ClickHouse是如何批量写入的?

liuian 2025-01-08 15:16 46 浏览

简介

批量写入又称为bulk write，对于单表插入多条数据的场景，可以减少插入请求数量，提高吞吐量和效率。clickhouse官方Golang驱动clickhouse-go[1]支持该关键特性，但是文档的介绍不是很详细，只有一句：

Bulk write support : begin->prepare->(in loop exec)->commit

并没有详细介绍用法和原理，笔者在开发业务时使用的库是sqlx[2]，sql也支持clickhouse-go驱动。参考了官方样例代码[3]：

...
tx, err := connect.Begin()
checkErr(err)
stmt, err := tx.Prepare("INSERT INTO example (country_code, os_id, browser_id, categories, action_day, action_time) VALUES (?, ?, ?, ?, ?, ?)")
checkErr(err)

for i := 0; i < 100; i++ {
 if _, err := stmt.Exec(
  "RU",
  10+i,
  100+i,
  []int16{1, 2, 3},
  time.Now(),
  time.Now(),
 ); err != nil {
  log.Fatal(err)
 }
}
...

我写的bulk write类似上面的代码，但是提交给同事review时，他提出了疑问：stmt.Exec是每次执行都发送写请求到数据库吗？这个问题其实我不敢肯定，官方文档也说得不明确。考虑到严谨性，让自己的PR更有说服力，自己去翻看了相关源代码。

这里需要指出，如果利用编辑器里的代码跳转功能会跳到database/sql库中的Exec函数实现，实际上我们要看的代码是clickhouse-go中的实现，至于编辑器跳转到database/sql中的原因，书写此文时笔者也没弄清楚，先挖个坑吧。

核心实现

stmt.Exec的核心代码如下[4]：

func (stmt *stmt) execContext(ctx context.Context, args []driver.Value) (driver.Result, error) {
 if stmt.isInsert {
  stmt.counter++
  if err := stmt.ch.block.AppendRow(args); err != nil {
   return nil, err
  }
  if (stmt.counter % stmt.ch.blockSize) == 0 {
   stmt.ch.logf("[exec] flush block")
   if err := stmt.ch.writeBlock(stmt.ch.block); err != nil {
    return nil, err
   }
   if err := stmt.ch.encoder.Flush(); err != nil {
    return nil, err
   }
  }
  return emptyResult, nil
 }
 if err := stmt.ch.sendQuery(stmt.bind(convertOldArgs(args))); err != nil {
  return nil, err
 }
 if err := stmt.ch.process(); err != nil {
  return nil, err
 }
 return emptyResult, nil
}

上面的代码不多，非常清晰，当执行Exec时，stmt.ch.block.AppendRow(args)会先把sql参数附加到本地缓存block中，然后(stmt.counter % stmt.ch.blockSize)判断本地缓存大小是否到达阈值，到达则执行Flush()，将数据写入远端。综上，clickhouse-go中的核心实现逻辑是：

底层维护一个缓存block，同时设置block_size控制缓存大小
执行stmt.Exec时，不会直接写入远程ClickHouse中，而是将插入参数Append到block中
每次Append后，判断block的size和block_size的关系，如果正好整除，则刷新block(即写入clickhouse)

因此block_size这个参数很重要，它表示本地缓存的上限，如果很大的话，程序会占用一些内存。笔者起初设置为100000，在调试日志中看不到stmt.ch.logf("[exec] flush block")打印的log，设置小后就看到下面的输出：

...
[clickhouse][connect=1][begin] tx=false, data=false
[clickhouse][connect=1][prepare]
[clickhouse][connect=1][read meta] <- data: packet=1, columns=6, rows=0
[clickhouse][connect=1][exec] flush block
[clickhouse][connect=1][exec] flush block
....