1161 字
6 分鐘
ClickHouse 系列：ClickHouse 是什麼？與傳統 OLAP/OLTP 資料庫的差異
ClickHouse 是由 Yandex 開發的 開源分布式列式資料庫管理系統（Column-oriented DBMS）。
主要針對 即時數據分析 (Real-Time Analytics) 場景設計，能夠在秒級內處理 PB 級數據。
Waiting for api.github.com...
架構
ClickHouse 的整體設計邏輯非常清晰：以高效能讀取為核心，透過分散式架構與儲存最佳化，讓秒級查詢在 PB 級數據中成為可能。 從資料寫入、儲存、索引到查詢回傳，ClickHouse 有著一套完全為 OLAP 場景最佳化的底層架構。
我們可以將流程稍微簡化成以下步驟：
資料寫入 → 拆分成 Data Parts → Partition 劃分 → Primary Key 排序 → 壓縮 → Merge → 索引裁剪 → 向量化查詢 → 回傳結果看不懂？沒關係，追完系列文章就全都懂了 😎
特色 & 特性
| ClickHouse 技術特性 | 說明 |
|---|---|
| Columnar Storage | 只讀取需要的欄位，避免不必要的 I/O。 |
| Vectorized Execution | 將資料轉成 SIMD 批次處理，加速 CPU 運算效率。 |
| Compression | 各種編碼方式 (LZ4, ZSTD, Delta Encoding) 提供高壓縮比，降低儲存成本。 |
| Data Skipping Indexes | 不需掃描全部資料，可根據索引直接跳過不相關的數據區塊，查詢更快。 |
| MergeTree 儲存引擎 | 強大靈活的底層結構，支援分區、排序鍵、TTL 清理機制，適合大量數據分析。 |
| Materialized Views | 可將複雜查詢結果預先計算並實時更新，大幅加快查詢速度。 |
| 分布式架構 | 支援 Sharding 與 Replica ，易於擴展到 PB 級數據處理規模。 |
| Near-Real-Time Ingestion | 支援高吞吐量寫入 (如 Kafka Stream)，數據可秒級查詢分析。 |
OLAP v.s. OLTP 基本概念
| 分類 | OLTP (Online Transaction Processing) | OLAP (Online Analytical Processing) |
|---|---|---|
| 主要用途 | 交易處理 (CRUD 操作) | 數據分析、統計報表 |
| 操作特性 | 少量資料的頻繁寫入 | 大量資料的批次查詢 |
| 查詢型態 | 單筆/少量記錄查詢 | 大範圍聚合查詢 (Aggregation) |
| 儲存結構 | 行式存儲 (Row-based) | 列式存儲 (Column-based) |
| 代表產品 | MySQL, PostgreSQL, Oracle | ClickHouse, Druid, Redshift |
ClickHouse 與傳統 OLAP 資料庫的差異
| 項目 | ClickHouse | 傳統 Data Warehouse (如 Oracle DW, Teradata) |
|---|---|---|
| 架構 | 分布式列式存儲 | 多數為行式存儲或需額外配置列式引擎 |
| 查詢速度 | 毫秒級到秒級回應 | 通常需數秒到數分鐘 |
| 硬體需求 | 可用商用硬體 | 多數需昂貴專用伺服器 |
| 成本 | 開源免費/雲端計價模式 | 軟硬體成本高昂 |
| 延展性 | 支援線性水平擴展 (Sharding/Replication) | 擴展成本高 |
ClickHouse 與 OLTP 資料庫（如 MySQL, PostgreSQL）的差異
- OLTP 資料庫在於 ACID 交易完整性、寫入頻繁的即時處理。
- ClickHouse 更適合「大量讀取查詢」且「不需要頻繁即時修改」的場景（如報表查詢、BI 分析）。
- OLTP 常見的 UPDATE/DELETE 操作在 ClickHouse 中屬於非即時（Mutation 機制）。
ClickHouse 系列持續更新中:
- ClickHouse 系列：ClickHouse 是什麼？與傳統 OLAP/OLTP 資料庫的差異
- ClickHouse 系列：ClickHouse 為什麼選擇 Column-based 儲存？講解 Row-based 與 Column-based 的核心差異
- ClickHouse 系列：ClickHouse 儲存引擎 - MergeTree
- ClickHouse 系列：壓縮技術與 Data Skipping Indexes 如何大幅加速查詢
- ClickHouse 系列：ReplacingMergeTree 與資料去重機制
- ClickHouse 系列：SummingMergeTree 進行資料彙總的應用場景
- ClickHouse 系列：Materialized Views 即時聚合查詢
- ClickHouse 系列：分區策略與 Partition Pruning 原理解析
- ClickHouse 系列：Primary Key、Sorting Key 與 Granule 索引運作原理
- ClickHouse 系列：CollapsingMergeTree 與邏輯刪除的最佳實踐
- ClickHouse 系列：VersionedCollapsingMergeTree 版本控制與資料衝突解決
- ClickHouse 系列：AggregatingMergeTree 實時指標統計的進階應用
- ClickHouse 系列：Distributed Table 與分布式查詢架構
- ClickHouse 系列：Replicated Tables 高可用性與零停機升級實作
- ClickHouse 系列：與 Kafka 整合打造即時 Data Streaming Pipeline
- ClickHouse 系列：批次匯入最佳實踐 (CSV、Parquet、Native Format)
- ClickHouse 系列：ClickHouse 與外部資料源整合（PostgreSQL）
- ClickHouse 系列：如何提升查詢優化？system.query_log 與 EXPLAIN 用法
- ClickHouse 系列：Projections 進階查詢加速技術
- ClickHouse 系列：Sampling 抽樣查詢與統計技術原理
- ClickHouse 系列：TTL 資料清理與儲存成本優化
- ClickHouse 系列：儲存政策（Storage Policies）與磁碟資源分層策略
- ClickHouse 系列：表格設計與儲存優化細節
- ClickHouse 系列：ClickHouse 系列：整合 Grafana 打造可視化監控
- ClickHouse 系列：APM 日誌分析平台架構實作 (Vector + ClickHouse)
- ClickHouse 系列：IoT 巨量感測數據平台設計實戰
- ClickHouse 系列：與 BI 工具整合（Power BI）
- ClickHouse 系列：ClickHouse Cloud 與自建部署的優劣比較
- ClickHouse 系列：資料庫安全性與權限管理（RBAC）實作
ClickHouse 系列：ClickHouse 是什麼？與傳統 OLAP/OLTP 資料庫的差異
https://vicwen.app/posts/what-is-clickhouse/