随着大数据数仓技术的发展，业务或商业决策对快速、准确数据支持的依赖日益加深，对数据仓库的数据实时更新技术提出了更高要求。当前，社区版 ClickHouse 不支持唯一索引，通常使用 ReplacingMergeTree 或者 CollapsingMergeTree 等表引擎进行数据的去重和更新操作，针对新写入数据通过后台异步任务合并 Part 或者查询时实时合并 Part 来实现精确去重。但是，这种数据聚合方式的实时性和查询性能不佳，难以满足业务场景。

若使用 ALTER UPDATE/DELETE 等实时更新删除语句，则需要重写存量 Part 数据，造成计算资源的大量消耗和耗时增长，无法保证数据更新删除的实时性。

腾讯云数据仓库 TCHouse-C 是腾讯云提供的全托管 ClickHouse 服务。针对这一问题，腾讯云数据仓库 TCHouse-C 全新推出了一种高性能实时数据更新方案，旨在满足高频数据实时去重及轻量级部分列更新场景的需求。

一、主要挑战

在数据更新方案的实现中，面临的主要挑战包括：高性能、大规模数据、副本一致性和高可用性。

•  高性能

在高性能数据实时更新方案研发中，需要考虑存储模型、支持唯一键约束、更新即可见等因素：如果不支持唯一键约束，就没法实现 UPSERT 语义；如果支持唯一键约束，写入性能就会打折扣；列存储支持写入即可见的代价相比行存更大，若单次修改涉及多个列，则会增加写入链路延迟。

• 大规模数据

传统数仓通常在超大规模数据写入时多采用追加写入方式，如果要实现实时更新，需要快速定位存量数据及其位置信息。当数据规模增大时，实现数据更新的代价也会同步增加，进而影响写入性能。

•  副本一致性

社区版 ClickHouse 的副本表机制下，两副本仅满足最终一致性，对实时更新一致性没有强约束。由于多次实时更新操作可能分散在不同副本上执行，在进行实时去重的判断时，可能会因为副本同步的滞后性导致数据更新覆盖顺序错乱，最终使更新出现错误。

•  高可用性

数仓在实际使用过程中可能遭遇进程故障、服务器故障、硬盘故障等多种运维故障，这对发生故障后数据的正确性保障提出了挑战。

二、业界现有技术方案

在数仓领域，支持数据实时更新的系统包括 Apache Hudi、阿里云 ADB 和 Hologres 等，其中所采用的技术方案主要有以下几种：

• Copy-On-Write 策略

Copy-On-Write 是一种常用的数据写入策略。该模式下，新写入的数据将与存量数据进行冲突检测，对有冲突的内容重新写入更新后的数据。在查询时，由于可以直接读取最新数据，可确保数据的完整一致。然而，该策略会造成写入代价增大，适合读多写少的场景。

图一

• Merge-On-Read 策略

当更新数据到达时，不检查数据冲突，直接生成新的文件。查询时，读取合并多个版本的数据后返回最新数据。该策略的优点是写入友好，但查询代价大。

• Delta Store 策略

Delta Store 策略是一种改进型的 Merge-On-Read 策略。在写入数据时，根据主键索引找到数据所在文件和位置并关联新修改的数据。查询时，则将原始数据和关联的更新合并以返回最新数据。相比于 Merge-On-Read 策略，由于在写入流程中引入了主键索引，会牺牲部分性能。而在查询过程中，由于只需合并修改数据，查询性能得到了提升。

图二

• Delete + Insert 策略

Delete + Insert 策略是 Delta Store 策略的改进。在更新数据到达时，将通过主键索引定位旧数据并标记为删除，同时写入新数据。查询时，则读取所有数据并根据删除标记过滤有效数据。该策略在数仓批量处理场景下优势明显，可充分利用谓词下推、向量化执行等技术优化性。

图三

表一

三、数据实时更新核心技术

社区版 ClickHouse 采用 Merge-On-Read 策略，会导致读取性能变差，难以支持实时删除和实时更新。腾讯云 TCHouse-C 自研的实时数据更新采用 Delete-And-Insert 策略，系统为具备 Upsert 功能的表引擎提供唯一索引(Unique Index)支持。数据更新时，根据定义的 Unique Key 和唯一索引确定更新数据所在行，并将该行标记为删除后重新写入新的行。查询时，如果某行标记为删除，则查询引擎会自动过滤掉这些行。

腾讯云 TCHouse-C 提出的方案能够支持高频数据实时更新，补充了社区方案所不具备的轻量级部分列更新能力，其主要功能点及实现如下：

•  索引和标记删除

在实时更新的场景中，表级索引类似于 TP 数据库中的 Unique Index。用于在写入或更新数据时快速确定新写入行是否已经存在，以及其存在的位置信息。腾讯云 TCHouse-C 的 Upsert 方案为每个表设计了一个全局索引，用于存放 KEY -> 行号的关键信息，便于每次进行 Upsert 操作时能迅速定位到需要更新的行。

图四

社区版 ClickHouse 内核在实现轻量级删除功能中引入了虚拟列_row_exists。当使用 Lightweight-Delete 功能时，会立即为相应的 PART 生成_row_exists 列的数据文件，用于标记数据被删除。腾讯云 TCHouse-C 的数据标记删除实现中也采用了该思路，, 在查询时候自动补全查询条件 WHERE && _row_exists = 1。 与社区本地文件方案不同是，TCHouse-C 标记删除信息持久化到本地 KV 存储后，也会随 PART 的元数据一起加载到内存 BUFFER 中，并按 PART 维度存储。基于此，单次查询可直接从内存中构建虚拟列 _row_exists，从而大幅提升查询效率。

•  轻量级数据更新/删除

腾讯云 TCHouse-C 方案支持 UPDATE ... SET ... WHERE ...语法，执行数据更新包括整行更新和部分列更新。通过 WHERE 条件确定更新数据位置后，利用 Delete+Insert 思路将存量数据标记为删除再写入新数据。对于部分列更新，未更新的列数据会写入新 Part 中覆盖旧数据。

update [db.]table set column1 = expr1 [, ...] WHERE filter_expr

腾讯云 TCHouse-C 也支持 DELETE FROM ... WHERE ...语法，根据 WHERE 条件确定需要标记删除的数据位置，然后写入一个特殊的 Part 来覆盖删除标记数据。

delete from [db.]table WHERE filter_expr

•  后台数据合并优化

在 ClickHouse 内核中，后台数据合并(Merge)具有优化查询效率、优化存储结构、减少数据碎片化、数据去重等功能，是 ClickHouse 存储引擎的重要特性。标准的数据合并流程如下：

1. 选取参与数据合并的 Part（Part 在合并期间仍可被查询）。

2. 将多个待合并的 Part，采用多路归并算法，按需将去重或聚合后的数据写入新的 Part。

3. 将新的 Part 提交到系统。

4. 将参与合并的 Part 标记为过期，并通过引用计数管理，最终从文件系统中删除。

通常情况下，ClickHouse 假定写入的数据不可变更，但引入 Upsert 功能，即引入标记删除后，就打破了数据不可变更的约束。每个 Part 的数据行数可能随着写入、更新、删除实时变化，进而也会影响 Merge 流程。因此在引入数据实时更新功能后，需要优化数据合并流程:

1

需要考虑正在合并的数据会被写入流程标记删除，以及合并 Part 中包含由 DELETE FROM 语句产生的无数据特殊 Part

2

标记删除的数据需要在 Merge 流程中删除，否则随着写入进行，冗余数据会越来越多，导致数据膨胀。

腾讯云 TCHouse-C 的具体解决方案如下

1. 生成快照

   选取参与数据合并的 Part 时, 对参与数据合并的 Part 的数据、元数据以及标记删除信息生成快照。生成快照后，在进行合并操作时保证不受其他正在进行的 Upsert/Delete 操作的影响。并且在合并生成新 Part 期间直接过滤掉标记删除的行，以此避免数据膨胀。

图五

2. 再度提交

生成合并的新 Part 后，将新 Part 再次进行 Upsert 提交更新全局索引和标记删除信息，对合并期间写入的新数据进行去重判断。

图六

如上图所示，Part1 和 Part2 合并为 Future Part, 然后 Future Part 提交时会重做 Upsert，并根据先后原则更新 Unique Index 以及标记删除信息。

•  多副本高可用

ClickHouse 支持多副本机制，由 ZooKeeper 确保数据在各副本上的一致性。为了支持数据实时更新，腾讯云 TCHouse-C 打破了数据 Part 不可变约束，采用更多优化措施在确保高可用前提下满足数据更新正确性。 主要包含以下几个方面:

（1）行级版本机制

ClickHouse 中每个副本都可读可写，需要通过 Zookeeper 实现副本之间数据同步，可能会出现先写入的 Part 被后同步导致 Upsert 出现乱序问题。

腾讯云 TCHouse-C 引入行级版本机制，每行数据会包含一个 Version 信息，在数据写入时生成。为了最大化使用灵活性，Version 既支持客户自定义，也支持自动从 Zookeeper 获取。在实际进行 Delete+Insert 或者 Upsert 时，只有 Version 更大的行能够去标记删除 Version 更小的行。当多个副本同步到一致的日志点时，对应的每一行数据 Version 也会完全一致。

图七

服务重启时，会根据每个 Part 的标记删除信息以及行级 Version 信息对表级的 Unique Index 进行重建，保证重启前后 Unique Index 的信息完全一致。

（2）墓碑机制

由于新数据的写入和副本数据同步的顺序没有强一致保证，Delete 请求删除数据和数据同步也可能存在乱序，进而导致被删除的数据重复写入。针对这一问题，腾讯云 TCHouse-C 在执行 Delete 语句删除数据时通过在 Unique Index 索引维护墓碑，而不是立即清除，从而避免删除和副本同步异步执行导致的时序问题。

（3）副本间同步删除请求

为了在副本间同步删除请求，腾讯云 TCHouse-C 在执行 Delete 语句时会生成一个特殊的 Part，将该 Part 通过正常的数据同步流程同步到副本节点并走 Upsert 提交流程， 实现 Delete 的多副本间同步。

• 故障恢复优化

一次完整的 ClickHouse 写入操作包含数据落盘、元数据提交等步骤。当出现副本磁盘损坏时，往往需要重建副本，腾讯云 TCHouse-C 为副本表 CloneReplica 流程定制了 Fetch 逻辑，允许将正常副本的标记删除信息也复制过来，以保证副本能够在故障恢复的同时恢复 Unique Index 信息。

四、性能对比测试

采用标准的 SSB 数据集 lineorder_flat 表，构造 6 亿行规模，在 64C256G 服务器上进行测试以对比腾讯云 TCHouse-C 与社区版 ClickHosue 在实时数据更新上的性能。经测试，腾讯云 TCHouse-C 的实时更新方案支持轻量级更新和删除，在查询、更新、删除等场景效率明显优于社区版主流使用的表引擎 ReplacingMergeTree。

•  导入性能对比

针对 Upsert Table、ReplacingMergeTree 和 MergeTree 表，第一次全量导入 6 亿 SSB 数据，然后再导入包含相同 key 的 6 亿数据进行覆盖 Upsert，分别记录数据导入耗时。

图八

结果表明，Upsert Table 相比 MergeTree 导入速度劣化在 50%以内，但导入性能较 ReplacingMergeTree 提升一倍。

• 单次查询性能对比

使用 SSB 的 Q1-Q4 标准查询，比较 Upsert Table 和 ReplacingMergeTree 在精确去重查询时的性能。在有大量 Upsert 覆盖的场景下，Upsert Table 查询耗时明显低于 ReplacingMergeTree，性能提升数倍。

图九

•  并发小规模查询性能对比

采用和单次查询一致的数据集，模拟 32 个并发客户端，每个客户端随机查询 100 行数据。结果表明，Upsert Table 在高并发小规模查询效率上优于 ReplacingMergeTree 至少 1 倍以上。

图十

•  更新/删除性能对比

在 ClickHouse 内核中，默认更新删除操作需要重写存量 Part 数据，适合批量大规模数据处理，而在小规模更新删除时效率低且消耗大量资源。Upsert Table 通过 Delete+Insert 策略，在单次更新删除部分数据的场景大幅提升效率。在单次操作涉及数据量越小时，Upsert Table 优化效果越明显，性能提升想较于社区版方案也有明显优势。

图十一

• 高并发更新/删除性能对比

模拟 32 个客户端随机并发更新删除，每次更新删除 100 行数据。测试结果显示，高并发更新删除下 Upsert Table 性能提升巨大，测试场景提升可达数十倍。

表二

• 测试总结

经过上述多维度对比测试，可以看出相比社区版 ClickHouse, 腾讯云 TCHouse-C 提出的基于支持 Upsert 的 MergeTree 表的实时数据更新方案性能更优：

1.大批量数据导入性能相比 ReplacingMergeTree 提升 100%，相比普通 MergeTree 写入性能劣化在 50%以内

2.并发更新和删除数据，性能差距显著，32 并发场景下性能提升达到 10 倍以上

3.在精确去重时查询性能优于 ReplacingMergeTree

4.高并发更新删除场景下，大幅优化了社区版 Mutation 任务繁重的问题，实时性显著提升

五、后续工作

腾讯云数据仓库 TCHouse-C 全新推出的高性能实时数据更新方案，能够满足高频数据实时去重及轻量级部分列更新场景的需求。当前方案仍存在一些不足，包括单节点单表支持的数据规模有限、节点重启时数据加载时间较长、单次大规模写入数据时更新索引阶段表锁影响查询性能等。后续，我们将持续改进和优化数据实时更新功能，也欢迎您联系我们交流体验新一代产品能力！