ClickHouse配置Hdfs存储数据

背景

由于公司初始使用Hadoop这一套，所以希望ClickHouse也能使用Hdfs作为存储
看了下ClickHouse的文档，拿Hdfs举例来说，有两种方式来完成，一种是直接关联Hdfs上的数据文件，比如说TSV格式的文件，这种模式不支持插入数据。第二种是将Hdfs作为存储，可以理解为云存储方式，这篇文章讲解第二种方式的配置

官方文档：External Disks for Storing Data

配置单机

修改config.xml文件，一般路径在/etc/clickhouse-server/config.xml

 	<storage_configuration>
        <disks>
            <hdfs>
                <type>hdfstype>
                <endpoint>hdfs://hdfs1:9000/clickhouse/endpoint>
            hdfs>
        disks>
        <policies>
            <hdfs>
                <volumes>
                    <main>
                        <disk>hdfsdisk>
                    main>
                volumes>
            hdfs>
        policies>
    storage_configuration>

    <merge_tree>
        <min_bytes_for_wide_part>0min_bytes_for_wide_part>
    merge_tree>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

配置后重启

配置HA高可用Hdfs集群

1. 复制hadoop下的配置文件hdfs-site.xml到/etc/clickhouse-server/下
2. 修改config.xml配置文件，将endpoint中的标签内容，替换为cluster

        <disks>
            <hdfs>
                <type>hdfstype>
                <endpoint>hdfs://cluster1/clickhouse/endpoint>
            hdfs>
        disks>
1
2
3
4
5
6

这种方式的配置是没有端口的

3. 拷贝了hdfs-site.xml文件，但是ClickHouse还不能识别到该文件，所以需要配置在config.xml的配置文件下

    <hdfs>
        <libhdfs3_conf>/etc/clickhouse-server/hdfs-site.xmllibhdfs3_conf>
    hdfs>
1
2
3

这里在官方文档的另外一处有提到
地址：HDFS

配置完成，重启

这里配置集群模式有些折腾，看到之前有讲如果是hdfs-client.xml这种的，可以参考下。中间还设置过环境变量：
How do I use an HDFS engine in HA mode

性能测试

使用hdfs作为外部存储的时候，需要在建表时，设置存储策略，举例如下：

CREATE TABLE trait_term
(
	id UUID,
	termName String
)
ENGINE = MergeTree
PRIMARY KEY (id)
ORDER BY id
SETTINGS index_granularity = 1024, storage_policy='hdfs', index_granularity_bytes = 0;
1
2
3
4
5
6
7
8
9

需要添加storage_policy='hdfs', 这样数据就会存储到hdfs中，在hdfs文件系统中查看

查询性能对比：


trait表大概有1700w条数据，这里主要和之前不使用外部存储，使用clickhouse当前机器的存储做对比

统计trait最多的10个trait term

统计性状xxx minValue > 500 0000的数量

结论

根据测试结果，hdfs外部存储会比直接内部存储性能差一点点，但是也差不了多少，使用hdfs可以避免单机存储不够的问题，与公司的技术栈也会保持一致

参考文档

clickhouse之HDFS云存储
clickhouse hive/hdfs引擎由于HDFS-HA报错问题解决
How do I use an HDFS engine in HA mode