MySQL是世界上最流行的开源数据库，也是OLTP界的顶流，但是对于OLAP分析型业务场景的能力太弱。ClickHouse是最近几年数仓OLAP分析查询领域的黑马，当红炸子鸡，有意思的是天然兼容MySQL语法。所以很多用户喜欢OLTP放MySQL，OLAP放ClickHouse，中间加一层数据同步，称之为HTAP黄金搭档。
Squids DBMotion是在线数据迁移SaaS服务，也可以docker run一键式本地化运行。对于MySQL迁移同步到ClickHouse，提供了结构迁移/全量初始化/增量同步/数据校验功能支持，并且为实时数据同步提供了精准一致性查询视图。里面一些功能点的设计，可以分享给大家，供参考。
▌全量初始化性能
ClickHouse全量初始化，往往是最耗时的，一般迁移工具都会采用多线程并发模式去拉取源端数据，然后并发load到目标端，多线程可以是行级并发或表级并发，DBMotion是采用的行级并发，因为如果有一些超大表，表级并发会受限于这些大表，我们处理的流程大致如下：
编辑
- dbmotion核心模块会设定迁移任务的工作线程数，表数据切片行数split-rows，fetch批次大小等配置
- 每张表，根据总行数，split-rows估算出切片数量，根据PK/唯一键或时间/数据字段，计算每个分片的where边界，最终会获得一张切片list
- 将切片均匀分发给多线程去消费，每个线程负责这个切片的数据拉取和数据装载，直到所有切片都完成
一般我们切片大小设置为50000行，如果是超小表不足一个切片，这个线程会立刻完成，再处理其他切片，经过实际测试，每个线程的处理工作是比较均匀的，吞吐量基本可以打满主机网卡（生产注意流控）。
▌全量断点续传
只说增量需要断点续传，现在全量也要断点续传？其实这个需求是非常合理的，比如说一张表有5千万行，我初始化了4995万行的时候，机器网络抖了下，失败了，就差这5万行了，难道重新来一遍？
写过SQL的知道，游标fetch数据时，你是不知道他具体到了表的哪一行的，重新查询是没法从断点开始的。不过得益于全量切片的并发设计，我们保留了每一个切片的元数据，对于切片数据同步的行数，状态做了异步刷新。当一个迁移任务重新运行时，可以只处理失败的切片。由于切片粒度一般是50000行以内，少量失败切片处理起来会非常快，这个基本类似故障的断点续接了。
编辑
▌ClickHouse增量同步
MySQL增量数据的获取都是基于binlog event解析，根据他的前印象后印象，拼凑同步SQL，中间引入并发线程消费，控制好进度位点，DDL对齐，操作幂等，基本不会有什么问题。但是这套方式换到ClickHouse就很成问题，因为ClickHouse的常用存储引擎是LSM结构的MergeTree，而且是列存储，适合大批量插入，不适合update和delete。
你看他的update语句都是alter xxx update xxx = xxx,这种反常态的语法，骨子里就是要你别更新，别删除。而MySQL的增量数据，就是离散的I/U/D，没法控制的。如果硬套上ClickHouse的DML语法，同步性能是暴差的，也会引起很多无谓的part合并，所以我们是结合ClickHouse的ReplacingMergeTree解决了这个问题。
编辑
- binlog解析的所有数据，无论是u/d/i，都拼凑成insert语句，新增版本和event类型两个隐含字段，所有的DML都是以插入方式到达CK，适当的积累下批量，性能指标会很不错
- 同一行数据，会因为更新删除而产生多行数据，ReplacingMergeTree的分区合并会自动滤重，保留最新版本的数据，而这个版本号是我们按照事务操作的顺序投放进来的，合乎逻辑
- D类型的数据，DBMotion会有后台任务异步批量处理
- 如果要使用partition分区，需要注意一点，ReplacingMergeTree只能保证一个分区内的合并去重，多分区需要保证分区维度和主键维度的一致性，否则最终结果会是重复的
▌查询一致性
对于上述经过增量同步的表，如果业务需要使用，还是得写段SQL的，重复数据，取其中版本最大的一条，并过滤掉Delete类型的数据。如果每张表你都要套这么大的SQL，会很麻烦，在此DBMotion会自动为同步表提供了查询视图，相信ClickHouse强悍的计算能力，处理这种分析函数，是so easy的。
编辑
▌最快的ClickHouse数据装载姿势
MySQL到CK，只是分析数据的冰山一角，很多页面、事件、日志、用户行为数据才是最大量的。要知道CK的主业，是根据分析师的模型跑大SQL，数据装载入库是迫不得已的副业。CK为这个副业也是绞尽脑汁，提供了很多方法。最有意思的当属clickhouse-local，官方文档对这个工具的解释是你无需安装启动clickhouse server端，仅仅用clickhouse-local就可以解析处理本地文件，它和clickhouse server有相同的核心。
我们可以看看下面的示例：
echo "1t2023-4-21n2t2024-12-04n3t2025-9-07"|
clickhouse-local -S "id Int64,thetime String" -N "cktable"
-q "CREATE TABLE cklocal (id Int64,thetime Date) ENGINE = MergeTree()
PARTITION BY toYYYYMM(thetime) ORDER BY id;
INSERT INTO TABLE cklocal SELECT id,thetime FROM cktable;" --path /mydir然后看看/mydir下出现了什么：
# ls -l /mydir
total 0
drwxr-xr-x. 4 root root 34 Apr 20 14:52 data
drwxr-xr-x. 4 root root 150 Apr 20 14:52 metadata
drwxr-xr-x. 3 root root 17 Apr 20 14:52 store
drwxr-xr-x. 2 root root 6 Apr 20 14:52 user_definedclickhouse-local可以直接将输入数据生成clickhouse server可以识别的数据文件，而这些数据文件挂载到server端，是直接能用的。
按照这个思路，我们可以将clickhouse-local分发给应用端，由他们事先生成好数据文件。这样算力消耗就分散在众多的业务机器，而不是服务端。后面再将这些文件，按照一定的规则上传copy到server端并挂载，从而实现了海量数据的快速装载。
从小编的使用经验看，clickhouse的内功是相当不错的，丰富的存储引擎，高压缩列存，数据预处理，强大的功能函数，爆表的性能等等，但外功就不是一般的差劲。运维管理一个多副本，分布式集群还是要花相当的功夫的，数据扩容伸缩也很原始。如果这些短板一直存在，后续被rockstar反超应该不会太久。最后来句硬广：上squids.cn，品全网ZUI低价数据库云服务，也包含ClickHouse哦！
更多内容请关注“云原生数据库”
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
机房租用，北京机房租用，IDC机房托管， http://www.e1idc.net
