数据库tidb、clickhouse、hive概念笔记

目录

1、有哪些分布式数据库

2、OLAP、OLTP、HTAP

3、TIDB、clickhouse、hive

一、TIDB

1. TiDb 核心特性：

2. TiDb 整体架构：

3.TiDB 存储：

二、clickhouse

三、hive

1.什么是 Hive？

2.Hive 架构和如何运作？

---

1、有哪些分布式数据库

一、PG-XC 风格：

由传统分库分表演进而来，再加上额外的调度节点实现分片路由、全局时钟实现分布式事务，基本构成了一个分布式数据库。

• 中兴的 GoldenDB

• 华为的 GaussDB

• 腾讯的 TDSQL

二、NewSQL 风格：

数据库中的每个组件都采用分布式设计，底层存储多采用键值（KV）系统，同时引入多数派选举算法实现多副本同步，存储、计算、调度完全分离。

• 国外的 CockroachDB、YugabyteDB

• PingCAP 的 TiDB

• 蚂蚁的 OceanBase

三、云原生数据库：

• AWS 的 Aurora

• 微软的 Cosmos DB

• 阿里的 PolarDB

参考：什么是分布式数据库？我不信，看完这篇你还不懂!! - 知乎

2、OLAP、OLTP、HTAP

数据处理大致可以分成两大类：

联机事务处理 OLTP（On-Line Transaction Processing）

OLTP 的场景如电商场景中加购物车、下单、支付等需要在原地进行大量insert、update、delete操作

联机分析处理 OLAP（On-Line Analytical Processing）

OLAP 场景通常是将数据批量导入后，进行任意维度的灵活探索、BI工具洞察、报表制作等

混合事务和分析处理 HTAP（Hybrid Transaction and Analytical Process）

同时支持在线事务处理与在线分析处理的融合型数据库。

3、TIDB、clickhouse、hive

一、TIDB

官网：https://docs.pingcap.com/zh/ （以下内容摘自官网介绍）

TiDB 是 PingCAP 公司研发的分布式关系型数据库，是一款同时支持在线事务处理与在线分析处理 的融合型分布式数据库产品，目标是为用户提供一站式 OLTP、OLAP、HTAP 解决方案。TiDB 适合高可用、强一致要求较高、数据规模较大等各种应用场景。

1. TiDb 核心特性：

• 支持水平扩容或者缩容

TiDB 存储计算分离的架构设计，可按需对计算、存储分别进行扩容或者缩容。

• 金融级高可用

数据采用多副本存储，数据副本通过 Multi-Raft 协议同步事务日志，多数派写入成功事务才能提交，确保数据强一致性且少数副本发生故障时不影响数据的可用性。

• 实时 HTAP

提供行存储引擎 TiKV、列存储引擎 TiFlash 两款存储引擎，TiFlash 通过 Multi-Raft Learner 协议实时从 TiKV 复制数据，确保行存储引擎 TiKV 和列存储引擎 TiFlash 之间的数据强一致。

• 云原生的分布式数据库

专为云而设计的分布式数据库，通过 TiDB Operator 可在公有云、私有云、混合云中实现部署工具化、自动化。

• 兼容 MySQL 5.7 协议和 MySQL 生态

---

2. TiDb 整体架构：

TiDB Server：SQL 层，负责接受客户端的连接，执行 SQL 解析和优化，最终生成分布式执行计划。可以启动多个 TiDB 实例，通过负载均衡组件（如 LVS、HAProxy 或 F5）对外提供统一的接入地址，客户端的连接可以均匀地分摊在多个 TiDB 实例上以达到负载均衡的效果。TiDB Server 本身并不存储数据，只是解析 SQL，将实际的数据读取请求转发给底层的存储节点 TiKV（或 TiFlash）

PD Server：整个 TiDB 集群的元信息管理模块，负责存储每个 TiKV 节点实时的数据分布情况和集群的整体拓扑结构，提供 TiDB Dashboard 管控界面，并为分布式事务分配事务 ID。PD 不仅存储元信息，同时还会根据 TiKV 节点实时上报的数据分布状态，下发数据调度命令给具体的 TiKV 节点，可以说是整个集群的“大脑”。

Storage Server：数据存储。

• TiKV Server：负责存储数据，从外部看 TiKV 是一个 Key-Value 存储引擎。存储数据的基本单位是 Region。TiKV 的 API 在 KV 键值对层面提供对分布式事务的原生支持，默认提供了 SI (Snapshot Isolation) 的隔离级别，这也是 TiDB 在 SQL 层面支持分布式事务的核心。TiDB 的 SQL 层做完 SQL 解析后，会将 SQL 的执行计划转换为对 TiKV API 的实际调用。所以，数据都存储在 TiKV 中。

• TiFlash：TiFlash 是一类特殊的存储节点。和普通 TiKV 节点不一样的是，在 TiFlash 内部，数据是以列式的形式进行存储，主要的功能是为分析型的场景加速。

简化为 PD -> TiDB -> TiKV 的架构：

---

3.TiDB 存储：

① 存储数据结构： Key-Value Pairs（键值对）：TiKV 选择的是 Key-Value 模型，并且提供有序遍历方法。

② 数据落盘方式： 本地存储 (RocksDB)：TiKV 没有选择直接向磁盘上写数据，而是把数据保存在 RocksDB 中，具体的数据落地由 RocksDB 负责（RocksDB 是由 Facebook 开源的一个非常优秀的单机 KV 存储引擎）。

③ 数据同步协议：Raft 协议：TiKV 利用 Raft 来做数据复制，每个数据变更都会落地为一条 Raft 日志，通过 Raft 的日志复制功能，将数据安全可靠地同步到复制组的每一个节点中。

④ 分布式存储解决方案：Region：以 Region 为单位，将数据分散在集群中所有的节点上，并且尽量保证每个节点上 Region 的数量差不多；以 Region 为单位做 Raft 的复制和成员管理。

---

---

二、clickhouse

参考：ClickHouse深度揭秘 - 知乎

ClickHouse 是一整套完善的解决方案，它自包含了 存储 和 计算能力，完全自主实现了高可用，而且支持完整的 SQL 语法。相比于 hadoop 体系，以数据库的方式来做大数据处理更加简单易用，学习成本低且灵活度高。

ClickHouse 的技术优势：

• 极致的查询性能；
• 低成本的海量存储： 列存、压缩，大幅提升单机数据存储和计算能力，大幅降低使用成本；
• 简单灵活且强大：完善 SQL 支持；提供 json、map、array 等数据类型；支持近似计算、概率数据结构等。

clickhouse 优势体现在 OLAP 场景

OLAP 场景的特点：

1、读多于写：数据分析通常是数据一次性写入后，分析师尝试从各个角度对数据做挖掘、分析，直到发现其中的商业价值、业务变化趋势等信息。

2、大宽表，读大量行但仅需少量列：数据分析时，选择其中的少数几列作为维度列、其他少数几列作为指标列，然后对全表或某一较大范围内的数据做聚合计算。这个过程会扫描大量的行数据，但是只用到了其中的少数列。

3、数据批量写入，且数据不更新或少更新：OLAP类业务数据量非常大，通常更加关注写入吞吐（Throughput），要求海量数据能够尽快导入完成。

4、无需事务，数据一致性要求低：OLAP类业务对于事务需求较少，通常是导入历史日志数据。

针对 OLAP 场景，clickhouse 的优势特点：

1、数据有序存储：ClickHouse 支持在建表时，指定将数据按照某些列进行 sort by。排序后相同 sort key 的数据在磁盘上连续存储，有序摆放。查询时命中的数据都紧密存储在一个或若干个连续的Block 中，大幅减少 IO，提高查询性能。

2、主键索引：ClickHouse 支持主键索引，它将数据按照 index granularity（默认8192行）进行划分，每个 index granularity 的开头第一行被称为 mark 行。主键索引存储该 mark 行对应的值。对于where 条件中含有主键索引的查询，通过对主键索引进行二分查找，减少查询时间。

3、有限支持delete、update：ClickHouse 没有直接支持delete、update操作。

4、列式存储：一条数据以列的形式存储，同一行为多条数据的同一个字段数据。同一字段的数据顺序存储到在一个或邻近的 block 中，对于大宽表的情况能减少 IO。

5、高吞吐写入能力：ClickHouse 在数据导入时全部是顺序写。

6、数据 Sharding：ClickHouse 支持单机模式，也支持分布式集群模式。

7、数据 Partitioning：ClickHouse 可以指定按照任意合法表达式进行数据分区操作。

---

---

三、hive

官网：Apache Hive

参考1：https://blog.csdn.net/l1212xiao/article/details/80432759

参考2：Hive是什么？_Apache Hive数据仓库介绍-AWS云服务

参考3：Hive架构及原理 - 知乎

1.什么是 Hive？

Apache Hive 是建立在 Apache Hadoop 基础之上，可实现大规模分析的分布式容错数据仓库系统。Hive 可以将结构化的数据文件映射为一张数据库表，让用户可以利用 SQL 读取、写入和管理 PB 级数据。

2.Hive 架构和如何运作？

Jobtracker 是 hadoop1.x 中的组件，它的功能相当于： Resourcemanager AppMaster

TaskTracker 相当于：  Nodemanager    yarnchild

· Hive 旨在让非程序员熟悉 SQL，并使用名为 HiveQL 的类似于 SQL 的界面对 PB 级数据进行操作。

· 传统关系数据库被用于对中小型数据集进行交互式查询，它在处理大型数据集时的表现并不理想。但 Hive 使用批处理，因此它可以快速操作非常大型的分布式数据库。

· Hive 会将 HiveQL 查询转换成在 Apache Hadoop 的分布式作业计划框架，即 Yet Another Resource Negotiator (YARN) 上运行的 MapReduce 或 Tez 作业。它会查询存储在分布式存储解决方案，如 Hadoop 分布式文件系统 (HDFS) 或 Amazon S3 当中的数据。

· Hive 将表元数据存储在数据库中，元数据包括(表名、表所属的数据库名、 表的拥有者、列/分区字段、表的类型（是否是外部表）、表的数据所在目录等）。

这篇好文章是转载于：学新通技术网