Python使用ClickHouse的实践与踩坑记录 Python使用ClickHouse的实践与踩坑

1. 关于ClickHouse使用实践

1.1. ClickHouse 应用于数据仓库场景
1.2. 客户端工具DBeaver
1.3. 大数据应用实践

2. Python使用ClickHouse实践

2.1. ClickHouse第三方Python驱动clickhouse_driver
2.2. 实践程序代码

3. 小结一下

操作ClickHouse删除指定数据

ClickHouse是近年来备受关注的开源列式数据库（DBMS），主要用于数据联机分析（OLAP）领域，于2016年开源。目前国内社区火热，各个大厂纷纷跟进大规模使用。

今日头条，内部用ClickHouse来做用户行为分析，内部一共几千个ClickHouse节点，单集群最大1200节点，总数据量几十PB，日增原始数据300TB左右。
腾讯内部用ClickHouse做游戏数据分析，并且为之建立了一整套监控运维体系。
携程内部从2018年7月份开始接入试用，目前80%的业务都跑在ClickHouse上。每天数据增量十多亿，近百万次查询请求。
快手内部也在使用ClickHouse，存储总量大约10PB，每天新增200TB， 90%查询小于3S。

在国外，Yandex内部有数百节点用于做用户点击行为分析，CloudFlare、Spotify等头部公司也在使用。
ClickHouse最初是为 YandexMetrica 世界第二大Web分析平台而开发的。多年来一直作为该系统的核心组件被该系统持续使用着。

1. 关于ClickHouse使用实践首先，我们回顾一些基础概念：

OLTP：是传统的关系型数据库，主要操作增删改查，强调事务一致性，比如银行系统、电商系统。
OLAP：是仓库型数据库，主要是读取数据，做复杂数据分析，侧重技术决策支持，提供直观简单的结果。

1.1. ClickHouse 应用于数据仓库场景
ClickHouse做为列式数据库，列式数据库更适合OLAP场景，OLAP场景的关键特征：

绝大多数是读请求
数据以相当大的批次(> 1000行)更新，而不是单行更新; 或者根本没有更新。
已添加到数据库的数据不能修改。
对于读取，从数据库中提取相当多的行，但只提取列的一小部分。
宽表，即每个表包含着大量的列
查询相对较少(通常每台服务器每秒查询数百次或更少)
对于简单查询，允许延迟大约50毫秒
列中的数据相对较小：数字和短字符串(例如，每个URL 60个字节)
处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)
事务不是必须的
对数据一致性要求低
每个查询有一个大表。除了他以外，其他的都很小。
查询结果明显小于源数据。换句话说，数据经过过滤或聚合，因此结果适合于单个服务器的RAM中

1.2. 客户端工具DBeaver
Clickhouse客户端工具为dbeaver，官网为https://dbeaver.io/。

dbeaver是免费和开源（GPL）为开发人员和数据库管理员通用数据库工具。[百度百科]
易用性是该项目的主要目标，是经过精心设计和开发的数据库管理工具。免费、跨平台、基于开源框架和允许各种扩展写作（插件）。
它支持任何具有一个JDBC驱动程序数据库。
它可以处理任何的外部数据源。

通过操作界面菜单中“数据库”创建配置新连接，如下图所示，选择并下载ClickHouse驱动（默认不带驱动）。

文章图片

DBeaver配置是基于Jdbc方式，一般默认URL和端口如下：

jdbc:clickhouse://192.168.17.61:8123

如下图所示。
在是用DBeaver连接Clickhouse做查询时，有时候会出现连接或查询超时的情况，这个时候可以在连接的参数中添加设置socket_timeout参数来解决问题。

jdbc:clickhouse://{host}:{port}[/{database}]?socket_timeout=600000

文章图片

1.3. 大数据应用实践

环境简要说明：
硬件资源有限，仅有16G内存，交易数据为亿级。

本应用是某交易大数据，主要包括交易主表、相关客户信息、物料信息、历史价格、优惠及积分信息等，其中主交易表为自关联树状表结构。
为了分析客户交易行为，在有限资源的条件下，按日和交易点抽取、汇集交易明细为交易记录，如下图所示。

文章图片

其中，在ClickHouse上，交易数据结构由60个列（字段）组成，截取部分如下所示：

文章图片

针对频繁出现“would use 10.20 GiB , maximum: 9.31 GiB”等内存不足的情况，基于ClickHouse的SQL，编写了提取聚合数据集SQL语句，如下所示。

文章图片

大约60s返回结果，如下所示：

文章图片

2. Python使用ClickHouse实践
2.1. ClickHouse第三方Python驱动clickhouse_driver
ClickHouse没有提供官方Python接口驱动，常用第三方驱动接口为clickhouse_driver，可以使用pip方式安装，如下所示：

pip install clickhouse_driverCollecting clickhouse_driverDownloading https://files.pythonhosted.org/packages/88/59/c570218bfca84bd0ece896c0f9ac0bf1e11543f3c01d8409f5e4f801f992/clickhouse_driver-0.2.1-cp36-cp36m-win_amd64.whl (173kB)100% |████████████████████████████████| 174kB 27kB/sCollecting tzlocal<3.0 (from clickhouse_driver)Downloading https://files.pythonhosted.org/packages/5d/94/d47b0fd5988e6b7059de05720a646a2930920fff247a826f61674d436ba4/tzlocal-2.1-py2.py3-none-any.whlRequirement already satisfied: pytz in d:\python\python36\lib\site-packages (from clickhouse_driver) (2020.4)Installing collected packages: tzlocal, clickhouse-driverSuccessfully installed clickhouse-driver-0.2.1 tzlocal-2.1

使用的client api不能用了，报错如下：

File "clickhouse_driver\varint.pyx", line 62, in clickhouse_driver.varint.read_varint
File "clickhouse_driver\bufferedreader.pyx", line 55, in clickhouse_driver.bufferedreader.BufferedReader.read_one
File "clickhouse_driver\bufferedreader.pyx", line 240, in clickhouse_driver.bufferedreader.BufferedSocketReader.read_into_buffer
EOFError: Unexpected EOF while reading bytes

Python驱动使用ClickHouse端口9000。
ClickHouse服务器和客户端之间的通信有两种协议：http（端口8123）和本机（端口9000）。DBeaver驱动配置使用jdbc驱动方式，端口为8123。
ClickHouse接口返回数据类型为元组，也可以返回Pandas的DataFrame，本文代码使用的为返回DataFrame。

collection = self.client.query_dataframe(self.query_sql)

2.2. 实践程序代码
由于我本机最初资源为8G内存（现扩到16G），以及实际可操作性，分批次取数据保存到多个文件中，每个文件大约为1G。

# -*- coding: utf-8 -*-'''Created on 2021年3月1日@author: xiaoyw'''import pandas as pdimport jsonimport numpy as npimport datetimefrom clickhouse_driver import Client#from clickhouse_driver import connect# 基于Clickhouse数据库基础数据对象类class DB_Obj(object):'''192.168.17.61:9000ebd_all_b04.card_tbl_trade_m_orc'''def __init__(self, db_name):self.db_name = db_namehost='192.168.17.61' #服务器地址port ='9000' #'8123' #端口user='***' #用户名password='***' #密码database=db_name #数据库send_receive_timeout = 25 #超时时间self.client = Client(host=host, port=port, database=database) #, send_receive_timeout=send_receive_timeout)#self.conn = connect(host=host, port=port, database=database) #, send_receive_timeout=send_receive_timeout)def setPriceTable(self,df):self.pricetable = dfdef get_trade(self,df_trade,filename):print('Trade join price!')df_trade = pd.merge(left=df_trade,right=self.pricetable[['occurday','DIM_DATE','END_DATE','V_0','V_92','V_95','ZDE_0','ZDE_92','ZDE_95']],how="left",on=['occurday'])df_trade.to_csv(filename,mode='a',encoding='utf-8',index=False)def get_datas(self,query_sql):n = 0 # 累计处理卡客户数据k = 0 # 取每次DataFrame数据量batch = 100000 #100000 # 分批次处理i = 0 # 文件标题顺序累加flag=True # 数据处理解释标志filename = 'card_trade_all_{}.csv'while flag:self.query_sql = query_sql.format(n, n+batch) print('query started')collection = self.client.query_dataframe(self.query_sql)print('return query result')df_trade = collection #pd.DataFrame(collection)i=i+1k = len(df_trade) if k > 0:self.get_trade(df_trade, filename.format(i))n = n + batchif k == 0:flag=Falseprint('Completed ' + str(k) + 'trade details!')print('Usercard count ' + str(n) )return n# 价格变动数据集class Price_Table(object):def __init__(self, cityname, startdate):self.cityname = citynameself.startdate = startdateself.filename = 'price20210531.csv'def get_price(self):df_price = pd.read_csv(self.filename)......self.price_table=self.price_table.append(data_dict, ignore_index=True)print('generate price table!')class CardTradeDB(object):def __init__(self,db_obj): self.db_obj = db_objdef insertDatasByCSV(self,filename):# 存在数据混合类型df = pd.read_csv(filename,low_memory=False)# 获取交易记录def getTradeDatasByID(self,ID_list=None):# 字符串过长，需要使用'''query_sql = '''select C.carduser_id,C.org_id,C.cardasn,C.occurday as ......limit {},{})group by C.carduser_id,C.org_id,C.cardasn,C.occurdayorder by C.carduser_id,C.occurday'''n = self.db_obj.get_datas(query_sql)return nif __name__ == '__main__':PTable = Price_Table('湖北','2015-12-01')PTable.get_price()db_obj = DB_Obj('ebd_all_b04')db_obj.setPriceTable(PTable.price_table)CTD = CardTradeDB(db_obj)df = CTD.getTradeDatasByID()

返回本地文件为：

文章图片

3. 小结一下 ClickHouse在OLAP场景下应用，查询速度非常快，需要大内存支持。Python第三方clickhouse-driver 驱动基本满足数据处理需求，如果能返回Pandas DataFrame最好。
ClickHouse和Pandas聚合都是非常快的，ClickHouse聚合函数也较为丰富（例如文中anyLast(x)返回最后遇到的值），如果能通过SQL聚合的，还是在ClickHouse中完成比较理想，把更小的结果集反馈给Python进行机器学习。

操作ClickHouse删除指定数据

def info_del2(i):client = click_client(host='地址', port=端口, user='用户名', password='密码',database='数据库')sql_detail='alter table SS_GOODS_ORDER_ALL delete where order_id='+str(i)+'; 'try:client.execute(sql_detail)except Exception as e:print(e,'删除商品数据失败')

在进行数据删除的时候，python操作clickhou和mysql的方式不太一样，这里不能使用以往常用的%s然后添加数据的方式，必须完整的编辑一条语句，如同上面方法所写的一样，传进去的参数统一使用str类型
【Python使用ClickHouse的实践与踩坑记录】以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。