Python怎麼使用ClickHouse

ClickHouse是近年來備受關注的開源列式資料庫（DBMS），主要用於資料線上分析（OLAP）領域，於2016年開源。目前國內社區火熱，各大廠紛紛跟進大規模使用。

• 今日頭條，內部用ClickHouse來做用戶行為分析，內部一共幾千個ClickHouse節點，單集群最大1200節點，總數據量幾十PB，日增原始數據300TB左右。

• 騰訊內部用ClickHouse做遊戲資料分析，並且為此建立了一整套監控維繫體系。

• 從2018年7月開始試用，攜程內部已經將80%的業務遷移到ClickHouse資料庫上。每天資料增量十多億，近百萬次查詢請求。

• 快手內部也在使用ClickHouse，儲存總量約10PB， 每天新增200TB， 90%查詢小於3S。

在國外，Yandex內部有數百節點做使用者點擊行為分析，CloudFlare、Spotify等頭部公司也正在使用。

ClickHouse最初是為了開發YandexMetrica，這是世界第二大Web分析平台。多年來一直作為該系統的核心組件被該系統持續使用。

1. 關於ClickHouse使用實踐

首先，我們回顧一些基礎概念：

• OLTP#：是傳統的關係型資料庫，主要操作增刪改查，強調交易一致性，如銀行體系、電商系統。

• OLAP：是倉庫型資料庫，主要是讀取數據，做複雜數據分析，專注於技術決策支持，提供直覺簡單的結果。

1.1. ClickHouse 應用於資料倉儲場景

ClickHouse做為列式資料庫，列式資料庫更適合OLAP場景，OLAP場景的關鍵特徵：

• 絕大多數是讀取請求

• 資料以相當大的批次(> 1000行)更新，而不是單行更新;或根本沒有更新。

• 已新增至資料庫的資料不能修改。

• 對於讀取，從資料庫中提取相當多的行，但只提取列的一小部分。

• 寬表，即每個表包含大量的列

• #查詢相對較少(通常每台伺服器每秒查詢數百次或更少)

• 對於簡單查詢，允許延遲大約50毫秒

• 列中的資料相對較小：數字和短字符字串(例如，每個URL 60個位元組)

• 處理單一查詢時需要高吞吐量(每台伺服器每秒可達數十億行)

• 交易不是必須的

• 對資料一致性要求低

• 每個查詢都有一個大表。除了他以外，其他的都很小。

• 查詢結果明顯小於來源資料。換句話說，資料經過過濾或聚合，因此結果適合於單一伺服器的RAM中

#1.2. 客戶端工具DBeaver

##Clickhouse客戶端工具為dbeaver，官網為https://dbeaver.io/。

• dbeaver是免費和開源（GPL）為開發人員和資料庫管理員通用資料庫工具。 [百度百科]

• 該專案的核心目標是提高易用性，因此我們專門設計和開發了一個資料庫管理工具。免費、跨平台、基於開源框架和允許各種擴展寫作（插件）。

• 它支援任何具有一個JDBC驅動程式資料庫。

• 它可以處理任何的外部資料來源。

透過操作介面選單中「資料庫」建立配置新連接，如下圖所示，選擇並下載ClickHouse驅動（預設不含驅動）。

DBeaver配置是基於Jdbc方式，一般預設URL和連接埠如下：

jdbc:clickhouse://192.168.17.61:8123

如下圖所示。

在是用DBeaver連接Clickhouse做查詢時，有時會出現連接或查詢逾時的情況，這個時候可以在連接的參數中加入設定socket_timeout參數來解決問題。

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

1.3. 大數據應用實作

• 環境簡單說明：

• 硬體資源有限，僅16G內存，交易資料為億級。

本應用程式是某交易大數據，主要包括交易主表、相關客戶資訊、物料資訊、歷史價格、優惠及積分資訊等，其中主交易表為自關聯樹狀表結構。

為了分析客戶交易行為，在有限資源的條件下，按日和交易點抽取、匯集交易明細為交易記錄，如下圖所示。

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：

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。

大约60s返回结果，如下所示：

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_driver
Collecting clickhouse_driver
  Downloading https://files.pythonhosted.org/packages/88/59/c570218bfca84bd0ece896c0f9ac0bf1e11543f3c01d8409f5e4f801f992/clickhouse_driver-0.2.1-cp36-cp36m-win_amd64.whl (173kB)
    100% |████████████████████████████████| 174kB 27kB/s
Collecting tzlocal<3.0 (from clickhouse_driver)
  Downloading https://files.pythonhosted.org/packages/5d/94/d47b0fd5988e6b7059de05720a646a2930920fff247a826f61674d436ba4/tzlocal-2.1-py2.py3-none-any.whl
Requirement already satisfied: pytz in d:\python\python36\lib\site-packages (from clickhouse_driver) (2020.4)
Installing collected packages: tzlocal, clickhouse-driver
Successfully 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 pd
import json
import numpy as np
import datetime
from 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):
    '''
    192.168.17.61:9000
    ebd_all_b04.card_tbl_trade_m_orc
    '''
    def __init__(self, db_name):
        self.db_name = db_name
        host='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 = df
    def 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+1
            k = len(df_trade) 
            if k > 0:
                self.get_trade(df_trade, filename.format(i))
            
            n = n + batch
            if k == 0:
                flag=False        
            print('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 = cityname
        self.startdate = startdate
        self.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_obj
        
    def 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.occurday
                order by C.carduser_id,C.occurday'''
        
        
        n = self.db_obj.get_datas(query_sql)
        
        return n
                    
if __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：

3. 小结一下

ClickHouse运用于OLAP场景时，拥有出色的查询速度，但需要具备大内存支持。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

以上是Python怎麼使用ClickHouse的詳細內容。更多資訊請關注PHP中文網其他相關文章！