跳转到主要内容

​
描述

CollapsingMergeTree 引擎继承自 MergeTree， 并增加了在合并过程中折叠行的逻辑。 如果一对行在排序键 (ORDER BY) 中的所有字段都相同，只有特殊字段 Sign 不同， 且该字段的值分别为 1 和 -1，CollapsingMergeTree 表引擎就会异步删除 (折叠) 这对行。 没有与之配对且 Sign 值相反的行则会被保留。 更多详情，请参阅本文档中的 折叠 部分。
该引擎可以显著减少存储量， 从而提高 SELECT 查询的效率。

​
参数

除 Sign 参数外，此表引擎的所有参数 其含义均与 MergeTree 中相同。
  • Sign — 用作表示行类型的列名，其中 1 表示“状态”行，-1 表示“取消行”。类型：Int8。

​
创建表

  • 有关查询参数的说明，请参阅查询描述。
  • 创建 CollapsingMergeTree 表时，与创建 MergeTree 表一样，也需要相同的查询子句。

​
折叠

​
数据

考虑这样一种情况：你需要为某个对象保存持续变化的数据。 看起来合理的做法似乎是为每个对象只保留一行，并在每次发生变化时更新它， 但是更新操作对 DBMS 来说代价高、速度慢，因为它们需要重写存储中的数据。 如果我们需要快速写入数据，执行大量更新就不是可接受的方案， 但我们始终可以按顺序写入某个对象的变更。 为此，我们使用一个特殊的列 Sign。
  • 如果 Sign = 1，表示该行是“状态行”：包含表示当前有效状态的各个字段的一行。
  • 如果 Sign = -1，表示该行是“取消行”：用于抵消具有相同属性的对象状态的一行。
例如，我们想计算用户在某个网站上查看了多少页面，以及他们在这些页面上停留了多长时间。 在某一时刻，我们写入以下这一行来表示用户活动的状态：
在稍后的某个时刻，我们记录下用户活动的变化，并将其写成以下两行：
第一行会抵消该对象 (此处表示一个用户) 的先前状态。 它应复制“被取消”行中除 Sign 之外的所有排序键字段。 上面的第二行表示当前状态。 由于我们只需要用户活动的最终状态，因此可以按如下所示删除原始“状态行”以及我们插入的“取消” 行，从而折叠对象的无效 (旧) 状态：
CollapsingMergeTree 会在数据分区片段合并期间执行这种折叠行为。
关于为什么每次变更都需要两行， 将在 算法 一节中进一步说明。
这种方法的特点
  1. 写入数据的程序必须记住对象的状态，才能将其取消。“取消行”应包含“状态行”中排序键字段的副本，以及相反的 Sign。这会增大初始存储空间占用，但能让数据写入更快。
  2. 列中持续增长的长数组会因写入负载增加而降低引擎效率。数据越简单，效率越高。
  3. SELECT 结果在很大程度上取决于对象变更历史的一致性。准备插入数据时务必谨慎；数据不一致时，结果可能不可预测。例如，像会话深度这类非负指标可能会出现负值。

​
算法

当 ClickHouse 合并数据 parts 时， 具有相同排序键 (ORDER BY) 的每组连续行都会被归并为不超过两行， 即 Sign = 1 的“状态行”和 Sign = -1 的“取消行”。 换句话说，在 ClickHouse 中，这些条目会发生折叠。 对于每个结果数据分区片段，ClickHouse 会保存： 此外，当“状态行”比“取消行”至少多两行， 或者“取消行”比“状态行”至少多两行时，合并会继续进行。 不过，ClickHouse 会将这种情况视为逻辑错误，并将其记录到服务器日志中。 如果同一份数据被多次 insert，就可能出现此错误。 因此，折叠不应改变统计信息的计算结果。 这些变更会逐步折叠，因此最终几乎每个对象都只会保留最后一个状态。 之所以需要 Sign 列，是因为合并算法无法保证 具有相同排序键的所有行都会出现在同一个结果数据分区片段中，甚至不一定在同一台物理服务器上。 ClickHouse 使用多个线程处理 SELECT 查询，因此无法预测结果中各行的顺序。 如果需要从 CollapsingMergeTree 表中获取完全“折叠”后的数据，则必须进行聚合。 要完成最终折叠，请编写带有 GROUP BY 子句和会考虑符号的聚合函数的查询。 例如，要计算数量，请使用 sum(Sign) 而不是 count()。 要计算某个值的总和，请使用 sum(Sign * x) 并结合 HAVING sum(Sign) > 0，而不是使用 sum(x)， 如下方示例所示。 聚合 count、sum 和 avg 可以用这种方式计算。 如果某个对象至少有一个未折叠的状态，则聚合 uniq 也可以计算。 而聚合 min 和 max 则无法计算， 因为 CollapsingMergeTree 不会保存已折叠状态的历史记录。
如果你需要在不进行聚合的情况下提取数据 (例如，检查最新值满足特定条件的行是否存在) ， 你可以在 FROM 子句中使用 FINAL 修饰符。它会在返回结果前先合并数据。 对于 CollapsingMergeTree，每个键只会返回最新的状态行。

​
示例

​
用法示例

给定以下示例数据：
我们来使用 CollapsingMergeTree 创建一个 UAct 表：
接下来，我们将插入一些数据：
我们使用两条 INSERT 查询来创建两个不同的数据分区片段。
如果通过单条查询插入数据，ClickHouse 只会创建一个数据分区片段，并且之后将不会再执行任何合并。
我们可以使用以下方式查询数据：
让我们来看一下上面返回的数据，看看是否发生了 折叠…… 通过两条 INSERT 查询，我们创建了两个数据分区片段。 SELECT 查询在两个线程中执行，因此得到的行顺序是随机的。 不过，折叠 并未发生，因为数据分区片段此时还没有发生 merge， 而 ClickHouse 会在后台的某个不可预知时间对数据分区片段进行 merge，我们无法提前预测。 因此，我们需要进行 聚合， 这可以通过 sum aggregate function 和 HAVING clause 来实现：
如果不需要聚合且希望强制进行折叠，也可以在 FROM 子句中使用 FINAL 修饰符。
这种数据选择方式效率较低，不建议在扫描大量数据 (数百万行) 时使用。

​
另一种方法的示例

这种方法的思路是，合并时只会考虑键字段。 因此，在 “取消行” 这一行中，我们可以指定负值， 这样在求和时就能抵消该行的前一个版本，而无需使用 Sign 列。 在此示例中，我们将使用下面的样本数据：
对于这种方法，需要将 PageViews 和 Duration 的数据类型更改为可存储负值。 因此，在使用 collapsingMergeTree 创建 UAct 表时，我们将这些列的数据类型从 UInt8 更改为 Int16：
让我们通过向表中插入数据来验证这种方法。 不过，对于示例或小型表，这样做也是可以接受的：
最后修改于 2026年6月12日