ClickHouse笔记:S3-json文件导入 clickhouse

0x00 TLDR;

AWS S3中存储了大量日志,按年月日的目录进行存储,日志中每行放一个json字符串。
我们的目标是,以日志文件json格式为参考,在clickhouse中创建相应表构建
然后通过clickhouse提供的能力把,日志文件内容导入 clickhouse系统。

0x01 ClickHouse集群模式简介

clickhouse 集群 和cluster 是两个概念。
集群,可能泛指由多个clickhouse实例组成的集合。
cluster 可以理解为数据存储逻辑 ,根据配置可以使用整个集群的部分实例。

假设我们已经提前部署好4节点clickhouse集群,现在我们来配置一个 cluster

根据自己的数据重要等级,这里使用4个分片,0备份。这样可以在有限的磁盘上,放更多的数据。

在每个clickhouse节点中增加配置:
vim /etc/clickhouse-server/metrika.xml

<yandex>
<clickhouse_remote_servers>
    <log_cluster>
        <shard>
             <replica>
                <host>10.10.0.1</host>
                <port>9000</port>
                <user>default</user>
                <password>yourpwd</password>
             </replica>
        </shard>
        <shard>
             <replica>
                <host>10.10.0.2</host>
                <port>9000</port>
                <user>default</user>
                <password>yourpwd</password>
             </replica>
        </shard>
        <shard>
             <replica>
                <host>10.10.0.3</host>
                <port>9000</port>
                <user>default</user>
                <password>yourpwd</password>
             </replica>
        </shard>
        <shard>
             <replica>
                <host>10.10.0.4</host>
                <port>9000</port>
                <user>default</user>
                <password>yourpwd</password>
             </replica>
        </shard>
    </log_cluster>
    <!-- 下面是其他默认配置, zookeeper 等 -->

每个节点clickhouse 服务重启生效后,可以查看 cluster信息:

select * from system.clusters;

0x02 创建 database 和 table

和mysql一样,clickhouse提供了相同的概念:database, table。
在上面的cluster 之上,先来创建一个database:

create database if not exists my_database on cluster log_cluster;

接下来,讨论一下集群模式下表的类型。

  • ReplicatedMergeTree
    写数据时,为了方便后面查询,会根据特定的key,把数据写到不同的 分片中。

  • Distributed
    读数据时,因为数据是在多个分片中,需要一个逻辑层进行聚合。

在建表前,我们假定单行 json 格式:

{
  "event": "click",
  "eventParams": {
    "app_id": "123456",
    "time": "1721174974991",
  }
}

接下来建一个写入表, 要求把多层级的json数据,放到同一个维度里。

create table if not exists my_database.my_table on cluster log_cluster
(
    event_time                    DateTime,
    event                         String,
    event_param_app_id            String,
) engine = ReplicatedMergeTree('/clickhouse/tables/{layer}-{shard}/mydatabase/mytable', '{replica}')
      partition by toYYYYMMDD(event_time)
      order by (event, event_param_app_id, event_time);

上面使用的ReplicatedMergeTree表引擎,定义了在zookeeper中的参数。

然后再定义一个只读表:

create table if not exists my_database.my_table_ro on cluster log_cluster
(
    event_time                    DateTime,
    event                         String,
    event_param_app_id            String,
) engine = Distributed(log_cluster, my_database, my_table);

只读表的Distributed表引擎参数,比较好理解,见名知义。

0x03 导入SQL

clickhouse 对三方支持较强,这里使用的是 s3 function 功能,直接在sql中读取 s3文件内容。
假定已提前配置好 s3 的iam权限,准备好相应的 ak,sk.

如下面的SQL示例,有几个细节:

  • 时间格式转换,由时间戳转内部的DateTime
  • S3文件路径的通配符
  • JSON多层级对象的提取

经测试发现:JSONEachRow返回的 raw_data 对象,子层级都是以String的方式使用。 
在业务设计时,尽量避免多层级的数据格式。

INSERT INTO my_database.my_table (event_time,
                                         event,
                                         event_param_app_id)
SELECT toDateTime(JSONExtractUInt(raw_data.eventParams, 'time') / 1000) AS event_time,
       raw_data.event                                                   AS event,
       JSONExtractString(raw_data.eventParams, 'app_id')                AS event_param_app_id,
FROM s3(
             'https://your_bucket.s3.eu-central-1.amazonaws.com/2024/01/*/*/*',
             'your_s3_ak',
             'your_s3_sk',
             'JSONEachRow') as raw_data;

查询结果:

select count(1) from my_database.my_table_ro;

0x04 工程化&QA

上述SQL如果数据量较大时,在普通的SQL终端执行可能会发现超时问题。
可使用 clickhouse-client 客户端方式访问。

单分区单次insert 默认配置为100, 可以在会话级别设置上限,避免提交失败。

set max_partitions_per_insert_block=10000;

最后,如何每日自动同步数据呢,可以crontab + shell 方式:

# 写的同步SQL,
# 在命令行调用 clickhouse-client 执行sql
clickhouse-client -h 127.0.0.1 --port 9000 -u default --password $yourpwd --query  "$sql"

0x05 创建只读用户

因为 cluster 模式下,需要把账号和赋权信息都要同步到各个节点。 所以,在创建用户和grant语句中,都有 on cluster 子句

-- 创建用户
create user if not exists readonly_user on cluster log_cluster identified with plaintext_password by '123456';
-- 只读权限
GRANT ON CLUSTER log_cluster SHOW TABLES, SELECT ON my_database.* TO readonly_user with grant option;
-- 查看用户当前权限
show grants for readonly_user;

0x06 高效删表

-- 查询表的分片
SELECT partition
FROM system.parts
WHERE table = 'user_data';

-- 20240905
-- 20240913
-- 20240920
-- 20240921
-- 20240922

-- 删除指定分片
ALTER TABLE your_databse.user_data  on cluster your_cluster
    DROP PARTITION '20240905';

select count(*)
from your_databse.user_data_ro;
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,236评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,867评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,715评论 0 340
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,899评论 1 278
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,895评论 5 368
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,733评论 1 283
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,085评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,722评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,025评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,696评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,816评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,447评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,057评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,009评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,254评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,204评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,561评论 2 343

推荐阅读更多精彩内容

  • 本文是对《ClickHouse原理解析与应用实践》一书的概括性总结,整体章节和结构尊重原文,由于书的出版在2019...
    Caucher阅读 4,319评论 1 12
  • 一、分区和分片 分区 分区是表的分区,是解决大数据存储的常见解决方案,具体的DDL操作关键词是 PARTITION...
    小波同学阅读 4,297评论 0 8
  • 1 概述 什么是 ClickHouse? ClickHouse 是俄罗斯的Yandex于2016年开源的列式存储数...
    djm猿阅读 483评论 0 0
  • 第1章 ClickHouse的前世今生 在大量数据分析场景的解决方案中,传统关系型数据库很快就被Hadoop生态所...
    yeedom阅读 4,858评论 0 8
  • 简介 首先介绍下ClickHouse的特点以及适用场景,引用官方的介绍ClickHouse是一个用于联机分析(OL...
    typ0520阅读 795评论 0 1