ClickHouse的数据导入方式，本文主要介绍如何使用Flink、Spark、Kafka、MySQL、Hive将数据导入ClickHouse，具体内容包括：

使用Flink导入数据使用Spark导入数据从Kafka中导入数据从MySQL中导入数据从Hive中导入数据使用Flink导入数据

本文介绍使用 flink-jdbc将数据导入ClickHouse，Maven依赖为：

<dependency>    <groupId>org.apache.flink</groupId>    <artifactId>flink-jdbc_${scala.binary.version}</artifactId>    <version>1.10.1</version></dependency>

本示例使用Kafka connector，通过Flink将Kafka数据实时导入到ClickHouse

public class FlinkSinkClickHouse {    public static void main(String[] args) throws Exception {        String url = "jdbc:clickhouse://192.168.10.203:8123/default";        String user = "default";        String passwd = "hOn0d9HT";        String driver = "ru.yandex.clickhouse.ClickHouseDriver";        int batchsize = 500; // 设置batch size，测试的话可以设置小一点，这样可以立刻看到数据被写入        // 创建执行环境        EnvironmentSettings settings = EnvironmentSettings                .newInstance()                .useBlinkPlanner()                .inStreamingMode()                .build();        StreamExecutionEnvironment env = StreamExecutionEnvironment.getExecutionEnvironment();        StreamTableEnvironment tEnv = StreamTableEnvironment.create(env, settings);        String kafkaSource11 = "" +                "CREATE TABLE user_behavior ( " +                " `user_id` BIGINT, -- 用户id\n" +                " `item_id` BIGINT, -- 商品id\n" +                " `cat_id` BIGINT, -- 品类id\n" +                " `action` STRING, -- 用户行为\n" +                " `province` INT, -- 用户所在的省份\n" +                " `ts` BIGINT, -- 用户行为发生的时间戳\n" +                " `proctime` AS PROCTIME(), -- 通过计算列产生一个处理时间列\n" +                " `eventTime` AS TO_TIMESTAMP(FROM_UNIXTIME(ts, 'yyyy-MM-dd HH:mm:ss')), -- 事件时间\n" +                " WATERMARK FOR eventTime AS eventTime - INTERVAL '5' SECOND -- 在eventTime上定义watermark\n" +                ") WITH ( 'connector' = 'kafka', -- 使用 kafka connector\n" +                " 'topic' = 'user_behavior', -- kafka主题\n" +                " 'scan.startup.mode' = 'earliest-offset', -- 偏移量，从起始 offset 开始读取\n" +                " 'properties.group.id' = 'group1', -- 消费者组\n" +                " 'properties.bootstrap.servers' = 'kms-2:9092,kms-3:9092,kms-4:9092', -- kafka broker 地址\n" +                " 'format' = 'json', -- 数据源格式为 json\n" +                " 'json.fail-on-missing-field' = 'true',\n" +                " 'json.ignore-parse-errors' = 'false'" +                ")";        // Kafka Source        tEnv.executeSql(kafkaSource11);        String query = "SELECT user_id,item_id,cat_id,action,province,ts FROM user_behavior";        Table table = tEnv.sqlQuery(query);        String insertIntoCkSql = "INSERT INTO behavior_mergetree(user_id,item_id,cat_id,action,province,ts)\n" +                "VALUES(?,?,?,?,?,?)";        //将数据写入 ClickHouse Sink        JDBCAppendTableSink sink = JDBCAppendTableSink                .builder()                .setDrivername(driver)                .setDBUrl(url)                .setUsername(user)                .setPassword(passwd)                .setQuery(insertIntoCkSql)                .setBatchSize(batchsize)                .setParameterTypes(Types.LONG, Types.LONG,Types.LONG, Types.STRING,Types.INT,Types.LONG)                .build();        String[] arr = {"user_id","item_id","cat_id","action","province","ts"};        TypeInformation[] type = {Types.LONG, Types.LONG,Types.LONG, Types.STRING,Types.INT,Types.LONG};        tEnv.registerTableSink(                "sink",                arr,                type,                sink        );        tEnv.insertInto(table, "sink");        tEnv.execute("Flink Table API to ClickHouse Example");    }}

Note:

由于 ClickHouse 单次插入的延迟比较高，我们需要设置 BatchSize 来批量插入数据，提高性能。

在 JDBCAppendTableSink 的实现中，若最后一批数据的数目不足 BatchSize，则不会插入剩余数据。

使用Spark导入数据

本文主要介绍如何通过Spark程序写入数据到Clickhouse中。

<dependency>      <groupId>ru.yandex.clickhouse</groupId>      <artifactId>clickhouse-jdbc</artifactId>      <version>0.2.4</version></dependency><!-- 如果报错：Caused by: java.lang.ClassNotFoundException: com.google.common.escape.Escapers，则添加下面的依赖 --><dependency>          <groupId>com.google.guava</groupId>          <artifactId>guava</artifactId>          <version>28.0-jre</version></dependency>

object Spark2ClickHouseExample {  val properties = new Properties()  properties.put("driver", "ru.yandex.clickhouse.ClickHouseDriver")  properties.put("user", "default")  properties.put("password", "hOn0d9HT")  properties.put("batchsize", "1000")  properties.put("socket_timeout", "300000")  properties.put("numPartitions", "8")  properties.put("rewriteBatchedStatements", "true")  case class Person(name: String, age: Long)  private def runDatasetCreationExample(spark: SparkSession): Dataset[Person] = {    import spark.implicits._    // DataFrames转成DataSet    val path = ";    val peopleDS = spark.read.json(path)    peopleDS.createOrReplaceTempView("people")    val ds = spark.sql("SELECT name,age FROM people").as[Person]    ds.show()    ds  }  def main(args: Array[String]) {    val url = "jdbc:clickhouse://kms-1:8123/default"    val table = "people"    val spark = SparkSession      .builder()      .appName("Spark  Example")      .master("local") //设置为本地运行      .getOrCreate()    val ds = runDatasetCreationExample(spark)    ds.write.mode(SaveMode.Append).option(JDBCOptions.JDBC_BATCH_INSERT_SIZE, 100000).jdbc(url, table, properties)    spark.stop()  }}

主要是使用ClickHouse的表引擎。

使用方式

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2],    ...) ENGINE = Kafka()SETTINGS    kafka_broker_list = 'host:port',    kafka_topic_list = 'topic1,topic2,...',    kafka_group_name = 'group_name',    kafka_format = 'data_format'[,]    [kafka_row_delimiter = 'delimiter_symbol',]    [kafka_schema = '',]    [kafka_num_consumers = N,]    [kafka_max_block_size = 0,]    [kafka_skip_broken_messages = N,]    [kafka_commit_every_batch = 0,]    [kafka_thread_per_consumer = 0]

在kafka中创建user_behavior主题，并向该主题写入数据，数据示例为：

{"user_id":63401,"item_id":6244,"cat_id":143,"action":"pv","province":3,"ts":1573445919}{"user_id":9164,"item_id":2817,"cat_id":611,"action":"fav","province":28,"ts":1573420486}{"user_id":63401,"item_id":6244,"cat_id":143,"action":"pv","province":3,"ts":1573445919}

在ClickHouse中创建表，选择表引擎为Kafka()，如下:

 CREATE TABLE kafka_user_behavior (    user_id UInt64 COMMENT '用户id',    item_id UInt64 COMMENT '商品id',    cat_id UInt16  COMMENT '品类id',    action String  COMMENT '行为',    province UInt8 COMMENT '省份id',    ts UInt64      COMMENT '时间戳'  ) ENGINE = Kafka()    SETTINGS    kafka_broker_list = 'cdh04:9092',    kafka_topic_list = 'user_behavior',    kafka_group_name = 'group1',    kafka_format = 'JSONEachRow';-- 查询cdh04 :) select * from kafka_user_behavior ;-- 再次查看数据，发现数据为空cdh04 :) select count(*) from kafka_user_behavior;SELECT count(*)FROM kafka_user_behavior┌─count()─┐│       0 │└─────────┘

当我们一旦查询完毕之后，ClickHouse会删除表内的数据，其实Kafka表引擎只是一个数据管道，我们可以通过物化视图的方式访问Kafka中的数据。

首先创建一张Kafka表引擎的表，用于从Kafka中读取数据然后再创建一张普通表引擎的表，比如MergeTree，面向终端用户使用最后创建物化视图，用于将Kafka引擎表实时同步到终端用户所使用的表中

--  创建Kafka引擎表 CREATE TABLE kafka_user_behavior_src (    user_id UInt64 COMMENT '用户id',    item_id UInt64 COMMENT '商品id',    cat_id UInt16  COMMENT '品类id',    action String  COMMENT '行为',    province UInt8 COMMENT '省份id',    ts UInt64      COMMENT '时间戳'  ) ENGINE = Kafka()    SETTINGS    kafka_broker_list = 'cdh04:9092',    kafka_topic_list = 'user_behavior',    kafka_group_name = 'group1',    kafka_format = 'JSONEachRow';-- 创建一张终端用户使用的表 CREATE TABLE kafka_user_behavior (    user_id UInt64 COMMENT '用户id',    item_id UInt64 COMMENT '商品id',    cat_id UInt16  COMMENT '品类id',    action String  COMMENT '行为',    province UInt8 COMMENT '省份id',    ts UInt64      COMMENT '时间戳'  ) ENGINE = MergeTree()    ORDER BY user_id;-- 创建物化视图，同步数据CREATE MATERIALIZED VIEW user_behavior_consumer TO kafka_user_behavior    AS SELECT * FROM kafka_user_behavior_src ;-- 查询，多次查询，已经被查询的数据依然会被输出cdh04 :) select * from kafka_user_behavior;

Note:

Kafka消费表不能直接作为结果表使用。Kafka消费表只是用来消费Kafka数据，没有真正的存储所有数据。

从MySQL中导入数据

同kafka中导入数据类似，ClickHouse同样支持MySQL表引擎，即映射一张MySQL中的表到ClickHouse中。

数据类型对应关系

MySQL中数据类型与ClickHouse类型映射关系如下表。

使用方式

CREATE TABLE [IF NOT EXISTS] [db.]table_name [ON CLUSTER cluster](    name1 [type1] [DEFAULT|MATERIALIZED|ALIAS expr1] [TTL expr1],    name2 [type2] [DEFAULT|MATERIALIZED|ALIAS expr2] [TTL expr2],    ...) ENGINE = MySQL('host:port', 'database', 'table', 'user', 'password'[, replace_query, 'on_duplicate_clause']);

-- 连接MySQL中clickhouse数据库的test表CREATE TABLE mysql_users(    id Int32,    name String) ENGINE = MySQL( '192.168.10.203:3306', 'clickhouse', 'users',  'root',  '123qwe');-- 查询数据cdh04 :) SELECT * FROM mysql_users;SELECT *FROM mysql_users┌─id─┬─name──┐│  1 │ tom   ││  2 │ jack  ││  3 │ lihua │└────┴───────┘-- 插入数据，会将数据插入MySQL对应的表中-- 所以当查询MySQL数据时，会发现新增了一条数据INSERT INTO users VALUES(4,'robin');-- 再次查询cdh04 :) select * from mysql_users;                SELECT *FROM mysql_users┌─id─┬─name──┐│  1 │ tom   ││  2 │ jack  ││  3 │ lihua ││  4 │ robin │└────┴───────┘

注意：对于MySQL表引擎，不支持UPDATE和DELETE操作，比如执行下面命令时，会报错：

-- 执行更新ALTER TABLE mysql_users UPDATE name = 'hanmeimei' WHERE id = 1;-- 执行删除ALTER TABLE mysql_users DELETE WHERE id = 1;-- 报错DB::Exception: Mutations are not supported by storage MySQL.

本文使用Waterdrop进行数据导入，Waterdrop是一个非常易用，高性能，能够应对海量数据的实时数据处理产品，它构建在Spark之上。Waterdrop拥有着非常丰富的插件，支持从Kafka、HDFS、Kudu中读取数据，进行各种各样的数据处理，并将结果写入ClickHouse、Elasticsearch或者Kafka中。

我们仅需要编写一个Waterdrop Pipeline的配置文件即可完成数据的导入。配置文件包括四个部分，分别是Spark、Input、filter和Output。

关于Waterdrop的安装，十分简单，只需要下载ZIP文件，解压即可。使用Waterdrop需要安装Spark。

在Waterdrop安装目录的config/文件夹下创建配置文件：hive_table_batch.conf，内容如下。主要包括四部分：Spark、Input、filter和Output。Spark部分是Spark的相关配置，主要配置Spark执行时所需的资源大小。Input部分是定义数据源，其中pre_sql是从Hive中读取数据SQL，table_name是将读取后的数据，注册成为Spark中临时表的表名，可为任意字段。filter部分配置一系列的转化，比如过滤字段Output部分是将处理好的结构化数据写入ClickHouse，ClickHouse的连接配置。

需要注意的是，必须保证hive的metastore是在服务状态。

spark {  spark.app.name = "Waterdrop_Hive2ClickHouse"  spark.executor.instances = 2  spark.executor.cores = 1  spark.executor.memory = "1g"  // 这个配置必需填写  spark.sql.catalogImplementation = "hive"}input {    hive {        pre_sql = "select * from default.users"        table_name = "hive_users"    }}filter {}output {    clickhouse {        host = "kms-1:8123"        database = "default"        table = "users"        fields = ["id", "name"]        username = "default"        password = "hOn0d9HT"    }}

[kms@kms-1 waterdrop-1.5.1]$ bin/start-waterdrop.sh  --config config/hive_table_batch.conf --master yarn --deploy-mode cluster

这样就会启动一个Spark作业执行数据的抽取，等执行完成之后，查看ClickHouse的数据。

总结

本文主要介绍了如何通过Flink、Spark、Kafka、MySQL以及Hive，将数据导入到ClickHouse，对每一种方式都出了详细的示例，希望对你有所帮。