一、ClickHouse命令行與SQL語法詳解

第一部分：ClickHouse SQL 命令行客戶端 (clickhouse-client)

clickhouse-client 是與 ClickHouse 服務器交互的主要命令行工具。

1. 基礎連接

連接本地默認實例：

clickhouse-client

指定連接參數：

clickhouse-client \--host=your-clickhouse-server.com \  # 或 -h--port=9000 \                         # 或 -P--user=default \                      # 或 -u--password \                          # 安全方式，會提示輸入密碼--database=my_database                # 或 -d，指定初始數據庫

2. 核心命令行參數

參數	說明	示例
-q, --query	執行單條查詢后退出	-q "SELECT 1"
-m, --multiline	允許多行查詢（按回車不立即執行）	clickhouse-client -m
--multiquery	允許 -q 參數中包含多條用分號分隔的 SQL	-q "SELECT 1; SELECT 2;"
-f, --format	極其重要：指定輸入/輸出格式	--format=CSV
--time	打印查詢執行時間	--time
-i, --input_format	指定輸入數據的格式（用于 INSERT）	--input_format=CSV
--vertical	以垂直格式輸出結果（適用于寬表）	--vertical
--param_<name>	為參數化查詢傳參	--param_id=5 (配合 {id:UInt32})

3. 數據導入與導出實戰

導出查詢結果到 CSV 文件：

clickhouse-client -q "SELECT *FROM salesWHERE event_date = today()
" --format=CSVWithNames > sales_today.csv

從 CSV 文件導入數據：

# 假設 data.csv 格式: 1,Alice,100.5
clickhouse-client -q "INSERT INTO my_tableFORMAT CSV
" < data.csv# 或者使用管道
cat data.csv | clickhouse-client -q "INSERT INTO my_table FORMAT CSV"

常用格式： JSONEachRow, CSV, TSV, PrettyCompact (默認，人類可讀), Null (不輸出，用于測試性能)。

---

第二部分：ClickHouse SQL 語法詳解

ClickHouse 的 SQL 語法與標準 SQL 高度兼容，但包含大量針對分析場景的擴展和優化。

1. DDL (數據定義語言)

a. 創建數據庫

CREATE DATABASE IF NOT EXISTS my_db
ENGINE = Atomic; -- 默認引擎，推薦

b. 創建表（核心）
ClickHouse 的強大功能很大程度上體現在其豐富的表引擎上。

MergeTree 系列 (最核心)：

CREATE TABLE my_table (event_date Date,        -- 日期event_time DateTime,    -- 時間user_id UInt32,         -- 用戶ID，無符號32位整型page_url String,        -- 字符串duration Float32,       -- 浮點數status Enum8('success' = 1, 'fail' = 2) -- 枚舉
) ENGINE = MergeTree()
PARTITION BY toYYYYMM(event_date)      -- 按年月分區
ORDER BY (event_date, user_id)         -- 排序鍵（主鍵）
SETTINGS index_granularity = 8192;     -- 索引粒度

• PARTITION BY：分區鍵。通常按日期分區，加速數據管理和刪除。
• ORDER BY：排序鍵（ClickHouse 的主鍵概念）。這是查詢性能最關鍵的因素，決定了數據在磁盤上的存儲順序。
• PRIMARY KEY：主鍵（與 ORDER BY 默認相同），用于一級索引。

其他常用引擎：

• Log/TinyLog/StripeLog：用于小表或臨時數據。
• Memory：內存表，重啟后數據丟失。
• Kafka：用于從 Kafka 主題消費數據。
• MySQL/PostgreSQL：將外部數據庫的表映射到 ClickHouse。
• MaterializedView：物化視圖，自動轉換和聚合數據。
• Distributed：分布式表引擎，不存儲數據，而是將查詢路由到集群中的分片上。

c. 修改表

-- 添加列
ALTER TABLE my_table ADD COLUMN browser String AFTER user_id;-- 修改列類型
ALTER TABLE my_table MODIFY COLUMN duration UInt32;-- 刪除列
ALTER TABLE my_table DROP COLUMN browser;

2. DML (數據操作語言)

a. 插入數據 (INSERT)

-- 標準插入
INSERT INTO my_table VALUES (..., ...);-- 指定列插入
INSERT INTO my_table (event_date, user_id) VALUES ('2023-10-01', 12345);-- 從查詢結果插入
INSERT INTO target_table
SELECT ... FROM source_table WHERE ...;

b. 查詢數據 (SELECT) - 核心中的核心
ClickHouse 的 SELECT 支持所有標準語法，并有許多強大擴展。

嵌套子查詢和 CTE：

WITH active_users AS (SELECT DISTINCT user_idFROM eventsWHERE event_date >= today() - 7
)
SELECTu.user_id,count() AS event_count
FROM active_users AS u
JOIN events AS e ON u.user_id = e.user_id
GROUP BY u.user_id
HAVING event_count > 10;

數組操作 (特色功能)：

SELECTuser_id,-- 創建數組['pageview', 'login', 'purchase'] AS actions,-- 數組函數：計算長度length(actions) AS action_count,-- 數組函數：判斷是否存在has(actions, 'login') AS has_login,-- 數組函數：聚合組內數據成數組groupArray(page_url) AS visited_pages
FROM events
GROUP BY user_id;

高級函數：

SELECT-- 條件函數if(duration > 10, 'Long', 'Short') AS session_type,-- 多條件分支multiIf(status = 200, 'OK', status = 404, 'Not Found', 'Error') AS status_desc,-- 聚合函數：近似去重（極快）uniqHLL12(user_id) AS approx_unique_users,-- 聚合函數：分位數quantile(0.99)(duration) AS p99_duration
FROM events
GROUP BY session_type, status_desc;

c. 刪除數據 (ALTER TABLE ... DELETE)
注意：ClickHouse 的 DELETE 是異步的、后臺執行的 ALTER 操作。

ALTER TABLE my_table DELETE WHERE event_date < '2023-01-01';

3. 查看元數據

-- 查看所有數據庫
SHOW DATABASES;-- 查看表結構
DESCRIBE TABLE my_table;-- 查看建表語句
SHOW CREATE TABLE my_table;-- 查看表大小和行數
SELECTname,formatReadableSize(total_bytes) AS size,total_rows
FROM system.parts
WHERE table = 'my_table' AND active;

---

第三部分：實戰示例與最佳實踐

示例 1：用戶行為分析

-- 計算每小時的PV和UV，以及平均會話時長
SELECTtoStartOfHour(event_time) AS hour,count() AS pv, -- 頁面瀏覽量uniq(user_id) AS uv, -- 獨立用戶數avg(duration) AS avg_duration
FROM events
WHERE event_date = today()
GROUP BY hour
ORDER BY hour;

示例 2：使用 FINAL 優化版本合并

對于 CollapsingMergeTree 或 ReplacingMergeTree 引擎，查詢時使用 FINAL 可以強制合并版本，但可能很慢。

SELECT *
FROM my_replacing_table
FINAL
WHERE user_id = 123;

最佳實踐：

1. 避免 SELECT *：始終指定需要的列。列式存儲下，讀取不需要的列代價高昂。
2. 優先使用分區鍵和排序鍵：在 WHERE 和 ORDER BY 子句中優先使用這些列，以利用索引。
3. 使用近似計算：如 uniqHLL12() 代替 uniqExact()，用 quantile() 代替精確分位數，以極大提升性能。
4. 預聚合：使用 SummingMergeTree 或 AggregatingMergeTree 引擎和物化視圖，在數據寫入時進行預聚合。
5. 謹慎使用 JOIN：ClickHouse 的 JOIN 性能不如傳統 OLTP 數據庫。通常建議反規范化（寬表）或預先過濾右表。
6. 關注數據類型：使用最緊湊、最合適的數據類型（如 UInt32 而非 UInt64）。

通過熟練掌握 clickhouse-client 工具和 ClickHouse 特有的 SQL 語法，你可以極大地提升大數據分析的效率和性能。

二、常見高級用法

下文將深入探討 ClickHouse 數據分析的高級用法，包括物化視圖、高級聚合、近似計算、分布式查詢優化等核心特性。

1. 物化視圖 (Materialized Views) - 預聚合之王

物化視圖是 ClickHouse 中最強大的功能之一。它不是一個簡單的視圖，而是一個在底層隱式創建并持續更新的特殊表。當源表 (INSERT) 寫入新數據時，物化視圖會自動、增量地將這些數據按照預定義的聚合邏輯進行計算和存儲。

場景：實時計算每分鐘的頁面瀏覽量(PV)和獨立用戶數(UV)。

基礎表 (存儲原始數據)：

CREATE TABLE events_raw (event_time DateTime,user_id UInt32,page_url String,event_type String
) ENGINE = MergeTree()
ORDER BY (event_time, user_id);

物化視圖 (存儲預聚合結果)：

CREATE MATERIALIZED VIEW events_agg_minute
ENGINE = SummingMergeTree()         -- 指定物化視圖自身的存儲引擎
PARTITION BY toYYYYMM(event_minute)
ORDER BY (event_minute, page_url)
AS SELECTtoStartOfMinute(event_time) AS event_minute,page_url,count() AS pv,                  -- 求和合并uniqState(user_id) AS uv_state  -- 存儲UV的中間狀態（AggregateFunction類型）
FROM events_raw
GROUP BY event_minute, page_url;

查詢物化視圖：

SELECTevent_minute,page_url,sum(pv) AS pv,                -- 對pv直接求和uniqMerge(uv_state) AS uv     -- 對UV狀態進行合并計算
FROM events_agg_minute
GROUP BY event_minute, page_url;

優勢：

• 查詢極快：直接查詢預先計算好的聚合結果，而非掃描原始數據。
• 開銷極低：在數據插入時增量計算，分散了計算壓力。

2. 高級聚合函數與聚合狀態

ClickHouse 提供了豐富的聚合函數，特別是對于中間狀態 (*State) 和合并結果 (*Merge) 的操作，這是實現預聚合的基礎。

a. 近似計算 (Approximate Calculations)

以精度換取速度，非常適合海量數據下的快速分析。

• 基數估計：

  -- 精確去重 (慢)
  SELECT uniqExact(user_id) FROM events;-- 近似去重 (極快，誤差~1.5%)
  SELECT uniq(user_id) FROM events;
  SELECT uniqHLL12(user_id) FROM events; -- 更老的算法
  

• 分位數估計：

  -- 計算響應時間的中位數、90分位、99分位
  SELECTquantile(0.5)(response_time_ms) AS p50,quantile(0.9)(response_time_ms) AS p90,quantile(0.99)(response_time_ms) AS p99
  FROM requests;
  

b. 聚合狀態管理 (*State / *Merge)

這是實現物化視圖和高級聚合的基石。

-- 1. 查詢時直接使用狀態函數，返回二進制狀態，不是最終值。
SELECT quantileState(0.5)(response_time_ms) AS p50_state FROM requests;-- 2. 將狀態存入表或物化視圖（如上文的uv_state）。
-- 3. 在更高層的聚合中，合并這些狀態得到最終結果。
SELECT quantileMerge(0.5)(p50_state) AS final_p50 FROM agg_table;

3. 窗口函數 (Window Functions)

ClickHouse 支持標準的 SQL 窗口函數，用于復雜的數據分析。

場景：計算每個用戶最近3次訪問的頁面時長移動平均。

SELECTuser_id,event_time,page_url,duration_ms,avg(duration_ms) OVER (PARTITION BY user_idORDER BY event_time ASCROWS BETWEEN 2 PRECEDING AND CURRENT ROW -- 最近3行（當前行 + 前2行）) AS moving_avg_duration
FROM events
ORDER BY user_id, event_time;

常用窗口函數：row_number(), rank(), lag(), lead(), sum() OVER (...), avg() OVER (...)。

4. 高性能連接 (JOIN) 策略

在 OLAP 數據庫中，JOIN 是昂貴的操作。ClickHouse 提供了多種策略來優化。

a. 使用字典 (Dictionaries) 代替小表 JOIN

將小維度表預加載到內存中。

-- 1. 創建字典
CREATE DICTIONARY products_dict (id UInt64,name String,price Decimal(10, 2)
) PRIMARY KEY id
SOURCE(CLICKHOUSE(TABLE 'products' DB 'default'))
LIFETIME(MIN 300 MAX 360)
LAYOUT(HASHED());-- 2. 使用dictGet函數代替JOIN
SELECTorder_id,dictGet('default.products_dict', 'name', product_id) AS product_name,dictGet('default.products_dict', 'price', product_id) AS product_price,quantity * product_price AS total_amount
FROM orders;

b. 正確的 JOIN 語法和順序

• 將小表放在右側：ClickHouse 總是將右表加載到內存中。
• 使用 GLOBAL JOIN：在分布式查詢中，確保右表被發送到所有節點。

  SELECT ...
  FROM distributed_left_table AS l
  GLOBAL INNER JOIN local_small_right_table AS r
  ON l.id = r.id;
  

5. 嵌套數據結構與 Map 類型

處理半結構化數據，如 JSON 中的數組或鍵值對。

a. 使用 Nested 類型模擬嵌套結構

CREATE TABLE events (timestamp DateTime,user_id UInt32,`tags.keys` Array(String),`tags.values` Array(String)
) ENGINE = MergeTree()
ORDER BY (user_id, timestamp);-- 查詢：查找包含標簽 "env":"prod" 的事件
SELECT *
FROM events
WHERE has((tags.keys, tags.values), ('env', 'prod'));

b. 使用 Map 類型 (推薦)

CREATE TABLE events (timestamp DateTime,user_id UInt32,tags Map(String, String)
) ENGINE = MergeTree()
ORDER BY (user_id, timestamp);-- 查詢更加直觀
SELECT *
FROM events
WHERE tags['env'] = 'prod';

6. 外部數據與表函數 (Table Functions)

無需建表，直接查詢外部數據源。

• 查詢 CSV 文件：

  SELECT *
  FROM file('data.csv', CSVWithNames, 'column1 String, column2 UInt32')
  WHERE column2 > 100;
  

• 查詢 URL：

  SELECT *
  FROM url('https://example.com/data.json', JSONEachRow, 'id UInt32, data String');
  

• 查詢 MySQL 表：

  SELECT *
  FROM mysql('mysql-host:3306', 'database', 'table', 'user', 'password');
  

7. 數據生命周期管理 (TTL)

自動處理舊數據，是實現數據分區和保留策略的核心。

• 行級 TTL：自動刪除或移動過期數據。

  CREATE TABLE logs (event_time DateTime,message String
  ) ENGINE = MergeTree()
  ORDER BY event_time
  TTL event_time + INTERVAL 30 DAY; -- 30天后自動刪除數據-- 或者將數據移動到廉價存儲
  TTL event_time + INTERVAL 7 DAY TO DISK 'hdd2',event_time + INTERVAL 30 DAY TO VOLUME 'archive';
  

• 列級 TTL：自動將某列重置為默認值。

  CREATE TABLE sessions (created DateTime,session_data String TTL created + INTERVAL 1 HOUR
  ) ENGINE = MergeTree()
  ORDER BY created;
  

---

8. 項目投影 (Projections)

物化視圖的現代替代品，與主表數據一起存儲，由查詢優化器自動選擇使用，無需應用層干預。管理更簡單，性能更高。

場景：為不同的排序鍵創建投影以加速不同維度的查詢。

CREATE TABLE sales (event_date Date,product_id UInt32,customer_id UInt32,amount Decimal(10, 2)
) ENGINE = MergeTree()
ORDER BY (event_date, product_id); -- 主排序鍵-- 創建一個按客戶ID聚合的投影
ALTER TABLE salesADD PROJECTION sales_by_customer (SELECTevent_date,customer_id,sum(amount)GROUP BY event_date, customer_id);-- 插入數據后，投影會自動構建
INSERT INTO sales ...;-- 查詢時，ClickHouse 優化器會自動判斷是否使用投影
SELECT event_date, customer_id, sum(amount)
FROM sales
GROUP BY event_date, customer_id; -- 此查詢會命中投影，極快！

總結與最佳實踐

高級用法	核心思想	適用場景
物化視圖 (Materialized Views)	空間換時間，預聚合	實時報表、指標看板
近似計算 (uniq, quantile)	精度換速度	海量數據下的快速趨勢分析
聚合狀態 (State/Merge)	分布式聚合	構建分層聚合系統
字典 (Dictionaries)	內存換時間，避免JOIN	關聯小維度表
窗口函數 (Window Functions)	行間計算	用戶行為分析、時間序列分析
Map類型 / 投影	處理半結構化數據	處理JSON、標簽等靈活字段
TTL	自動化數據管理	日志、事件等有時效性的數據
表函數 (file, url, mysql)	聯邦查詢	數據探查、臨時分析、數據集成
項目投影 (Projections)	自動查詢優化	為不同維度的查詢加速

終極建議：

1. 優先考慮預聚合：90% 的性能問題可以通過物化視圖和投影解決。
2. 敢于使用近似計算：在可接受的誤差范圍內，換取數量級的性能提升。
3. 避免大表 JOIN：使用字典、反規范化（寬表）或應用程序層處理。
4. 擁抱 TTL：讓數據管理自動化，避免手動清理的麻煩和風險。
5. 嘗試投影：在新的設計中，優先使用投影而不是物化視圖來加速查詢。

掌握這些高級用法，你就能充分利用 ClickHouse 的潛力，構建出高效、穩定且易于維護的海量數據分析平臺。

三、數據類型

一、基礎類型

1. 整數類型（固定長度，有符號/無符號）

設計哲學：提供多種長度的整數，讓你可以精確選擇所需位數，避免浪費空間。

類型	取值范圍（有符號）	取值范圍（無符號）	存儲字節	示例
Int8	-128 到 127	-	1	Int8(5)
Int16	-32768 到 32767	-	2	Int16(1000)
Int32	-2^31 到 2^31-1	-	4	Int32(42500)
Int64	-2^63 到 2^63-1	-	8	Int64(34200000000)
UInt8	-	0 到 255	1	UInt8(255) (狀態碼)
UInt16	-	0 到 65535	2	UInt16(60000)
UInt32	-	0 到 2^32-1	4	UInt32(4000000000)
UInt64	-	0 到 2^64-1	8	UInt64(100000000000)

最佳實踐：永遠使用能滿足你數據范圍的最小類型。例如，存儲年齡用 UInt8，存儲頁面訪問量用 UInt32。

2. 浮點類型（近似計算）

設計哲學：犧牲微小精度以換取極高的計算速度，適合大規模數值計算。

類型	精度	存儲字節	備注
Float32	約 7 位有效數字	4	單精度，對應 float
Float64	約 16 位有效數字	8	雙精度，對應 double

注意：由于浮點數的精度問題，對它們進行相等比較 (=) 可能是不可靠的。適用于指標計算、科學計算，不適用于金融金額。

3. 十進制類型（精確計算）

設計哲學：提供精確的定點數運算，適合金融、貨幣等需要精確計算的場景。

類型	語法	說明	示例
Decimal32	Decimal32(S)	精度最高為 9 位數字，S 為小數位數	Decimal32(4) -> 總共9位，小數占4位
Decimal64	Decimal64(S)	精度最高為 18 位數字	Decimal64(8)
Decimal128	Decimal128(S)	精度最高為 38 位數字	Decimal128(16)
Decimal256	Decimal256(S)	精度最高為 76 位數字	Decimal256(30)

最佳實踐：根據所需的整數位數和小數位數來選擇。例如，存儲全球GDP可能需要 Decimal128(2)。

4. 布爾類型

ClickHouse 沒有單獨的 Boolean 類型。它使用 UInt8 類型，用 0 和 1 來表示 false 和 true。

二、字符串類型

1. String

• 說明：可以存儲任意長度的文本，長度無限制。編碼為 UTF-8。
• 適用場景：默認的字符串類型。存儲URL、日志、JSON字符串、變長文本等。
• 示例：'Hello, 世界!', 'https://example.com'

2. FixedString(N)

• 說明：固定長度 N 的字符串。如果插入的字符串長度小于 N，則會用空字節 (\0) 填充；如果更長，則會拋出異常。
• 適用場景：存儲長度幾乎固定的標識符，如 MD5哈希值(32)、國家代碼(2)、IP地址(15) 等。查詢性能比 String 更高。
• 示例：FixedString(32) 用于存儲 '4d7e6e7b0d6e7a7b6e7d6e7a6e7d6e7a'

三、時間日期類型

設計哲學：提供細粒度的時間類型，內部存儲為整數，計算效率極高。

類型	分辨率	格式	示例
Date	天	YYYY-MM-DD	'2023-10-27'
DateTime	秒	YYYY-MM-DD HH:MM:SS	'2023-10-27 14:30:00'
DateTime64	亞秒	YYYY-MM-DD HH:MM:SS.NNNNNNNNN	DateTime64(3) -> 毫秒 '2023-10-27 14:30:00.123'

關鍵點：

• 可以指定時區：DateTime('Asia/Shanghai')。
• DateTime64 可以指定小數秒的精度，如 DateTime64(6) 為微秒。
• 最佳實踐：始終使用最細粒度的時間類型，因為你總是可以從高精度轉換到低精度（如按天聚合），但反之則不行。

四、復雜與高階類型

這些類型是 ClickHouse 強大功能的體現。

1. Array(T)

• 說明：由 T 類型元素組成的數組，T 可以是任意類型，甚至另一個 Array。
• 操作：支持豐富的數組函數 (arrayMap, arrayFilter, arrayCount) 和 Lambda 表達式。
• 示例：

  -- 創建數組
  SELECT [1, 2, 3] AS numbers;
  -- 數組函數
  SELECT arrayFilter(x -> x > 1, [1, 2, 3, 4]) AS filtered; -- [2,3,4]
  

2. Nullable(T)

• 說明：允許 T 類型的值為 NULL。
• 注意：謹慎使用！ Nullable 類型會使列的處理速度變慢并增加存儲開銷，因為需要額外的一個字節來存儲 NULL 標記。如果業務上不可能為 NULL，就不要用。
• 示例：Nullable(String) 表示一個可能為 NULL 的字符串。

3. Tuple(T1, T2, ...)

• 說明：元組，用于存儲一組有序的、類型可能不同的值。
• 適用場景：臨時組合多個值，常用于函數返回多個結果或存儲少量關聯數據。
• 示例：Tuple(String, UInt8, Float32) -> ('Alice', 25, 99.5)

4. LowCardinality(T)

• 說明：極其重要的高性能類型。用于包裝基數低（ distinct 值數量少）的 String、FixedString、Date、DateTime 類型以及整數類型。
• 原理：內部使用字典編碼，將原始值映射為更小的整數，極大減少存儲空間并加速查詢。
• 適用場景：狀態碼、性別、國家、枚舉值、標簽等。
• 示例：LowCardinality(String) 存儲 'success', 'fail', 'pending'。

5. Enum8, Enum16

• 說明：枚舉，將字符串映射到數字值進行存儲，是 LowCardinality 的一種特化和提前定義。
• 適用場景：固定的、預定義的字符串集合。
• 示例：

  CREATE TABLE logs (level Enum8('ERROR' = 1, 'WARNING' = 2, 'INFO' = 3)
  );
  INSERT INTO logs VALUES ('ERROR');
  

五、域類型（Domain-Specific Types）

這些類型是語法糖，底層用其他類型存儲，但提供了更清晰的語義和專用的函數。

1. IPv4, IPv6

• 底層存儲：IPv4 存為 UInt32, IPv6 存為 FixedString(16)。
• 優點：提供專用的函數（如 IPv4NumToString, toIPv4）和格式檢查。
• 示例：

  SELECT toIPv4('192.168.0.1') AS ip WHERE ip > toIPv4('192.168.0.0');
  

2. UUID

• 說明：通用唯一標識符，存儲為 FixedString(16)。
• 示例：UUID('12345678-1234-1234-1234-123456789abc')

六、其他特殊類型

1. Nested

• 說明：用于創建嵌套數據結構，它本質上是將多個 Array 列組合在一起，保證其數組長度相同。
• 適用場景：處理半結構化數據，如來自 JSON 的事件列表。
• 示例：

  CREATE TABLE events (timestamp DateTime,user_id UInt32,`actions.names` Array(String),`actions.values` Array(Int32)
  ) ENGINE = MergeTree()
  ORDER BY (user_id, timestamp);
  

  (注意：這實際上是模擬嵌套，并非真正的嵌套類型，但概念一致)。

2. AggregateFunction

• 說明：非常特殊且強大。它不存儲數據本身，而是存儲數據的中間聚合狀態（如 uniqState, quantileState）。
• 適用場景：與物化視圖結合使用，實現預聚合，是 ClickHouse 應對超大數據量的王牌功能。
• 示例：

  -- 創建一個存儲聚合狀態的物化視圖
  CREATE MATERIALIZED VIEW mv_agg
  ENGINE = AggregatingMergeTree()
  ORDER BY (date, product_id)
  AS SELECTdate,product_id,sumState(amount) AS total_amount, -- 存儲的是聚合狀態，不是最終值uniqState(user_id) AS unique_users
  FROM sales_raw
  GROUP BY date, product_id;-- 查詢時，使用相應的合并函數獲取最終結果
  SELECTdate,product_id,sumMerge(total_amount) AS total_sales, -- 合并狀態得到最終結果uniqMerge(unique_users) AS total_customers
  FROM mv_agg
  GROUP BY date, product_id;
  

總結與最佳實踐

1. 精確選擇類型：使用能滿足需求的最小、最精確的類型（如 UInt8 而非 UInt64）。
2. 字符串優化：對基數低的字符串列，毫不猶豫地使用 LowCardinality(String)。對固定長度的標識符，使用 FixedString(N)。
3. 避免濫用 Nullable：除非必要，否則不要使用 Nullable，因為它有性能開銷。
4. 時間類型：始終使用最細粒度的時間類型（如 DateTime64）。
5. 金融計算：使用 Decimal 系列類型，避免使用 Float。
6. 探索復雜類型：善用 Array、Tuple 和 Map 來處理復雜數據結構。
7. 王牌功能：在需要極致性能的聚合場景，學習和使用 AggregateFunction 與物化視圖。

通過合理選擇數據類型，你可以極大地提升 ClickHouse 的存儲效率和查詢性能。

四、相關文獻

【大數據知識】ClickHouse入門
【大數據知識】今天聊聊Clickhouse部署方案