首页
/ ClickPy项目中的ClickHouse数据库设计与优化实践

ClickPy项目中的ClickHouse数据库设计与优化实践

2025-06-30 13:01:36作者:尤峻淳Whitney

项目概述

ClickPy是一个基于ClickHouse的分析项目,专门用于处理Python包索引(PyPI)的下载数据。该项目通过精心设计的数据库结构和物化视图,为PyPI下载数据提供了高效的分析能力。本文将深入解析ClickPy项目的数据库设计思路和技术实现。

数据库基础设计

默认数据库配置

ClickPy默认使用名为pypi的数据库,创建语句如下:

CREATE DATABASE pypi

核心数据表结构

PyPI下载数据表的设计考虑了数据特性和查询需求,仅保留了必要的字段:

CREATE OR REPLACE TABLE pypi.pypi
(
    `date` Date,
    `country_code` LowCardinality(String),
    `project` String,
    `type` LowCardinality(String),
    `installer` LowCardinality(String),
    `python_minor` LowCardinality(String),
    `system` LowCardinality(String),
    `version` String
)
ENGINE = MergeTree
ORDER BY (project, date, version, country_code, python_minor, system)

设计特点:

  • 使用LowCardinality类型优化低基数字符串存储
  • 主键排序设计考虑了常见查询模式
  • 去除了源数据中不必要的字段,减少存储和计算开销

物化视图体系

ClickPy构建了一套完整的物化视图系统,实现数据的预聚合和实时分析。

基础聚合视图

  1. 总下载量视图:按项目聚合总下载次数
  2. 版本下载量视图:按项目和版本聚合下载次数
  3. 每日下载量视图:按项目和日期聚合下载次数
CREATE TABLE pypi.pypi_downloads
(
    `project` String,
    `count` Int64
)
ENGINE = SummingMergeTree
ORDER BY project

多维分析视图

项目设计了多个维度的分析视图,满足不同分析需求:

  1. 地域维度:按国家/地区分析下载情况
  2. 技术维度:按Python版本、系统类型分析
  3. 时间维度:按日、月分析下载趋势
  4. 安装维度:按安装工具类型分析
CREATE TABLE pypi.pypi_downloads_per_day_by_version_by_country
(
    `date` Date,
    `project` String,
    `version` String,
    `country_code` String,
    `count` Int64
)
ENGINE = SummingMergeTree
ORDER BY (project, version, date, country_code)

特殊分析视图

  1. 首末次下载时间:记录每个项目的首次和最后一次下载时间
  2. 近6月月度下载:专注于最近半年的下载趋势分析
CREATE TABLE pypi.pypi_downloads_max_min
(
    `project` String,
    `max_date` SimpleAggregateFunction(max, Date),
    `min_date` SimpleAggregateFunction(min, Date)
)
ENGINE = AggregatingMergeTree
ORDER BY project

项目元数据表

除了下载数据,ClickPy还维护了一个项目元数据表,包含PyPI项目的详细信息:

CREATE TABLE pypi.projects
(
    `metadata_version` String,
    `name` String,
    `version` String,
    `summary` String,
    `description` String,
    -- 省略其他字段...
    `upload_time` DateTime64,
    `filename` String,
    `size` Int64
    -- 省略其他字段...
)
ENGINE = MergeTree
ORDER BY name

该表可通过公开的Parquet文件直接导入数据。

字典优化

ClickPy使用字典技术优化了频繁访问的数据:

  1. 国家代码字典:将国家代码映射为国家名称
  2. 项目最后更新时间字典:缓存项目的最后更新时间
CREATE DICTIONARY countries_dict
(
    `name` String,
    `code` String
)
PRIMARY KEY code
SOURCE(CLICKHOUSE(TABLE 'countries'))
LIFETIME(MIN 0 MAX 300)
LAYOUT(COMPLEX_KEY_HASHED())

设计亮点总结

  1. 存储优化:广泛使用LowCardinality类型和合适的排序键
  2. 查询优化:通过SummingMergeTree引擎实现高效聚合
  3. 实时分析:物化视图体系保证分析查询的快速响应
  4. 维度丰富:支持多维度、多层次的下载数据分析
  5. 数据完整:同时维护下载数据和项目元数据

这套设计为PyPI数据分析提供了高性能的基础设施,能够支持从宏观趋势到微观细节的各种分析需求。

登录后查看全文
热门项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
143
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
929
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8