本指南兼容 ClickHouse Cloud 和自托管 ClickHouse v23.5+。
本指南介绍如何将数据从 BigQuery 迁移到 ClickHouse。
我们先将表导出到 Google 的对象存储 (GCS) ,然后再将数据导入 ClickHouse Cloud。对于要从 BigQuery 导入到 ClickHouse 的每个表,都需要重复这些步骤。
导出数据到 ClickHouse 需要多久?
从 BigQuery 向 ClickHouse 导出数据所需的时间取决于数据集的大小。作为参考,按照本指南,将 4TB 公共以太坊数据集 从 BigQuery 导出到 ClickHouse 大约需要一小时。
| 表 | 行数 | 导出文件数 | 数据大小 | BigQuery 导出 | Slot 时间 | ClickHouse 导入 |
|---|---|---|---|---|---|---|
| 块 | 16,569,489 | 73 | 14.53GB | 23 秒 | 37 分钟 | 15.4 秒 |
| 交易 | 1,864,514,414 | 5169 | 957GB | 1 分 38 秒 | 1 天 8 小时 | 18 分 5 秒 |
| 链路追踪 | 6,325,819,306 | 17,985 | 2.896TB | 5 分 46 秒 | 5 天 19 小时 | 34 分 55 秒 |
| 合约 | 57,225,837 | 350 | 45.35GB | 16 秒 | 1 小时 51 分钟 | 39.4 秒 |
| 总计 | 82.6 亿 | 23,577 | 3.982TB | 8 分 3 秒 | > 6 天 5 小时 | 53 分 45 秒 |
将表数据导出到 GCS
在此步骤中,我们使用 BigQuery SQL 工作区 来执行 SQL 命令。下面,我们将使用 EXPORT DATA 语句,把名为 mytable 的 BigQuery 表导出到 GCS 存储桶。
DECLARE export_path STRING;
DECLARE n INT64;
DECLARE i INT64;
SET i = 0;
-- We recommend setting n to correspond to x billion rows. So 5 billion rows, n = 5
SET n = 100;
WHILE i < n DO
SET export_path = CONCAT('gs://mybucket/mytable/', i,'-*.parquet');
EXPORT DATA
OPTIONS (
uri = export_path,
format = 'PARQUET',
overwrite = true
)
AS (
SELECT * FROM mytable WHERE export_id = i
);
SET i = i + 1;
END WHILE;在上述查询中,我们将 BigQuery 表导出为 Parquet 数据格式。我们还在 uri 参数中使用了 * 字符。这可确保在导出数据超过 1GB 时,输出会拆分为多个文件,并带有按数字递增的后缀。
这种方法有几个优点:
- Google 允许每天免费将最多 50TB 的数据导出到 GCS。用户只需支付 GCS 存储费用。
- 导出会自动生成多个文件,并将每个文件的表数据限制在最多 1GB。这对 ClickHouse 很有利,因为这样可以并行导入。
- Parquet 作为一种列式格式,是更理想的交换格式,因为它原生支持压缩,而且 BigQuery 导出更快,ClickHouse 查询也更高效
将数据从 GCS 导入到 ClickHouse
导出完成后,我们就可以将这些数据导入到 ClickHouse 表中。你可以使用 ClickHouse SQL 控制台 或 clickhouse-client 执行以下命令。
你必须先在 ClickHouse 中创建表:
-- If your BigQuery table contains a column of type STRUCT, you must enable this setting
-- to map that column to a ClickHouse column of type Nested
SET input_format_parquet_import_nested = 1;
CREATE TABLE default.mytable
(
`timestamp` DateTime64(6),
`some_text` String
)
ENGINE = MergeTree
ORDER BY (timestamp);创建表后,如果集群中有多个 ClickHouse 副本,请启用 parallel_distributed_insert_select 设置,以加快导出速度。如果只有一个 ClickHouse 节点,则可以跳过此步骤:
SET parallel_distributed_insert_select = 1;最后,我们可以使用 INSERT INTO SELECT 命令将 GCS 中的数据插入 ClickHouse 表,该命令会根据 SELECT 查询的结果将数据插入表中。
要获取用于 INSERT 的数据,我们可以使用 s3Cluster 函数从 GCS 存储桶中读取数据,因为 GCS 与 Amazon S3 兼容。如果你只有一个 ClickHouse 节点,则可以使用 S3 表函数来代替 s3Cluster 函数。
INSERT INTO mytable
SELECT
timestamp,
ifNull(some_text, '') AS some_text
FROM s3Cluster(
'default',
'https://storage.googleapis.com/mybucket/mytable/*.parquet.gz',
'<ACCESS_ID>',
'<SECRET>'
);上述查询中使用的 ACCESS_ID 和 SECRET,就是与你的 GCS 存储桶关联的 HMAC 密钥。
测试数据是否已成功导出
若要验证数据是否已成功插入,只需对新表运行一条 SELECT 查询:
SELECT * FROM mytable LIMIT 10;要导出更多 BigQuery 表,只需对每个新增的表重复上述步骤即可。
延伸阅读与支持
除本指南外,我们还建议阅读我们的这篇博客文章,其中介绍了如何使用 ClickHouse 加速 BigQuery,以及如何处理增量导入。
如果您在将数据从 BigQuery 传输到 ClickHouse 的过程中遇到问题,欢迎随时通过 support@clickhouse.com 联系我们。