Использование Native и двоичных форматов в ClickHouse

ClickHouse поддерживает несколько двоичных форматов, которые обеспечивают более высокую производительность и более эффективное использование пространства. Двоичные форматы также не создают проблем с кодировкой символов, поскольку данные сохраняются в двоичном виде.

Для демонстрации мы будем использовать таблицу some_data и данные; при желании вы можете воспроизвести это на своём экземпляре ClickHouse.

Наиболее эффективный формат для экспорта и импорта данных между узлами ClickHouse — Native. Экспорт выполняется с помощью оператора INTO OUTFILE:

SELECT * FROM some_data
INTO OUTFILE 'data.clickhouse' FORMAT Native

Это создаст файл data.clickhouse в формате Native.

Чтобы импортировать данные, можно использовать file() для небольших файлов или в ознакомительных целях:

DESCRIBE file('data.clickhouse', Native);

┌─name──┬─type───┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ path  │ String │              │                    │         │                  │                │
│ month │ Date   │              │                    │         │                  │                │
│ hits  │ UInt32 │              │                    │         │                  │                │
└───────┴────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘

В рабочей среде мы используем FROM INFILE для импорта данных:

INSERT INTO sometable
FROM INFILE 'data.clickhouse'
FORMAT Native

При экспорте данных в формат Native (как и в большинство других форматов) также можно включить сжатие с помощью конструкции COMPRESSION:

SELECT * FROM some_data
INTO OUTFILE 'data.clickhouse'
COMPRESSION 'lz4'
FORMAT Native

Мы использовали для экспорта сжатие LZ4. Его нужно будет указать и при импорте данных:

INSERT INTO sometable
FROM INFILE 'data.clickhouse'
COMPRESSION 'lz4'
FORMAT Native

Ещё один поддерживаемый бинарный формат — RowBinary, который позволяет импортировать и экспортировать данные в виде строк в бинарном представлении:

SELECT * FROM some_data
INTO OUTFILE 'data.binary' FORMAT RowBinary

В результате будет создан файл data.binary в бинарном формате строк.

Для этого формата автоматическое определение схемы не поддерживается, поэтому перед загрузкой данных для их просмотра нужно явно задать схему:

SELECT *
FROM file('data.binary', RowBinary, 'path String, month Date, hits UInt32')
LIMIT 5

┌─path───────────────────────────┬──────month─┬─hits─┐
│ Bangor_City_Forest             │ 2015-07-01 │   34 │
│ Alireza_Afzal                  │ 2017-02-01 │   24 │
│ Akhaura-Laksam-Chittagong_Line │ 2015-09-01 │   30 │
│ 1973_National_500              │ 2017-10-01 │   80 │
│ Attachment                     │ 2017-09-01 │ 1356 │
└────────────────────────────────┴────────────┴──────┘

Рекомендуем использовать RowBinaryWithNames, который также добавляет строку заголовка со списком столбцов. RowBinaryWithNamesAndTypes также добавляет дополнительную строку заголовка с типами столбцов.

Чтобы загрузить данные из файла RowBinary, можно использовать конструкцию FROM INFILE:

INSERT INTO sometable
FROM INFILE 'data.binary'
FORMAT RowBinary

Предположим, что нужно прочитать весь двоичный файл и сохранить его в поле таблицы. В таком случае можно использовать формат RawBLOB. Этот формат можно использовать напрямую только с таблицей, содержащей один столбец:

CREATE TABLE images(data String) ENGINE = Memory

Сохраним файл с изображением в таблицу images:

cat image.jpg | clickhouse-client -q "INSERT INTO images FORMAT RawBLOB"

Мы можем проверить длину поля data — она будет равна исходному размеру файла:

SELECT length(data) FROM images

┌─length(data)─┐
│         6121 │
└──────────────┘

Этот формат также можно использовать для экспорта данных с помощью оператора INTO OUTFILE:

SELECT * FROM images LIMIT 1
INTO OUTFILE 'out.jpg'
FORMAT RawBLOB

Обратите внимание, что нам пришлось использовать LIMIT 1, потому что экспорт более чем одного значения приведет к повреждению файла.

ClickHouse поддерживает импорт и экспорт в формате MessagePack с использованием MsgPack. Чтобы экспортировать данные в формате MessagePack:

SELECT *
FROM some_data
INTO OUTFILE 'data.msgpk'
FORMAT MsgPack

Чтобы импортировать данные из файла MessagePack:

INSERT INTO sometable
FROM INFILE 'data.msgpk'
FORMAT MsgPack

Чтобы работать с Protocol Buffers, сначала нужно определить файл схемы:

syntax = "proto3";

message MessageType {
  string path = 1;
  date month = 2;
  uint32 hits = 3;
};

Путь к этому файлу схемы (schema.proto в нашем случае) указывается в параметре format_schema в разделе Settings формата Protobuf:

SELECT * FROM some_data
INTO OUTFILE 'proto.bin'
FORMAT Protobuf
SETTINGS format_schema = 'schema:MessageType'

Это сохраняет данные в файл proto.bin. ClickHouse также поддерживает импорт данных Protobuf и вложенных сообщений. Для работы с одним сообщением Protocol Buffer можно использовать ProtobufSingle (в этом случае разделители длины будут опущены).

ClickHouse также поддерживает ещё один популярный бинарный формат сериализации — Cap'n Proto. Как и в случае с форматом Protobuf, в нашем примере нужно определить файл схемы (schema.capnp):

@0xec8ff1a10aa10dbe;

struct PathStats {
  path @0 :Text;
  month @1 :UInt32;
  hits @2 :UInt32;
}

Теперь мы можем импортировать и экспортировать данные в формате CapnProto по этой схеме:

SELECT
    path,
    CAST(month, 'UInt32') AS month,
    hits
FROM some_data
INTO OUTFILE 'capnp.bin'
FORMAT CapnProto
SETTINGS format_schema = 'schema:PathStats'

Обратите внимание, что нам пришлось привести столбец Date к типу UInt32, чтобы обеспечить соответствие типов.

ClickHouse поддерживает множество форматов — текстовых и двоичных — для самых разных сценариев и платформ. Подробнее о форматах и способах работы с ними читайте в следующих статьях:

• Форматы CSV и TSV
• Parquet
• Форматы JSON
• Regex и Template
• Формат Native и двоичные форматы
• Форматы SQL

Также обратите внимание на clickhouse-local — переносимый полнофункциональный инструмент для работы с локальными и удалёнными файлами без запуска сервера ClickHouse.