Matriz de suporte | ClickHouse Docs

Esta página apresenta matrizes de suporte abrangentes para as integrações de lago de dados do ClickHouse. Ela cobre os recursos disponíveis para cada formato de tabela aberto, os catálogos aos quais o ClickHouse pode se conectar e os recursos compatíveis com cada catálogo.

O suporte é exibido separadamente para o ClickHouse Cloud e o ClickHouse autogerenciado. Os recursos experimentais são desabilitados por padrão no ClickHouse Cloud e devem ser solicitados ao Suporte. A disponibilidade depende do recurso, portanto, entre em contato com o Suporte para confirmar se um recurso experimental específico pode ser habilitado. A configuração e as limitações específicas da implantação são descritas na coluna Observações.

Suporte a formatos de tabela abertos

O ClickHouse integra-se a quatro formatos de tabela abertos: Apache Iceberg, Delta Lake, Apache Hudi e Apache Paimon. Selecione um formato abaixo para ver a matriz de suporte correspondente.

Legenda: ✅ Suportado | ⚠️ Parcial, experimental ou obsoleto | ❌ Não suportado

Recurso	ClickHouse Cloud	Autogerenciado	Observações
Backends de armazenamento
AWS S3	✅	✅	Por meio de `icebergS3()` ou do alias `iceberg()`
GCS	✅	✅	Por meio de `icebergS3()` ou do alias `iceberg()`
Azure Blob Storage	✅	✅	Por meio de `icebergAzure()`
HDFS	❌	⚠️ Descontinuado	Por meio de `icebergHDFS()`
Sistema de arquivos local	❌	✅	Por meio de `icebergLocal()`
Métodos de acesso
Função de tabela	✅	✅	`icebergS3()` com variantes para cada backend
Motor de tabela	✅	✅	`IcebergS3` com variantes para cada backend
Leituras distribuídas no cluster	✅	✅	`icebergS3Cluster`, `icebergAzureCluster`, `icebergHDFSCluster`
Coleções nomeadas	⚠️	✅	Coleções nomeadas criadas por DDL podem ser habilitadas em determinados serviços do ClickHouse Cloud. Entre em contato com o Suporte para confirmar a disponibilidade.

Recursos de leitura
Suporte à leitura	✅	✅	Suporte completo a `SELECT` com todas as funções SQL do ClickHouse
Poda de partições	✅	✅	Consulte Poda de partições.
Particionamento oculto	✅	✅	Compatível com particionamento baseado em transformações do Iceberg
Evolução de partições	✅	✅	Compatível com a leitura de tabelas cujas especificações de partição mudam ao longo do tempo
Evolução de esquema	✅	✅	Adição, remoção e reordenação de colunas. Consulte Evolução de esquema.
Promoção / ampliação de tipo	✅	✅	`int` → `long`, `float` → `double`, `decimal(P,S)` → `decimal(P',S)` em que P' > P. Consulte Evolução de esquema.
Viagem no tempo / snapshots	✅	✅	Por meio das configurações `iceberg_timestamp_ms` ou `iceberg_snapshot_id`. Consulte Viagem no tempo.
Exclusões por posição	✅	✅	Consulte Processamento de linhas excluídas.
Exclusões por igualdade	✅	✅	Funções de tabela e motores de tabela, a partir da v25.8+. Consulte Processamento de linhas excluídas.
Merge-on-read	⚠️	⚠️	Experimental. Compatível com operações de exclusão.
Versões de formato	⚠️ Parcial	⚠️ Parcial	v1 e v2 são compatíveis. O suporte ao v3 é parcial; vetores de exclusão e compactação de manifestos não são compatíveis.
Estatísticas de colunas	✅	✅
Filtros de Bloom / arquivos Puffin	❌	❌	Índices de filtro de Bloom em arquivos Puffin não são compatíveis
Colunas virtuais	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.

Recursos de gravação
Criação de tabela	⚠️	⚠️	Experimental. Requer `allow_insert_into_iceberg = 1`. A partir da v25.7+. Consulte Criar uma tabela.
`INSERT`	✅ Beta	✅ Beta	Beta a partir da versão 26.2. Requer `allow_insert_into_iceberg = 1`. Consulte Inserção de dados.
`DELETE`	⚠️	⚠️	Experimental. Requer `allow_insert_into_iceberg = 1`. Por meio de `ALTER TABLE ... DELETE WHERE`. Consulte Exclusão de dados.
`ALTER TABLE` (alterações de esquema)	⚠️	⚠️	Experimental. Requer `allow_insert_into_iceberg = 1`. Adicione, remova, modifique e renomeie colunas. Consulte Evolução de esquema.
Compactação	⚠️	⚠️	Experimental. Requer `allow_experimental_iceberg_compaction = 1`. Consulte Compactação.
`UPDATE` / `MERGE`	❌	❌	Não compatível. Consulte Compactação.
Cópia na gravação	❌	❌	Não compatível
Expirar snapshots	⚠️	⚠️	Experimental. Requer Iceberg v2, `allow_insert_into_iceberg = 1` e `allow_experimental_expire_snapshots = 1`. Consulte Expirar snapshots.
Remover arquivos órfãos	⚠️	⚠️	Experimental. Requer Iceberg v2 ou superior, `allow_insert_into_iceberg = 1` e `allow_iceberg_remove_orphan_files = 1`. Consulte Remover arquivos órfãos.
Gravação de partições	✅ Beta	✅ Beta	Compatível com gravações em tabelas Iceberg.
Alteração de partições	❌	❌	Não há suporte para alterar o esquema de particionamento no ClickHouse. O ClickHouse pode gravar em tabelas Iceberg com um esquema de particionamento evoluído.

Metadados
Ramificações e tags	❌	❌	Referências a ramificações e tags do Iceberg não são compatíveis
Resolução de arquivo de metadados	✅	✅	Compatível com resolução por meio de catálogos, listagem de diretórios, `version-hint` e um caminho específico. Consulte Resolução de arquivo de metadados.
Cache de dados	✅	✅	Mesmo mecanismo dos motores de armazenamento S3/Azure/HDFS. Consulte Cache de dados.
Cache de metadados	✅	✅	Habilitado por padrão por meio de `use_iceberg_metadata_files_cache`. Consulte Cache de metadados.

A partir da versão 25.6, o ClickHouse lê tabelas Delta Lake usando o kernel Rust do Delta Lake, oferecendo suporte a mais recursos. No entanto, há problemas conhecidos ao acessar dados no Azure Blob Storage. Por esse motivo, o Kernel é desativado ao ler dados no Azure Blob Storage. A seguir, indicamos quais recursos exigem esse kernel.

Recurso	ClickHouse Cloud	Autogerenciado	Observações
Backends de armazenamento
AWS S3	✅	✅	Por meio de `deltaLake()` ou `deltaLakeS3()`
GCS	✅	✅	Por meio de `deltaLake()` ou `deltaLakeS3()`
Azure Blob Storage	✅	✅	Por meio de `deltaLakeAzure()`
HDFS	❌	❌	Não compatível
Sistema de arquivos local	❌	✅	Por meio de `deltaLakeLocal()`
Métodos de acesso
Função de tabela	✅	✅	`deltaLake()` com variantes para cada backend
Motor de tabela	✅	✅	`DeltaLake`
Leituras distribuídas no cluster	✅	✅	`deltaLakeCluster`, `deltaLakeAzureCluster`
Coleções nomeadas	⚠️	✅	Coleções nomeadas criadas por DDL podem ser habilitadas em determinados serviços do ClickHouse Cloud. Entre em contato com o Suporte para confirmar a disponibilidade.
Recursos de leitura
Suporte a leitura	✅	✅	Suporte completo a `SELECT` com todas as funções do ClickHouse SQL
Poda de partições	✅ Beta	✅ Beta	Exige o Delta Kernel.
Evolução de esquema	✅ Beta	✅ Beta	Exige o Delta Kernel.
Viagem no tempo	✅ Beta	✅ Beta	Exige o Delta Kernel.
Vetores de exclusão	✅	✅
Mapeamento de colunas	✅	✅
Feed de alterações de dados	✅ Beta	✅ Beta	Exige o Delta Kernel.
Colunas virtuais	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.
Recursos de gravação
`INSERT`	✅ Beta	✅ Beta	Exige o Delta Kernel. As gravações são compatíveis com S3 e GCS; gravações no Azure não são compatíveis. Exige `allow_delta_lake_writes = 1` a partir da v26.7; em versões anteriores, use `allow_experimental_delta_lake_writes = 1`. Consulte Gravações no Delta Lake.
`DELETE` / `UPDATE` / `MERGE`	❌	❌	Não compatível
Criar tabela vazia	❌	❌	A operação `CREATE TABLE` pressupõe que a tabela Delta Lake já exista no armazenamento de objetos.
Armazenamento em cache
Cache de dados	✅	✅	Mesmo mecanismo usado pelos motores de armazenamento S3/Azure/HDFS. Consulte Cache de dados.

Recurso	ClickHouse Cloud	Autogerenciado	Observações
Backends de armazenamento
AWS S3	✅	✅	Por meio de `hudi()`
GCS	✅	✅	Por meio de `hudi()`
Azure Blob Storage	❌	❌	Não compatível
HDFS	❌	❌	Não compatível
Sistema de arquivos local	❌	❌	Não compatível
Métodos de acesso
Função de tabela	✅	✅	`hudi()`
Motor de tabela	✅	✅	`Hudi`
Leituras distribuídas pelo cluster	✅	✅	`hudiCluster` (somente S3)
Coleções nomeadas	⚠️	✅	Coleções nomeadas criadas por DDL podem ser habilitadas em determinados serviços do ClickHouse Cloud. Entre em contato com o Suporte para confirmar a disponibilidade.
Recursos de leitura
Suporte à leitura	✅	✅	Suporte completo a `SELECT` com todas as funções SQL do ClickHouse
Evolução de esquema	❌	❌	Não compatível
Viagem no tempo	❌	❌	Não compatível
Colunas virtuais	✅	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.
Recursos de gravação
`INSERT` / `DELETE` / `UPDATE`	❌	❌	Integração somente leitura
Armazenamento em cache
Cache de dados	❌	❌	Não compatível

Recurso	ClickHouse Cloud	Autogerenciado	Observações
Backends de armazenamento
S3	⚠️	⚠️	Experimental. Por meio de `paimon()` ou `paimonS3()`
GCS	⚠️	⚠️	Experimental. Por meio de `paimon()` ou `paimonS3()`
Azure Blob Storage	⚠️	⚠️	Experimental. Por meio de `paimonAzure()`
HDFS	❌	⚠️	Experimental e obsoleto. Por meio de `paimonHDFS()`
Sistema de arquivos local	❌	⚠️	Experimental. Por meio de `paimonLocal()`
Métodos de acesso
Função de tabela	⚠️	⚠️	Experimental. `paimon()` com variantes para cada backend
Motor de tabela	⚠️	⚠️	Experimental. `Paimon` com variantes para cada backend. Requer `allow_experimental_paimon_storage_engine = 1`.
Leituras distribuídas pelo cluster	⚠️	⚠️	Experimental. `paimonS3Cluster`, `paimonAzureCluster`, `paimonHDFSCluster`
Coleções nomeadas	⚠️	⚠️	Experimental. Coleções nomeadas criadas por DDL podem ser ativadas em alguns serviços do ClickHouse Cloud. Entre em contato com o Suporte para confirmar a disponibilidade.
Recursos de leitura
Suporte a leitura	⚠️	⚠️	Experimental. Suporte completo a `SELECT` com todas as funções SQL do ClickHouse
Evolução de esquema	❌	❌	Não suportado
Viagem no tempo	❌	❌	Não suportado
Colunas virtuais	⚠️	⚠️	Experimental. `_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.
Recursos de gravação
`INSERT` / `DELETE` / `UPDATE`	❌	❌	Integração somente leitura
Cacheamento
Cacheamento de dados	❌	❌	Não suportado

Suporte a catálogos

O ClickHouse pode se conectar a catálogos de dados externos usando o engine de banco de dados DataLakeCatalog, que expõe o catálogo como um banco de dados no ClickHouse. As tabelas registradas no catálogo aparecem automaticamente e podem ser consultadas com SQL padrão.

No momento, os catálogos abaixo são compatíveis. Consulte o guia de referência de cada catálogo para ver as instruções completas de configuração.

Catálogo	Formatos	Leitura	Criar tabela	INSERT	Guia de referência
AWS Glue Catalog	Iceberg	✅ Beta	❌	❌	Guia do AWS Glue catalog
BigLake Metastore	Iceberg	✅ Beta	❌	❌	Guia do BigLake Metastore
Databricks Unity Catalog	Delta, Iceberg	✅ Beta	✅ Beta	✅ Beta	Guia do Unity Catalog
Iceberg REST	Iceberg	✅ Beta	❌	❌	Guia do REST catalog
Lakekeeper	Iceberg	✅ Beta	❌	❌	Guia do catálogo Lakekeeper
Project Nessie	Iceberg	✅ Experimental	❌	❌	Guia do catálogo Nessie
Microsoft OneLake	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guia do catálogo OneLake
SeaweedFS	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guia do catálogo SeaweedFS

Atualmente, todas as integrações de catálogo exigem que uma configuração experimental ou beta esteja habilitada. Com exceção do Microsoft OneLake, do Databricks Unity Catalog e do SeaweedFS, todos os catálogos expõem acesso somente leitura — as tabelas podem ser consultadas, mas não podem ser criadas nem receber gravações por meio da conexão com o catálogo. Para carregar dados de um catálogo no ClickHouse e acelerar as análises, use INSERT INTO SELECT conforme descrito no guia de aceleração de análises. Para gravar dados de volta em formatos de tabela abertos, crie tabelas Iceberg independentes conforme descrito no guia de gravação de dados.