前置知识:
Clickhouse学习笔记(5)—— ClickHouse 副本-CSDN博客
与副本对比:
副本虽然能够提高数据的可用性,降低丢失风险,但是每台服务器实际上必须容纳全量数据,对数据的横向扩容没有解决
要解决数据水平切分的问题,需要引入分片的概念。通过分片把一份完整的数据进行切分,不同的分片分布到不同的节点上,再通过 Distributed 表引擎把数据拼接起来一同使用
Distributed 表引擎本身不存储数据,有点类似于 MyCat 之于 MySql,成为一种中间件,通过分布式逻辑表来写入、分发、路由来操作多台节点不同分片的分布式数据
集群写入流程(3分片 2副本 共6节点)
一般来说internal_replication
这一参数都是为true的,可以减轻distribute节点的压力
集群读取流程(3分片 2副本 共6节点)
所谓errors_count就是在通信过程中产生错误的次数
集群配置流程(2分片 只有1个分片有副本 3节点)
集群架构示意
1.新建配置文件metrika-shard.xml
在hadoop102上,进入/etc/clickhouse-server/config.d
新建文件metrika-shard.xml
也可以不创建外部文件,直接在 config.xml 的<remote_servers>中指定
先文件中写入内容(hadoop102):
<?xml version="1.0"?>
<yandex><remote_servers><gmall_cluster> <!-- 集群名称--> <shard> <!--集群的第一个分片--><internal_replication>true</internal_replication><replica> <!--该分片的第一个副本--><host>hadoop102</host><port>9000</port></replica><replica> <!--该分片的第二个副本--><host>hadoop103</host><port>9000</port></replica></shard><shard> <!--集群的第二个分片--><internal_replication>true</internal_replication><replica> <!--该分片的第一个副本--><host>hadoop104</host><port>9000</port></replica></shard></gmall_cluster></remote_servers><zookeeper-servers><node index="1"><host>hadoop102</host><port>2181</port></node><node index="2"><host>hadoop103</host><port>2181</port></node><node index="3"><host>hadoop104</host><port>2181</port></node></zookeeper-servers><macros><shard>01</shard> <!--不同机器放的分片数不一样--><replica>rep_1_1</replica> <!--不同机器放的副本数不一样--></macros></yandex>
hadoop103:(仅macros参数不同)
<macros><shard>01</shard> <!--不同机器放的分片数不一样--><replica>rep_1_2</replica> <!--不同机器放的副本数不一样--></macros>
hadoop104:(仅macros参数不同)
<macros><shard>02</shard> <!--不同机器放的分片数不一样--><replica>rep_2_1</replica> <!--不同机器放的副本数不一样--></macros>
2.修改config.xml
然后同步到hadoop103、104
3.重启服务
sudo clickhouse restart
查看是否启动成功:ps -ef | grep clickhouse
集群功能测试
在hadoop102创建表,会自动同步到hadoop103和104上
create table st_order_mt on cluster gmall_cluster (\id UInt32,\sku_id String,\total_amount Decimal(16,2),\create_time Datetime\
) engine =ReplicatedMergeTree('/clickhouse/tables/{shard}/st_order_mt','{replica}')\
partition by toYYYYMMDD(create_time)\
primary key (id)\
order by (id,sku_id);
其中on cluster
后面要设置配置文件中自定义的集群名称
ReplicatedMergeTree
中的分片和副本名称从配置文件的宏定义(marcos)中获取
可以看到在103和104上都有对应的表:
然后在 hadoop102 上创建 Distribute 分布式表:
create table st_order_mt_all on cluster gmall_cluster\
(id UInt32, \sku_id String,\total_amount Decimal(16,2),\create_time Datetime\
)engine = Distributed(gmall_cluster,default, st_order_mt,hiveHash(sku_id));
参数含义:
Distributed(集群名称,库名,本地表名,分片键)
分片键必须是整型数字,所以用 hiveHash 函数转换,也可以 rand()
同样也可以同步到103和104上:
然后在hadoop102上插入数据:
insert into st_order_mt values\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(202,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\
(201,'sku_009',1000.00,'2020-06-01 12:00:00') ,\(202,'sku_002',2000.00,'2020-06-01 12:00:00'),\
(203,'sku_004',2500.00,'2020-06-01 12:00:00'),\
(204,'sku_002',2000.00,'2020-06-01 12:00:00'),\
(205,'sku_003',600.00,'2020-06-02 12:00:00');
查询分布式表和本地表即可得到结果;