《大规模分布式计算深入解析》9.2 Projection:表内部组织与优化器选择

24.8 的 Projection 可为表内数据提供不同排序或预聚合布局,和独立目标表的增量物化视图不同。可用性取决于查询覆盖列、谓词、聚合匹配、已有 part 是否物化及版本限制,优化器不是只按 ORDER BY 字符串选同名副本。

Projection:表内部组织与优化器选择

24.8 的 Projection 可为表内数据提供不同排序或预聚合布局,和独立目标表的增量物化视图不同。可用性取决于查询覆盖列、谓词、聚合匹配、已有 part 是否物化及版本限制,优化器不是只按 ORDER BY 字符串选同名副本。

机制与确认边界

投影增加写入和存储成本;查询可选择主表或适合的投影,实际路径以 EXPLAIN 和日志为准。不能将后来版本的轻量 _part_offset 投影能力倒灌为本卷版本。mutation、删除、FINAL 与投影组合也要查看具体支持与设置。

实现与验证范围

原生先建立并 MATERIALIZE 指定投影,在固定输入下保存 EXPLAIN;模型 chooseProjection 只根据显式覆盖性与估计读取量选择候选,不是产品优化器。普通预聚合表没有因为存在相同列就自动获得透明查询改写。

本章共享图解见 9.1 的机制图 ,其中的状态与确认点需和本节一起阅读。

复现与资料

下载本卷实验包 ,按 README 运行 Java 8 lab.RunAll。单节点原生运行 clickhouse-probe.sh,多分片与复制实验运行 clickhouse_cluster.py;每个脚本仅把实际执行并断言的场景记为实测。外部源、真实 Kafka、TTL 介质、TPC-H 和未测版本的功能不包含在这些结果中。

卷十二目录 · 系列导读

继续阅读

探索更多技术文章

浏览归档,发现更多关于系统设计、工具链和工程实践的内容。

全部文章 返回首页

「books」更多文章

  1. 《大规模分布式计算深入解析·向量数据库与 AI 检索内核》 · 目录与学习路径(45 篇)
  2. 《大规模分布式计算深入解析》15.3 自研向量引擎:可执行骨架与工程缺口
  3. 《大规模分布式计算深入解析》14.1 Milvus:组件架构、段管理与检索链路