本文主要讲述ClickHouse中的数据存储结构，包括文件组织结构和索引结构，以及建立在其基础上的数据过滤机制，从分Part裁剪到Mark裁剪，最后到基于SIMD的行过滤机制。
数据过滤机制实质上是构建在数据存储格式之上的算法，所以在介绍过滤机制前先介绍下ClickHouse中数据存储格式。
PS：本文基于ClickHouse v24.1
最后更新于：2024-08-27
一、数据存储的目录结构
ClickHouse数据存储在目录结构上采用大数据系统常见的分区，然后分区内在进行细分文件的方式。
表中的数据首先按照分区键被划分为多个分区，分区键常采用日期的方式，比如下图中按照月份分区。每次数据批量插入形成一个最小的存储单元，ClickHouse中称为Part，Part归属于某一个分区。
ClickHouse中一个表的所有分区的所有Part放在同一个目录中，Part所属的分区可以根据Part名进行区分，Part的命名方式如下：
partition-id _ min-id _ max-id _ levelPart目录内部文件组织形式如下：
primary.idx – 是主键索引文件，记录了每个Mark对应的主键索引值，整个数据集一个.idx文件
[Column].mrk – 记录Mark(Mark在索引结构中介绍)对应的数据在数据文件（.bin文件）中的offset，用于根据Mark定为到数据位置，每个列一个.mrk文件。
[Column].bin – 真实数据文件，每个列一个.bin文件
checksums.txt – part checksum文件，用于校验数据完整性
columns.txt – 元数据，记录列名以及数据类型
count.txt – 元数据，记录该Part总行数，可以用于加速count(*)查询
partition.dat – 分区表达式
minmax_[Column].idx – 某一个列的最大最小值，可以用于加速查询，分区键固定有一个最大最小索引，用于分区裁剪
statistics_(column_name).stat – 列的统计信息，用于查询加速
二、索引结构
每个part形成一个完整的索引结构，整体上Clickhouse的存储是列式的，每个列单独存储（compact模式将多个文件合并成了一个，但本质上是一样的）。Clickhouse索引的大致思路是：首先根据索引列将整个数据集进行排序，这点类似MySQL的联合索引；其次将排序后的数据每隔8192行选取出一行，记录其索引值和序号，并形成稀疏索引，这个序号在Clickhouse中序号被称作Mark，也就是说Mark表示一组数据。
下图是一个二维表（date, city, action）的索引结构，其中（date,city）是索引列，整个part文件的宏观结构如下：
那么查询如何使用索引呢？以下查询为例：
select count(distinct action) where date=toDate(2020-01-01) and city=’bj’- 查找primary.idx并找到对应的Mark集合（即数据block集合）
- 对于要读取的每个列根据.mrk文件定位到Mark对应在数据文件.bin中的数据offset
- 读取到对应的数据，供后续计算
以上为宏观步骤，下面会介绍其具体原理。
三、何时使用索引
在SQL编译阶段，初始化执行Pipeline的时候，ClickHouse会分析待查询的数据，目标是解析出需要读取哪些Part的哪些Mark列表。解析结果如下所示的AnalysisResult。在真正执行的时候，Scan算子直接读取这些Mark列表对应的数据。
struct AnalysisResult
{
RangesInDataParts parts_with_ranges; // 最终要扫描的Part列表，以及每个Part的扫描范围（range）
Names column_names_to_read; // 需要读取那些列
// 以下是一些统计信息
UInt64 total_parts = 0; // Parts总数
UInt64 selected_parts = 0; // 命中的Part数量
UInt64 selected_ranges = 0; // 命中的range数量
UInt64 selected_marks = 0; // 命中的marks总数
UInt64 selected_rows = 0; // 命中的marks包含的总数据行数
};关键堆栈：
ReadFromMergeTree::selectRangesToRead
ReadFromMergeTree::getAnalysisResult()
ReadFromMergeTree::initializePipeline
QueryPlan::buildQueryPipeline
InterpreterSelectWithUnionQuery::execute()
executeQuery四、KeyCondition
在介绍如何使用索引前，先介绍下其核心算法KeyCondition。KeyCondition对外提供的语义是检查一个范围矩阵是否可以满足过滤条件。首先在构建KeyCondition的时候有两个必要参数，一个是过滤条件语法树这是过滤的主体，另一个是keys表示在判断是否满足的时候只关心这些列。然后当使用KeyCondition的时候，用户需要传入一个keys范围矩阵，来判断该范围矩阵是否满足过滤条件分。
范围矩阵是keys的范围数组，比如：c1,c2,c3三个主键列构成的一个范围矩阵可以是[[a, b], [1, 1], [x, x]]，当用户进行Mark裁剪的时候，会生成范围矩阵然后判断该范围矩阵是否满足条件。又比如常用的时间分区构成的一个范围矩阵可以是[[2023-11-22, 2023-11-22]]，当用户进行分区裁剪的时候，遍历每个分区构建范围矩阵，然后判断该分区是否满足条件。
满足过滤条件分三种情况，1范围矩阵中的数据全部满足过滤条件，2部分满足，3全部不满足。为表示以上三个语义ClickHouse设置了一个数据结构 BoolMask {can_be_true, can_be_false}，它的{true, false}、{true, true}、{false, true}三个值对应以上三种语义。
KeyCondition的核心是RPN表达式，相对于中缀或者其他的表示方式，RPN的优势是计算简单，计算的时候使用栈，在碰到操作符的时候从栈顶弹出操作数就可以完成子表达式的计算，进而完成整个表达式的计算。
通过类比能够更好的理解在过滤场景中如何使用RPN，上图展示了RPN在四则运算法则和过滤两个场景中的使用情况，两种场景中唯一的区别是结果类型不一样，一个是number，一个是BoolMask {can_be_true, can_be_false}。更多关于RPN请参考wiki。
五、如何使用索引
1. Part裁剪
Part裁剪的目的是一次性过滤整个Part文件，只保留可能包含目标数据的Part。ClickHouse中的Part裁剪过程中会构建两个KeyCondition。其中一个被称为minmax_idx_condition，主要用于根据分区列的最大值和最小值进行Part过滤。minmax_idx_condition的keys为构成分区键对应的原始列，比如分区键为toDate(date_time)，那么它的key为date_time列，后续进行过滤的时候传入的也是date_time对应的值组成的范围矩阵。下图展示了minmax_idx_condition的工作原理。
另一个被称为partition_pruner，主要用于过滤分区。partition_pruner的key为分区表达式组成的列，比如分区键为toDate(date_time)，那么它的key为toDate(date_time)，后续进行过滤的时候传入的是分区对应的值组成的范围矩阵。下图展示了partition_pruner的工作原理。
Part裁剪的主要逻辑位于：MergeTreeDataSelectExecutor::selectPartsToRead，大家可以自行参阅：
for (size_t i = 0; i < prev_parts.size(); ++i)
{
if (!minmax_idx_condition->checkInHyperrectangle( // 基于分区键的列的最大最小值索引，进行Part裁剪
part->minmax_idx->hyperrectangle, minmax_columns_types).can_be_true)
continue;
if (partition_pruner->canBePruned(*part)) // 基于分区表达式，进行Part裁剪
continue;
parts.push_back(prev_parts[i]);
}2. Mark裁剪
过滤完Part后会进一步进行Mark过滤，首先回顾下什么是Mark，在一个Part内部数据按照主键进行排序，然后每隔8192行数据将数据进行分组，这个分组id就被称为Mark，Mark表示一组按照主键有序的数据。
ClickHouse索引过滤的最小粒度就是Mark。下图展示了c1,c2,c3三个列组成主键的一个Part的数据结构以及Mark过滤的流程。
对于一个part文件，由1-n的连续mark区间组成，Mark裁剪就是去除不能满足查询条件的子区间。
如果查询条件代表的Mark区间是单一且连续的区间，比如：where c1='a'那么对于mark的裁剪可以通过二分法查找这个单一区间的上下界。
如果不是单一连续区间，比如：where c2='2'，那么采用排除法排除，逐步分割mark区间，排除不能满足条件的子区间。
在Mark裁剪过程中输入的是一个MarkRange，比如：[2, 5]，输出的是一系列的MarkRange，那么如何使用KeyCondition呢？
因为KeyCondition进行判断的时候输入的是主键列的范围矩阵，所以需要先将MarkRange转换成范围矩阵。将MarkRange转换成范围矩阵，相当于将多维空间的范围转换为一维空间的范围，所以转换出来的范围矩阵可能有多个，这里不做过多讨论，有兴趣可以参考：KeyCondition::forAnyHyperrectangle方法。
MarkRange [2, 5]转换成的范围矩阵其中一个为：[[a, a], [1, 1], [z, +inf]]，下图展示了KeyCondition裁剪Mark的工作原理：
至此我们过滤出来了一系列的mark，同时数据存储结构和索引在过滤过程中的使命也完成了。接下来需要过滤每个mark中的Row。
六、Row过滤
Row过滤发生在查询执行阶段。ClickHouse中Row过滤也是按照batch的方式进行，该batch在ClickHouse内部被称为Chunk，它大小可能与Mark不同。ColumnVector::filter记录了数值类型的列过滤的主要逻辑（其它列过滤思路大同小异）。
1. 生成Filter Mask：
首先对根据过滤条件给一个Chunk的数据生成一个Filter Mask，Filter Mask是一个行数等于Chunk大小的UInt8数组，数组中只有2个值，其中0表示该行的数据不符合过滤条件，1表示符合。
2. Filter column by Filter Mask：
根据Filter Mask进行数据过滤，过滤的过程中使用到了SIMD技术进行优化，具体流程如下：
首先将数据按照64个的粒度为一组，按照组的粒度进行处理，然后将byte mask转换成bit mask，参考函数：bytes64MaskToBits64Mask，转换后的bit mask可以直接用一个UInt64表示。
对于每个分组按照数据分布的不同情况分别进行过滤
1）如果bit_mask等于0，也就是该分组的bit mask全0，直接忽略该分组
2）如果bit mask 全1，将整个分组复制到结果集中
3）[0]+[1]+或者[1]+[0]+，将byte maskt中连续1的区间复制到结果集
3. Filter column by Filter Mask version 2
过滤部分ClickHouse提供了一个SIMD的版本（使用AVX512指令集）。依然将数据按照64个的粒度为一组，按照组的粒度进行处理，然后将byte mask转换成bit mask，对于每个分组按照数据分布的不同情况分别处理
1）如果bit mask 全0，直接忽略该分组
2）bit mask 全1，将整个分组复制到结果集中，使用向量化方法批量进行复制
_mm512_storeu_si512(reinterpret_cast(&res_data[current_offset + i]),
_mm512_loadu_si512(reinterpret_cast(data_pos + i)));3）其它情况，使用向量化函数_mm512_mask_compressstoreu_epi8，根据mask将数据拷贝到结果集中
4. 过滤结尾部分
5. Row过滤优化总结
1 为什么使用Filter Mask？
1）过滤多个列的时候可以复用Filter Mask；2）便于使用SIMD指令
2 为什么分组处理？
因为ClickHouse数据按照主键排序，很多情况下数据按照某些列局部有序，过滤的时候可将整个分组过滤掉或者命中的概率比较大，这样相比单个行的处理方式，在处理过程中没有判断，消除了分支预测失败的场景，避免CPU执行流水线被破坏，同时增大指令与数据缓存的命中率，这也是过滤高性能的核心设计点。
3 是不是使用位宽越大的SIMD指令集越好，比如AVX512一定快于SSE2？
大多数场景下是的，但是在过滤场景中不是的。因为增大位宽，那么分组大小也会相应增大，分组越大全零或者全一的概率越小，那么过滤整个分组的概率越小，所以需要看数据分布情况。
本作品采用 知识共享署名 4.0 国际许可协议 进行许可， 转载时请注明原文链接。