什麼是 Sampling？#

Sampling 是一種讓查詢只掃描部分資料進行統計預估的技術，主要應用於：

• Dashboard 即時指標大盤
• PB 級大數據近似統計查詢
• 全表掃描耗時過久的場景

ClickHouse 透過「Sampling Key」來實現有序與隨機性兼具的抽樣機制。

工作原理#

1. SAMPLE BY 欄位為 Hash 分布基準。
2. 查詢時可透過 SAMPLE K 讓 ClickHouse 只掃描 K 百分比的資料。
3. 抽樣是確定性的，對同一條件查詢結果不會改變。
4. 跨表 Sampling Key 一致時，可支援 JOIN/IN 子查詢下的抽樣一致性。

SAMPLE 語法用法與差異#

1
SELECT Action, count() * 10 AS cnt
2
FROM user_events
3
SAMPLE 0.1
4
GROUP BY Action;

1
SELECT sum(PageViews * _sample_factor)
2
FROM visits
3
SAMPLE 10000000;

1
SELECT sum(_sample_factor)
2
FROM visits
3
SAMPLE 10000000;

1
SELECT *
2
FROM visits
3
SAMPLE 0.1 OFFSET 0.5;

建表時指定 Sampling Key#

僅 MergeTree 家族表引擎 支援 Sampling，且建表時需指定 Sampling Key。

1
CREATE TABLE user_events
2
(
3
    EventDate DateTime,
4
    UserID UInt64,
5
    Action String
6
) ENGINE = MergeTree()
7
PARTITION BY toYYYYMM(EventDate)
8
ORDER BY (UserID, EventDate)
9
SAMPLE BY intHash64(UserID);

選擇高 Cardinality 且分佈均勻的欄位 (如 UserID) 作為 SAMPLE BY 是關鍵。

範例：從 20 秒降到 2 秒#

1
SELECT Action, count() FROM user_events GROUP BY Action;
2
-- 查詢花了：20 秒

1
SELECT Action, count() * 10 FROM user_events SAMPLE 0.1 GROUP BY Action;
2
-- 查詢花了：2 秒

Sampling 查詢驗證#

透過 EXPLAIN ESTIMATE 可預估查詢將掃描的資料量。

1
EXPLAIN ESTIMATE SELECT * FROM user_events SAMPLE 0.1;

常見問題與誤區#

結語#

Sampling 是 ClickHouse 面對大數據場景中極具威力的查詢加速技術，只需簡單設定 SAMPLE BY 與 SAMPLE 百分比，即可輕鬆取得秒級的近似查詢結果，大幅減輕系統 I/O 與計算壓力。