ClickHouse 24.12 版本发布说明

ClickHouseInc 2025-01-14

667

本文字数：11871；估计阅读时间：30 分钟

又到了月度版本更新的时间！

发布概要

ClickHouse 24.12 版本重磅发布，本次更新带来了16项全新功能🦃、16项性能优化⛸️、36个bug修复🏕️

本次版本新增了多项实用功能，包括改进 Enum 的可用性、支持 Iceberg REST 目录和模式演进、实现反序表排序、支持将 JSON 子列作为主键、自动优化 JOIN 的执行顺序等更多亮点功能！

新贡献者

我们热烈欢迎 24.12 版本中的所有新贡献者！ClickHouse 的成功离不开社区的共同努力。每次看到社区不断壮大，都会让我们倍感激励和鼓舞。

以下是本次版本的新贡献者名单：Emmanuel Dias, Xavier Leune, Zawa_ll, Zaynulla, erickurbanov, jotosoares, zhangwanyun1, zwy991114, JiaQi

Enum 可用性改进

贡献者：ZhangLiStar

本次发布改进了 Enum 类型的可用性。我们将通过 Reddit 评论数据集示例来展示这些变化。首先，创建一个包含几个字段的表：

CREATE TABLE reddit
    (
        subreddit LowCardinality(String),
        subreddit_type Enum(
            'public' = 1, 'restricted' = 2, 'user' = 3, 
            'archived' = 4, 'gold_restricted' = 5, 'private' = 6
        ),
    )
    ENGINE = MergeTree
    ORDER BY (subreddit);

随后，我们可以插入数据，如下所示：

INSERT INTO reddit
SELECT subreddit, subreddit_type
FROM s3(        
  'https://clickhouse-public-datasets.s3.eu-central-1.amazonaws.com/reddit/original/RC_2017-12.xz',
  'JSONEachRow'
);

假如我们希望统计 subreddit_type 中包含字符 "e" 的帖子数量，可以使用 LIKE 运算符编写如下查询：

SELECT
    subreddit_type,
    count() AS c
FROM reddit
WHERE subreddit_type LIKE '%restricted%'
GROUP BY ALL
ORDER BY c DESC;

在 24.12 版本之前运行该查询，会显示以下错误信息：

Received exception:
Code: 43. DB::Exception: Illegal type Enum8('public' = 1, 'restricted' = 2, 'user' = 3, 'archived' = 4, 'gold_restricted' = 5, 'private' = 6) of argument of function like: In scope SELECT subreddit, count() AS c FROM reddit WHERE subreddit_type LIKE '%e%' GROUP BY subreddit ORDER BY c DESC LIMIT 20. (ILLEGAL_TYPE_OF_ARGUMENT)

而在 24.12 版本中运行相同的查询，则会返回如下结果：

   ┌─subreddit_type─┬──────c─┐
1. │ restricted     │ 698263 │
2. │ user           │  39640 │
   └────────────────┴────────┘

此外，等号 (=) 和 IN 运算符现在也支持未知值。例如，以下查询会返回类型为 Foo 或 public 的所有记录：

SELECT count() AS c
FROM reddit
WHERE subreddit_type IN ('Foo', 'public')
GROUP BY ALL;

在 24.12 版本之前运行这段查询时，会显示以下错误信息：

Received exception:
Code: 691. DB::Exception: Unknown element 'Foo' for enum: while converting 'Foo' to Enum8('public' = 1, 'restricted' = 2, 'user' = 3, 'archived' = 4, 'gold_restricted' = 5, 'private' = 6). (UNKNOWN_ELEMENT_OF_ENUM)

而在 24.12 版本中运行该查询，则会返回如下结果：

   ┌────────c─┐
1. │ 85235907 │ -- 85.24 million
   └──────────┘

反向表排序

贡献者：Amos Bird

本次版本新增了一个 MergeTree 设置 allow_experimental_reverse_key，支持在 MergeTree 排序键中启用降序排序。以下是一个简单的示例：

ENGINE = MergeTree 
ORDER BY (time DESC, key)
SETTINGS allow_experimental_reverse_key=1;

这个表会按照 time 字段进行降序排列。

这种降序排序功能在时间序列分析中非常有用，尤其是处理 Top N 查询时效果显著。

JSON 子列作为表主键

贡献者：Pavel Kruglov

ClickHouse 引入了全新的 JSON 实现，可以将每个唯一的 JSON 路径存储为真正的列式数据：

上图展示了 ClickHouse 如何将 JSON 键路径以原生子列的形式存储（并支持读取）。这种方式不仅提供了出色的数据压缩，还能保持与传统数据类型相同的查询性能。

在本次发布中，ClickHouse 现已支持将 JSON 子列用作表的主键列：

CREATE TABLE T
(
    data JSON()
)
ORDER BY (data.a, data.b);

这意味着，写入的 JSON 文档会根据用作主键的 JSON 子列，按分片顺序在磁盘上进行排序。此外，ClickHouse 会为这些主键列自动创建主索引文件，从而加速基于主键的过滤查询：

同时，当主键列按基数从低到高排序时，JSON 子列的 *.bin 数据文件也能实现最佳压缩效果。

以下是一个更具体的示例：

测试中我们使用了一台 AWS EC2 m6i.8xlarge 实例，配置为 32 个 vCPU 和 128 GiB 内存，并选用了 Bluesky 数据集。

我们将 1 亿条 Bluesky 事件（每个事件为一个 JSON 文档）加载到两个不同的 ClickHouse 表中。

第一个表没有使用任何 JSON 子列作为主键列：

CREATE TABLE bluesky_100m_raw
(
    data JSON()
)
ORDER BY ();

第二个表则使用了一些 JSON 子列作为主键列（还为部分列添加了类型提示，以避免查询中的类型转换）：

CREATE TABLE bluesky_100m_primary_key
(
    data JSON(
        kind LowCardinality(String), 
        commit.operation LowCardinality(String), 
        commit.collection LowCardinality(String), 
        time_us UInt64
    )
)
ORDER BY (
    data.kind, 
    data.commit.operation, 
    data.commit.collection, 
    fromUnixTimestamp64Micro(data.time_us)
);

这两个表都存储了完全相同的 1 亿条 JSON 文档。

接着，我们在没有主键的表上运行一个查询（查询内容为“人们何时在 Bluesky 上屏蔽他人”，改编自“人们何时使用 Bluesky？”的查询，您可以在 ClickHouse SQL playground 上试运行）：

SELECT
    toHour(fromUnixTimestamp64Micro(data.time_us::UInt64)) AS hour_of_day,
    count() AS block_events
FROM bluesky_100m_raw
WHERE (data.kind = 'commit') 
AND (data.commit.operation = 'create') 
AND (data.commit.collection = 'app.bsky.graph.block')
GROUP BY hour_of_day
ORDER BY hour_of_day ASC;

    ┌─hour_of_day─┬─block_events─┐
 1. │           0 │        89395 │
 2. │           1 │       143542 │
 3. │           2 │       154424 │
 4. │           3 │       162894 │
 5. │           4 │        65893 │
 6. │           5 │        39556 │
 7. │           6 │        34359 │
 8. │           7 │        35230 │
 9. │           8 │        30812 │
10. │           9 │        35620 │
11. │          10 │        31094 │
12. │          16 │        33359 │
13. │          17 │        65555 │
14. │          18 │        65135 │
15. │          19 │        65775 │
16. │          20 │        70096 │
17. │          21 │        65640 │
18. │          22 │        75840 │
19. │          23 │       143024 │
    └─────────────┴──────────────┘


19 rows in set. Elapsed: 0.607 sec. Processed 100.00 million rows, 10.21 GB (164.83 million rows/s., 16.83 GB/s.)
Peak memory usage: 337.52 MiB.

然后，我们在带有主键的表上运行相同的查询（需要注意，该查询对主键列的前缀字段进行了过滤）：

SELECT
    toHour(fromUnixTimestamp64Micro(data.time_us)) AS hour_of_day,
    count() AS block_events
FROM bluesky_100m_primary_key
WHERE (data.kind = 'commit') 
AND (data.commit.operation = 'create') 
AND (data.commit.collection = 'app.bsky.graph.block')
GROUP BY hour_of_day
ORDER BY hour_of_day ASC;

    ┌─hour_of_day─┬─block_events─┐
 1. │           0 │        89395 │
 2. │           1 │       143542 │
 3. │           2 │       154424 │
 4. │           3 │       162894 │
 5. │           4 │        65893 │
 6. │           5 │        39556 │
 7. │           6 │        34359 │
 8. │           7 │        35230 │
 9. │           8 │        30812 │
10. │           9 │        35620 │
11. │          10 │        31094 │
12. │          16 │        33359 │
13. │          17 │        65555 │
14. │          18 │        65135 │
15. │          19 │        65775 │
16. │          20 │        70096 │
17. │          21 │        65640 │
18. │          22 │        75840 │
19. │          23 │       143024 │
    └─────────────┴──────────────┘


19 rows in set. Elapsed: 0.011 sec. Processed 1.47 million rows, 16.16 MB (129.69 million rows/s., 1.43 GB/s.)
Peak memory usage: 2.18 MiB.

Boom！查询速度提升了 50 倍，内存使用减少了 150 倍。

Iceberg REST catalog 和模式演化支持

贡献者：Daniil Ivanik 和 Kseniia Sumarokova

在本次版本中，ClickHouse 新增了对 Apache Iceberg REST catalog 查询的支持。目前已支持 Unity 和 Polaris catalog。我们可以通过 Iceberg 表引擎创建表：

CREATE TABLE unity_demo
ENGINE = Iceberg('https://dbc-55555555-5555.cloud.databricks.com/api/2.1/unity-catalog/iceberg')
SETTINGS
  catalog_type = 'rest',
  catalog_credential = 'aaaaaaaa-bbbb-cccc-dddd-eeeeeeeeeeee:...',
  warehouse = 'unity',
  oauth_server_uri = 'https://dbc-55555555-5555.cloud.databricks.com/oidc/v1/token',
  auth_scope = 'all-apis,sql';

接着，可以查询 catalog 中底层表的数据：

SHOW TABLES FROM unity_demo;
SELECT * unity_demo."webinar.test";

Iceberg 表引擎还支持模式演化功能，包括列的新增和移除、列名的修改，以及在原始数据类型之间的类型变更。

并行哈希 JOIN 默认启用

贡献者：Nikita Taranov

每次 ClickHouse 的新版本发布，都会对 JOIN 功能进行优化。这次的圣诞特别版本也不例外，带来了许多 JOIN 相关的增强功能！✨

在 24.11 版本的发布文章中，我们提到并行哈希 JOIN 已成为 ClickHouse 的默认 JOIN 策略。在这里，我们将通过具体示例展示这一改进带来的性能提升。

我们在一台 AWS EC2 m6i.8xlarge 实例上进行了测试，该实例配置了 32 个 vCPU 和 128 GiB 内存。

测试数据集选用的是 TPC-H 数据集，扩展因子为 100，表示所有表中的总数据量约为 100 GB。

我们按照官方文档的指引，创建并加载了 8 个表，这些表模拟了一个批发供应商的数据仓库。

首先，我们在使用 ClickHouse 之前默认的 JOIN 策略（哈希 JOIN）时，运行了 TPC-H 基准查询集中第 3 个查询：

SELECT
    l_orderkey,
    sum(l_extendedprice * (1 - l_discount)) AS revenue,
    o_orderdate,
    o_shippriority
FROM
    customer,
    orders,
    lineitem
WHERE
    c_mktsegment = 'BUILDING'
    AND c_custkey = o_custkey
    AND l_orderkey = o_orderkey
    AND o_orderdate < DATE '1995-03-15'
    AND l_shipdate > DATE '1995-03-15'
GROUP BY
    l_orderkey,
    o_orderdate,
    o_shippriority
ORDER BY
    revenue DESC,
    o_orderdate
FORMAT Null
SETTINGS join_algorithm='hash';

0 rows in set. Elapsed: 38.305 sec. Processed 765.04 million rows, 15.03 GB (19.97 million rows/s., 392.40 MB/s.)
Peak memory usage: 25.42 GiB.

接下来，我们切换为 ClickHouse 新的默认 JOIN 策略（并行哈希 JOIN），运行相同的查询：

SELECT
    l_orderkey,
    sum(l_extendedprice * (1 - l_discount)) AS revenue,
    o_orderdate,
    o_shippriority
FROM
    customer,
    orders,
    lineitem
WHERE
    c_mktsegment = 'BUILDING'
    AND c_custkey = o_custkey
    AND l_orderkey = o_orderkey
    AND o_orderdate < DATE '1995-03-15'
    AND l_shipdate > DATE '1995-03-15'
GROUP BY
    l_orderkey,
    o_orderdate,
    o_shippriority
ORDER BY
    revenue DESC,
    o_orderdate
FORMAT Null
SETTINGS join_algorithm='default';

0 rows in set. Elapsed: 5.099 sec. Processed 765.04 million rows, 15.03 GB (150.04 million rows/s., 2.95 GB/s.)
Peak memory usage: 29.65 GiB.

使用并行哈希 JOIN 后，查询速度提升了约 8 倍。

JOIN 自动重排序

贡献者：Vladimir Cherkasov

圣诞节版本新增了一项功能——JOIN 自动重排序。

首先，我们回顾一下 ClickHouse 的最快 JOIN 算法（例如其默认的并行哈希 JOIN）的工作原理。这些算法依赖于内存中的哈希表，分为两个主要阶段：

第一步，将 JOIN 查询右侧表的数据加载到哈希表中（构建阶段）；

第二步，将左侧表的数据流式读取，并通过哈希表进行匹配（扫描阶段）：

需要注意的是，由于 ClickHouse 会将右侧表的数据加载到内存中并创建哈希表，因此将较小的表放在 JOIN 的右侧可以更高效地使用内存，并且速度通常更快。

类似地，ClickHouse 的部分合并 JOIN（基于外部排序的 JOIN 算法）也有类似的构建和扫描阶段。例如，部分合并 JOIN 会先对右表进行排序，然后扫描左表。因此，将较小的表作为右表也能显著提高效率。

为了更灵活地选择构建表，ClickHouse 引入了新的设置项 query_plan_join_swap_table，可以根据需要调整构建表的选择逻辑。其取值如下：

auto（默认值）：自动选择行数较少的表作为构建表，几乎适用于所有 JOIN 查询。
false：固定使用右表作为构建表。
true：固定使用左表作为构建表。

接下来，我们通过一个 TPC-H 查询示例演示 query_plan_join_swap_table 的 auto 模式（有关表的创建和加载方法以及测试硬件信息，请参见上一节）。该查询将连接 lineitem 表和 part 表。

首先，查看两个表的大小：

SELECT
    table,
    formatReadableQuantity(sum(rows)) AS rows,
    formatReadableSize(sum(bytes_on_disk)) AS size_on_disk
FROM system.parts
WHERE active AND (table IN ['lineitem', 'part'])
GROUP BY table
ORDER BY table ASC;

   ┌─table────┬─rows───────────┬─size_on_disk─┐
1. │ lineitem │ 600.04 million │ 26.69 GiB    │
2. │ part     │ 20.00 million  │ 896.47 MiB   │
   └──────────┴────────────────┴──────────────┘

可以看到，lineitem 表的规模远大于 part 表。

下一条查询语句将 lineitem 表和 part 表进行连接，并且把规模大得多的lineitem表放在连接操作的右侧：

SELECT 100.00 * sum(
  CASE
  WHEN p_type LIKE 'PROMO%'
  THEN l_extendedprice * (1 - l_discount)
  ELSE 0 END)  sum(l_extendedprice * (1 - l_discount)) AS promo_revenue
FROM part, lineitem
WHERE l_partkey = p_partkey;

接着运行一个查询，将规模更大的 lineitem 表放在 JOIN 的右侧，同时将 query_plan_join_swap_table 设置为 false（默认行为）。此时，ClickHouse 会将 lineitem 表的数据加载到内存中（并行加载到多个哈希表中，因为并行哈希 JOIN 是默认算法）：

SELECT 100.00 * sum(
  CASE
  WHEN p_type LIKE 'PROMO%'
  THEN l_extendedprice * (1 - l_discount)
  ELSE 0 END)  sum(l_extendedprice * (1 - l_discount)) AS promo_revenue
FROM part, lineitem
WHERE l_partkey = p_partkey
SETTINGS query_plan_join_swap_table='false';

   ┌──────promo_revenue─┐
1. │ 16.650141208349083 │
   └────────────────────┘


1 row in set. Elapsed: 55.687 sec. Processed 620.04 million rows, 12.67 GB (11.13 million rows/s., 227.57 MB/s.)
Peak memory usage: 24.39 GiB.

然后，将 query_plan_join_swap_table 设置为 auto 并运行相同的查询。此时，ClickHouse 会基于表大小的估算结果，选择将较小的 part 表作为构建表，先将其加载到哈希表中，再对 lineitem 表进行流式连接：

SELECT 100.00 * sum(
  CASE
  WHEN p_type LIKE 'PROMO%'
  THEN l_extendedprice * (1 - l_discount)
  ELSE 0 END)  sum(l_extendedprice * (1 - l_discount)) AS promo_revenue
FROM part, lineitem
WHERE l_partkey = p_partkey
SETTINGS query_plan_join_swap_table='auto';

   ┌──────promo_revenue─┐
1. │ 16.650141208349083 │
   └────────────────────┘


1 row in set. Elapsed: 9.447 sec. Processed 620.04 million rows, 12.67 GB (65.63 million rows/s., 1.34 GB/s.)
Peak memory usage: 4.72 GiB.

结果显示，查询速度提升了 5 倍以上，内存使用量减少了 5 倍。

JOIN 优化：表达式提取

贡献者：János Benjamin Antal

对于包含多个 OR 条件链的 JOIN 查询，例如以下抽象案例：

JOIN ... ON (a=b AND x) OR (a=b AND y) OR (a=b AND z)

…当 ClickHouse 使用基于哈希表的 JOIN 算法时，会为每个条件单独创建一个哈希表。

为了减少哈希表的数量并支持更高效的谓词下推（将过滤条件推到更接近数据源的位置以减少数据量），可以从上述 JOIN 查询的 ON 子句中提取公共表达式：

JOIN ...ON a=b AND (x OR y OR z)

这一优化功能可以通过开启新设置 optimize_extract_common_expressions（设为 1）来实现。由于该功能仍处于实验阶段，默认值为 0（关闭）。

接下来，我们用一个 TPC-H 查询展示该设置的效果（有关表的创建、数据加载及测试硬件说明，请参考上一节）。

首先，我们运行以下包含多个 OR 条件链的 JOIN 查询，并将 optimize_extract_common_expressions 设置为 0（禁用优化）：

SELECT
  sum(l_extendedprice * (1 - l_discount)) AS revenue
FROM
  lineitem, part
WHERE
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#12'
    AND p_container in ('SM CASE', 'SM BOX','SM PACK', 'SM PKG')
    AND l_quantity >= 1 AND l_quantity <= 1 + 10
    AND p_size BETWEEN 1 AND 5
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
OR
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#23'
    AND p_container in ('MED BAG', 'MED BOX', 'MED PKG', 'MED PACK')
    AND l_quantity >= 10 AND l_quantity <= 10 + 10
    AND p_size BETWEEN 1 AND 10
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
OR
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#34'
    AND p_container in ('LG CASE', 'LG BOX', 'LG PACK', 'LG PKG')
    AND l_quantity >= 20 AND l_quantity <= 20 + 10
    AND p_size BETWEEN 1 AND 15
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
SETTINGS optimize_extract_common_expressions = 0;

在测试机器上，这个查询运行了 30 分钟，但仅完成了 3% 的进度……我们随即中止了查询，并将 optimize_extract_common_expressions 设置为 1（启用优化），再次运行相同的查询：

SELECT
  sum(l_extendedprice * (1 - l_discount)) AS revenue
FROM
  lineitem, part
WHERE
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#12'
    AND p_container in ('SM CASE', 'SM BOX','SM PACK', 'SM PKG')
    AND l_quantity >= 1 AND l_quantity <= 1 + 10
    AND p_size BETWEEN 1 AND 5
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
OR
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#23'
    AND p_container in ('MED BAG', 'MED BOX', 'MED PKG', 'MED PACK')
    AND l_quantity >= 10 AND l_quantity <= 10 + 10
    AND p_size BETWEEN 1 AND 10
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
OR
(
        p_partkey = l_partkey
    AND p_brand = 'Brand#34'
    AND p_container in ('LG CASE', 'LG BOX', 'LG PACK', 'LG PKG')
    AND l_quantity >= 20 AND l_quantity <= 20 + 10
    AND p_size BETWEEN 1 AND 15
    AND l_shipmode in ('AIR', 'AIR REG')
    AND l_shipinstruct = 'DELIVER IN PERSON'
)
SETTINGS optimize_extract_common_expressions = 1;

   ┌───────revenue─┐
1. │ 298937728.882 │ -- 298.94 million
   └───────────────┘


1 row in set. Elapsed: 3.021 sec. Processed 620.04 million rows, 38.21 GB (205.24 million rows/s., 12.65 GB/s.)
Peak memory usage: 2.79 GiB.

这次查询仅用 3 秒便完成了执行并返回结果，性能提升极其显著。

非等值 JOIN：默认支持

贡献者：Vladimir Cherkasov

自 24.05 版本以来，ClickHouse 已以实验功能形式支持在 JOIN 的 ON 子句中使用非等值条件：

-- Equi join
SELECT t1.*, t2.* FROM t1 JOIN t2 ON t1.key = t2.key;


-- Non-equi joins
SELECT t1.*, t2.* FROM t1 JOIN t2 ON t1.key != t2.key;
SELECT t1.*, t2.* FROM t1 JOIN t2 ON t1.key > t2.key

在当前版本中，这项功能已全面启用，并默认支持。

敬请期待今年后续版本更新，我们将继续带来更多令人兴奋的 JOIN 改进！

/END/

注册ClickHouse中国社区大使，领取认证考试券

ClickHouse社区大使计划正式启动，首批过审贡献者享原厂认证考试券！

试用阿里云 ClickHouse企业版

轻松节省30%云资源成本？阿里云数据库ClickHouse 云原生架构全新升级，首次购买ClickHouse企业版计算和存储资源组合，首月消费不超过99.58元（包含最大16CCU+450G OSS用量）了解详情：https://t.aliyun.com/Kz5Z0q9G

征稿启示

面向社区长期正文，文章内容包括但不限于关于 ClickHouse 的技术研究、项目实践和创新做法等。建议行文风格干货输出&图文并茂。质量合格的文章将会发布在本公众号，优秀者也有机会推荐到 ClickHouse 官网。请将文章稿件的 WORD 版本发邮件至：Tracy.Wang@clickhouse.com

文章转载自ClickHouseInc，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。