一、ClickHouse 简介

---

ClickHouse 是 俄罗斯的 Yandex 公司于2016年开源的 列式存储数据库（DBMS），使用 C++语言 编写，主要用于在线分析处理查询（OLAP），能够使用 SQL 查询实时生成分析数据报告。

二、ClickHouse 特点

---

2.1 采用列式存储

2.2 属于数据库管理系统（DBMS ）

支持标准 SQL 的大部分语法，包括 DDL 数据定义 和 DML 数据操纵，以及相关函数，用户管理以及权限管理，数据备份与恢复

2.3 多样化引擎

和 MySQL 类似，把表级的存储引擎插件化，根据表的不同需求可设置不同的存储引擎，目前有合并树、日志、接口和其他四大类的二十多种引擎。

2.4 高吞吐写数据

ClickHouse 采用类 日志结构合并树 LSM Tree(Log-Structured-Merge-Tree），数据写入后，定期在后台进行压缩（Compaction）

通过类 LSM Tree 的存储结构，ClickHouse 写数据是以追加（append）的方式，且写入后数据段不可更改。

在后台执行压缩（Compaction）时是多个段 归并（Merge）、排序（Sort）后按顺序写回磁盘。

顺序写的特性：有效利用磁盘的吞吐能力

2.5 数据分区与线程级并行

ClickHouse 将数据划分为多个 partition（分区），每个 partition 再划分为多个 index granularity（索引粒度），然后通过多个 CPU 核心分别处理其中的一部分，从而实现并行的数据处理

特点：单条 Query 查询语句就能利用整机的所有 CPU，并行处理降低了查询的延时。

不过这种并行方式使得 不便同时并发多条查询，，ClickHouse 并不擅长处理高qps（ 每秒查询率 = 并发数/平均响应时间）的查询业务

三、Centos 下使用安装 ClickHouse

---

ClickHouse 可以在任何具有 x86_64、AArch64 或 PowerPC64LE CPU 架构的 Linux、FreeBSD 或 Mac OS X 上运行。
官方文档 快速入门：https://clickhouse.com/docs/en/quick-start/

3.1 安装 clickhouse

3.1.1 方式一：使用 yum 安装

ClickHouse官网：Fast Open-Source OLAP DBMS - ClickHouse
下载地址：https://packages.clickhouse.com/rpm/stable/

• clickhouse-common-static — ClickHouse编译的二进制文件。
• clickhouse-server — 创建clickhouse-server软连接，并安装默认配置服务
• clickhouse-client — 创建clickhouse-client客户端工具软连接，并安装客户端配置文件。
• clickhouse-common-static-dbg — 带有调试信息的ClickHouse二进制文件。

添加官方的库：

sudo yum install -y yum-utils
sudo yum-config-manager --add-repo https://packages.clickhouse.com/rpm/clickhouse.repo

1
2
3

下载

sudo yum install -y clickhouse-server clickhouse-client
1

3.2.2 方式二：使用 Docker 拉取镜像

我这里的 Docker 是本机虚拟机里配置的 Docker

# 启动 docker
sudo systemctl start docker

# 创建容器
sudo docker run --name c1 -d -it -p 8181:8181 clickhouse/clickhouse-server
1
2
3
4
5

查看容器 IP

docker inspect -f '{{range .NetworkSettings.Networks}}{{.IPAddress}}{{end}}' c1
1

设置宿主机到虚拟机里Docker容器的端口映射，保证能ping通，这里可参考：
https://blog.csdn.net/Unirithe/article/details/120711045

使用 Docker 的话就无需配置和启动了，只要容器在运行，ClickHouse 服务就默认启动了，比如访问：http://172.17.0.2:8123/，会有一个 Ok.的结果

3.2 配置 ClickHouse

Click House 官方默认是关闭外部连接的，需手动配置

sudo vim /etc/clickhouse-server/config.xml

# 在 vim 查询 ::
/<listen_host>::</listen_host>
1
2
3
4

把 :: 的注释打开后保存

除了打开 配置，我们需要了解其默认配置的数据文件和日志文件的存储路径，也可以根据自己需要修改默认的位置。

• 默认数据文件配置 /var/lib/clickhouse/
• 日志文件配置 /var/log/clickhouse-server/clickhouse-server.log

3.3 启动 Click House

查看 clickhouse-server 的安装目录

rpm -ql clickhouse-server.x86_64
1

启动 clickhouse

sudo /etc/init.d/clickhouse-server start
1

3.4 测试连接

在之前的依赖包中，我们同时也安装了 Click House 的客户端，接下来使用客户端的命令连接启动的服务端，查看一下是否能正常连接，如果是通过方式一安装的 clickhouse（都安装在Linux），则执行

clickhouse-client -m
1

如果是通过 Docker 安装的，这里我采用的是 Docker放 Click House 服务端，而 Docker宿主机就放 Click Client 客户端进行连接，则执行下面命令，指定容器的IP即可：

clickhouse-client -h 172.17.0.2 -m
1

测试命令，查询所有的数据库：

:) show databases
1

方式一安装下测试成功的结果如下图：

四、数据类型

---

官方文档：https://clickhouse.com/docs/en/sql-reference/data-types/

4.1 整型

固定长度，分为有符号和无符号

有符号整型

取值范围：[$-2^n$ ~ $2^{n-1}-1$]

无符号整型

取值范围：[$0$~ $2^n-1$]

使用场景：记录个数、数量、存储型 id 等

4.2 浮点型

浮点型有 Float32 和 Float64 两种，类似 Java 里的 float 和 double

建议：尽量用整数存储数据，例，将固定精度的数字转为整数值，如时间用毫秒为单位表示，因为浮点型计算可能会出现误差，例如在 ClickHouse中计算 1.0 - 0.9 ，结果是 0.0999… 趋近于0.1， 而不是 0.1

使用场景：数据值较小，不涉及大量统计计算，且精度要求不高时，如保存商品的重量。

4.3 无布尔型

Click House 没有提供 bool 类型 ，一般可使用 UInt8 类型来表示， 取值限制为 0 或1 即可

4.4 Decimal 类型

Decimal 为有符号的浮点数，在加减乘运算中保持精度，而在触发中，最低有效数字会被舍去。
声明：

• Decimal32(s)，相当于 Decimal(9-s, s) ，小数有效位在 1 ~ 9 之间
• Decimal64(s)，相当于 Decimal(18-s, s) ，小数有效位在 1 ~18 之间
• Decimal128(s)，相当于 Decimal(38-s, s) ，小数有效位在 1 ~38 之间

（其中的 s 表示小数位）
使用场景：金额字段、汇率、利率等字段，为保证小数点精度，都使用 Decimal 存储

4.5 字符串

Click House 中的字符串分为两种，String 和 FixedString(N)

• String

字符串可任意长，包含任意的字节集，包括空的字节

• FixedString(N)

固定长度 N 的字符串，N 必须是严格的正整数。
类似于 MySQL里的 varchar
使用场景：名称、文字描述、字符型编码，该类型不常用

4.6 枚举

枚举类型分为 Enum8 和 Enum16 这两种，Enum枚举存储的是 ‘string’ = integer 的对应关系。 Enum8 用 ‘String’ =Int8 对描述，Enum16用‘String’ = Int16 对描述

使用示例：

1. 创建一个表 t_enum并带有枚举 Enum8 (‘hello’ = 1, ‘world’ = 2) 类型的列 ，引擎暂时用 TinyLog

CREATE TABLE t_enum(
  x Enum8('hello' = 1, 'world' = 2)
 ) ENGINE = TinyLog;
1
2
3

这个 x 列 只能存储类型定义中取出的值，‘hello’ 或 ‘world’

2. 插入枚举类型支持的数据

INSERT INTO t_enum VALUES ('hello'), ('world'), ('hello');
1

3. 查询表数据

select * from t_enum;
1

运行结果：

4. 尝试插入其他的值，结果报错

INSERT INTO t_enum VALUES ('uni');
1

5. 查看对应枚举行的数值，需将 Enum 的值转换为 整数类型

select cast(x, 'Int8') from t_enum;
1

运行结果：

使用场景：对表示状态、类型的字段是一种空间优化与数据约束，数据几乎不发生变换时可以使用。

4.7 时间类型

目前 ClickHouse 支持三种时间类型，分别是 Date32、Datetime 和 Datetime64

• Date32 存储 [年-月-日] 的字符串，如 ‘2022-07-22’
• Datetime存储 [年-月-日 时:分:秒] 的字符串，如 ‘2022-07-22 14:45:00’
• Datetime64 存储 [年-月-日 时:分:秒.亚秒] 的字符串，如 ‘2022-07-22 14:45:00. 66’

日期类型，用两个字节存储，表示从 1970-01-01 （无符号）到当前的日期值

4.8 数组

Array(T)：由 T 类型元素组成的数组
T 可以是任意类型，包含数组类型（支持嵌套）。但不推荐使用多维数组，Click House 对多维数组的支持有限，例：不能在 MergeTree 表中存储多维数组

使用示例：

1. 使用 array 函数创建数组

select array(1, 2) as x, toTypeName(x);
1

运行结果：

2. 示例1的另一种表达方式，使用方括号表示数组

select [1, 2] as x, toTypeName(x);
1

运行结果：

五、Click House 表引擎

---

表引擎是 ClickHouse 的特点，它决定了如何存储表的数据，除此之外还有特点：

• 数据的存储方式和位置，写到哪里以及从哪里读取数据
• 支持哪些查询以及如何支持
• 并发数据访问
• 有的引擎支持索引
• 是否可以执行多线程请求
• 数据复制参数

表引擎的使用方式就是必须显式地在创建表时定义该表使用的引擎，以及引擎相关的参数。
注：Click House的引擎名称大小写敏感

5.1 TinyLog 引擎

TinyLog 引擎支持以列文件的形式保存在磁盘上，但是不支持索引，且没有并发控制。一般保存少量数据的小表，适合平时测试，不适合生产环境，如：

create table t_tinylog(id String, name String) engine = TinyLog;
1

5.2 Memory 引擎

Memory 引擎属于内存引擎，数据以 未压缩 的原始形式直接保存在内存，只要服务器存储，数据就会消失。读写操作不会相互阻塞，不支持索引。
简单查询的性能很高（超过 10G/s）
平时运用得不多，同样是适合测试，还有需要高性能的场合。

5.3 Merge Tree 引擎

官方参考文档：https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree/
Merge Tree 归并树引擎是 ClickHouse 中 **最强大 **的表引擎之一，包括其拓展的其他 MegeTree，如下图：

该类引擎都支持索引和分区，地位相当于 MySQL 里的 innodb 引擎。

【应用案例】

1. 创建使用 MergeTree 引擎的数据表

create table t_order_mt(
  id UInt32,
  sku_id String,
  total_amount Decimal(16,2),
  create_time Datetime
)
engine = MergeTree() 
PARTITION BY toYYYYMMDD(create_time) 
PRIMARY KEY (id) 
ORDER BY(id, sku_id);
1
2
3
4
5
6
7
8
9
10

2. 插入数据

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');
1
2
3
4
5
6
7

3. 查询数据

select * from t_order_mt;
1

运行结果：

5.3.1 partition by 分区（可选）

partition by 分区的作用是：降低扫描的范围，优化查询速度

分区的特点：

• 若创建表时不指定分区，那么就默认为一个分区
• MergeTree 引擎是以 列文件 + 索引文件 + 表定义文件组成的，但如果设定了分区，那么这些文件就会保存到不同的分区目录中
• 支持并行，分区后，面对涉及跨分区的查询统计， ClickHouse 会以分区为单位并行处理
• 数据写入的分区合并，任何一个批次的数据写入都会产生一个 **临时 **的分区，不会纳入任何一个已有的分区。然后在写后的某个时刻（大概10~15 分钟后）ClickHouse 会自动执行合并操作，除了自动合并以外，可通过 optimize 命令提前进行合并，把临时分区的数据合并到已存在的分区：

optimize table xxx final;
1

【应用案例】基于 Merge Tree 引擎中应用案例的表，接下来再插入一些数据，插入后立马查询

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

select * from t_order_mt;
1
2
3
4
5
6
7
8
9

运行结果：

根据结果可以看出，当前这些数据没有纳入分区，结果中的一个表格相当于一个分区，接下来手动进行 optimize 操作，然后再次查询：

optimize table t_order_mt final;

select * from t_order_mt;
1
2
3

运行结果：

可以看到在执行 optimize 后之前的临时分区现在已经合并进去了，之前创建表时设置的分区字段是create_time。

5.3.2 primary key 主键（可选）

ClickHouse 的主键，和其他数据库不太一样，只提供了数据的一级索引，但是却不是唯一约束，即 ClickHouse 数据表里可存在相同的 primary key 的数据
对于 ClickHouse 数据表主键的设定，其主要依据是查询语句中的 where 条件，根据条件通过对主键进行某种形式的二分查找，能够定位到对应的 index granularity（索引的粒度），避免全表扫描。

index granularity 索引粒度是指在** sparse index（稀疏索引） **中两个相邻索引对应数据的间隔。
Click House 中 MergeTree 索引粒度默认是 8192 。除非列存在大量重复值，比如几万行才有一个不同数据，不然不建议修改，参考官方介绍 ：https://clickhouse.com/docs/zh/engines/table-engines/mergetree-family/mergetree

稀疏索引（图片转自 https://baijiahao.baidu.com/s?id=1694065350596413101&wfr=spider&for=pc）：

稀疏索引的好处是可以用较少的索引数据来定位更多的数据，不过只能定位到索引粒度的第一行，然后在进行顺序扫描。

5.3.3 order by （必选)

在创建表中指定 MergeTree 引擎时，order by 是必须要设置的，它设定了分区内的数据按照哪个/ 哪些字段顺序进行有序保存。
order by 是 Merge Tree 中唯一的一个必填项，甚至比 primary key 还重要，因为当用户不设置主键时，很多处理会按照 order by 的字段进行处理。

注: primary key 主键 必须是 order by 字段的前缀或者相同
如：order by 字段是 (id, sku_id），那么主键必须是 id 或 (id, sku_id)

5.3.4 二级索引

【应用案例】
创建支持二级索引的数据表

create table t_order_mt2(
  id UInt32,
  sku_id String,
  total_amount Decimal(16,2),
  create_time Datetime,
  INDEX a total_amount TYPE minmax GRANULARITY 5
) engine =MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id, sku_id);
1
2
3
4
5
6
7
8
9
10

其中 GRANULARITY 是设定二级索引对于一级索引粒度的粒度

插入数据

insert into t_order_mt2 values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');
1
2
3
4
5
6
7

ClickHouse 支持使用 clickhouse-client 启动客户端的命令来连接服务端并执行 sql 语句，例如：

 clickhouse-client --send_logs_level=trace <<< 'select 
* from t_order_mt2 where total_amount > toDecimal32(900., 2)';
1
2

运行结果：

5.3.5 数据 TTL

TTL 即 Time To Live，MergeTree 提供了可以管理数据表或者列的 **生命周期 **的功能。
1）列级别 TTL
比如在创建表时给某一列设置 TTL，这里给 total_amount 字段设置 TTL create_time+interval 10 SECOND

create table t_order_mt3(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,
 create_time Datetime 
) engine =MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id, sku_id);
1
2
3
4
5
6
7
8
9

插入数据后立马查询

insert into t_order_mt3 values
(106,'sku_001',1000.00,now()),
(107,'sku_002',2000.00,now()),
(110,'sku_003',600.00,now());

select * from t_order_mt3;
1
2
3
4
5
6

过十秒后再次查询，total_amount 列的值全变成了0

2）表级别 TTL
以下面这条语句为例，设置表在 create_time 之后 10秒丢失

alter table t_order_mt3 modify ttl create_time interval 10 secend;
1

相关字段必须是 Date 或 DateTime类型，推荐使用分区的日期字段
能使用的时间周期有：

• SECOND
• MINUTE
• HOUR
• DAY
• WEEK
• MONTH
• QUARTER
• YEAR

5.4 ReplacingMergeTree 引擎

ReplacingMergeTree 是 MergeTree的一个升级版，其存储特性完全继承 MergeTree，不过多了个去重功能，由于在 MergeTree中可以设置主键，但主键没有唯一约束的功能，所以当想处理掉重复的数据时，可以使用 ReplacingMergeTree引擎

1）去重机制
数据去重只会在合并的过程中出现。合并会做未知的时间在后台进行，所以无法预先做出计划。因为有些数据可能仍然没有被处理
2）去重范围
若表经过了分区，去重只会在 **分区内部 **进行去重，不能执行跨分区的去重。
故 ReplacingMergeTree 使用于在后台清除重复的数据以节省空间，但不能保证一定没有重复的数据出现。
【应用案例】 创建根据 create_time 字段为版本号的 RMT 引擎表

create table t_order_rmt(
  id UInt32,
  sku_id String,
  total_amount Decimal(16,2) ,
  create_time Datetime 
) engine =ReplacingMergeTree(create_time)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id, sku_id);
 
 insert into t_order_rmt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00') ,
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

注：ReplacingMergeTree括号内填入的参数为版本字段，当出现重复数据时，会保留最大的版本字段的所在行，若不填，则默认按照插入顺序保留最后一条，即支持覆盖。

第一次查询数据：

select * from t_order_rmt;
1

手动合并后再次查询

OPTIMIZE TABLE t_order_rmt FINAL;

select * from t_order_rmt;
1
2
3

结论：

• RMT引擎实际使用了 order by 字段作为唯一的键
• 去重无法跨分区
• 只有同一批插入或合并分区时才会去重
• 认定重复的数据保留，版本字段值最大的
• 若版本字段相同，则按插入顺序保留最后一行

5.5 SummingMergeTreee 引擎

对于不查询明细，只关心维度进行汇总聚合结果都场景。若只使用普通的 MergeTree，无论是存储空间的开销，还是查询时临时聚合的开销，都会比较大
ClickHouse为了这种场景，提供了一种能“预聚合”的引擎 SummingMergeTree
【应用案例】创建 使用 SummingMergeTreee 引擎的表

create table t_order_smt(
 id UInt32,
 sku_id String,
 total_amount Decimal(16,2) ,
 create_time Datetime 
) engine =SummingMergeTree(total_amount)
 partition by toYYYYMMDD(create_time)
 primary key (id)
 order by (id,sku_id );
 
 insert into t_order_smt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 11:00:00'),
(102,'sku_004',2500.00,'2020-06-01 12:00:00'),
(102,'sku_002',2000.00,'2020-06-01 13:00:00'),
(102,'sku_002',12000.00,'2020-06-01 13:00:00'),
(102,'sku_002',600.00,'2020-06-02 12:00:00');

 select * from t_order_smt;
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

合并后再次查询

OPTIMIZE TABLE t_order_smt FINAL;

select * from t_order_smt;
1
2
3

结论：

• 以 SummingMergeTree () 中指定的列为汇总数据列
• 可以填写多列，必须是数字列，若不填写，以所有非维度列且为数字列的字段为汇总数据列
• 以 order by 的列为准，作为维度列
• 其他的列按插入顺序保留第一行
• 不在一个分区的数据不会被聚合
• 只有在同一批次插入（新版本）或 分片合并时才会进行聚合

开发建议
设计聚合表，唯一键值、流水号可以去掉，所有字段全部是维度、度量或时间戳

六、ClickHouse 的 SQL 操作

---

ClickHouse 支持传统关系型数据库（比如 MySQL）的 SQL 语句，这里记录的是与 SQL 不一致的部分。

6.1 Insert 插入数据

与标准的 SQL 基本一致
语法：

• insert into [table_name] values(...), (...) 往一张表插入多条数据
• insert into [table_name] select a, b, c from [table_name_2] 将一张表的查询结果插入到另一张表

6.2 Update 更新 和 Delete 删除

ClickHouse 将 Update 和 Delete 操作归类为 Mutation 查询，可视为 alter 的一种。
虽然可以实现修改和删除，但 Mutation 语句不支持事务，而且每次修改或删除都会导致放弃目标数据的原有分区，重建新的分区。所以尽量做批量的变更，而不进行频繁小数据的操作。

删除语法：alter table [table_name] delete where [...]
修改语法：alter table [table_name] [...] where [...]

Mutation 语句分两步执行，分别是新增分区和标记旧分区、删除旧数据和释放磁盘空间。

6.3 查询操作

ClickHouse 查询语句和 SQL 类似

• 支持子查询
• 支持 CTE（Common Table Expression 公用表表达式 with 子句）
• 支持各种 JOIN 操作，但不能使用缓存，即便是两次相同的 JOIN 语句，ClickHouse也会视为两条新的SQL
• 不支持自定义函数
• 窗口函数
• GROUP BY 操作 增加了 with rollup\ with cube\ with total 用来计算小计和总计

【应用案例】
准备数据表和数据

create table t_order_mt(
  id UInt32,
  sku_id String,
  total_amount Decimal(16,2),
  create_time Datetime
)
engine = MergeTree() 
PARTITION BY toYYYYMMDD(create_time) 
PRIMARY KEY (id) 
ORDER BY(id, sku_id);


alter table t_order_mt delete where 1=1;

insert into t_order_mt values
(101,'sku_001',1000.00,'2020-06-01 12:00:00'),
(101,'sku_002',2000.00,'2020-06-01 12:00:00'),
(103,'sku_004',2500.00,'2020-06-01 12:00:00'),
(104,'sku_002',2000.00,'2020-06-01 12:00:00'),
(105,'sku_003',600.00,'2020-06-02 12:00:00'),
(106,'sku_001',1000.00,'2020-06-04 12:00:00'),
(107,'sku_002',2000.00,'2020-06-04 12:00:00'),
(108,'sku_004',2500.00,'2020-06-04 12:00:00'),
(109,'sku_002',2000.00,'2020-06-04 12:00:00'),
(110,'sku_003',600.00,'2020-06-01 12:00:00');
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

**with rollup **从右往左去掉维度进行小计

select id , sku_id,sum(total_amount) from t_order_mt group by 
id,sku_id with rollup;
1
2

**with cube **先从右往左去掉维度进行小计，再从左往右去掉维度进行小计

with totals：只计算合计

select id , sku_id,sum(total_amount) from t_order_mt group by 
id,sku_id with totals;
1
2

6.4 alter 操作

和 MySQL 修改字段的操作基本一致
语法：

• alter table [tableName] add column [newColname] [colType] after [oldCol]添加某一字段（包括类型）到指定列的后面
• alter table [oldTableName] modify column [newColname] [colType] 修改某一字段的名称以及类型
• alter table tableName drop column [oldColName]删除字段

6.5 导出数据

参考：https://clickhouse.com/docs/zh/interfaces/formats
示例：

clickhouse-client --query "select * from t_order_mt" --format CSV > ./data.csv 
1

6.6 副本

官方文档：https://clickhouse.com/docs/zh/engines/table-engines/mergetree-family/replication
副本存在的目的是保障数据的高可用性，在集群环境下，即使一台 ClickHouse节点宕机，那么也可以从其他服务器获得相同的数据。
ClickHouse 只有 使用 MergeTree 引擎的表支持副本
副本写入流程

七、总结

---

本篇文章记录了 ClickHouse 的基本概念、特点、数据类型、常见引擎，基本上是参考官方文档和视频资料的，通过这种方式了解了ClickHouse数据库的强大功能。下次将先对其应用进行熟悉，以单机环境为主，先熟悉单机情况下对数据库的操作。

参考资料

---

[1] ClickHouse 官方文档
[2] 尚硅谷视频教程