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 01:17:02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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
176
261
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
858
511
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182
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
258
298
ShopXO开源商城ShopXO开源商城
🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15
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
332
1.08 K
HarmonyOS-ExamplesHarmonyOS-Examples
本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371
note-gennote-gen
一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0
kernelkernel
deepin linux kernel
C
22
5