最后更新: 2020-08-31
在 ClickHouse 里，物化视图(Materialized View)可以说是一个神奇且强大的东西，用途别具一格。
本文从底层机制进行分析，看看 ClickHouse 的 Materalized View 是怎么工作的，以方便更好的使用它。
什么是物化视图 对大部分人来说，物化视图这个概念会比较抽象，物化？视图？。。。
为了更好的理解它，我们先看一个场景。
假设你是 *hub 一个“幸福”的小程序员，某天产品经理有个需求：实时统计每小时视频下载量。
用户下载明细表：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 clickhouse> SELECT * FROM download LIMIT 10; +---------------------+--------+--------+ | when | userid | bytes | +---------------------+--------+--------+ | 2020-08-31 18:22:06 | 19 | 530314 | | 2020-08-31 18:22:06 | 19 | 872957 | | 2020-08-31 18:22:06 | 19 | 107047 | | 2020-08-31 18:22:07 | 19 | 214876 | | 2020-08-31 18:22:07 | 19 | 820943 | | 2020-08-31 18:22:07 | 19 | 693959 | | 2020-08-31 18:22:08 | 19 | 882151 | | 2020-08-31 18:22:08 | 19 | 644223 | | 2020-08-31 18:22:08 | 19 | 199800 | | 2020-08-31 18:22:09 | 19 | 511439 | ... ....
计算每小时下载量：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 clickhouse> SELECT toStartOfHour(when) AS hour, userid, count() as downloads, sum(bytes) AS bytes FROM download GROUP BY userid, hour ORDER BY userid, hour; +---------------------+--------+-----------+------------+ | hour | userid | downloads | bytes | +---------------------+--------+-----------+------------+ | 2020-08-31 18:00:00 | 19 | 6822 | 3378623036 | | 2020-08-31 19:00:00 | 19 | 10800 | 5424173178 | | 2020-08-31 20:00:00 | 19 | 10800 | 5418656068 | | 2020-08-31 21:00:00 | 19 | 10800 | 5404309443 | | 2020-08-31 22:00:00 | 19 | 10800 | 5354077456 | | 2020-08-31 23:00:00 | 19 | 10800 | 5390852563 | | 2020-09-01 00:00:00 | 19 | 10800 | 5369839540 | | 2020-09-01 01:00:00 | 19 | 10800 | 5384161012 | | 2020-09-01 02:00:00 | 19 | 10800 | 5404581759 | | 2020-09-01 03:00:00 | 19 | 6778 | 3399557322 | +---------------------+--------+-----------+------------+ 10 rows in set (0.13 sec)
很容易嘛，不过有个问题：download 表为基础数据进行计算，*hub 数据量太大，无法忍受。
想到一个办法：如果对 download 进行预聚合，把结果保存到一个新表 download_hour_mv，并随着 download 增量实时更新，每次去查询download_hour_mv 不就可以了。
这个新表可以看做是一个物化视图，它在 ClickHouse 是一个普通表。
创建物化视图 1 2 3 4 5 6 7 8 9 10 clickhouse> CREATE MATERIALIZED VIEW download_hour_mv ENGINE = SummingMergeTree PARTITION BY toYYYYMM(hour) ORDER BY (userid, hour) AS SELECT toStartOfHour(when) AS hour, userid, count() as downloads, sum(bytes) AS bytes FROM download WHERE when >= toDateTime('2020-09-01 04:00:00') GROUP BY userid, hour
这个语句主要做了：
创建一个引擎为 SummingMergeTree 的物化视图 download_hour_mv
物化视图的数据来源于 download 表，并根据 select 语句中的表达式进行相应“物化”操作
选取一个未来时间(当前时间是 2020-08-31 18:00:00)作为开始点 WHERE when >= toDateTime('2020-09-01 04:00:00')，表示在2020-09-01 04:00:00 之后的数据才会被同步到 download_hour_mv
这样，目前 download_hour_mv 是一个空表：
1 2 clickhouse> SELECT * FROM download_hour_mv ORDER BY userid, hour; Empty set (0.02 sec)
注意：官方有 POPULATE 关键字，但是不建议使用，因为视图创建期间 download 如果有写入数据会丢失，这也是我们加一个 WHERE 作为数据同步点的原因。
那么，我们如何让源表数据可以一致性的同步到 download_hour_mv 呢？
物化全量数据 在2020-09-01 04:00:00之后，我们可以通过一个带 WHERE 快照的INSERT INTO SELECT... 对 download 历史数据进行物化：
1 2 3 4 5 6 7 8 clickhouse> INSERT INTO download_hour_mv SELECT toStartOfHour(when) AS hour, userid, count() as downloads, sum(bytes) AS bytes FROM download WHERE when < toDateTime('2020-09-01 04:00:00') GROUP BY userid, hour
查询物化视图：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 clickhouse> SELECT * FROM download_hour_mv ORDER BY hour, userid, downloads DESC; +---------------------+--------+-----------+------------+ | hour | userid | downloads | bytes | +---------------------+--------+-----------+------------+ | 2020-08-31 18:00:00 | 19 | 6822 | 3378623036 | | 2020-08-31 19:00:00 | 19 | 10800 | 5424173178 | | 2020-08-31 20:00:00 | 19 | 10800 | 5418656068 | | 2020-08-31 21:00:00 | 19 | 10800 | 5404309443 | | 2020-08-31 22:00:00 | 19 | 10800 | 5354077456 | | 2020-08-31 23:00:00 | 19 | 10800 | 5390852563 | | 2020-09-01 00:00:00 | 19 | 10800 | 5369839540 | | 2020-09-01 01:00:00 | 19 | 10800 | 5384161012 | | 2020-09-01 02:00:00 | 19 | 10800 | 5404581759 | | 2020-09-01 03:00:00 | 19 | 6778 | 3399557322 | +---------------------+--------+-----------+------------+ 10 rows in set (0.05 sec)
可以看到数据已经“物化”到 download_hour_mv。
物化增量数据 写一些数据到 download表:
1 2 3 4 5 6 7 8 clickhouse> INSERT INTO download SELECT toDateTime('2020-09-01 04:00:00') + number*(1/3) as when, 19, rand() % 1000000 FROM system.numbers LIMIT 10;
查询物化视图 download_hour_mv:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 clickhouse> SELECT * FROM download_hour_mv ORDER BY hour, userid, downloads; +---------------------+--------+-----------+------------+ | hour | userid | downloads | bytes | +---------------------+--------+-----------+------------+ | 2020-08-31 18:00:00 | 19 | 6822 | 3378623036 | | 2020-08-31 19:00:00 | 19 | 10800 | 5424173178 | | 2020-08-31 20:00:00 | 19 | 10800 | 5418656068 | | 2020-08-31 21:00:00 | 19 | 10800 | 5404309443 | | 2020-08-31 22:00:00 | 19 | 10800 | 5354077456 | | 2020-08-31 23:00:00 | 19 | 10800 | 5390852563 | | 2020-09-01 00:00:00 | 19 | 10800 | 5369839540 | | 2020-09-01 01:00:00 | 19 | 10800 | 5384161012 | | 2020-09-01 02:00:00 | 19 | 10800 | 5404581759 | | 2020-09-01 03:00:00 | 19 | 6778 | 3399557322 | | 2020-09-01 04:00:00 | 19 | 10 | 5732600 | +---------------------+--------+-----------+------------+ 11 rows in set (0.00 sec)
可以看到最后一条数据就是我们增量的一个物化聚合，已经实时同步，这是如何做到的呢？
物化视图原理 ClickHouse 的物化视图原理并不复杂，在 download 表有新的数据写入时，如果检测到有物化视图跟它关联，会针对这批写入的数据进行物化操作。
比如上面新增数据是通过以下 SQL 生成的：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 clickhouse> SELECT -> toDateTime('2020-09-01 04:00:00') + number*(1/3) as when, -> 19, -> rand() % 1000000 -> FROM system.numbers -> LIMIT 10; +---------------------+------+-------------------------+ | when | 19 | modulo(rand(), 1000000) | +---------------------+------+-------------------------+ | 2020-09-01 04:00:00 | 19 | 870495 | | 2020-09-01 04:00:00 | 19 | 322270 | | 2020-09-01 04:00:00 | 19 | 983422 | | 2020-09-01 04:00:01 | 19 | 759708 | | 2020-09-01 04:00:01 | 19 | 975636 | | 2020-09-01 04:00:01 | 19 | 365507 | | 2020-09-01 04:00:02 | 19 | 865569 | | 2020-09-01 04:00:02 | 19 | 975742 | | 2020-09-01 04:00:02 | 19 | 85827 | | 2020-09-01 04:00:03 | 19 | 992779 | +---------------------+------+-------------------------+ 10 rows in set (0.02 sec)
物化视图执行的语句类似：
1 2 3 4 5 6 7 8 INSERT INTO download_hour_mv SELECT toStartOfHour(when) AS hour, userid, count() as downloads, sum(bytes) AS bytes FROM [新增的10条数据] WHERE when >= toDateTime('2020-09-01 04:00:00') GROUP BY userid, hour
代码导航：
添加视图 OutputStream， InterpreterInsertQuery.cpp
1 2 3 4 if (table->noPushingToViews() && !no_destination) out = table->write(query_ptr, metadata_snapshot, context); else out = std::make_shared<PushingToViewsBlockOutputStream>(table, metadata_snapshot, context, query_ptr, no_destination);
构造 Insert ， PushingToViewsBlockOutputStream.cpp
1 2 3 4 ASTPtr insert_query_ptr(insert.release()); InterpreterInsertQuery interpreter(insert_query_ptr, *insert_context); BlockIO io = interpreter.execute(); out = io.out;
物化新增数据：PushingToViewsBlockOutputStream.cpp
1 2 3 4 5 6 Context local_context = *select_context; local_context.addViewSource( StorageValues::create( storage->getStorageID(), metadata_snapshot->getColumns(), block, storage->getVirtuals())); select.emplace(view.query, local_context, SelectQueryOptions()); in = std::make_shared<MaterializingBlockInputStream>(select->execute().getInputStream()
总结 物化视图的用途较多。
比如可以解决表索引问题，我们可以用物化视图创建另外一种物理序，来满足某些条件下的查询问题。
还有就是通过物化视图的实时同步数据能力，我们可以做到更加灵活的表结构变更。
更强大的地方是它可以借助 MergeTree 家族引擎(SummingMergeTree、Aggregatingmergetree等)，得到一个实时的预聚合，满足快速查询。
原理是把增量的数据根据 AS SELECT ... 对其进行处理并写入到物化视图表，物化视图是一种普通表，可以直接读取和写入。
