ClickHouse分布式IN & JOIN 查询的避坑指南
一、前言
当数据表包含多个分片的时候，我们需要将普通的本地查询转换为分布式查询。当然，这个转换动作是不需要用户自己进行的，在ClickHouse里面会由Distributed表引擎代劳。Distributed表引擎的定位就好比是一个分表的中间件，它本身并不存储数据，而是分片的代理，能自动的将SQL查询路由到每个分片。
当我们面对Distributed表引擎查询的时候，它主要为我们做了3件事情:
- 发起远程调用，根据集群的配置信息，从当前节点向远端分片发起Remote远程查询调用
- 分布式表转本地表，在发送远程查询时，将SQL内的 _all表 转成 _local表
- 合并结果集，合并由多个分片返回的数据
是不是这样就高枕无忧了呢?显然不是！
二、案例分析
在大多数时候，面向Distributed表的SQL写法与本地查询没有多大区别。但当我们执行 IN 或者 JOIN 查询的时候，一不小心就容易掉到坑里，因为这些查询子句会面对多张数据表。
为了便于演示，我们简化一下场景，用一个自查询的IN子句来解释说明，假设一张表的数据如下:
SELECT *
FROM test_query_local
┌─id─┬─repo─┐
│ 1 │ 100 │
│ 2 │ 100 │
│ 3 │ 100 │
│ 3 │ 200 │
│ 4 │ 200 │
└────┴──────┘
单机场景：
现在有一个统计的需求，找到同时拥有repo = 100 和 repo = 200的个数，那么它的查询SQL可能是下面这个样子
SELECT uniq(id) FROM test_query_local WHERE repo = 100
AND id IN (SELECT id FROM test_query_local WHERE repo = 200)这条语句目前在单机执行是没有问题的，id为3的数据同时拥有2个repo:
┌─uniq(id)─┐
│ 1 │
└──────────┘
分布式场景：
现在模拟分布式的场景，把这张表进行分片操作，将它们分布到CH5和CH6两个节点，且每个节点的数据数据如下:
CH5节点
test_query_local
┌─id─┬─repo─┐
│ 1 │ 100 │
│ 2 │ 100 │
│ 3 │ 100 │
└────┴──────┘
CH6节点
test_query_local
┌─id─┬─repo─┐
│ 3 │ 200 │
│ 4 │ 200 │
└────┴──────┘接着使用 分布式表 test_query_all 映射这2个分片。
那么，刚才的那条SQL应该怎么改？
第一种改法
将本地表 test_query_local 改成 分布式表 test_query_all
ch5 :) SELECT uniq(id) FROM test_query_all WHERE repo = 100 AND id IN (SELECT id FROM test_query_local WHERE repo = 200)
SELECT uniq(id)
FROM test_query_all
WHERE (repo = 100) AND (id IN
(
SELECT id
FROM test_query_local
WHERE repo = 200
))
┌─uniq(id)─┐
│ 0 │
└──────────┘
1 rows in set. Elapsed: 0.009 sec.你会发现返回的数据不对，进一步检查，原因是由 IN 子句引起的，因为它还在使用本地表 test_query_local。
这是什么原理呢？我们看下面这张图就明白了
由于分片的数据分布是不同的，所以数据没有查全。
第二种改法
在有了刚才的经验之后，现在把 IN 子句也替换成 _all 分布式表:
ch5: ) SELECT uniq(id) FROM test_query_all WHERE repo = 100 AND id IN (SELECT id FROM test_query_all WHERE repo = 200)
SELECT uniq(id)
FROM test_query_all
WHERE (repo = 100) AND (id IN
(
SELECT id
FROM test_query_all
WHERE repo = 200
))
┌─uniq(id)─┐
│ 1 │
└──────────┘从返回结果来看，这次好像没问题了。
为什么这样能返回正确的结果呢? 如下图所示:
站在CH5节点的视角，在SQL语句 _all 转 _local后，在CH5本地会执行下面的语句：
SELECT uniq(id) FROM test_query_local WHERE repo = 100
AND id IN (SELECT id FROM test_query_all WHERE repo = 200)注意，IN 子句此时是分布式表 test_query_all，所以它又转成了下面的形式，分别在CH5本地和CH6远端执行：
SELECT id FROM test_query_local WHERE repo = 200讲到这里就应该很清楚了，因为 IN子句 单独发起了一次分布式查询，所以数据查不全的问题被解决了。
还有什么"坑" 吗? 当然有啦 !!
现在站在CH6节点的视角，SQL在CH5被 _all 转 _local后，会向CH6节点发起远程查询调用。
SELECT uniq(id) FROM test_query_local WHERE repo = 100
AND id IN (SELECT id FROM test_query_all WHERE repo = 200)注意 IN 子查询，由于它是分布式表 test_query_all，所以它又会向集群内其他分片发起分布式查询。
这就是分布式查询的放大问题，放大次数是 N的平方(N = 分片数量)。所以说，如果一张表有10个分片，那么一次分布式 IN 查询的背后会涉及100次查询，这显然是不可接受的。
第三种改法
查询放大怎么解决呢? ClickHouse为我们提供了解决方案，继续改造刚才的语句，增加 GLOBAL修饰符:
SELECT uniq(id) FROM test_query_all WHERE repo = 100
AND id GLOBAL IN (SELECT id FROM test_query_all WHERE repo = 200)增加了 GLOBAL 之后查询会有什么变化呢?
在使用了 GLOBAL 之后，整个分布式查询的流程又发生了变化，我们看下面这张图：
首先，将 GLOBAL 修饰的子句，单独进行了一次分布式查询;
接着，将子句的结果汇总后，用内存临时表保存;
最后，直接将临时表分发至每个分片节点，从而避免了查询放大的问题。
三、总结
对于分布式JOIN查询而言，其执行逻辑和 IN查询是一样的，它们唯一的区别是分发的语句不同，例如：
当执行 IN子句的时候，是将IN子句提取，发起分布式查询:
GLOBAL IN (SELECT id FROM test_query_all WHERE repo = 200)IN子句 _all 转 _local，分发到每个分片执行，再汇总：
#分布式执行
SELECT id FROM test_query_local WHERE repo = 200
当执行JOIN子句的时候，是将右表提取，发起分布式查询：
SELECT * FROM test_query_all AS t1
GLOBAL JOIN test_query_all AS t2 ON t1.id = t2.id右表 _all 转 _local，分发到每个分片执行，再汇总：
#分布式执行
SELECT id, repo FROM default.test_query_local
好了，现在总结一下，当执行分布式JOIN 或者IN 查询的时候，会碰到几种问题:
-
1、查询不全，由于分片的数据不均，会出现查询数据不全的问题，所以JOIN表和 IN子句 也要使用 _all 分布式表;
2、查询放大，由于JOIN表 和 IN子句 也是 _all 分布式表，所以每个分片又会向其他远端的分片发起分布式查询，最终的查询次数是 N 的平方(N=分片数量);
-
3、解决思路，使用 GLOBAL IN 和 GLOBAL JOIN 可以避免查询放大的问题。