗?目前可以在新增行里自动增加id,但只能用uuid函数增加UUID编码,不能新增整数排序id。uuid函数说明:获取一个UUID,可以在填报表中用来创建数据ID语法:uuid()或uuid(sep)参数说明:sep布尔值,生成的uuid中是否包含分隔符'',缺省为
待兔 待兔
4个月前
手写Java HashMap源码
HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程22
Jacquelyn38 Jacquelyn38
3年前
2020年前端实用代码段,为你的工作保驾护航
有空的时候,自己总结了几个代码段,在开发中也经常使用,谢谢。1、使用解构获取json数据let jsonData  id: 1,status: "OK",data: 'a', 'b';let  id, status, data: number   jsonData;console.log(id, status, number )
Wesley13 Wesley13
3年前
mysql设置时区
mysql设置时区mysql\_query("SETtime\_zone'8:00'")ordie('时区设置失败,请联系管理员!');中国在东8区所以加8方法二:selectcount(user\_id)asdevice,CONVERT\_TZ(FROM\_UNIXTIME(reg\_time),'08:00','0
Wesley13 Wesley13
3年前
00:Java简单了解
浅谈Java之概述Java是SUN(StanfordUniversityNetwork),斯坦福大学网络公司)1995年推出的一门高级编程语言。Java是一种面向Internet的编程语言。随着Java技术在web方面的不断成熟,已经成为Web应用程序的首选开发语言。Java是简单易学,完全面向对象,安全可靠,与平台无关的编程语言。
Stella981 Stella981
3年前
Django中Admin中的一些参数配置
设置在列表中显示的字段,id为django模型默认的主键list_display('id','name','sex','profession','email','qq','phone','status','create_time')设置在列表可编辑字段list_editable
Stella981 Stella981
3年前
Docker 部署SpringBoot项目不香吗?
  公众号改版后文章乱序推荐,希望你可以点击上方“Java进阶架构师”,点击右上角,将我们设为★“星标”!这样才不会错过每日进阶架构文章呀。  !(http://dingyue.ws.126.net/2020/0920/b00fbfc7j00qgy5xy002kd200qo00hsg00it00cj.jpg)  2
Wesley13 Wesley13
3年前
MySQL部分从库上面因为大量的临时表tmp_table造成慢查询
背景描述Time:20190124T00:08:14.70572408:00User@Host:@Id:Schema:sentrymetaLast_errno:0Killed:0Query_time:0.315758Lock_
Python进阶者 Python进阶者
10个月前
Excel中这日期老是出来00:00:00,怎么用Pandas把这个去除
大家好,我是皮皮。一、前言前几天在Python白银交流群【上海新年人】问了一个Pandas数据筛选的问题。问题如下:这日期老是出来00:00:00,怎么把这个去除。二、实现过程后来【论草莓如何成为冻干莓】给了一个思路和代码如下:pd.toexcel之前把这