Jitsu与ClickHouse集成中的ReplacingMergeTree引擎数据删除问题解析

问题现象

在使用Jitsu v2.8.0与ClickHouse数据库集成时，用户发现了一个异常现象：通过HTTP API发送的事件数据能够正确写入ClickHouse的目标表中，但几分钟后这些数据却神秘消失了。更奇怪的是，所有事件数据都出现在了"tracks"表中，但在分表中要么未被插入，要么被删除。

根本原因分析

经过深入调查，发现问题源于ClickHouse的ReplacingMergeTree表引擎特性。ReplacingMergeTree是ClickHouse中一种特殊的表引擎，它与常规MergeTree引擎的主要区别在于会自动删除具有相同排序键值的重复条目。

关键点在于：

1. Jitsu早期版本使用的排序键是eventn_ctx_event_id
2. 新版本Jitsu改为使用message_id作为排序键
3. 当新数据写入旧表结构时，eventn_ctx_event_id字段为空
4. ClickHouse后台合并过程会将这些"重复"的空键值记录删除

技术背景

ReplacingMergeTree引擎的数据去重机制有几个重要特点：

1. 去重仅发生在后台合并过程中，时间不可预测
2. 去重依据是ORDER BY定义的排序键，而非PRIMARY KEY
3. 如果排序键值为空或相同，记录可能被意外删除

解决方案

针对这一问题，可以采用以下解决方案：

1. 数据转换函数：在Jitsu连接配置中添加JavaScript转换函数，将新字段映射到旧字段：

export default async function(event, { log, fetch, props: config }) {
  return {
    ...event,
    properties: {
        ...event.properties,
        eventn_ctx_event_id: event.messageId,
        _timestamp: event.timestamp
    }
  }
}

2. 调整主键设置：将连接的主键明确设置为eventn_ctx_event_id，保持与旧表结构一致

3. 表结构迁移：对于长期解决方案，建议将表结构迁移到新版本的标准，统一使用message_id作为排序键

最佳实践建议

1. 版本升级注意事项：在升级Jitsu版本时，应检查表结构变化，特别是排序键和主键的变更

2. 数据一致性检查：实施监控机制，验证数据是否按预期保留在ClickHouse中

3. 明确排序策略：在设计ClickHouse表结构时，应仔细考虑排序键的选择，避免使用可能为空的字段

4. 测试验证：在正式环境部署前，应在测试环境中验证数据保留行为

通过理解ClickHouse引擎特性和Jitsu的集成机制，可以有效避免这类数据丢失问题，确保数据分析管道的可靠性。