Matriz de compatibilidad | ClickHouse Docs

Esta página ofrece matrices de compatibilidad exhaustivas para las integraciones de lago de datos de ClickHouse. Cubre las características disponibles para cada formato de tabla abierto, los catálogos a los que ClickHouse puede conectarse y las capacidades que admite cada catálogo.

La compatibilidad se muestra por separado para ClickHouse Cloud y ClickHouse autogestionado. Las características experimentales están deshabilitadas de forma predeterminada en ClickHouse Cloud y deben solicitarse a través de Support. La disponibilidad depende de la característica, así que contacte con Support para confirmar si se puede habilitar una característica experimental específica. La configuración y las limitaciones específicas de la implementación se describen en la columna Notas.

Compatibilidad con formatos de tabla abiertos

ClickHouse se integra con cuatro formatos de tabla abiertos: Apache Iceberg, Delta Lake, Apache Hudi y Apache Paimon. Selecciona uno de los formatos a continuación para ver su matriz de compatibilidad.

Leyenda: ✅ Compatible | ⚠️ Parcial, experimental u obsoleto | ❌ No compatible

Funcionalidad	ClickHouse Cloud	Autogestionado	Notas
Backends de almacenamiento
AWS S3	✅	✅	Mediante `icebergS3()` o el alias `iceberg()`
GCS	✅	✅	Mediante `icebergS3()` o el alias `iceberg()`
Azure Blob Storage	✅	✅	Mediante `icebergAzure()`
HDFS	❌	⚠️ Obsoleto	Mediante `icebergHDFS()`
Sistema de archivos local	❌	✅	Mediante `icebergLocal()`
Métodos de acceso
Función de tabla	✅	✅	`icebergS3()` con variantes para cada backend
Motor de tabla	✅	✅	`IcebergS3` con variantes para cada backend
Lecturas distribuidas en clúster	✅	✅	`icebergS3Cluster`, `icebergAzureCluster`, `icebergHDFSCluster`
Colecciones con nombre	⚠️	✅	Las colecciones con nombre creadas mediante DDL pueden habilitarse en determinados servicios de ClickHouse Cloud. Contacte con Support para confirmar la disponibilidad.

Funciones de lectura
Compatibilidad de lectura	✅	✅	Compatibilidad completa con `SELECT` y todas las funciones de ClickHouse SQL
Poda de particiones	✅	✅	Consulte Poda de particiones.
Particionamiento oculto	✅	✅	Se admite el particionamiento basado en transformaciones de Iceberg
Evolución de particiones	✅	✅	Se admite la lectura de tablas cuyas especificaciones de partición cambian con el tiempo
Evolución del esquema	✅	✅	Adición, eliminación y reordenación de columnas. Consulte Evolución del esquema.
Promoción / ampliación de tipos	✅	✅	`int` → `long`, `float` → `double`, `decimal(P,S)` → `decimal(P',S)` cuando P' > P. Consulte Evolución del esquema.
Viajes en el tiempo / snapshots	✅	✅	Mediante la configuración `iceberg_timestamp_ms` o `iceberg_snapshot_id`. Consulte Viajes en el tiempo.
Eliminaciones por posición	✅	✅	Consulte Procesamiento de filas eliminadas.
Eliminaciones por igualdad	✅	✅	Funciones de tabla y motores de tabla, a partir de v25.8+. Consulte Procesamiento de filas eliminadas.
Fusión en lectura	⚠️	⚠️	Experimental. Compatible con operaciones de eliminación.
Versiones de formato	⚠️ Parcial	⚠️ Parcial	Se admiten v1 y v2. La compatibilidad con V3 es parcial; no se admiten los vectores de eliminación ni la compactación de manifiestos.
Estadísticas de columnas	✅	✅
Filtros bloom / archivos Puffin	❌	❌	No se admiten los índices de filtro bloom en archivos Puffin
Columnas virtuales	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Columnas virtuales.

Funciones de escritura
Creación de tablas	⚠️	⚠️	Experimental. Requiere `allow_insert_into_iceberg = 1`. A partir de v25.7+. Consulte Crear una tabla.
`INSERT`	✅ Beta	✅ Beta	Beta desde la versión 26.2. Requiere `allow_insert_into_iceberg = 1`. Consulte Inserción de datos.
`DELETE`	⚠️	⚠️	Experimental. Requiere `allow_insert_into_iceberg = 1`. Mediante `ALTER TABLE ... DELETE WHERE`. Consulte Eliminación de datos.
`ALTER TABLE` (cambios de esquema)	⚠️	⚠️	Experimental. Requiere `allow_insert_into_iceberg = 1`. Permite agregar, eliminar, modificar y renombrar columnas. Consulte Evolución del esquema.
Compactación	⚠️	⚠️	Experimental. Requiere `allow_experimental_iceberg_compaction = 1`. Consulte Compactación.
`UPDATE` / `MERGE`	❌	❌	No compatible. Consulte Compactación.
Copia al escribir	❌	❌	No compatible
Expirar snapshots	⚠️	⚠️	Experimental. Requiere Iceberg v2, `allow_insert_into_iceberg = 1` y `allow_experimental_expire_snapshots = 1`. Consulte Expirar snapshots.
Eliminar archivos huérfanos	⚠️	⚠️	Experimental. Requiere Iceberg v2 o superior, `allow_insert_into_iceberg = 1` y `allow_iceberg_remove_orphan_files = 1`. Consulte Eliminar archivos huérfanos.
Escritura de particiones	✅ Beta	✅ Beta	Compatible con escrituras en Iceberg.
Modificación de particiones	❌	❌	No se admite cambiar el esquema de particionamiento desde ClickHouse. ClickHouse puede escribir en tablas Iceberg con un esquema de particionamiento evolucionado.

Metadatos
Ramificación y etiquetado	❌	❌	No se admiten referencias a ramas ni etiquetas de Iceberg
Resolución de archivos de metadatos	✅	✅	Admite la resolución mediante catálogos, enumeración de directorios, `version-hint` y una ruta específica. Consulte Resolución de archivos de metadatos.
Caché de datos	✅	✅	Utiliza el mismo mecanismo que los motores de almacenamiento S3/Azure/HDFS. Consulte Caché de datos.
Caché de metadatos	✅	✅	Habilitada de forma predeterminada mediante `use_iceberg_metadata_files_cache`. Consulte Caché de metadatos.

A partir de la versión 25.6, ClickHouse lee tablas de Delta Lake mediante el kernel de Rust para Delta Lake, lo que ofrece una mayor compatibilidad con funcionalidades; sin embargo, se conocen problemas al acceder a datos en Azure Blob Storage. Por este motivo, el kernel se deshabilita al leer datos en Azure Blob Storage. A continuación se indican las funcionalidades que requieren este kernel.

Característica	ClickHouse Cloud	Autogestionado	Notas
Backends de almacenamiento
AWS S3	✅	✅	Mediante `deltaLake()` o `deltaLakeS3()`
GCS	✅	✅	Mediante `deltaLake()` o `deltaLakeS3()`
Azure Blob Storage	✅	✅	Mediante `deltaLakeAzure()`
HDFS	❌	❌	No compatible
Sistema de archivos local	❌	✅	Mediante `deltaLakeLocal()`
Métodos de acceso
Función de tabla	✅	✅	`deltaLake()` con variantes para cada backend
Motor de tabla	✅	✅	`DeltaLake`
Lecturas distribuidas en clúster	✅	✅	`deltaLakeCluster`, `deltaLakeAzureCluster`
Colecciones con nombre	⚠️	✅	Las colecciones con nombre creadas con DDL pueden habilitarse en determinados servicios de ClickHouse Cloud. Contacte con Soporte para confirmar la disponibilidad.
Características de lectura
Compatibilidad de lectura	✅	✅	Compatibilidad completa con `SELECT` y todas las funciones de ClickHouse SQL
Poda de particiones	✅ Beta	✅ Beta	Requiere Delta Kernel.
Evolución del esquema	✅ Beta	✅ Beta	Requiere Delta Kernel.
Viaje en el tiempo	✅ Beta	✅ Beta	Requiere Delta Kernel.
Vectores de eliminación	✅	✅
Asignación de columnas	✅	✅
Flujo de cambios de datos	✅ Beta	✅ Beta	Requiere Delta Kernel.
Columnas virtuales	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Columnas virtuales.
Características de escritura
`INSERT`	✅ Beta	✅ Beta	Requiere Delta Kernel. Las escrituras son compatibles con S3 y GCS; las escrituras en Azure no son compatibles. Requiere `allow_delta_lake_writes = 1` a partir de v26.7; en versiones anteriores, use `allow_experimental_delta_lake_writes = 1`. Consulte Escrituras de Delta Lake.
`DELETE` / `UPDATE` / `MERGE`	❌	❌	No compatible
Crear tabla vacía	❌	❌	La operación `CREATE TABLE` supone que la tabla de Delta Lake ya existe en el almacenamiento de objetos.
Caché
Almacenamiento en caché de datos	✅	✅	El mismo mecanismo que los motores de almacenamiento S3/Azure/HDFS. Consulte Caché de datos.

Función	ClickHouse Cloud	Autogestionado	Notas
Backends de almacenamiento
AWS S3	✅	✅	Mediante `hudi()`
GCS	✅	✅	Mediante `hudi()`
Azure Blob Storage	❌	❌	No compatible
HDFS	❌	❌	No compatible
Sistema de archivos local	❌	❌	No compatible
Métodos de acceso
Función de tabla	✅	✅	`hudi()`
Motor de tabla	✅	✅	`Hudi`
Lecturas distribuidas en clúster	✅	✅	`hudiCluster` (solo S3)
Colecciones con nombre	⚠️	✅	Las colecciones con nombre creadas mediante DDL pueden habilitarse en determinados servicios de ClickHouse Cloud. Contacte con Soporte para confirmar la disponibilidad.
Funciones de lectura
Compatibilidad de lectura	✅	✅	Compatibilidad completa con `SELECT` y todas las funciones de ClickHouse SQL
Evolución del esquema	❌	❌	No compatible
Viajes en el tiempo	❌	❌	No compatible
Columnas virtuales	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Columnas virtuales.
Funciones de escritura
`INSERT` / `DELETE` / `UPDATE`	❌	❌	Integración de solo lectura
Almacenamiento en caché
Almacenamiento en caché de datos	❌	❌	No compatible

Funcionalidad	ClickHouse Cloud	Autogestionado	Notas
Backends de almacenamiento
S3	⚠️	⚠️	Experimental. Mediante `paimon()` o `paimonS3()`
GCS	⚠️	⚠️	Experimental. Mediante `paimon()` o `paimonS3()`
Azure Blob Storage	⚠️	⚠️	Experimental. Mediante `paimonAzure()`
HDFS	❌	⚠️	Experimental y obsoleto. Mediante `paimonHDFS()`
Sistema de archivos local	❌	⚠️	Experimental. Mediante `paimonLocal()`
Métodos de acceso
Función de tabla	⚠️	⚠️	Experimental. `paimon()` con variantes para cada backend
Motor de tabla	⚠️	⚠️	Experimental. `Paimon` con variantes para cada backend. Requiere `allow_experimental_paimon_storage_engine = 1`.
Lecturas distribuidas en clúster	⚠️	⚠️	Experimental. `paimonS3Cluster`, `paimonAzureCluster`, `paimonHDFSCluster`
Colecciones con nombre	⚠️	⚠️	Experimental. Las colecciones con nombre creadas mediante DDL pueden habilitarse en determinados servicios de ClickHouse Cloud. Contacte con el equipo de soporte para confirmar la disponibilidad.
Funciones de lectura
Compatibilidad de lectura	⚠️	⚠️	Experimental. Compatibilidad total con `SELECT` y todas las funciones de ClickHouse SQL
Evolución del esquema	❌	❌	No compatible
Viaje en el tiempo	❌	❌	No compatible
Columnas virtuales	⚠️	⚠️	Experimental. `_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Columnas virtuales.
Funciones de escritura
`INSERT` / `DELETE` / `UPDATE`	❌	❌	Integración de solo lectura
Almacenamiento en caché
Caché de datos	❌	❌	No compatible

Compatibilidad con catálogos

ClickHouse puede conectarse a catálogos de datos externos mediante el motor de base de datos DataLakeCatalog, que expone el catálogo como una base de datos de ClickHouse. Las tablas registradas en el catálogo aparecen automáticamente y pueden consultarse con SQL estándar.

Actualmente, se admiten los siguientes catálogos. Consulta la guía de referencia de cada catálogo para obtener las instrucciones completas de configuración.

Catálogo	Formatos	Lectura	Crear tabla	INSERT	Guía de referencia
AWS Glue Catalog	Iceberg	✅ Beta	❌	❌	Guía del catálogo Glue
BigLake Metastore	Iceberg	✅ Beta	❌	❌	Guía de BigLake Metastore
Databricks Unity Catalog	Delta, Iceberg	✅ Beta	✅ Beta	✅ Beta	Guía de Unity Catalog
Iceberg REST	Iceberg	✅ Beta	❌	❌	Guía del catálogo REST
Lakekeeper	Iceberg	✅ Beta	❌	❌	Guía del catálogo Lakekeeper
Project Nessie	Iceberg	✅ Experimental	❌	❌	Guía del catálogo Nessie
Microsoft OneLake	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guía del catálogo OneLake
SeaweedFS	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guía del catálogo SeaweedFS

Actualmente, todas las integraciones de catálogos requieren habilitar una configuración experimental o beta. Con la excepción de Microsoft OneLake, Databricks Unity Catalog y SeaweedFS, todos los catálogos ofrecen acceso de solo lectura: las tablas pueden consultarse, pero no pueden crearse ni modificarse a través de la conexión al catálogo. Para cargar datos desde un catálogo en ClickHouse y acelerar las analíticas, usa INSERT INTO SELECT como se describe en la guía para acelerar las analíticas. Para escribir datos de nuevo en formatos de tabla abiertos, crea tablas Iceberg independientes como se describe en la guía para escribir datos.