跳到主要内容
跳到主要内容

字典

字典是一个映射 (key -> attributes),方便用于各种类型的引用列表。

ClickHouse 支持用于操作字典的特殊函数,这些函数可以在查询中使用。与参考表的 JOIN 相比,使用函数处理字典更简单,更高效。

ClickHouse 支持:

教程

如果您刚开始接触 ClickHouse 的字典,可以查看我们涵盖该主题的教程。请查看 这里

您可以从各种数据源添加自己的字典。字典的来源可以是 ClickHouse 表、本地文本或可执行文件、HTTP(S) 资源或其他 DBMS。有关更多信息,请参阅 "字典源"。

ClickHouse:

  • 在 RAM 中完全或部分存储字典。
  • 定期更新字典并动态加载缺失的值。换句话说,字典可以动态加载。
  • 允许使用 xml 文件或 DDL 查询 创建字典。

字典的配置可以位于一个或多个 xml 文件中。配置路径在 dictionaries_config 参数中指定。

字典可以在服务器启动时加载,也可以在首次使用时加载,这取决于 dictionaries_lazy_load 设置。

dictionaries 系统表包含关于在服务器上配置的字典的信息。您可以在这里找到每个字典的信息:

  • 字典状态。
  • 配置参数。
  • 指标,如分配给字典的 RAM 量或自字典成功加载以来的查询次数。
提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

使用 DDL 查询创建字典

字典可以使用 DDL 查询 创建,这是一种推荐的方法,因为使用 DDL 创建的字典:

  • 不会向服务器配置文件添加额外记录
  • 字典可以作为一等实体进行操作,如表或视图
  • 数据可以直接读取,使用熟悉的 SELECT 而不是字典表函数
  • 字典可以轻松重命名

使用配置文件创建字典

Not supported in ClickHouse Cloud
备注

使用配置文件创建字典不适用于 ClickHouse Cloud。请使用 DDL(见上文),并作为用户 default 创建您的字典。

字典配置文件具有以下格式:

您可以在同一文件中 配置 任意数量的字典。

备注

您可以通过在 SELECT 查询中描述它来转换小字典的值(请参阅 transform 函数)。此功能与字典无关。

配置字典

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

如果字典是使用 xml 文件配置的,则字典配置具有以下结构:

相应的 DDL 查询 具有以下结构:

在内存中存储字典

有多种方法可以在内存中存储字典。

我们推荐 flathashedcomplex_key_hashed,它们提供了最佳的处理速度。

由于可能的低性能和选择最佳参数的困难,因此不推荐使用缓存。在 cache 部分阅读更多信息。

有几种方法可以提高字典性能:

  • GROUP BY 之后调用处理字典的函数。
  • 标记提取的属性为单射。如果不同的键对应于不同的属性值,则该属性称为单射。因此,当 GROUP BY 使用一个通过键获取属性值的函数时,该函数会自动从 GROUP BY 中移除。

ClickHouse 在字典出现错误时会生成异常。错误示例:

  • 无法加载访问的字典。
  • 查询 cached 字典时出现错误。

您可以在 system.dictionaries 表中查看字典及其状态的列表。

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

配置如下:

相应的 DDL 查询

没有 "complex-key*" 字样的字典布局具有 UInt64 类型的键,而 "complex-key*" 字典具有复合键(复杂,具有任意类型)。

UInt64 字典中的键用 <id> 标签定义。

配置示例(列 key_column 具有 UInt64 类型):

复合 complex 键的 XML 字典通过 <key> 标签定义。

复合键的配置示例(键具有一个元素,类型为 String):

在内存中存储字典的方法

flat

字典以平面数组的形式完全存储在内存中。字典使用了多少内存?数量与最大键的大小成正比(使用的空间)。

字典键具有 UInt64 类型,值限制为 max_array_size(默认值为 500,000)。如果在创建字典时发现更大的键,将引发异常,并且字典不会被创建。字典平面数组的初始大小由 initial_array_size 设置控制(默认值为 1024)。

支持所有类型的源。更新时,数据(来自文件或表)会完全读取。

此方法在所有可用的字典存储方法中提供最佳性能。

配置示例:

hashed

字典以哈希表的形式完全存储在内存中。字典可以包含任意数量的元素和任意标识符。在实际操作中,键的数量可以达到数千万个。

字典键具有 UInt64 类型。

支持所有类型的源。更新时,数据(来自文件或表)会完全读取。

配置示例:

配置示例:

sparse_hashed

类似于 hashed,但使用更少的内存,优先使用更多的 CPU。

字典键具有 UInt64 类型。

配置示例:

对于此类型的字典,也可以使用 shards,而对于 sparse_hashed 来说,这比 hashed 更重要,因为 sparse_hashed 更慢。

complex_key_hashed

此类型的存储用于复合 。类似于 hashed

配置示例:

complex_key_sparse_hashed

此类型的存储用于复合 。类似于 sparse_hashed

配置示例:

hashed_array

字典完全存储在内存中。每个属性存储在数组中。键属性以哈希表的形式存储,其中值是属性数组中的索引。字典可以包含任意数量的元素和任意标识符。在实际操作中,键的数量可以达到数千万个。

字典键具有 UInt64 类型。

支持所有类型的源。更新时,数据(来自文件或表)会完全读取。

配置示例:

complex_key_hashed_array

此类型的存储用于复合 。类似于 hashed_array

配置示例:

range_hashed

字典以哈希表的形式存储在内存中,具有有序的范围数组及其对应的值。

字典键具有 UInt64 类型。 这种存储方法与哈希方式相同,并允许使用日期/时间(任意数字类型)范围,除了键之外。

示例:表格中包含每个广告客户的折扣,格式如下:

要使用日期范围的示例,在 structure 中定义 range_minrange_max 元素。这些元素必须包含元素 nametype(如果未指定 type,则将使用默认类型 - Date)。type 可以是任何数字类型(Date / DateTime / UInt64 / Int32 / 其他)。

备注

range_minrange_max 的值应适合 Int64 类型。

示例:

为了使用这些字典,您需要向 dictGet 函数传递一个额外的参数,以选择范围:

查询示例:

该函数返回指定 id 和包含传递日期的日期范围的值。

算法细节:

  • 如果未找到 id 或未找到 id 的范围,则返回属性类型的默认值。
  • 如果存在重叠范围并且 range_lookup_strategy=min,则返回具有最小 range_min 的匹配范围;如果找到多个范围,则返回具有最小 range_max 的范围;如果再次找到多个范围(多个范围具有相同的 range_minrange_max),则随机返回其中一个范围。
  • 如果存在重叠范围并且 range_lookup_strategy=max,则返回具有最大 range_min 的匹配范围;如果找到多个范围,则返回具有最大 range_max 的范围;如果再次找到多个范围(多个范围具有相同的 range_minrange_max),则随机返回其中一个范围。
  • 如果 range_maxNULL,则该范围是开放的。NULL 被视为可能的最大值。对于 range_min,可以使用 1970-01-010 (-MAX_INT) 作为开放值。

配置示例:

重叠范围和开放范围的配置示例:

complex_key_range_hashed

字典以哈希表的形式存储在内存中,具有有序的范围数组及其对应的值(见 range_hashed)。此类型的存储用于复合

配置示例:

cache

字典存储在具有固定数量单元格的缓存中。这些单元格包含经常使用的元素。

字典键具有 UInt64 类型。

在寻找字典时,首先搜索缓存。对于每个数据块,所有未在缓存中找到或已过期的键都通过 SELECT attrs... FROM db.table WHERE id IN (k1, k2, ...) 从源请求。接收到的数据随后写入缓存。

如果在字典中未找到键,则创建更新缓存任务并将其添加到更新队列。更新队列的属性可以通过设置 max_update_queue_sizeupdate_queue_push_timeout_millisecondsquery_wait_timeout_millisecondsmax_threads_for_updates 进行控制。

对于缓存字典,可以设置缓存中数据的过期 生存时间。如果自从加载了单元格中的数据以来已经过去的时间超过了 lifetime,则不使用单元格的值,键变为过期。下次需要使用时将重新请求该键。此行为可以通过设置 allow_read_expired_keys 进行配置。

这是存储字典的所有方法中效率最低的方法。缓存的速度在很大程度上依赖于正确的设置和使用场景。当命中率足够高(建议 99% 及以上)时,缓存类型字典的性能良好。您可以在 system.dictionaries 表中查看平均命中率。

如果设置 allow_read_expired_keys 设置为 1(默认为 0),则字典可以支持异步更新。如果客户端请求的键都在缓存中,但某些键已过期,则字典将返回过期的键给客户端,并从源异步请求它们。

为了提高缓存性能,使用带有 LIMIT 的子查询,并在外部调用包含字典的函数。

支持所有类型的源。

设置示例:

设置一个足够大的缓存大小。需要进行实验以选择单元格数量:

  1. 设置某个值。
  2. 运行查询直到缓存完全充满。
  3. 使用 system.dictionaries 表评估内存消耗。
  4. 增加或减少单元格数量,直到达到所需的内存消耗。
备注

不要将 ClickHouse 作为源,因为它在随机读取的查询处理上速度慢。

complex_key_cache

此类型的存储用于复合 。类似于 cache

ssd_cache

类似于 cache,但将数据存储在 SSD 上,同时将索引存储在 RAM 中。与更新队列相关的所有缓存字典设置也可以应用于 SSD 缓存字典。

字典键具有 UInt64 类型。

complex_key_ssd_cache

此类型的存储用于复合 。类似于 ssd_cache

direct

字典不存储在内存中,而是在处理请求期间直接访问源。

字典键具有 UInt64 类型。

支持所有类型的 ,但不包括本地文件。

配置示例:

complex_key_direct

此类型的存储用于复合 。类似于 direct

ip_trie

此类型的存储用于将网络前缀(IP 地址)映射到元数据,例如 ASN。

示例

假设我们在 ClickHouse 中有一个表,包含我们的 IP 前缀和映射:

让我们为这个表定义一个 ip_trie 字典。ip_trie 布局需要一个复合键:

键必须只有一个 String 类型的属性,包含一个允许的 IP 前缀。其他类型尚不支持。

语法是:

该函数接受 UInt32 作为 IPv4,或 FixedString(16) 作为 IPv6。例如:

其他类型尚不支持。该函数返回与该 IP 地址对应的前缀的属性。如果有重叠前缀,则返回最具体的前缀。

数据必须完全适合 RAM。

使用生存时间刷新字典数据

ClickHouse 根据 LIFETIME 标签(以秒为单位)定期更新字典。LIFETIME 是完全下载字典的更新间隔和缓存字典的失效间隔。

在更新期间,依旧可以查询旧版本的字典。字典更新(首次使用字典时除外)不会阻止查询。如果更新过程中发生错误,错误将记录在服务器日志中,查询可以继续使用旧版本的字典。如果字典更新成功,则旧版本的字典将被原子替换。

设置示例:

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

设置 <lifetime>0</lifetime>LIFETIME(0))将防止字典更新。

您可以设置更新的时间间隔,ClickHouse 将选择该范围内的均匀随机时间。这是为了在大量服务器上更新时分散字典源的负载。

设置示例:

如果 <min>0</min><max>0</max>,ClickHouse 不会自动重新加载字典。 在这种情况下,如果字典配置文件已更改或执行了 SYSTEM RELOAD DICTIONARY 命令,ClickHouse 可以提前重新加载字典。

在更新字典时,ClickHouse 服务器根据 的类型应用不同的逻辑:

  • 对于文本文件,它检查修改时间。如果时间与先前记录的时间不同,则更新该字典。
  • 默认情况下,来自其他源的字典每次都会更新。

对于其他源(ODBC、PostgreSQL、ClickHouse 等),您可以设置一个查询,只有在字典确实变化时才更新字典,而不是每次都更新。要做到这一点,请执行以下步骤:

  • 字典表必须具有一个在源数据更新时总是变化的字段。
  • 源的设置必须指定一个查询,该查询提取变化的字段。ClickHouse 服务器将查询结果解释为一行,如果该行相对于其先前状态发生了变化,则更新字典。在 source 的设置中在 <invalidate_query> 字段中指定该查询。

设置示例:

对于 CacheComplexKeyCacheSSDCacheSSDComplexKeyCache 字典,均支持同步和异步更新。

对于 FlatHashedComplexKeyHashed 字典,只请求在上次更新后更改的数据也是可能的。如果在字典源配置中指定了 update_field,则会将上次更新的时间值(以秒为单位)添加到数据请求中。根据源类型(可执行文件、HTTP、MySQL、PostgreSQL、ClickHouse 或 ODBC),在从外部源请求数据之前,对 update_field 将应用不同的逻辑。

  • 如果源是 HTTP,则 update_field 将作为查询参数添加,最后更新时间作为参数值。
  • 如果源是可执行脚本,则 update_field 将作为可执行脚本参数添加,最后更新时间作为参数值。
  • 如果源是 ClickHouse、MySQL、PostgreSQL、ODBC,则在 WHERE 中会有一个额外的部分,其中 update_field 被比较为大于或等于最后更新时间。
    • 默认情况下,该 WHERE 条件在 SQL 查询的最高级别进行检查。或者,该条件可以在查询中的任何其他 WHERE 子句中使用 {condition} 关键字检查。示例:

如果设置了 update_field 选项,则可以设置额外的选项 update_lagupdate_lag 选项的值在请求更新数据时从上次更新时间值中减去。

设置示例:

字典源

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

字典可以连接到 ClickHouse 中的多种不同源。

如果字典是使用 xml 文件配置的,则配置如下:

DDL 查询 的情况下,上述配置将如下所示:

来源在 source 部分中配置。

对于源类型 本地文件可执行文件HTTP(S)ClickHouse 可以选择可选设置:

源的类型(source_type):

本地文件

设置示例:

设置字段:

  • path — 文件的绝对路径。
  • format — 文件格式。支持 Formats 中描述的所有格式。

当通过 DDL 命令 (CREATE DICTIONARY ...) 创建来源为 FILE 的字典时,源文件需要位于 user_files 目录中,以防止数据库用户访问 ClickHouse 节点上的任意文件。

另请参阅

可执行文件

与可执行文件的操作依赖于 字典如何存储在内存中。如果字典使用 cachecomplex_key_cache 存储,ClickHouse 通过向可执行文件的 STDIN 发送请求来请求所需的键。否则,ClickHouse 启动可执行文件并将其输出视为字典数据。

设置示例:

设置字段:

  • command — 可执行文件的绝对路径,或文件名(如果命令的目录在 PATH 中)。
  • format — 文件格式。支持 Formats 中描述的所有格式。
  • command_termination_timeout — 可执行脚本应包含一个主要的读写循环。在字典被销毁后,管道关闭,可执行文件将有 command_termination_timeout 秒来关闭,然后 ClickHouse 将向子进程发送 SIGTERM 信号。command_termination_timeout 以秒为单位指定。默认值为 10。可选参数。
  • command_read_timeout - 从命令标准输出读取数据的超时,以毫秒为单位。默认值 10000。可选参数。
  • command_write_timeout - 向命令标准输入写入数据的超时,以毫秒为单位。默认值 10000。可选参数。
  • implicit_key — 可执行源文件只能返回值,且与请求的键的对应关系是隐式确定的 - 通过结果中行的顺序。默认值为 false。
  • execute_direct - 如果 execute_direct = 1,则 command 将在由 user_scripts_path 指定的 user_scripts 文件夹中查找。可以使用空格分隔符指定额外的脚本参数。示例:script_name arg1 arg2。如果 execute_direct = 0,则 command 作为参数传递给 bin/sh -c。默认值为 0。可选参数。
  • send_chunk_header - 控制是否在发送数据块之前发送行计数。可选。默认值为 false

该字典源只能通过 XML 配置进行配置。通过 DDL 创建具有可执行源的字典是禁用的;否则,数据库用户将能够在 ClickHouse 节点上执行任意二进制文件。

可执行池

可执行池允许从进程池中加载数据。此源不适用于需要从源加载所有数据的字典布局。可执行池在字典 存储 使用 cachecomplex_key_cachessd_cachecomplex_key_ssd_cachedirectcomplex_key_direct 布局时工作。

可执行池将生成具有指定命令的进程池,并使其继续运行直到退出。程序应在 STDIN 上读取数据,同时其可用,并将结果输出到 STDOUT。它可以等待 STDIN 上的下一个数据块。ClickHouse 在处理数据块后将不会关闭 STDIN,而是在需要时标记另一块数据。可执行脚本应准备好这种数据处理方式——它应轮询 STDIN 并提前将数据刷新到 STDOUT。

设置示例:

设置字段:

  • command — 可执行文件的绝对路径,或文件名(如果程序目录被写入 PATH)。
  • format — 文件格式。支持 Formats 中描述的所有格式。
  • pool_size — 池的大小。如果 pool_size 的值为 0,则没有池大小限制。默认值为 16。
  • command_termination_timeout — 可执行脚本应包含主要读写循环。在字典被销毁后,管道关闭,可执行文件将有 command_termination_timeout 秒的时间来关闭,ClickHouse 将在此之前发送 SIGTERM 信号给子进程。以秒为单位指定。默认值为 10。可选参数。
  • max_command_execution_time — 处理数据块的最大可执行脚本命令执行时间。以秒为单位指定。默认值为 10。可选参数。
  • command_read_timeout - 从命令标准输出读取数据的超时,以毫秒为单位。默认值 10000。可选参数。
  • command_write_timeout - 向命令标准输入写入数据的超时,以毫秒为单位。默认值 10000。可选参数。
  • implicit_key — 可执行源文件只能返回值,且与请求的键的对应关系是隐式确定的 - 通过结果中行的顺序。默认值为 false。可选参数。
  • execute_direct - 如果 execute_direct = 1,则 command 将在由 user_scripts_path 指定的 user_scripts 文件夹中查找。可以使用空格分隔符指定额外的脚本参数。示例:script_name arg1 arg2。如果 execute_direct = 0,则 command 作为参数传递给 bin/sh -c。默认值为 1。可选参数。
  • send_chunk_header - 控制是否在发送数据块之前发送行计数。可选。默认值为 false

该字典源只能通过 XML 配置进行配置。通过 DDL 创建具有可执行源的字典是禁用的,否则,数据库用户将能够在 ClickHouse 节点上执行任意二进制文件。

HTTP(S)

与 HTTP(S) 服务器的交互取决于 字典如何存储在内存中。如果字典使用 cachecomplex_key_cache 存储,ClickHouse 通过发送 POST 请求来请求必要的键。

设置示例:

为了让 ClickHouse 访问 HTTPS 资源,您必须在服务器配置中 配置 openSSL

设置字段:

  • url – 源 URL。
  • format – 文件格式。支持 Formats 中描述的所有格式。
  • credentials – 基础 HTTP 身份验证。可选参数。
  • user – 身份验证所需的用户名。
  • password – 身份验证所需的密码。
  • headers – 用于 HTTP 请求的所有自定义 HTTP 头条目。可选参数。
  • header – 单个 HTTP 头条目。
  • name – 用于请求时发送的标头的标识符名称。
  • value – 为特定标识符名称设置的值。

在使用 DDL 命令 (CREATE DICTIONARY ...) 创建字典时,检查 HTTP 字典的远程主机是否符合配置中的 remote_url_allow_hosts 部分内容,以防止数据库用户访问任意 HTTP 服务器。

ODBC

您可以使用此方法连接任何具有 ODBC 驱动程序的数据库。

设置示例:

设置字段:

  • db – 数据库名称。如果在 <connection_string> 参数中设置了数据库名称,则省略此项。
  • table – 表名和架构(如果存在)。
  • connection_string – 连接字符串。
  • invalidate_query – 检查字典状态的查询。可选参数。请参阅使用生存时间刷新字典数据部分了解更多信息。
  • background_reconnect – 如果连接失败,则在后台重新连接到副本。可选参数。
  • query – 自定义查询。可选参数。
备注

tablequery 字段不能一起使用。必须声明 tablequery 中的任一字段。

ClickHouse 从 ODBC 驱动程序接收引用符号,并在查询中对所有设置进行引用,因此必须根据数据库中的表名称情况设置表名称。

如果您在使用 Oracle 时遇到编码问题,请参阅相应的常见问题解答项。

ODBC 字典功能的已知漏洞
备注

通过 ODBC 驱动程序连接到数据库时,连接参数 Servername 可以被替换。在这种情况下,odbc.ini 中的 USERNAMEPASSWORD 值将被发送到远程服务器,并可能被泄露。

不安全用法示例

让我们为 PostgreSQL 配置 unixODBC。/etc/odbc.ini 文件的内容:

如果您之后执行类似以下查询:

ODBC 驱动程序将把 odbc.ini 中的 USERNAMEPASSWORD 发送到 some-server.com

连接 PostgreSQL 的示例

Ubuntu 操作系统。

安装 unixODBC 和 PostgreSQL 的 ODBC 驱动程序:

配置 /etc/odbc.ini(如果您以运行 ClickHouse 的用户身份登录,则为 ~/.odbc.ini):

ClickHouse 中的字典配置:

您可能需要编辑 odbc.ini 以指定驱动程序库的完整路径 DRIVER=/usr/local/lib/psqlodbcw.so

连接 MS SQL Server 的示例

Ubuntu 操作系统。

安装用于连接到 MS SQL 的 ODBC 驱动程序:

配置驱动程序:

备注:

  • 要确定特定 SQL Server 版本支持的最早 TDS 版本,请查阅产品文档或查看 MS-TDS 产品行为

在 ClickHouse 中配置字典:

Mysql

设置示例:

设置字段:

  • port – MySQL 服务器的端口。您可以为所有副本指定此端口,或单独为每个副本(在 <replica> 内)。

  • user – MySQL 用户名。您可以为所有副本指定此用户,或单独为每个副本(在 <replica> 内)。

  • password – MySQL 用户的密码。您可以为所有副本指定此密码,或单独为每个副本(在 <replica> 内)。

  • replica – 副本配置的部分。可以有多个部分。

    • replica/host – MySQL 主机。
    • replica/priority – 副本优先级。在尝试连接时,ClickHouse 按优先级顺序遍历副本。数字越小,优先级越高。
  • db – 数据库名称。

  • table – 表名。

  • where – 选择标准。条件的语法与 MySQL 中的 WHERE 子句相同,例如 id > 10 AND id < 20。可选参数。

  • invalidate_query – 检查字典状态的查询。可选参数。请参阅使用生存时间刷新字典数据部分了解更多信息。

  • fail_on_connection_loss – 控制服务器在连接丢失时行为的配置参数。如果为 true,当客户端与服务器之间的连接丢失时将立即抛出异常。如果为 false,ClickHouse 服务器将在抛出异常之前尝试重新执行查询三次。请注意,重试会导致响应时间增加。默认值:false

  • query – 自定义查询。可选参数。

备注

tablewhere 字段不能与 query 字段一起使用。必须声明 tablequery 中的任一字段。

备注

没有显式参数 secure。建立 SSL 连接时,安全性是强制性的。

MySQL 可以通过套接字连接到本地主机。为此,请设置 hostsocket

设置示例:

ClickHouse

设置示例:

设置字段:

  • host – ClickHouse 主机。如果是本地主机,则查询无需任何网络活动即可处理。为了提高容错能力,可以创建一个分布式表并在后续配置中输入它。
  • port – ClickHouse 服务器的端口。
  • user – ClickHouse 用户名。
  • password – ClickHouse 用户的密码。
  • db – 数据库名称。
  • table – 表名。
  • where – 选择标准。可以省略。
  • invalidate_query – 检查字典状态的查询。可选参数。请参阅使用生存时间刷新字典数据部分了解更多信息。
  • secure - 使用 SSL 进行连接。
  • query – 自定义查询。可选参数。
备注

tablewhere 字段不能与 query 字段一起使用。必须声明 tablequery 中的任一字段。

MongoDB

设置示例:

设置字段:

  • host – MongoDB 主机。
  • port – MongoDB 服务器的端口。
  • user – MongoDB 用户名。
  • password – MongoDB 用户的密码。
  • db – 数据库名称。
  • collection – 集合名称。
  • options - MongoDB 连接字符串选项(可选参数)。

设置字段:

  • uri - 用于建立连接的 URI。
  • collection – 集合名称。

有关引擎的更多信息

Redis

设置示例:

设置字段:

  • host – Redis 主机。
  • port – Redis 服务器的端口。
  • storage_type – 用于处理键的 Redis 内部存储的结构。simple 用于简单源和哈希单键源,hash_map 用于具有两个键的哈希源。范围源和具有复杂键的缓存源不受支持。可以省略,默认值为 simple
  • db_index – Redis 逻辑数据库的特定数字索引。可以省略,默认值为 0。

Cassandra

设置示例:

设置字段:

  • host – Cassandra 主机或以逗号分隔的主机列表。
  • port – Cassandra 服务器的端口。如果未指定,则使用默认端口 9042。
  • user – Cassandra 用户名。
  • password – Cassandra 用户的密码。
  • keyspace – 密钥空间(数据库)的名称。
  • column_family – 列族(表)的名称。
  • allow_filtering – 标志,指示是否允许在聚类键列上使用潜在代价高昂的条件。默认值为 1。
  • partition_key_prefix – Cassandra 表的主键中分区键列的数量。合成键字典所需。字典定义中的键列顺序必须与 Cassandra 中的一致。默认值为 1(第一个键列为分区键,其他键列为聚类键)。
  • consistency – 一致性级别。可能的值:OneTwoThreeAllEachQuorumQuorumLocalQuorumLocalOneSerialLocalSerial。默认值为 One
  • where – 可选选择标准。
  • max_threads – 在合成键字典中从多个分区加载数据时使用的最大线程数。
  • query – 自定义查询。可选参数。
备注

column_familywhere 字段不能与 query 字段一起使用。必须声明 column_familyquery 中的任一字段。

PostgreSQL

设置示例:

设置字段:

  • host – PostgreSQL 服务器上的主机。您可以为所有副本指定此项,或单独为每个副本(在 <replica> 内)。
  • port – PostgreSQL 服务器上的端口。您可以为所有副本指定此项,或单独为每个副本(在 <replica> 内)。
  • user – PostgreSQL 用户名。您可以为所有副本指定此项,或单独为每个副本(在 <replica> 内)。
  • password – PostgreSQL 用户的密码。您可以为所有副本指定此项,或单独为每个副本(在 <replica> 内)。
  • replica – 副本配置的部分。可以有多个部分:
    • replica/host – PostgreSQL 主机。
    • replica/port – PostgreSQL 端口。
    • replica/priority – 副本优先级。在尝试连接时,ClickHouse 按优先级顺序遍历副本。数字越小,优先级越高。
  • db – 数据库名称。
  • table – 表名。
  • where – 选择标准。条件的语法与 PostgreSQL 中的 WHERE 子句相同。例如,id > 10 AND id < 20。可选参数。
  • invalidate_query – 检查字典状态的查询。可选参数。请参阅使用生存时间刷新字典数据部分了解更多信息。
  • background_reconnect – 如果连接失败,则在后台重新连接到副本。可选参数。
  • query – 自定义查询。可选参数。
备注

tablewhere 字段不能与 query 字段一起使用。必须声明 tablequery 中的任一字段。

Null

一种特殊源,可用于创建虚拟(空)字典。这些字典对测试或在分布式表节点上分开数据和查询节点的设置有用。

字典键和字段

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

structure 子句描述可用于查询的字典键和字段。

XML 描述:

属性在元素中描述:

  • <id> — 键列
  • <attribute> — 数据列:可以有多个属性。

DDL 查询:

属性在查询主体中描述:

  • PRIMARY KEY — 键列
  • AttrName AttrType — 数据列。可以有多个属性。

ClickHouse 支持以下类型的键:

  • 数字键。UInt64。在 <id> 标签中定义,或使用 PRIMARY KEY 关键字。
  • 组合键。不同类型值的集合。在 <key> 标签中定义或使用 PRIMARY KEY 关键字。

xml 结构可以包含 <id><key>。DDL 查询必须包含单一的 PRIMARY KEY

备注

您不得将键描述为属性。

数字键

类型:UInt64

配置示例:

配置字段:

  • name – 键列的名称。

对于 DDL 查询:

  • PRIMARY KEY – 键列的名称。

组合键

键可以是任何类型字段的 tuple。在这种情况下,布局必须是 complex_key_hashedcomplex_key_cache

提示

组合键可以由单个元素组成。这使得可以将字符串作为键。

键结构在 <key> 元素中设置。键字段的格式与字典属性相同。示例:

对于 dictGet* 函数的查询,作为键传递一个元组。示例:dictGetString('dict_name', 'attr_name', tuple('field1 的字符串', num_for_field2))

属性

配置示例:

配置字段:

标签描述必需
name列名称。
typeClickHouse 数据类型:UInt8UInt16UInt32UInt64Int8Int16Int32Int64Float32Float64UUIDDecimal32Decimal64Decimal128Decimal256DateDate32DateTimeDateTime64StringArray
ClickHouse 尝试将字典中的值转换为指定的数据类型。例如,对于 MySQL,源表中的字段可以是 TEXTVARCHARBLOB,但在 ClickHouse 中可以以 String 上传。
Nullable 当前支持FlatHashedComplexKeyHashedDirectComplexKeyDirectRangeHashed,Polygon,CacheComplexKeyCacheSSDCacheSSDComplexKeyCache 字典。IPTrie 字典中不支持 Nullable 类型。
null_value非现有元素的默认值。
在本示例中,它是一个空字符串。仅对于 Nullable 类型(见上面有关类型描述的行)可以使用NULL值。
expressionClickHouse 对值执行的表达式
该表达式可以是远程 SQL 数据库中的列名。因此,您可以使用它为远程列创建别名。

默认值:没有表达式。
hierarchical如果为 true,则该属性包含当前键的父键值。请参见分层字典

默认值:false
injective标志,指示 id -> 属性 映像是否是单射
如果为 true,ClickHouse 可以在 GROUP BY 子句后自动放置注入字典的请求。通常这会显著减少此类请求的数量。

默认值:false
is_object_id标志,指示查询是否是通过 ObjectID 执行的 MongoDB 文档。

默认值:false

分层字典

ClickHouse 支持具有数字键的分层字典。

请查看以下分层结构:

该层次结构可以表示为以下字典表。

region_idparent_regionregion_name
10俄罗斯
21莫斯科
32中心
40大不列颠
54伦敦

该表包含一个名为 parent_region 的列,该列包含该元素最近父键的键值。

ClickHouse 支持外部字典属性的分层属性。此属性允许您配置类似于上述描述的分层字典。

dictGetHierarchy 函数允许您获取元素的父链。

对于我们的示例,字典的结构可以是以下内容:

Polygon dictionaries

Polygon dictionaries 允许您高效搜索包含指定点的多边形。 例如:通过地理坐标定义一个城市区域。

多边形字典配置示例:

提示

ClickHouse Cloudで辞書を使用している場合は、DDLクエリオプションを使用して辞書を作成し、ユーザー default として辞書を作成してください。また、Cloud Compatibility guide に記載されているサポートされている辞書ソースのリストを確認してください。

相应的 DDL-query:

在配置多边形字典时,键必须具有以下两种类型之一:

  • 简单多边形。这是一个点的数组。
  • 多多边形。这是一个多边形的数组。每个多边形是一个二维点的数组。该数组的第一个元素是多边形的外边界,后续元素指定要从中排除的区域。

点可以作为坐标的数组或元组指定。在当前实现中,仅支持二维点。

用户可以上传自己的数据,格式为 ClickHouse 支持的所有格式。

有 3 种类型的 in-memory storage 可用:

  • POLYGON_SIMPLE。这是一种简单的实现,对于每个查询,都会线性遍历所有多边形,并在不使用额外索引的情况下检查每一个的成员资格。

  • POLYGON_INDEX_EACH。为每个多边形构建一个单独的索引,大多数情况下实现快速检查其所属关系(针对地理区域进行了优化)。 此外,在考虑的区域上叠加一个网格,这显著缩小了需要考虑的多边形数量。 该网格通过递归将单元格分成 16 个相等部分创建,并用两个参数进行配置。 当递归深度达到 MAX_DEPTH 或单元格交叉不超过 MIN_INTERSECTIONS 个多边形时,分割停止。 在响应查询时,有一个相应的单元格,并交替访问存储在其中的多边形的索引。

  • POLYGON_INDEX_CELL。这种放置也创建上述描述的网格。可用相同的选项。对于每个单元格,构建一个包含进入单元格中的所有多边形片段的索引,从而快速响应请求。

  • POLYGON。它是 POLYGON_INDEX_CELL 的同义词。

字典查询通过标准的 functions 进行,来处理字典。 一个重要的区别是,这里的键将是您希望找到包含它们的多边形的点。

示例

使用上述定义的字典的示例:

执行最后一条命令的结果,对于 'points' 表中的每个点,将找到一个包含该点的最小区域多边形,并输出请求的属性。

示例

您可以通过 SELECT 查询读取多边形字典中的列,只需在字典配置或相应的 DDL-query 中启用 store_polygon_key_column = 1

查询:

结果:

正则表达式树字典

正则表达式树字典是一种特殊类型的字典,通过正则表达式树表示键到属性的映射。有一些用例,例如解析 User Agent 字符串,只需使用正则表达式树字典即可优雅地表达。

在 ClickHouse 开源版中使用正则表达式树字典

正则表达式树字典在 ClickHouse 开源版中使用 YAMLRegExpTree 源定义,后者提供了包含正则表达式树的 YAML 文件的路径。

字典源 YAMLRegExpTree 表示正则表达式树的结构。例如:

此配置由正则表达式树节点的列表组成。每个节点具有以下结构:

  • regexp:节点的正则表达式。
  • attributes:用户定义的字典属性列表。在这个例子中,有两个属性:nameversion。第一个节点定义了这两个属性。第二个节点仅定义属性 name。属性 version 由第二个节点的子节点提供。
    • 属性的值可能包含 回溯引用,引用匹配正则表达式的捕获组。在这个例子中,第一个节点中属性 version 的值包含对匹配正则表达式中的捕获组 (\d+[\.\d]*) 的回溯引用 \1。回溯引用编号范围从 1 到 9,并且以 $1\1(对于数字 1)书写。回溯引用在查询执行期间被匹配的捕获组所替换。
  • 子节点:正则表达式树节点的子节点列表,每个子节点都有自己的属性和(可能的)子节点。当进行字符串匹配时,采用深度优先的方式。如果字符串与正则表达式节点匹配,则字典检查它是否也匹配节点的子节点。如果是这种情况,则分配最深匹配节点的属性。子节点的属性会覆盖同名的父节点属性。YAML 文件中子节点的名称可以是任意的,例如上例中的 versions

正则表达式树字典只允许使用 dictGetdictGetOrDefaultdictGetAll 函数进行访问。

示例:

结果:

在此情况下,我们首先在顶层的第二个节点中匹配正则表达式 \d+/tclwebkit(?:\d+[\.\d]*)。然后,字典继续查找子节点,并发现该字符串也与 3[12]/tclwebkit 匹配。因此,属性 name 的值为 Android(在第一层中定义),而属性 version 的值为 12(在子节点中定义)。

通过强大的 YAML 配置文件,我们可以将正则表达式树字典用作 User Agent 字符串解析器。我们支持 uap-core,并演示如何在功能测试中使用它 02504_regexp_dictionary_ua_parser

收集属性值

有时返回多个正则表达式匹配的值,而不仅仅是叶子节点的值是有用的。在这些情况下,可以使用专门的 dictGetAll 函数。如果某个节点的属性值类型为 T,则 dictGetAll 将返回一个包含零个或多个值的 Array(T)

默认情况下,每个键返回的匹配数是无限制的。可以将边界作为可选的第四个参数传递给 dictGetAll。该数组按 拓扑顺序 填充,这意味着子节点在父节点之前,兄弟节点遵循源中的顺序。

示例:

结果:

匹配模式

通过某些字典设置可以修改模式匹配行为:

  • regexp_dict_flag_case_insensitive:使用不区分大小写的匹配(默认值为 false)。可以通过个别表达式中的 (?i)(?-i) 重写。
  • regexp_dict_flag_dotall:允许 . 匹配换行符(默认值为 false)。

在 ClickHouse Cloud 中使用正则表达式树字典

上述使用的 YAMLRegExpTree 源可在 ClickHouse 开源版中工作,但在 ClickHouse Cloud 中不适用。要在 ClickHouse 云中使用正则表达式树字典,首先在 ClickHouse 开源版中从 YAML 文件创建一个正则表达式树字典,然后使用 dictionary 表函数和 INTO OUTFILE 子句将此字典转储到 CSV 文件中。

CSV 文件的内容为:

转储文件的模式为:

  • id UInt64:RegexpTree 节点的 ID。
  • parent_id UInt64:节点的父节点 ID。
  • regexp String:正则表达式字符串。
  • keys Array(String):用户定义属性的名称。
  • values Array(String):用户定义属性的值。

要在 ClickHouse Cloud 中创建字典,首先使用以下表结构创建表 regexp_dictionary_source_table

然后通过

更新本地 CSV 文件。您可以查看如何 Insert Local Files 了解更多细节。初始化源表后,我们可以通过表源创建 RegexpTree:

嵌入式字典

Not supported in ClickHouse Cloud
备注

このページは ClickHouse Cloud には適用されません。ここで文書化されている機能は、ClickHouse Cloud サービスでは利用できません。 詳細については、ClickHouse の Cloud Compatibility ガイドを参照してください。

ClickHouse 包含用于处理地理数据库的内置功能。

这允许您:

  • 使用区域 ID 获取其所需语言的名称。
  • 使用区域 ID 获取城市、地区、联邦区、国家或大洲的 ID。
  • 检查某个区域是否属于另一个区域。
  • 获取父区域的链。

所有函数都支持“跨地域性”,即同时使用不同的区域归属视角的能力。有关更多信息,请参见“处理网络分析字典的函数”部分。

默认包中禁用内部字典。 要启用它们,请在服务器配置文件中取消对 path_to_regions_hierarchy_filepath_to_regions_names_files 参数的注释。

地理数据库从文本文件加载。

regions_hierarchy*.txt 文件放入 path_to_regions_hierarchy_file 目录。该配置参数必须包含 regions_hierarchy.txt 文件(默认地区层次结构)的路径,其他文件(regions_hierarchy_ua.txt)必须放置在同一目录中。

regions_names_*.txt 文件放入 path_to_regions_names_files 目录。

您也可以自己创建这些文件。文件格式如下:

regions_hierarchy*.txt:制表符分隔(无标题),列:

  • 区域 ID (UInt32)
  • 父区域 ID (UInt32)
  • 区域类型 (UInt8):1 - 大洲,3 - 国家,4 - 联邦区,5 - 区域,6 - 城市;其他类型没有值
  • 人口 (UInt32) — 可选列

regions_names_*.txt:制表符分隔(无标题),列:

  • 区域 ID (UInt32)
  • 区域名称 (String) — 不能包含制表符或换行符,即便是转义的。

使用扁平数组在 RAM 中存储,因此 ID 不应超过一百万。

字典可以在不重启服务器的情况下更新。然而,可用字典集不会更新。 对于更新,检查文件修改时间。如果文件更改,则更新字典。 检查更改的间隔由 builtin_dictionaries_reload_interval 参数配置。 字典更新(除了初次使用时加载外)不会阻塞查询。在更新期间,查询使用旧版本的字典。如果在更新期间发生错误,错误将记录到服务器日志中,查询将继续使用旧版本的字典。

我们建议定期更新带有地理数据库的字典。在更新期间,生成新文件并将其写入单独位置。当一切准备就绪后,重命名这些文件以替换服务器使用的文件。

还有一些用于处理操作系统标识符和搜索引擎的功能,但不应使用。