ClickHouse 与 Amazon S3 结合？一起来探索其中奥秘

2023-03-03
天津
本文字数：7271 字
阅读完需：约 24 分钟

ClickHouse 简介

ClickHouse 是一种快速的、开源的、用于联机分析（OLAP）的列式数据库管理系统（DBMS），由俄罗斯的 Yandex 公司开发，于 2016 年开源。ClickHouse 作为交互式分析领域的后起之秀，发展速度非常快，目前在 GitHub 上已收获 14K Star。

亚马逊云科技开发者社区为开发者们提供全球的开发技术资源。这里有技术文档、开发案例、技术专栏、培训视频、活动与竞赛等。帮助中国开发者对接世界最前沿技术，观点，和项目，并将中国优秀开发者或技术推荐给全球云社区。如果你还没有关注/收藏，看到这里请一定不要匆匆划过，点这里让它成为你的技术宝库！

ClickHouse 主打顶尖的极致性能，每台服务器每秒钟可以处理数亿至数十亿多行或者是数十 GB 的数据。ClickHouse 基于列式存储，通过 SQL 查询海量数据并实时生成分析报告。ClickHouse 充分利用了所有可用的硬件优化技术，以尽可能快地处理每个查询。向量化的查询执行引入了 SIMD 处理器指令和运行时代码生成技术。列式存储的数据会提高 CPU 缓存的命中率。ClickHouse 概览文档中的图片清晰地展示了行式存储与列式存储在 OLAP 领域中的速度差距。

行式存储

列式存储

在分布式集群中，副本之间的数据读取会自动保持平衡，以避免增加延迟。同时，ClickHouse 支持多主异步复制模式，这种情况下所有节点角色都是相等的，可以避免出现单点故障，单个节点或整个可用区的停机时间并不会影响系统的读写可用性。

在网络和应用分析，广告网络和实时出价，电信，电子商务和金融以及商业智能等领域，ClickHouse 都有很好的支持与应用，更多信息请参考 ClickHouse 官网。

01 ClickHouse 与对象存储

ClickHouse 针对数据量和查询场景提供了不同的数据库和数据表引擎，此外它也可以使用多种多样的专用引擎或表函数（例如 HDFS，Kafka，S3 等）与许多外部系统进行通讯。在现代化的云架构中，对象存储是最重要的存储组成部分。2006 年，亚马逊云科技正式推出的第一个云服务也是 Amazon S3（Simple Storage Service），目前 Amazon S3 已经成为事实上的云对象存储标准。

使用对象存储可以给数据分析系统带来诸多优势。首先，它可以使用数据湖架构中的原始数据。其次，对象存储可以为数据表数据提供高性价比且高可靠性的存储。针对 S3 目前 ClickHouse 已经上述对象存储的这两种用途。

02 ClickHouse 与 S3 结合的三种方法

1）通过 MergeTree 表引擎集成 S3

前面提到 ClickHouse 提供了众多数据库和数据表引擎，这其中最强大的表引擎当属 MergeTree （合并树）引擎及合并树系列（*MergeTree）中的其他引擎。MergeTree 系列的引擎被设计用于插入海量的数据到一张表当中。数据可以以数据片段的形式一个接着一个的快速写入，数据片段在后台按照一定的规则进行合并。相比在插入时不断修改（重写）已存储的数据，这种策略会高效很多。

MergeTree 系列表引擎可以将数据存储在多块设备上。这对某些可以潜在被划分为“冷”“热”的表来说是很有用的。近期数据被定期的查询但只需要比较小的磁盘存储空间。相反，大量的、详尽的历史数据被用到的频率相对较少。ClickHouse 可以将 S3 对象存储用于 MergeTree 表数据，这样针对“热”的数据，可以放置在快速的磁盘上（比如 NVMe 固态硬盘或内存中），“冷”的数据可以存放在 S3 对象存储中。在 MergeTree 系列表引擎中使用 S3 的参考架构如下图所示：

2）通过 S3 表引擎集成

除了 MergeTree 表引擎，ClickHouse 还直接提供了专用的 S3 表引擎，进一步加强了 Amazon S3 生态系统的集成，可以充分利用数据湖中已有的各种开放数据格式例如 Parquet。通过以下语句就可以进行 S3 表引擎的创建：

ENGINE = S3(path, [aws_access_key_id, aws_secret_access_key,] format, structure, [compression])

复制代码

3）通过 S3 表函数集成

ClickHouse 提供表接口的方式对 S3 中的文件进行 SELECT/INSERT 操作，这种方式使用起来更加方便，可以快速与 ClickHouse 中已有的数据进行连接等操作。通过以下语句就可以使用 S3 表函数：

s3(path, [aws_access_key_id, aws_secret_access_key,] format, structure, [compression])

复制代码

上述方式分别适用于不同的应用场景，可以根据具体情况进行单独或者结合使用。

此外，可以看到这里面还涉及到 S3 访问权限的安全问题。在 ClickHouse 20.13 之前的版本中，必须要在 SQL 或 ClickHouse 存储配置中提供 Amazon Web Services 的访问密钥（Access Key 和 Secret Access Key）才能访问，这是既不安全也不方便的模式。但是在 20.13 版本中，ClickHouse 提供了实用 IAM Role 访问方式，解决了访问 S3 的安全性问题。

03 示例参考架构

接下来，我们将演示如何实现上述介绍的 ClickHouse 与 S3 结合的三种方法。演示的参考架构如下图所示，我们将 ClickHouse 环境部署在一个 VPC 私有子网中，然后通过 VPC Enpoints 内网的方式来访问 S3 中的数据。

在示例中，我们将使用纽约出租车数据，该数据分析是 Kaggle 竞赛的著名赛题之一，也是学习数据分析的经典练习案例，项目数据可以从 NYC 网站上进行下载，这里选取了 2020 年 6 月的 Yellow Taxi Trip Records 数据。

以下示例的操作环境为亚马逊云科技中国（北京）区域。

1）创建 S3 存储桶

首先，在亚马逊云科技中国（北京）区域创建存储数据的 S3 存储桶，例如 clickhouse-shtian。

2）下载数据并上传到 S3 存储桶中

首先，在 NYC 网站上将 2020 年 6 月 Yellow Taxi Trip Records 数据下载下来，然后上传到刚刚创建的 S3 桶中。

3）创建并配置 S3 的 VPC Enpoint

VPC Enpoint 的创建和配置请参考 VPC 文档，确保子网路由表中包含下图中第二条路有条目。

4）部署 ClickHouse

示例操作系统为 Amazon Linux 2，ClickHouse 版本为 20.13.1.5591，演示使用单点部署模式，实际使用环境建议部署集群模式，提升高可用的同时也增加性能。需要注意的是在创建 EC2 实例过程中需要配置 IAM 角色，可以参考文档适用于 Amazon EC2 的 IAM 角色进行设置，并确保这个角色具有 S3 桶的读写权限。

SSH 登录到 EC2 实例上，然后下载对应版本的安装包，然后解压并安装。

wget https://github.com/ClickHouse/ClickHouse/releases/download/v20.13.1.5591-testing/clickhouse-client-20.13.1.5591.tgz
wget https://github.com/ClickHouse/ClickHouse/releases/download/v20.13.1.5591-testing/clickhouse-common-static-20.13.1.5591.tgz
wget https://github.com/ClickHouse/ClickHouse/releases/download/v20.13.1.5591-testing/clickhouse-common-static-dbg-20.13.1.5591.tgz
wget https://github.com/ClickHouse/ClickHouse/releases/download/v20.13.1.5591-testing/clickhouse-server-20.13.1.5591.tgz
tar -xzvf clickhouse-common-static-20.13.1.5591.tgzsudo clickhouse-common-static-20.13.1.5591/install/doinst.sh
tar -xzvf clickhouse-common-static-dbg-20.13.1.5591.tgzsudo clickhouse-common-static-dbg-20.13.1.5591/install/doinst.sh
tar -xzvf clickhouse-client-20.13.1.5591.tgzsudo clickhouse-client-20.13.1.5591/install/doinst.sh
tar -xzvf clickhouse-server-20.13.1.5591.tgzsudo clickhouse-server-20.13.1.5591/install/doinst.sh

复制代码

安装成功后，后看到如下提示：

…
ClickHouse has been successfully installed.
Start clickhouse-server with: sudo clickhouse start
Start clickhouse-client with: clickhouse-client

复制代码

根据提示使用以下命令启动 clickhouse-server 服务：

sudo clickhouse start

复制代码

执行命令 clickhouse-client 启动客户端，可以看到连接到服务器并

$ clickhouse-client 
ClickHouse client version 20.13.1.5591 (official build).Connecting to localhost:9000 as user default.Connected to ClickHouse server version 20.13.1 revision 54443.

复制代码

5）配置 ClickHouse 实现通过 MergeTree 表引擎集成 S3

创建并编辑 ClickHouse 配置文件，ClickHouse 的主配置文件通常在/etc/clickhouse-server/config.xml，其他附加配置我们可以通过在/etc/clickhouse-server/config.d/添加 xml 文件来设置，也方便配置的扩展。

sudo vim /etc/clickhouse-server/config.d/merge-s3.xml

复制代码

复制一下内容到文件中，其中 use_environment_credentials 表示通过 IAM 的角色、环境变量或者.Amazon Web Services 中的安全配置来访问 S3。注意替换 endpoint 部分对应的 S3 存储桶和路径：

<yandex>  <storage_configuration>    <disks>      <s3>        <type>s3</type>        <endpoint>https://s3.cn-north-1.amazonaws.com.cn/clickhouse-shtian/mergetree/</endpoint>        <use_environment_credentials>true</use_environment_credentials>      </s3>    </disks>    <policies>      <s3>        <volumes>          <main>            <disk>s3</disk>          </main>        </volumes>      </s3>    </policies>  </storage_configuration></yandex>

复制代码

编辑 /etc/clickhouse-server/config.xml.修改 openSSL 中的 client 配置，添加一行/etc/pki/tls/certs/ca-bundle.crt，设定 SSL/TLS 访问的 CA 证书。如果想使用 S3 的 http 端点，则无需配置此选项，但是会存在数据传输安全风险，因此建议使用上面的 https 的端点并进行如下配置。

<client> <!-- Used for connecting to https dictionary source and secured Zookeeper communication -->            <loadDefaultCAFile>true</loadDefaultCAFile>            <caConfig>/etc/pki/tls/certs/ca-bundle.crt</caConfig>            <cacheSessions>true</cacheSessions>            <disableProtocols>sslv2,sslv3</disableProtocols>            <preferServerCiphers>true</preferServerCiphers>            <!-- Use for self-signed: <verificationMode>none</verificationMode> -->            <invalidCertificateHandler>                <!-- Use for self-signed: <name>AcceptCertificateHandler</name> -->                <name>RejectCertificateHandler</name>            </invalidCertificateHandler>        </client>    </openSSL>

复制代码

此外，根据操作系统不同，caConfig 选项可能不需要单独添加。实际测试在使用 Ubuntu 18.04 的时候，ClickHouse 会自动找到 CA 证书的位置，无需额外配置。但是，在使用 Amazon Linux 2 操作系统时需要配置上述选项，否则 ClickHouse 找不到 CA 证书的位置，并且会报如下证书错误：

Error message: Poco::Exception. Code: 1000, e.code() = 0, e.displayText() = SSL Exception: error:1000007d:SSL routines:OPENSSL_internal:CERTIFICATE_VERIFY_FAILED (version 20.13.1.5591 (official build))

复制代码

重启 clickhouse-server 使配置文件生效：

sudo clickhouse restart

复制代码

启动客户端 clickhouse-client，创建 MergeTree 引擎的数据表，并选择定义好的 S3 存储策略：

CREATE TABLE default.s3mergetree(    `VendorID` UInt8,    `VendorName` String)ENGINE = MergeTreePARTITION BY VendorNameORDER BY VendorIDSETTINGS storage_policy = 's3'

复制代码

插入 2 行测试数据：

INSERT INTO default.s3mergetree VALUES (1, 'Vendor1') (2, 'Vendor2')

复制代码

然后查询这个数据表：

SELECT *FROM default.s3mergetree

复制代码

返回结果如下，查询成功：

但是实际上数据文件中并没有保存真实的数据，而是存储了 S3 数据的链接。

查看 S3 中的数据信息，数据文件是长这个样子的：

尽管原来在块存储中需要硬链接的合并、变异和重命名操作现在是在引用上操作的，S3 数据完全没有被触及，但是通过查看上述文件结构发现这会导致另一个问题，就是针对这些数据并没有办法通过其他数据分析工具进行处理，因为 ClickHouse 本身也是采用的专有数据存储格式，这也是该方案的一个弊端，借助了 MergeTree 的好处但仅仅是使用 S3 做为存储。

6）配置 ClickHouse 实现通过专用表引擎集成 S3

创建并编辑 ClickHouse 配置文件：

sudo vim /etc/clickhouse-server/config.d/table-s3.xml

复制代码

复制一下内容到文件中：

<yandex>    <s3>        <endpoint>        <endpoint>https://s3.cn-north-1.amazonaws.com.cn</endpoint>           <use_environment_credentials>true</use_environment_credentials>        </endpoint>   </s3></yandex>

复制代码

重启 clickhouse-server 使配置文件生效：

sudo clickhouse restart

复制代码

启动客户端 clickhouse-client，创建 S3 引擎的数据表：

CREATE TABLE default.s3table(    `VendorID` UInt8,    `tpep_pickup_datetime` DateTime,    `tpep_dropoff_datetime` DateTime,    `passenger_count` UInt8,    `trip_distance` Float32,    `RatecodeID` UInt8,    `store_and_fwd_flag` String,    `PULocationID` UInt8,    `DOLocationID` UInt8,    `payment_type` UInt8,    `fare_amount` Float32,    `extra` Float32,    `mta_tax` Float32,    `tip_amount` Float32,    `tolls_amount` Float32,    `improvement_surcharge` Float32,    `total_amount` Float32,    `congestion_surcharge` Float32)ENGINE = S3('https://s3.cn-north-1.amazonaws.com.cn/clickhouse-shtian/yellow_tripdata_2020-06.csv', CSVWithNames)

复制代码

然后进行基本的查询：

SELECT    VendorID,    tpep_pickup_datetime,    tpep_pickup_datetime,    passenger_count,    tolls_amount,    total_amount,    congestion_surchargeFROM default.s3tableLIMIT 10

复制代码

返回结果如下，查询成功：

需要注意的是，插入数据在这种情况下也是支持的，但是如果表是使用单文件定义的（如本示例），那么插入会覆盖当前文件的内容。如果是使用通配符的方式进行定义（如*.CSV），在插入数据的时候会写到*.CSV，目前已经将问题反馈提交到 ClickHouse 开源社区。因此，建议目前使用这种方法时，只去查询 S3 中的数据。

该方案的优势在于对于已有的数据湖中的数据，比如各种开放数据格式 CSV、Parquet 等，都可以通过 ClickHouse 进行查询，无需作出额外的改动，趋于 LakeHouse 这样的新架构。

7）配置 ClickHouse 实现通过专用表函数集成 S3

在步骤 6 中的配置 etc/clickhouse-server/config.d/table-s3.xml 对 S3 专用表函数也是生效的，所以直接在客户端 clickhouse-client 继续进行查询即可：

SELECT    VendorID,    tpep_pickup_datetime,    tpep_pickup_datetime,    passenger_count,    tolls_amount,    total_amount,    congestion_surchargeFROM s3('https://s3.cn-north-1.amazonaws.com.cn/clickhouse-shtian/yellow_tripdata_2020-06.csv', CSVWithNames, 'VendorID UInt8,tpep_pickup_datetime DateTime,tpep_dropoff_datetime DateTime,passenger_count UInt8,trip_distance Float32,RatecodeID UInt8,store_and_fwd_flag String,PULocationID UInt8,DOLocationID UInt8,payment_type UInt8,fare_amount Float32,extra Float32,mta_tax Float32,tip_amount Float32,tolls_amount Float32,improvement_surcharge Float32,total_amount Float32,congestion_surcharge Float32')LIMIT 10

复制代码

返回结果如下，数据查询成功：

除了单独使用 S3 表函数，还可以和其他 MergeTree 表进行连接，例如我们可以使用以下 SQL 将 S3 表函数和步骤 5 中创建的表进行 JOIN 查询。

SELECT    VendorName,    VendorID,    tpep_pickup_datetime,    tpep_pickup_datetime,    passenger_count,    tolls_amount,    total_amount,    congestion_surchargeFROM s3('https://s3.cn-north-1.amazonaws.com.cn/clickhouse-shtian/yellow_tripdata_2020-06.csv', CSVWithNames, 'VendorID UInt8,tpep_pickup_datetime DateTime,tpep_dropoff_datetime DateTime,passenger_count UInt8,trip_distance Float32,RatecodeID UInt8,store_and_fwd_flag String,PULocationID UInt8,DOLocationID UInt8,payment_type UInt8,fare_amount Float32,extra Float32,mta_tax Float32,tip_amount Float32,tolls_amount Float32,improvement_surcharge Float32,total_amount Float32,congestion_surcharge Float32') AS s3INNER JOIN default.s3mergetree ON s3.VendorID = s3mergetree.VendorIDWHERE s3mergetree.VendorID = 1LIMIT 10