跳数索引

2023-11-21 17:38 由数据改变人生发表于 #数据库

1、minmax

下面是为url建立最大最小值的跳数索引
ALTER TABLE hits_UserID_URL ADD INDEX url_skipping_index URL TYPE minmax GRANULARITY 4;
ALTER TABLE hits_UserID_URL MATERIALIZE INDEX url_skipping_index;

　　每4个颗粒创建用一个索引，这个索引存储了url的最大值和最小值，在查询执行过程中，ClickHouse 可以在不扫描列的情况下快速检查列值是否超出范围，并跳过不满足最大最小值的颗粒块。有点类似clickhouse建立多个主键。所以当列的值随排序顺序缓慢变化时，它的效果最好。

官网说可以使用优化

Creating a second table with a different primary key.用不同的主键建立多个表，这样子的话那就考虑两张表的数据同步问题，如果这样实现可以试下物化视图

Adding a projection to our existing table.建立投影（还不会，不知道怎么评价）

这三种我都没用过，感觉有点麻烦

键列之间的基数差越大，这些列在键中的顺序就越重要。

2、set：

ALTER TABLE skip_table ADD INDEX vix my_value TYPE set(100) GRANULARITY 2;

这种轻量级索引类型接受单个参数max_size，这种索引会将指定颗粒中的所有不同值存储起来，如果不同值数量超过了max_size，该索引就不生效。
ClickHouse 在使用 where 条件查询时，如果遇到了 set 类型的跳数索引，则会检查 where 条件中的值是否在 set 集合中，如果不在就跳过这些颗粒。

适合聚集那种的，特别是枚举的，例如省份

3、布隆过滤器

布隆过滤器tokenbf_v1：

　　这是按照token进行分词的布隆过滤器索引，它会将长文本中的单词按照非字母数字字符（如空格、数字、汉字）进行分词，每个分词就是一个token，然后这个token映射到布隆过滤器的bitmap中。

举个例子， https://clickhouse.com/docs/en/engines/table-engines/mergetree-family/mergetree#table_engine-mergetree-data_skipping-indexes这个字符串，经过分词后，会变成如下的token

['https', 'clickhouse', 'com', 'docs', 'en', 'engines', 'table', 'engines', 'mergetree', 'family', 'mergetree', 'table', 'engine', 'data', 'skipping', 'indexes']
从分词中可以看出，比较死板，如果查询条件中有特殊字符，索引就会失效
无法支持中文、数字
布隆过滤器ngrambf_v1：
ngrambf_v1和tokenbf_v1的区别在于不是按照token分词而是按照长度分词
举个例子：Hell Flink；按照n=4分词得到的是[Hell, Fli]
优点是：解决了特殊字符以及汉字的问题 
缺点是：长度一旦确定就不好修改了，查询的关键词小于n，索引就不会生效。ngrambf_v1比较适合提前知道查询的sql，针对性设置n的值。如果n设置过小会出现假阳性过高的问题。

所以在使用跳数索引的时候一定要确认自己的索引生效，不然会有出现负优化。

CREATE TABLE ck_log_test(
  `logType` String,
  `@timestamp` DateTime64(3),
  `ip` String,
  `filePath` String,
  `cloudId` UInt64,
  `time` DateTime64(3),
  `id` String,
  `tms` UInt64,
  `rowNumber` UInt64,
  `value` String,
  `@storageTime` DateTime64(3),
  `fd` UInt64
) ENGINE = ReplicatedMergeTree() PARTITION BY toYYYYMMDD(`@timestamp`)
ORDER BY (`@timestamp`);
-- 建立索引
ALTER TABLE ck_log_test ADD INDEX idx_ngram3 value TYPE ngrambf_v1(48, 307200, 2, 0) GRANULARITY 1;
ALTER TABLE ck_log_test MATERIALIZE INDEX idx_ngram3;

EXPLAIN indexes = 1
SELECT count()
FROM ck_log_test
WHERE (value LIKE '%gfdsamnbvcxz-asdfghjkl-poiuytrewqlkjh-qwertyuiop%') AND (value LIKE '%[INFO]%');
┌─explain───────────────────────────────────────────┐
│ Expression ((Projection + Before ORDER BY))       │
│   Aggregating                                     │
│     Expression (Before GROUP BY)                  │
│       Filter (WHERE)                              │
│         ReadFromMergeTree (ck_log_test)           │
│         Indexes:                                  │
│           MinMax                                  │
│             Condition: true                       │
│             Parts: 9/9                            │
│             Granules: 12929/12929                 │
│           Partition                               │
│             Condition: true                       │
│             Parts: 9/9                            │
│             Granules: 12929/12929                 │
│           PrimaryKey                              │
│             Condition: true                       │
│             Parts: 9/9                            │
│             Granules: 12929/12929                 │
│           Skip                                    │
│             Name: idx_ngram3                      │
│             Description: ngrambf_v1 GRANULARITY 1 │
│             Parts: 9/9                            │
│             Granules: 1253/12929                  │
└───────────────────────────────────────────────────┘

分析执行计划
首先是minmax 这个是在见表时的orderby 的字段进行筛选的，因为没有带任何@timestamp所以还是完整的12929个块
接着是Partition 数据都在一个分区，所以过滤不掉
接着是primaryKey，但是在建表中没有显式指定主键索引，所以用了order by 的字段作为主键索引，也没过滤掉
重头戏来了：Skip 跳数索引，索引idx_ngram3是我们建立的，从12929个块过滤剩下1253个块。说明索引建立是生效的，也没起到作用

　　而且加索引是加快了读的速率，但是却影响了写的效率。读和写的一个效率的综合考虑去建立索引才是一个比较合适的方案。顾此失彼不是一个完美的选择。

热门相关：试婚老公，要给力星界游民都市捉妖人开局签到荒古圣体黜龙