clickhouse中使用ReplicatedMergeTree表引擎数据去重问题

本文主要是介绍clickhouse中使用ReplicatedMergeTree表引擎数据去重问题，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

问题：使用ReplicatedMergeTree表引擎，该引擎逻辑上是不会对于主键相同的数据，进行去重合并操作。如果想要去重，可以使用ReplacingReplicatedMergeTree表引擎。然后使用ReplicatedMergeTree表引擎进行数据insert 插入数据，插入相同主键的数据，数据去重了。排查原因。

副本表引擎：ReplicatedMergeTree
副本去重引擎：ReplacingReplicatedMergeTree

insert_deduplicate  （官网没找到，可能已经不在用了。用下面两个参数实现）
replicated_deduplication_window
non_replicated_deduplication_window

问题：clickhouse使用ReplicatedMergeTree引擎，为什么插入数据进行去重了？

当使用ReplicatedMergeTree引擎时，如果观察到数据去重的效果，这可能是由于其他因素导致的，而不是引擎本身提供的功能。

问题：数据写入表引擎为ReplicatedMergeTree的时候，过程是什么样的，副本间的数据如何同步的？是先插入一个节点，之后再同步呢？还是再插入数据的时候，同时向两个节点进行插入呢？

数据写入过程

• 本地写入：
  • 当客户端向ClickHouse集群发送写入请求时，该请求首先被发送到集群中的一个节点（可以称为“主节点”或“接收节点”）。
  • 在该节点上，数据首先被写入到本地的临时目录中。
• 记录日志：
  • 写入操作完成后，主节点会向ZooKeeper（ZK）的/log目录发送一个LogEntry，记录这次写入操作的相关信息，包括新数据分区的名称、类型等。
  • 这个LogEntry是数据同步的关键，因为它包含了所有副本节点需要知道的信息，以便它们能够获取并应用这些变更。
• 副本同步：
  • 集群中的其他副本节点（从节点）会监听ZooKeeper中/log目录的变化。
  • 一旦检测到新的LogEntry，从节点会按照ZooKeeper中记录的顺序拉取这些变更日志。
  • 从节点根据拉取到的LogEntry信息，从主节点或其他已同步的节点上下载相应的数据分区。
  • 下载完成后，从节点将这些数据分区写入到本地的存储中，从而完成数据的同步。

副本间的数据同步机制

• 基于ZooKeeper的同步：

  • ReplicatedMergeTree引擎通过ZooKeeper来协调不同副本节点之间的数据同步。
  • ZooKeeper作为一个分布式协调服务，负责存储和分发数据同步的元数据（如LogEntry）
  • 通过监听ZooKeeper的变更通知，副本节点能够实时地感知到数据的变化，并进行相应的同步操作

• 数据一致性的保证：

  • 在同步过程中，如果某个副本节点因为故障而无法及时同步数据，那么当该节点恢复后，它会从ZooKeeper中拉取错过的变更日志，并重新进行同步。
  • 这种方式确保了即使在节点故障的情况下，数据的一致性也能够得到保持。

插入操作的细节
写入操作通常是由单个节点接收并处理的,同步操作是异步进行的,因此，数据并不是在插入时同时向两个节点进行插入的。而是首先写入到一个节点（接收节点），然后由该节点负责将数据同步到其他副本节点。这种方式既保证了数据的可靠性，又提高了写入操作的性能。

问题： replicated_deduplication_window这个参数默认值为100，作用在哪个过程呢？

1. 控制ZooKeeper中保留的hash值数量。数据写入会划分一个个数据块block，对数据块进行校验，即生成hash值即block_id。（数据顺序，数据行，数据大小等信息生成的hash值）。100表示记录100个block数据块的hash值
2. 防止数据块重复插入数据。
   • 在数据同步过程中，如果副本节点检测到新写入的数据块与ZooKeeper中已记录的某个数据块的校验和相同，那么它将认为这是一个重复的数据块，并可能选择忽略该数据块的插入。
   • 通过设置replicated_deduplication_window，可以限制这种去重机制回溯检查的数据块数量，从而在一定程度上控制去重操作的性能和资源消耗。

问题： replicated_deduplication_window 参数，是记录数据块hash值个数存储在zookeeper中，用于数据块校验，副本节点同步数据时，拉取信息。那对于主节点而言呢，数据直接写入主节点，那么主节点根据什么进行数据块校验并确认数据块是否重复了呢？

replicated_deduplication_window参数主要是作用于副本同步数据过程中保证数据块block的唯一性，避免块级别的数据重复插入。对于主节点插入数据而言，参数无作用，主要根据merger合并操作实现数据块block级别的数据不重复。

需要注意的是，由于ClickHouse的ReplicatedMergeTree引擎并不保证严格的数据唯一性（特别是在高并发写入场景下），因此在需要严格保证数据唯一性的应用场景中，可能需要结合其他机制（如应用层面的唯一性约束、使用具有唯一性约束的表引擎等）来实现。

数据插入主节点过程

1. 数据写入。首先数据写入到本地存储临时位置，并被切分为多个数据块block，数据块包含多条数据。
2. 计算校验和。每个block计算hash值，用于后续数据同步数据块校验，以及数据完成性。
3. 写入zookeeper。主节点将block校验值hash以及相关元数据（数据块名称，时间戳）记录到zookeeper指定目录，用于数据同步和数据块级别的去重。
4. 主节点中数据合并去重。后台会定期进行数据合并merge操作。在合并过程中，如果存在具有相同排序键（ORDER BY子句指定的列）的数据块，并且这些数据块的内容也相同（通过校验和验证），则它们可能会被合并成一个数据块，从而间接实现了去重的效果。注意不是单条记录级别的。如果单条记录重复但分布在不同的数据块中，则可能不会被合并去重。
5. 同步到副本节点。主节点在zookeeper记录后，开始进行副本同步。副本节点通过监听ZooKeeper中的变更来拉取新的数据块，并使用校验和来验证数据块的完整性和唯一性。

问题： ReplicatedMergeTree表引擎中，主节点（以及副本节点）在后台会定期执行数据合并（Merge）操作。这个实现数据去重。那这个引擎去重逻辑不就和ReplacingReplicatedMergeTree表引擎去重逻辑一样了吗？

1. 去重级别：ReplicatedMergeTree的去重是基于数据块级别的，而ReplacingMergeTree的去重是基于数据行级别的。
2. 触发时机：ReplicatedMergeTree的去重是在数据同步过程中通过校验和来避免的，而ReplacingMergeTree的去重是在数据合并期间触发的。
3. 应用场景：ReplicatedMergeTree更适用于需要高可用性和容错性的场景，而ReplacingMergeTree则更适用于需要去除重复数据以节省空间的场景。

问题： placingReplicatedMergeTree和ReplicatedMergeTree表引擎都会在后台进行merge操作吗？区别？

1. 两者都会在后台进行merge操作，但目的和去重机制不同。
2. ReplicatedMergeTree侧重于数据的高可用性和容错性，通过多个副本节点来确保数据的持久性和一致性；而ReplacingMergeTree则侧重于解决数据重复问题，提供基于主键或排序键的数据去重功能。
3. 在选择表引擎时，应根据具体的应用场景和需求来进行选择。如果需要高可用性和容错性，可以选择ReplicatedMergeTree；如果需要去除重复数据以节省空间，可以选择ReplacingMergeTree。

问题： clickhouse中，在插入MergeTree表时候，如何将数据分为多个block块？

数据插入是block的生成

1. 数据写入
   • 当数据被插入MergeTree表时，数据首先以片段（fragment）的形式写入到磁盘的临时位置。
   • 这些片段在写入时并不是直接形成最终的block，而是作为合并（merge）过程的输入。
2. 合并过程
   • ClickHouse的后台合并线程会定期选择一批片段进行合并操作。
   • 合并过程中，属于相同分区的多个片段会被合并成一个新的、更大的片段（也就是block）。
   • 合并后的block在物理存储上会更加紧凑，同时会重建索引，优化查询性能。

影响block划分的因素

1. 数据插入频率和量。

   • 插入数据的频率和量会影响后台合并线程的工作量。频繁且大量的插入会导致更多的片段生成，进而触发更多的合并操作。

2. MergeTree的配置

   • 通过调整MergeTree的配置参数，如merge_with_ttl_timeout、background_pool_size等，可以间接影响合并过程的执行频率和效果，从而影响block的划分。
   • 但需要注意的是，这些配置通常不是直接用来控制block的大小的，而是用来优化合并过程的性能和行为。

3. 分区策略

   • 使用PARTITION BY子句可以为MergeTree表指定分区策略。不同的分区策略会影响数据的物理分布，但并不会直接影响block的划分。
   • 分区策略主要用于优化查询性能，减少查询时需要扫描的数据量。

4. 数据特性

   • 数据的特性（如数据类型、分布情况等）也会对合并过程产生影响，进而影响block的划分。
   • 数据中存在大量的重复记录，那么在合并过程中可能会通过去重操作减少block的大小

这篇关于clickhouse中使用ReplicatedMergeTree表引擎数据去重问题的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---