点一下关注吧！！！非常感谢！！持续更新！！！
目前已经更新到了：
Hadoop（已更完）
HDFS（已更完）
MapReduce（已更完）
Hive（已更完）
Flume（已更完）
Sqoop（已更完）
Zookeeper（已更完）
HBase（已更完）
Redis （已更完）
Kafka（已更完）
Spark（已更完）
Flink（已更完）
ClickHouse（正在更新···）
章节内容
上节我们完成了如下的内容：
表引擎详解 介绍
日志部分
Log部分
Memory部分
Merge部分
MergeTree
ClickHouse中最强大的表引擎当属 MergeTree（合并树）引擎及该系列（*MergeTree）中的其他引擎。
MergeTree 引擎系列的基本理念如下，当你有巨量数据要插入到表中，你要高效的一批批写入数据片段，并希望这些数据片段在后台按照一定规则合并，相比在插入时不断修改（重写）数据进存储，这种策略会高效很多。
存储结构
创建新表
CREATE TABLE mt_table(date Date, id UInt8, name String) ENGINE = MergeTree PARTITION BY toYYYYMM(date) ORDER BY id; CREATE TABLE mt_table3 ( `date` Date, `id` UInt8, `name` String ) ENGINE = MergeTree PARTITION BY toYYYYMM(date) ORDER BY id;
执行的结果如下图所示：
插入数据
INSERT INTO mt_table VALUES ('2024-07-31', 1, 'wzk'); INSERT INTO mt_table VALUES ('2024-07-30', 2, 'icu'); INSERT INTO mt_table VALUES ('2024-07-29', 3, 'wzkicu');
执行结果如下图所示：
查看目录
cd /var/lib/clickhouse/data/default/mt_table ls
执行结果如下图所示：
我们随便进入一个目录，可以看到：
- bin 是按列保存数据的文件
- mrk 保存块偏移量
- primary.idx 保存主键索引
存储结构
. ├── 202407_1_1_0 │ ├── checksums.txt │ ├── columns.txt │ ├── count.txt │ ├── data.bin │ ├── data.mrk3 │ ├── default_compression_codec.txt │ ├── minmax_date.idx │ ├── partition.dat │ └── primary.idx ├── 202407_2_2_0 │ ├── checksums.txt │ ├── columns.txt │ ├── count.txt │ ├── data.bin │ ├── data.mrk3 │ ├── default_compression_codec.txt │ ├── minmax_date.idx │ ├── partition.dat │ └── primary.idx ├── 202407_3_3_0 │ ├── checksums.txt │ ├── columns.txt │ ├── count.txt │ ├── data.bin │ ├── data.mrk3 │ ├── default_compression_codec.txt │ ├── minmax_date.idx │ ├── partition.dat │ └── primary.idx ├── detached └── format_version.txt
执行结果如下图所示：
checknums.txt 二进制校验文件，保存了余下文件的大小size和size的hash值，用于快速校验文件的完整和正确性
columns.txt 明文的列信息
date.bin 压缩格式（默认LZ4）的数据文件，保存了原始数据，以列名 bin 命名。
date.mrk2 使用了自适应大小的索引间隔
primary.idx 二进制一级索引文件，在建表的时候通过 order by 或者 primary key 声明稀疏索引。
数据分区
数据是以分区目录的形式组织的，每个分区独立分开存储。这种形式，在数据查询的时候，可以有效的跳过无用的数据文件。
分区规则
分区键的取值，生成分区ID，分区根据ID决定，根据分区键的数据类型不同，分区ID的生成目前有四种规则：
不指定分键
使用整型
使用日期类型 toYYYYMM(date)
使用其他类型
数据在写入的时候，会按照分区ID落入对应的分区。
分区目录生成
BlockNum 是一个全局整型，从1开始，每当新创建一个分区目录，此数字就累加1。
MinBlockNum：最小数据块编号
MaxBlockNum：最大数据块编号
对于一个新的分区，MinBlockNum和MaxBlockNum的值是相同的
分区目录合并
MergeTree 的分区目录在数据写入过程中被创建，不同的批次写入数据属于同一分区，也会生成不同的目录，在之后某个时刻再合并（写入后10-15分钟），合并后的旧分区目录默认8分钟后删除。
同一个分区的多个目录合并以后得命名规则：
MinBlockNum：取同一分区中MinBlockNum值最小的
MaxBlockNum：取同一分区中MaxBlockNum最大的
Level：取同一分区最大的Level值+1
一级索引
稀疏索引
文件：primary.idx
MergeTree的主键使用PrimaryKey定义，主键定义之后，MergeTree会根据index_granularity间隔（默认8192）为数据生成一级索引并保存至primary.idx中，这种方式就是稀疏索引。
简化形式：通过 ORDER BY 指代 主键
primary.idx 文件的一级索引采用稀疏索引。
稠密索引：每一行索引标记对应一行具体的数据记录
稀疏索引：每一行索引标记对应一段数据记录（默认索引粒度是8192）
稀疏索引占用空间小，所以primary.idx内的索引数据常驻内存，取用速度快。
生成规则
primary.idx文件，由于稀疏索引，所以MergeTree要间隔index_granularity行数据才会生成一个索引记录，其他索引值会根据声明的主键字段获取。
查询过程
索引是如何工作的？对primary.idx文件的查询过程
MarkRange： 一小段数据区间，按照 index_granularity的间隔粒度，将一段完整的数据划分成多个小的数据段，小的数据段就是MarkRange
MarkRange与索引编号对应
小案例：
200行数据
index_granularity大小为5
主键ID为int，取值从0开始
共200行数据/5 = 40个MarkRange
假设索引查询 where Id = 3
- 第一步：形成区间格式 [3,3]
- 第二步：进行交集 [3,3] ∩ [0, 199]
以MarkRange的步长大于8分块，进行剪枝：
- 第三步：合并， MarkRange(start0, end20)
在ClickHouse中，MergeTree引擎表的索引列在建表使用ORDER BY语法来指定。
而在官方中，用了下面一副图来说明。
这张图示出了以 CounterID、Date两列为索引列的情况，即先以CounterID为主要关键字排序，再以Date为次要关键字排序，最后用两列的组合作为索引键。Marks与MarkNumbers就是索引标记，且Marks之间的间隔就由建表时的索引粒度参数index_granularity来制定，默认是8192。
在 ClickHouse 之父Alexey Milovidov分享的PPT中，有更加详细的图示：
这样，每一列都通过ORDER BY列进行了索引，查询时，先查找到数据所在的parts，再通过mrk2文件确定bin文件中数据的范围即可。
不过，ClickHouse的稀疏索引与Kafka的稀疏索引不同，可以由用户自由组合多列，因此也要格外注意不要加入太多索引列，防止索引数据过于稀疏，增大存储和查找成本。另外，基数太小（即区分度太低）的列不适合做索引列，因为很有可能横跨多个mark值仍然相同，没有索引的意义了。
跳数索引
index_granularity 定义了数据的粒度
granularity定义了聚合信息汇总的粒度
granularity定义了一行跳数索引能够跳过多少个index_granularity区间的数据
可用类型
minmax存储指定表达式的极值（如果表达式是tuple，则存储tuple中每个元素的极值），这些信息用于跳过数据块，类似主键
set(max_rows)存储指定表达式的唯一值（不超过max_rows个，max_rows=0则表示无限制）。这些信息可以用于检查 WHERE 表达式是否满足某个数据块
ngrambf_v1 存储包含数据块中所有N元短语的布隆过滤器。只可用于字符串上，用于优化equals、like和in表达式的性能。
tokenbf_v1 跟 ngrambf_v1 类似，不同于ngrams 存储字符串指定长度的所有片段，它只存储被非字母数据字符分割的片段。
