前言：
下载课程ZY：https://www.sisuoit.com/1999.html
简述
ClickHouse 近两年在开源社区愈发火热，不知从何开始大家争相用它来替换 ElasticSearch，大概因为 ElasticSearch 的开销太高，在不作为搜索引擎的场景下，一定程度的暴力搜索是可以容忍的。
我们在使用 Skywalking 后发现，它对后端存储要求太高了，使用 (32C + 64G + 2T) x8 的配置，在云平台上每月好几万的开销，性能依然非常捉急，查询经常超时。前前后后优化了小半年后，最终下定决心替换成 ClickHouse。
在使用为 ClickHouse 后，机器数量减少了 50%；
- 查询链路列表从 5.53/s 提高到了 166/s，响应时间从 3.52s 降低到了 166ms；
- 查询链路详情从 5.31/s 提高到了 348/s，响应时间从 3.63s 降低到了 348ms；
值得一提的是，在与 ES 的对比中经常会提到磁盘空间降低，其实 ClickHouse 的压缩率没有那么夸张，起码在我的实际体验两者相差不大。如果 ES 空间占用很高，那很可能是因为没在索引中开启 codec: best_compression。
ClickHouse 也并不是没有缺点，本篇文章分享下如何用 ClickHouse 作为 Skywalking 的后端存储。本文不会赘述 ClickHouse 的基本原理，需要读者对
ClickHouse 有一定了解的情况下阅读。（由于工作量巨大，对 Skywalking 存储的改造仅限于存储链路数据，即 Segment，其余部分就抓大放小，仍使用 ElasticSearch 存储，没有进行改造）
表设计
ClickHouse 基本只能建立一种索引，即 Order By 的索引。而链路表查询条件众多，几乎每个字段都是查询条件，且包含多种排序，设计起来比较辣手。查询条件：时间、服务名称、服务实例、链路类型、链路 ID、链路名称、响应时间、是否异常
排序条件：时间、响应时间
想要在一张表上设计出符合所有查询模式，基本是不可能的（或完全不可能），在参考了
jaeger-clickhouse 等众多设计后，更加坚定了这个结论。尝试了数次后，最终的建表语句如下：
CREATE TABLE skywalking.segment
(
`segment_id` String,
`trace_id` String,
`service_id` LowCardinality(String),
`service_instance_id` LowCardinality(String),
`endpoint_name` String,
`endpoint_component_id` LowCardinality(String),
`start_time` DateTime64(3),
`end_time` DateTime64(3),
`latency` Int32,
`is_error` Enum8('success' = 0, 'error' = 1),
`data_binary` String,
INDEX idx_endpoint_name endpoint_name TYPE tokenbf_v1(2048, 2, 0) GRANULARITY 1,
PROJECTION p_trace_id
(
SELECT
trace_id,
groupArrayDistinct(service_id),
min(start_time) AS min_start_time,
max(start_time) AS max_start_time
GROUP BY trace_id
)
)
ENGINE = MergeTree
PARTITION BY toYYYYMMDD(start_time)
ORDER BY (start_time, service_id, endpoint_name, is_error)
TTL toDateTime(start_time) + toIntervalDay(10)【《慕慕到家》家政小程序组件化进阶实战，掌握小程序开发核心能力】首先，在
partition 上还是使用了天作为条件。在 Order By 时，使用 时间 + 服务 + 链路名称 + 异常。为什么不是 服务 + 时间，因为在很多查询中，时间作为条件的情况比服务作为条件的频率更高，如果在服务放在前边，大部分时候 ClickHouse 需要在一个文件的不同部分去遍历，IO 会变得分散。
