一、背景介绍

本文主要介绍通过Clickhouse自带的Kafka集成引擎，及时消费同步Kafka数据，减少数据同步链路，加快数据同步流程（如上图所示，理论上可以消除离线层）。同时利用Clickhouse快速聚合能力，加速上层数据查询分析能力。

Kafka作为消息引擎在大数据领域有着重要的作用，它通常用来接收下游产生的各种数据；ClickHouse是一个开源的用于联机分析（OLAP）的列式数据库管理系统，在大数据领域扮演越来越重要的作用，近几年在国内各大厂商应用得比较广泛。(对Clickhouse的详细介绍可参考我另外篇文章ClickHouse技术分享)两者强强联合，结合kafka的数据吞吐能力和clickhouse的数据分析能力，加速数据实时分析。当然，在我们真实环境中受到Clickhouse大量小文件合并的影响，数据可能在几秒后才会合并写入完成，但在大数据OLAP引擎中，这个延时也挺低的了，对实际应用场景影响不大。

二、操作流程

在开始操作前我们来看下整个操作流程（这里假设你已经有了Kafka消息引擎）：
1、在Clickhouse中创建Kafka外表引擎，如何创建以及参数如何设置下面会介绍，这里可以理解为消费Kafka的一个客户端
2、在Clickhouse中创建存储数据的表，用来存放从Kafka消费过来的数据，可以是本地表或者是分布式表
3、在Clickhouse中创建物化视图，物化视图相当于从Kafka和持久化表中间创建一座桥梁，不断的从Kafka消费数据并写入存储表

关于Clickhouse中的物化视图，它是数据库中的预计算逻辑+显式缓存，典型的空间换时间思路，所以用得好的话，它可以避免对基础表的频繁查询并复用结果，从而显著提升查询的性能，详情请参考ClickHouse性能优化？试试物化视图

接下来，我们详细讲一下这3个步骤如何创建：

1、在Clickhouse中创建Kafka外表引擎

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]

必要参数：

• kafka_broker_list — kafka brokers服务列表，多个用逗号隔开 (例如, localhost:9092).
• kafka_topic_list — kafka的topic名称
• kafka_group_name —消费者group的名称，如果你不希望集群中的消息被重复消费，不要随意改动group的名字
• kafka_format — 消息格式，使用相同的格式作为SQL格式化方法, 例如JSONEachRow。 更多的信息，可以这里看Clickhouse支持的格式

可选参数：

• kafka_row_delimiter — 消息结束的分隔字符
• kafka_schema — 对于kafka_format需要scheme定义得时候，其scheme由该参数定义
• kafka_num_consumers — 每个表的消费者数量，默认是1。如果一个消费者吞吐量不够，可以通过增加该参数增加吞吐量，但是消费者的总数不应该超过topic分区的总数，因为每个分区只可以指定一个消费者
• kafka_max_block_size — 最大批处理大小 (默认: max_block_size)
• kafka_skip_broken_messages — 每个block能够容忍Kafka消息异常得数目，默认是0。如果kafka_skip_broken_messages = N，该引擎就会忽略N条异常的消息(一条消息就是一行数据)
• kafka_commit_every_batch — 提交每个消费者和批处理，而不是单个提交后再写整个block（默认是0）
• kafka_thread_per_consumer — 为每个消费者者提供独立的线程（默认是0）。当启用后，每个消费者独立并行地刷新数据（否则，来自多个消费者的行将被压缩以形成一个块）

我们创建一张测试表：

CREATE TABLE engines.user_data_kafka
(
	`name` String COMMENT '序列号ID',
    `age` Int16 COMMENT '机型',
    `create_date` DateTime COMMENT '创建时间'
)
ENGINE = Kafka
SETTINGS kafka_broker_list = 'ip:port,ip:port', 
kafka_topic_list = 'topic_name',
kafka_group_name = 'group_name',
kafka_format = 'JSONEachRow', 
kafka_max_block_size = 1048576, 
kafka_num_consumers = 1

2、在Clickhouse中创建存储数据的表

CREATE TABLE engines.user_data_storage
(
	`name` String COMMENT '序列号ID',
    `age` Int16 COMMENT '机型',
    `create_date` DateTime COMMENT '创建时间'
)
ENGINE = MergeTree                 ##这里可以是本地表或者是分布式表
ORDER BY create_date
SETTINGS index_granularity = 8192

3、在Clickhouse中创建物化视图

CREATE MATERIALIZED VIEW engines.user_data_view TO engines.user_data_storage 
AS select * from engines.user_data_kafka

完成没问题后你如果在Kafka里有实时的消息，你就可以在日志里看到以下日志： StorageKafka (user_data_kafka): Polled batch of 550 messages. Offsets position:

当然，这里的sql你也可以加一些条件，比如你想过滤掉一些脏数据，过滤掉创建时间超出未来1个月的数据，你可以这么写：

CREATE MATERIALIZED VIEW engines.user_data_view TO engines.user_data_storage 
AS select * from engines.user_data_kafka where create_date < addDays(today(), 30)

如果需要停止数据同步，你可以删除视图drop table engines.user_data_view ，也可以把该视图卸载 detach table engines.user_data_view ，卸载后，如果想要再次恢复，可以使用命令attach engines.user_data_view 把该视图重新装载

三、一些问题

1、Too many partitions for single INSERT block (more than 100).
单次写入分区太多，默认是100，通过在users.xml修改max_partitions_per_insert_block参数解决，不过不建议这个参数调整得太大，短时间产生得文件太多影响服务得稳定性

        <default>
            <!-- Maximum memory usage for processing single query, in bytes. -->
            <max_memory_usage>30000000000</max_memory_usage>
            <max_memory_usage_for_user>30000000000</max_memory_usage_for_user>
            <max_partitions_per_insert_block>2000</max_partitions_per_insert_block>
        </default>

2、修改kafka的auto_offset_reset参数配置从最新的消息开始消费

	 <kafka>
        <auto_offset_reset>latest</auto_offset_reset>
    </kafka>

这其实是消费客户端的一个配置参数，默认是earliest，也就是从最早的数据开始消费，如果线上kafka存储的消息比较久的话建议改成latest，不然创建完物化视图后可能会产生大量的IO告警，别问我为什么，你懂的😭

四、其他说明

实际上，在上述流程中，一个Kafka的数据管道可以对应多个物化视图，将Kafka的消息写入到不同的表中，起到数据分流的作用，如下图所示：

当然，Clickhouse集成的外部表引擎不止是Kafka，它能支持的种类还是挺多的，像Mysql、JDBC、HDFS、RabbitMQ、PostgreSQL等，详细可参考官网；同时它还提供了集成的外部像Mysql数据库引擎，方便你在各种系统做数据迁移同步等操作，与调度任务如DolphinScheduler结合起来用的话你可以配置各种定时调度任务，不管是做离线的还是实时的它都能提供较好的支持。

关于Mysql与Clickhouse实时同步，Clickhouse提供了MaterializedMySQL的支持(目前仍是实验性的阶段)，同阿里巴巴的canal一样，通过读取mysql的binlog来实现数据实时同步，在实际测试中发现它对于有大量的update的业务并不友好，Clickhouse的整体性能会被拉跨。这其实是已经预感得到了，但这里并不是说这种方式有什么问题，只能说Clickhouse这种存储结构并不适合这种业务场景，希望未来有其他解决方案。

参考文章：
Clickhouse官网 https://clickhouse.tech/docs/en/engines/table-engines/integrations/kafka/
https://zhuanlan.zhihu.com/p/362809994