架构，软件开发中最熟悉不过的名词，遍布在我们的日常开发工作中，大到项目整体，小到功能组件，想要实现高性能、高扩展、高可用的目标都需要优秀架构理念辅助。所以作者尝试剖析市面上那些经典优秀的开源项目，学习优秀的架构理念来积累架构设计的经验与思考，在后续日常工作中遇到相同问题时能有更深一层的认知。

本章以实时OLAP引擎ClickHouse(简称ck)为例，以其面向场景，架构设计，细节实现等方面来介绍，深度了解其如何成为了OLAP引擎中的性能之王。

ClickHouse是俄罗斯Yandex(俄罗斯网络用户最多的网站)于2016年开源的一个用于联机分析(OLAP)的列式数据库管理系统，采用C++语言编写，主要用于在线分析处理查询，通过SQL查询实时生成分析数据报告。

主要面向场景是快速支持任意指标、任意维度并且可以在大数据量级下实现秒级反馈的Ad-hoc查询(即席查询)。

ClickHouse以其卓越的性能著称，在相关性能对比报告中，ck在单表SQL查询的性能是presto的2.3倍、impala的3倍、greenplum的7倍、hive的48倍。可以看出ck在单表查询是非常出色的，那么ck究竟是如何实现高效查询的呢？

介绍ck查询原理之前先以最常见的mysql为例，一条简单的查询语句是如何执行的，然后再以ck架构师的角度去考虑ck应该如何优化。mysql查数据时会先从磁盘读出数据所在页(innodb存储单元) 到内存中，然后再从内存中返回查询结果，所以在我们的认知中sql查询(排除语法词法解析，优化等步骤)总结起来可以为以下两点：

在现代计算机中，CPU参与运算的时间远小于磁盘IO的时间。所以现代OLAP引擎大部分也选择通过降低磁盘IO的手段来提高查询性能，举例如下：

通过以上推导分析，我们可以得出OLAP查询瓶颈在于磁盘IO，那么ck的优化手段也是借鉴了以上措施，采用了MPP架构(大规模并行处理)+列式存储，拥有类似架构设计的其他数据库产品也有很多，为什么ck性能如此出众？接下来我们具体分析ck的核心特性，进一步体会ck架构师的巧妙的架构理念。

1）列式存储

如同上述所讲，分析类查询往往只需要一个表里很少的几个字段，Column-Store只需要读取用户查询的column，而Row-Store读取每一条记录的时候会把所有column的数据读出来，在IO上Column-Store比Row-Store效率高得多，因此性能更好。
 

2）block

ClickHouse能处理的最小单位是block，block是一群行的集合，默认最大为8192行。因为每一列单独存储，因此每个数据文件相比于行式存储更有规律，通过对block采用LZ4压缩算法，整体压缩比大致可以8:1。可以看出，ClickHouse通过出色的压缩比与block结构实现了批处理功能，对比海量数据存储下每次处理1行数据的情况，大幅减少了IO次数，从而达到了存储引擎上的优化。

3）LSM

LSM的思想：对数据的修改增量保持在内存中，达到指定的限制后将这些修改操作批量写入到磁盘中，相比较于写入操作的高性能，读取需要合并内存中最近修改的操作和磁盘中历史的数据，即需要先看是否在内存中，若没有命中，还要访问磁盘文件。

LSM的原理：把一颗大树拆分成N棵小树，数据先写入内存中，随着小树越来越大，内存的小树会flush到磁盘中。磁盘中的树定期做合并操作，合并成一棵大树，以优化读性能。

ClickHouse通过LSM实现数据的预排序，从而减少磁盘的读取量。原理就是将乱序数据通过LSM在内存中排序，然后写入磁盘保存，并定期合并有重合的磁盘文件。ClickHouse的写入步骤可以总结为以下几点：

4）索引

ClickHouse的采用一级索引(稀疏索引)+二级索引(跳数索引)来实现索引数据定位与查询。一级索引记录每个block块的第一个，每次基于索引字段查询只需要确定查询第几个block块即可，避免一个查询遍历所有数据。如上述介绍，一个block块为8192行，那么1亿条数据只需要1万行索引，所以一级索引占用存储较小，可常驻内存，加速查询。二级索引由数据的聚合信息构建而成，根据索引类型的不同，其聚合信息的内容也不同，跳数索引的目的与一级索引一样，也是帮助查询时减少数据扫描的范围，原则都是“排除法”，即尽可能的排除那些一定不满足条件的索引粒度。

另一方面可以发现，因ck存储引擎按有序集合存储，所以在索引结构上，并不需要再利用B+树排序特性来定位。所以在实际使用过程中，也不需要满足最左原则匹配，只要过滤条件中包含索引列即可。

5）向量化执行

向量化计算(vectorization)，也叫vectorized operation，也叫array programming，说的是一个事情：将多次for循环计算变成一次计算。为了实现向量化执行，需要利用CPU的SIMD指令。SIMD的全称是Single Instruction Multiple Data，即用单条指令操作多条数据。现代计算机系统概念中，它是通过数据并行以提高性能的一种实现方式 ( 其他的还有指令级并行和线程级并行 )，它的原理是在CPU寄存器层面实现数据的并行操作。

在计算机系统的体系结构中，存储系统是一种层次结构。典型服务器计算机的存储层次结构如图6所示。一个实用的经验告诉我们，存储媒介距离CPU越近，则访问数据的速度越快。

从左至右，距离CPU越远，则数据的访问速度越慢。从寄存器中访问数据的速度，是从内存访问数据速度的300倍，是从磁盘中访问数据速度的3000万倍。所以利用CPU向量化执行的特性，对于程序的性能提升意义非凡。ClickHouse目前利用SSE4.2指令集实现向量化执行。

ClickHouse在追求极致性能的路上，采取了很多优秀的设计。如上述讲的列存、批处理、预排序等等。但是架构都有两面性，从另一方面也带来了一些缺点。

了解其原理之后，能够对ClickHouse有更深的认知，也能够解释生产工作中曾经遇到的问题，站在ClickHouse架构师的角度去合理使用，规避劣势，发挥其特性。

1）zookeeper高负载影响

目前ClickHouse开源版本ReplicatedMergeTree引擎强依赖zookeeper完成多副本选主，数据同步，故障恢复等功能，zookeeper在负载较高的情况下，性能表现不佳，甚至会出现副本无法写入，数据无法同步问题。分析ClickHouse对zookeeper相关的使用，以副本复制流程为例，ck对zookeeper频繁地分发日志、数据交换是引起瓶颈原因之一。

外界解决通用方案：

重新实现HaMergeTree引擎，降低对zookeeper日志的请求次数并减少存储的数据量，来达到降低对zookeeper的负载。

京东零售：自研基于Raft分布式共识算法的zookeeper替代方案。

2）资源管控问题

ClickHouse的资源管控能力不够完善，在 insert、select 并发高的场景下会导致执行失败，影响用户体验。这是因为社区版ClickHouse目前仅提供依据不同用户的最大内存控制，在超过阈值时会杀死执行的 query。

外界解决通用方案：开发资源管理组件，将并发、内存、CPU等资源拆分给不同的资源组，同时通过资源组的父子关系实现不同资源组共享部分资源的能力。