级联 materialized views

如何基于源表使用多个 materialized view。

本示例演示如何创建一个 materialized view，以及如何基于第一个 materialized view 再级联第二个。在本页中，你将了解具体做法、各种可能性以及相关限制。通过创建以另一个 Materialized view 为源的 Materialized view，可以满足不同的使用场景。

示例：

我们将使用一个虚构的数据集，其中包含一组域名每小时的访问量。

我们的目标

1. 我们需要按月为每个域名聚合数据，
2. 我们还需要按年为每个域名聚合数据。

你可以选择以下方案之一：

• 编写查询，在 SELECT 时读取并聚合数据
• 在摄取时将数据预处理为新的格式
• 在摄取时将数据预处理为特定的聚合结果。

使用 Materialized views 预处理数据，可以减少 ClickHouse 需要处理的数据量和计算量，从而加快 SELECT 查询速度。

​

materialized views 的源表

创建源表。由于我们的目标是基于聚合后的数据进行报表分析，而不是保留单独的行，因此可以先对数据进行解析，将相关信息传递给 Materialized Views，再丢弃实际传入的数据。这样既能满足需求，也能节省存储空间，因此我们将使用 Null 表引擎。

CREATE DATABASE IF NOT EXISTS analytics;

CREATE TABLE analytics.hourly_data
(
    `domain_name` String,
    `event_time` DateTime,
    `count_views` UInt64
)
ENGINE = Null

你可以在 Null 表上创建 materialized view。因此，写入该表的数据会影响该视图，但原始原始数据仍会被丢弃。

​

每月聚合表和 materialized view

对于第一个 materialized view，我们需要创建 目标表。本示例中，该表为 analytics.monthly_aggregated_data，用于按月份和域名存储浏览量总和。

CREATE TABLE analytics.monthly_aggregated_data
(
    `domain_name` String,
    `month` Date,
    `sumCountViews` AggregateFunction(sum, UInt64)
)
ENGINE = AggregatingMergeTree
ORDER BY (domain_name, month)

用于将数据转发到目标表的 materialized view 如下所示：

CREATE MATERIALIZED VIEW analytics.monthly_aggregated_data_mv
TO analytics.monthly_aggregated_data
AS
SELECT
    toDate(toStartOfMonth(event_time)) AS month,
    domain_name,
    sumState(count_views) AS sumCountViews
FROM analytics.hourly_data
GROUP BY
    domain_name,
    month

​

年度聚合表和 materialized view

现在我们将创建第二个 Materialized view，并将其关联到之前的目标表 monthly_aggregated_data。

首先，我们将创建一个新的目标表，用于存储按年份聚合的各域名浏览量总和。

CREATE TABLE analytics.year_aggregated_data
(
    `domain_name` String,
    `year` UInt16,
    `sumCountViews` UInt64
)
ENGINE = SummingMergeTree()
ORDER BY (domain_name, year)

此步骤定义了级联关系。FROM 语句将使用 monthly_aggregated_data 表，这意味着数据流如下：

1. 数据进入 hourly_data 表。
2. ClickHouse 会将接收到的数据转发到第一个 materialized view monthly_aggregated_data 表，
3. 最后，第 2 步接收到的数据将被转发到 year_aggregated_data。

CREATE MATERIALIZED VIEW analytics.year_aggregated_data_mv
TO analytics.year_aggregated_data
AS
SELECT
    toYear(toStartOfYear(month)) AS year,
    domain_name,
    sumMerge(sumCountViews) AS sumCountViews
FROM analytics.monthly_aggregated_data
GROUP BY
    domain_name,
    year

使用 Materialized views 时，一个常见误解是认为数据是从表中读取的。Materialized views 的工作方式并非如此；被转发的是插入的数据块，而不是表中的最终结果。

假设在这个示例中，monthly_aggregated_data 使用的 engine 是 CollapsingMergeTree，那么转发到第二个 Materialized view year_aggregated_data_mv 的数据并不是折叠后表中的最终结果，而是一个数据块，其字段定义与 SELECT ... GROUP BY 中一致。

如果你使用的是 CollapsingMergeTree、ReplacingMergeTree，甚至 SummingMergeTree，并且计划创建级联 Materialized view，就需要了解这里描述的这些限制。

​

示例数据

现在我们可以插入一些数据，测试一下级联 materialized view：

INSERT INTO analytics.hourly_data (domain_name, event_time, count_views)
VALUES ('clickhouse.com', '2019-01-01 10:00:00', 1),
       ('clickhouse.com', '2019-02-02 00:00:00', 2),
       ('clickhouse.com', '2019-02-01 00:00:00', 3),
       ('clickhouse.com', '2020-01-01 00:00:00', 6);

如果你对 analytics.hourly_data 执行 SELECT 查询，你会看到如下结果，因为表引擎是 Null，但数据已被处理。

SELECT * FROM analytics.hourly_data

Ok.

0 rows in set. Elapsed: 0.002 sec.

我们先使用一个较小的数据集，以便于跟踪流程并将结果与预期进行比较；一旦确认流程在小数据集上无误，就可以直接切换到大规模数据。

​

结果

如果你尝试查询目标表并选择 sumCountViews 字段，你会看到二进制表示 (在某些终端中会如此) ，因为该值不是以数字形式存储的，而是以 AggregateFunction 类型存储。 要获取聚合的最终结果，应使用 -Merge 后缀。

你可以通过这个查询查看存储在 AggregateFunction 中的特殊字符：

SELECT sumCountViews FROM analytics.monthly_aggregated_data

┌─sumCountViews─┐
│               │
│               │
│               │
└───────────────┘

3 行，耗时 0.003 秒。

这里我们改用 Merge 后缀来获取 sumCountViews 的值：

SELECT
   sumMerge(sumCountViews) AS sumCountViews
FROM analytics.monthly_aggregated_data;

┌─sumCountViews─┐
│            12 │
└───────────────┘

1 row in set. Elapsed: 0.003 sec.

在 AggregatingMergeTree 中，我们将 AggregateFunction 定义为 sum，因此可以使用 sumMerge。如果在 AggregateFunction 上使用 avg 函数，则应使用 avgMerge，以此类推。

SELECT
    month,
    domain_name,
    sumMerge(sumCountViews) AS sumCountViews
FROM analytics.monthly_aggregated_data
GROUP BY
    domain_name,
    month

现在我们可以验证 materialized views 是否实现了我们设定的目标。

现在数据已经存储在目标表 monthly_aggregated_data 中，我们可以按月获取各个域名的聚合数据：

SELECT
   month,
   domain_name,
   sumMerge(sumCountViews) AS sumCountViews
FROM analytics.monthly_aggregated_data
GROUP BY
   domain_name,
   month

┌──────month─┬─domain_name────┬─sumCountViews─┐
│ 2020-01-01 │ clickhouse.com │             6 │
│ 2019-01-01 │ clickhouse.com │             1 │
│ 2019-02-01 │ clickhouse.com │             5 │
└────────────┴────────────────┴───────────────┘

3 rows in set. Elapsed: 0.004 sec.

按年份汇总的各域名数据：

SELECT
   year,
   domain_name,
   sum(sumCountViews)
FROM analytics.year_aggregated_data
GROUP BY
   domain_name,
   year

┌─year─┬─domain_name────┬─sum(sumCountViews)─┐
│ 2019 │ clickhouse.com │                  6 │
│ 2020 │ clickhouse.com │                  6 │
└──────┴────────────────┴────────────────────┘

2 rows in set. Elapsed: 0.004 sec.

​

将多个源表合并到单个目标表

还可以使用 materialized view 将多个源表合并到同一个目标表中。这适用于创建采用类似 UNION ALL 逻辑的 materialized view。

首先，创建两个表示不同指标集的源表：

CREATE TABLE analytics.impressions
(
    `event_time` DateTime,
    `domain_name` String
) ENGINE = MergeTree ORDER BY (domain_name, event_time)
;

CREATE TABLE analytics.clicks
(
    `event_time` DateTime,
    `domain_name` String
) ENGINE = MergeTree ORDER BY (domain_name, event_time)
;

然后使用合并后的指标集创建 目标表：

CREATE TABLE analytics.daily_overview
(
    `on_date` Date,
    `domain_name` String,
    `impressions` SimpleAggregateFunction(sum, UInt64),
    `clicks` SimpleAggregateFunction(sum, UInt64)
) ENGINE = AggregatingMergeTree ORDER BY (on_date, domain_name)

创建两个指向同一 目标表 的 materialized view。无需显式包含缺失的列：

CREATE MATERIALIZED VIEW analytics.daily_impressions_mv
TO analytics.daily_overview
AS
SELECT
    toDate(event_time) AS on_date,
    domain_name,
    count() AS impressions,
    0 clicks         ---<<<--- 如果省略此项，结果同样为 0
FROM
    analytics.impressions
GROUP BY
    toDate(event_time) AS on_date,
    domain_name
;

CREATE MATERIALIZED VIEW analytics.daily_clicks_mv
TO analytics.daily_overview
AS
SELECT
    toDate(event_time) AS on_date,
    domain_name,
    count() AS clicks,
    0 impressions    ---<<<--- 如果省略此项，结果同样为 0
FROM
    analytics.clicks
GROUP BY
    toDate(event_time) AS on_date,
    domain_name
;

现在，当你插入值时，这些值会聚合到 目标表 中各自对应的列里：

INSERT INTO analytics.impressions (domain_name, event_time)
VALUES ('clickhouse.com', '2019-01-01 00:00:00'),
       ('clickhouse.com', '2019-01-01 12:00:00'),
       ('clickhouse.com', '2019-02-01 00:00:00'),
       ('clickhouse.com', '2019-03-01 00:00:00')
;

INSERT INTO analytics.clicks (domain_name, event_time)
VALUES ('clickhouse.com', '2019-01-01 00:00:00'),
       ('clickhouse.com', '2019-01-01 12:00:00'),
       ('clickhouse.com', '2019-03-01 00:00:00')
;

将展示和点击数据合并到 目标表 中：

SELECT
    on_date,
    domain_name,
    sum(impressions) AS impressions,
    sum(clicks) AS clicks
FROM
    analytics.daily_overview
GROUP BY
    on_date,
    domain_name
;

该查询应输出如下类似内容：

┌────on_date─┬─domain_name────┬─impressions─┬─clicks─┐
│ 2019-01-01 │ clickhouse.com │           2 │      2 │
│ 2019-03-01 │ clickhouse.com │           1 │      1 │
│ 2019-02-01 │ clickhouse.com │           1 │      0 │
└────────────┴────────────────┴─────────────┴────────┘

3 rows in set. Elapsed: 0.018 sec.