一、ClickHouse 的優缺點
一、ClickHouse 的優點 ?
1. 極致的查詢性能
- 列式存儲：只讀取查詢涉及的列，大幅減少 IO。
- 數據壓縮：常見壓縮率 5~10 倍，減少存儲和帶寬消耗。
- 向量化執行：按批次（block）處理數據，充分利用 CPU SIMD 指令。
- 并行查詢：單機多核 + 集群分布式并行。
👉 結果：在 TB~PB 級數據量上，秒級甚至毫秒級返回復雜聚合查詢。
2. 實時寫入 + 即時可查
- 支持高并發寫入（百萬級/秒），數據寫入后幾乎立即可查詢。
- 比 Hive、Presto 這類 批處理查詢引擎 要快得多。
👉 適合 實時數據分析、監控、日志查詢。
3. 分區、索引、分布式能力
- 主鍵索引 (Sparse Index)：按分區范圍做稀疏索引，快速定位數據。
- 數據分區/分片 (Sharding & Partitioning)：支持海量數據水平擴展。
- 副本 (Replication)：保證高可用和容災。
👉 可以支撐 大規模集群部署。
4. 豐富的數據引擎
- MergeTree 系列：主力 OLAP 存儲。
- 外部數據源引擎：MySQL、Kafka、HDFS、S3、Postgres、MongoDB 等。
- Buffer、MaterializedView：支持實時 ETL。
👉 在 冷熱數據分層、與大數據生態結合 方面很靈活。
5. 開源 + 活躍生態
- Apache 2.0 協議，社區活躍。
- 已在 Yandex、騰訊、美團、字節跳動等大規模落地。
- 生態中有 Kafka、Spark、Flink、Airflow 等連接器。
6. 運維成本相對較低
- 單機就能跑得很好，部署門檻低。
- 不依賴 Hadoop 生態（相比 Hive/Presto）。
- 對比 Druid、Kylin，運維復雜度更低。
二、ClickHouse 的缺點 ??
1. 不適合事務場景
- 沒有完整的 ACID 事務，僅支持有限的 原子性操作 (Atomic engine)。
- 不適合 OLTP（銀行轉賬、電商訂單等強一致性場景）。
👉 它是 OLAP 系統，定位是分析，而不是事務處理。
2. 寫入刪除機制有限
- 刪除 (DELETE/UPDATE) 操作本質上是 標記刪除，數據會在后臺合并時真正清理。
- 寫入是 批量塊 (block)，小量頻繁寫入效率較差。
👉 適合 append-only 的場景（日志、監控），不適合頻繁更新。
3. 學習曲線
- 引擎種類多（MergeTree 系列、Log、Buffer…），新手需要理解其差異。
- SQL 方言與標準 SQL 有些差別，比如
LIMIT BY、SAMPLE、FINAL等。
4. 資源消耗
-
極致性能是通過 CPU、內存換取的：
- 查詢時常常消耗大量內存。
- 并發查詢太多時可能出現 OOM。
-
高性能存儲介質（SSD/NVMe）更適合 ClickHouse，否則性能會打折扣。
5. 生態相對不如傳統數據庫
- BI 工具支持在增強，但相比 MySQL/Postgres 還是稍弱。
- 機器學習、流處理生態，需要依賴 Spark/Flink 來補充。
6. 集群管理復雜性
-
雖然單機簡單，但大規模集群下：
- 表分片、副本、分布式查詢路由，需要良好設計。
- 運維經驗不足時容易遇到 數據傾斜、分片不均衡 的問題。
三、總結表格
| 方面 | 優點 | 缺點 |
|---|---|---|
| 性能 | 秒級/毫秒級查詢，列存+壓縮+向量化 | 高并發查詢時內存占用大 |
| 寫入 | 高吞吐實時寫入 | 不適合頻繁更新/刪除，小批量寫入低效 |
| 事務 | 支持原子表 | 缺乏完整 ACID，不能做 OLTP |
| 架構 | 分布式、分片、副本、高可用 | 集群管理復雜 |
| 生態 | 外部引擎豐富，社區活躍 | BI/ML 生態不如 MySQL/PG 豐富 |
| 運維 | 單機簡單，依賴少 | 大規模集群需要專業經驗 |
📌 一句話總結
ClickHouse = 高性能 OLAP 引擎，適合日志分析、指標監控、用戶行為分析、大數據實時查詢；
不適合 事務處理、頻繁更新刪除、強一致性場景。
二、存儲引擎 (Table Engines)
1. 核心概念
在 ClickHouse 里，表引擎 (Table Engine) 決定了表的數據如何存儲、分布、復制、合并以及如何被查詢。
- 有些引擎是 存儲型（比如
MergeTree），真的把數據落盤。 - 有些是 視圖型（比如
View），不存儲數據，只做查詢映射。 - 有些是 外部數據源型（比如
MySQL、Kafka、HDFS），數據存在別處。
2. 主流存儲引擎類別
(A) MergeTree 系列（最常用、最強大）
這是 ClickHouse 的核心存儲引擎族，支持 索引、分區、TTL、壓縮、并行查詢 等特性。
常見子類：
MergeTree：基礎版本。ReplacingMergeTree：支持用指定列替換重復數據。SummingMergeTree：自動對相同 key 的數據做聚合（求和）。AggregatingMergeTree：支持存儲預聚合數據（配合AggregateFunction）。CollapsingMergeTree：支持“折疊”正負標記的數據（常用于 CDC、日志）。VersionedCollapsingMergeTree：帶版本號的折疊，解決數據順序問題。GraphiteMergeTree：專門為 Graphite 監控數據設計（支持 rollup）。
👉 特點：適合絕大多數 OLAP 場景，是 ClickHouse 的主力。
(B) 日志型引擎（簡單輕量）
不做復雜的合并和索引，性能和功能有限，適合小表、臨時表。
Log：簡單的日志表。StripeLog：數據按列分 stripe 存儲。TinyLog：最簡單的存儲形式，寫入文件，幾乎沒有額外功能。
👉 常見于測試、小規模表。
? 內存型引擎
Memory：數據全在內存里，重啟會丟失，適合臨時計算。
(D) 外部數據源 / 文件系統引擎
File：讀寫本地文件（支持 CSV、TSV、Parquet、ORC 等）。HDFS：讀寫 HDFS 文件。S3：讀寫 AWS S3 或兼容的對象存儲。URL：直接通過 HTTP/HTTPS 訪問遠程文件。MySQL：把 MySQL 表映射為 ClickHouse 表。PostgreSQL：訪問 PostgreSQL 數據。ODBC/JDBC：通過 ODBC/JDBC 訪問外部數據庫。Kafka：從 Kafka 消費數據。RabbitMQ：從 RabbitMQ 讀寫數據。MongoDB：訪問 MongoDB 數據。
👉 適合做 外部數據源接入、ETL、實時數據攝取。
(E) 分布式 / 集群引擎
Distributed：把表分布到多個 ClickHouse 節點，支持分布式查詢。Dictionary：存儲字典數據（常用于維表 join）。
(F) 特殊用途引擎
Null：丟棄所有寫入，查詢時返回空結果（類似/dev/null）。View：普通視圖，不存儲數據。MaterializedView：物化視圖，存儲查詢結果。LiveView：實時視圖，支持訂閱數據變化。Join：專門存儲用于 JOIN 的數據。Set：存儲一個集合，用于IN查詢。Buffer：數據先寫入內存緩沖區，再異步落到目標表。Merge：將多個表合并為一個邏輯表。Dictionary：存儲字典型數據（維表）。
3. 總結
ClickHouse 的引擎大致可以分為幾類：
| 類別 | 代表引擎 | 主要用途 |
|---|---|---|
| 核心存儲 | MergeTree 系列 | 高性能 OLAP，分區、索引、壓縮 |
| 輕量存儲 | Log、TinyLog、StripeLog | 小表、臨時表 |
| 內存 | Memory | 臨時計算 |
| 外部數據 | File、HDFS、S3、MySQL、Kafka | 數據交換、ETL、實時導入 |
| 分布式 | Distributed | 集群查詢 |
| 特殊用途 | Null、View、MaterializedView、Join、Buffer | 特殊場景 |
 的兼容性問題)
