编程 ClickHouse 深度实战：把千亿行数据跑进亚秒级——从 MergeTree 列式内核到生产级 OLAP 架构全链路拆解

2026-08-16 10:13:11 +0800 CST views 12

ClickHouse 深度实战：把千亿行数据跑进亚秒级——从 MergeTree 列式内核到生产级 OLAP 架构全链路拆解

程序员视角，实用主义。本文不堆术语，只讲清楚一件事：为什么 ClickHouse 能在单机把千亿行数据聚合压进亚秒级，以及你上线前必须踩对的那些坑。全部带可运行代码。

一、背景介绍：当「数」变成洪水

先讲一个真实的起点。2016 年之前，Yandex 内部有一个叫 Metrica 的产品——可以理解为「俄罗斯版 Google Analytics」，每天要处理数百亿条网页事件，还要让运营在网页上点一下就能看到「过去 1 小时哪个页面掉量了」「昨天的新用户留存曲线」。

这种需求有一个共同特征：写多、读少、但读的时候要扫海量行、算一个聚合。这正是 OLAP（联机分析处理）的典型画像，和 OLTP（订单、转账、库存）是两套完全不同的物理世界。

很多团队的第一反应是「我 MySQL 很熟，加几个索引不就行了？」——然后被现实教做人：

行式存储里，一行里塞了 id、name、status、amount、remark……你只想 SELECT SUM(amount)，却必须把整行从磁盘搬进内存再丢弃 90% 的字段。数据量一大，I/O 直接爆炸。
B+Tree 索引擅长「点查一条 / 一小段」，但 GROUP BY 扫全表时，索引基本帮不上忙，优化器往往选择全表扫描。
即使上大内存，单机行存的分析查询在十亿行量级就已经开始以「分钟」计。

ClickHouse 就是为这种场景生的：一个用 C++ 写的列式存储 OLAP DBMS，2016 年由 Yandex 开源，把 Metrica 那套内部引擎公开了出来。它的设计哲学非常极端且一致：

为了查询快，可以牺牲写入灵活性与一致性；为了扫得多，宁可后台慢慢整理数据。

这套哲学落到工程上，就是后面要拆的：列存、稀疏主键、后台 merge、向量化执行、极致并行。它不是「又一个数据库」，而是一种为分析而重新发明的数据布局。

本文基于 ClickHouse 26.7（2026-08 稳定版，26.3 为 LTS 线）展开，所有示例均可直接复制运行。

二、核心概念：MergeTree 这台「列式引擎」到底在想什么

ClickHouse 有 20 多种表引擎，但 99% 的生产表都建立在 MergeTree 家族之上。理解 MergeHouse，先理解 MergeTree。

2.1 列存：不是「把列分开存」那么简单

行存（MySQL/Postgres）在磁盘上是「一行挨一行」：

| id | name | amount | ts |
| 1  | 张三 | 100    | 10:01 |
| 2  | 李四 | 200    | 10:02 |

列存（ClickHouse）是「一列一个文件」：

id   : [1, 2, 3, 4, ...]
name : [张三, 李四, 王五, ...]
amount: [100, 200, 150, ...]
ts   : [10:01, 10:02, ...]

好处有两层，而且都和「分析」强相关：

I/O 局部性：SELECT SUM(amount) 只读 amount 那个文件，其他列完全不碰。在宽表（几十上百列）上，这直接把磁盘读取量砍掉一个数量级。
压缩率：同一列的数据类型一致、取值范围相近（比如 amount 都在 0~~10000 之间、ts 是单调递增的时间戳），压缩算法能吃得很饱。ClickHouse 默认用 LZ4，列存下常见压缩比 3~~10x。

2.2 Parts 与 Merge：写时 append，读前整理

ClickHouse 写入不是「原地改一行」，而是：

每次 INSERT（或一大批）会形成一个 data part（数据片段），整体顺序写入磁盘，part 内部不可变。
后台有一个 merge 线程，像 LSM-Tree 的 compaction 一样，把多个小 part 按 ORDER BY 排序后合并成更大的 part。

这个模型带来两个关键结论：

写入极快：全部是顺序 append，HDD 上也能轻松吃到 50MB~200MB/s 的吞吐。
主键不是唯一的：因为 part 是各自独立的，同一个主键可能出现在多个 part 里。ClickHouse 不保证「主键唯一」，去重要靠 ReplacingMergeTree 或查询时 FINAL/argMax。

2.3 ORDER BY 就是一切：稀疏主键与 granule

这是 ClickHouse 最容易劝退新人的点，也是性能的核心开关。

CREATE TABLE events
(
    event_date Date,
    user_id    UInt64,
    event_type LowCardinality(String),
    amount     Float64,
    timestamp  DateTime64(3)
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(event_date)
ORDER BY (event_date, user_id, event_type)

要点：

ORDER BY 是排序键：数据在 part 内按它排序存储。它默认同时就是主键（primary key）。
你可以单独写 PRIMARY KEY (event_date, user_id)，但它必须是 ORDER BY 的前缀。主键负责建索引，ORDER BY 负责物理排序，通常让主键 = ORDER BY 的前几列即可。
ClickHouse 的主键是稀疏索引（sparse index）：每 index_granularity（默认 8192）行抽一个标记（mark），记录这一「颗粒（granule）」的第一行 ORDER BY 值。它不指向单行，而是指向「这一整个颗粒」。

查询时发生了什么？假设 WHERE event_date = '2026-08-16' AND user_id = 123：

先用 PARTITION BY 砍掉无关月份的分区（分区裁剪）。
在存活分区里，用稀疏主键二分查找，找出 event_date=2026-08-16 AND user_id=123 覆盖的 mark 区间。
只读取落在这些 mark 区间里的 granule，其余整个跳过。

这就是 ClickHouse 所谓的「数据跳过（data skipping）」——它不靠逐行索引，而是靠「主键前缀 + 稀疏 mark」在毫秒级定位到要扫的那一小撮颗粒。所以：ORDER BY 设计得越贴合你的 WHERE，扫描的行就越少，查询越快。

2.4 压缩codec：在 LZ4 之前先「变形」

ClickHouse 允许给每个列单独指定压缩链。一条 codec 规则是「专用 codec 在前、通用 codec 在后」：

CREATE TABLE metrics
(
    ts     DateTime64(3) CODEC(Delta, ZSTD(1)),  -- 时间戳：先存差值，再 ZSTD
    value  Float64       CODEC(Gorilla, ZSTD(1)),-- 浮点：Gorilla 对相近浮点极省
    status UInt8         CODEC(ZSTD(3)),
    payload String
)
ENGINE = MergeTree
ORDER BY ts

语义：

Delta：对单调递增/近似单调的整数、时间戳存「相邻差值」，压缩率惊人。
Gorilla：Facebook 提出的浮点压缩，对变化平缓的时序指标（CPU、QPS）能压到几比特/值。
DoubleDelta、T64、FPC、GCD：针对时序、整数、小数的专用变体。
专用 codec 处理完，再用 LZ4/ZSTD(n) 做通用压缩（n 越大压得越狠、越慢）。

经验法则：时间戳、单调 ID 用 Delta；指标用 Gorilla；日志类长文本用 ZSTD(3)。在监控场景，这套组合常把存储成本压到行存的 1/10。

2.5 数据跳过索引：给非主键列也装上「跳跃键」

主键只能前缀，那 WHERE city = 'Beijing' 这种非排序前缀的列怎么办？用 skipping index：

ALTER TABLE events
ADD INDEX idx_city city TYPE bloom_filter(0.01) GRANULARITY 4;

ALTER TABLE events
ADD INDEX idx_amount amount TYPE minmax GRANULARITY 8;

类型一览：

minmax：记录每个 granule 的 min/max，范围查询直接跳过。
set：记录 granule 内去重值集合，等值查询用。
bloom_filter / ngrambf_v1 / tokenbf_v1：模糊/包含匹配（如 LIKE '%error%'）。

注意它叫「跳过索引」而非「加速索引」：它不能精确定位到行，只能帮优化器多跳过一些肯定不匹配的 granule。配合主键，效果叠加。

2.6 MergeTree 家族速查

引擎	一句话用途
`MergeTree`	通用分析表，基础
`ReplacingMergeTree`	按版本去重（最终一致，合并时才生效）
`AggregatingMergeTree`	物化视图里做「预聚合」，配 `-State/-Merge`
`SummingMergeTree`	自动按主键汇总数值列
`CollapsingMergeTree`	用 sign 行「抵消」旧值，做行级更新近似
`VersionedCollapsingMergeTree`	带版本的 Collapsing
`Distributed`	跨分片代理，本身不存数据
`Kafka` / `RabbitMQ`	直接消费消息队列写入

三、架构分析：一条 SELECT 是怎么被「肢解」并并行执行的

理解内核，最好的方式是跟一条查询走完全程。

3.1 单机查询生命周期

SQL 文本
  │
  ▼
Parser → AST
  │
  ▼
Analyzer（类型检查、函数解析）
  │
  ▼
Planner（生成 Pipeline）
  │
  ▼
① 稀疏主键裁剪 mark 区间
② 按列、按 part 切分读取任务
③ 每个线程读一个 (part, 列, granule 区间)
④ 向量化：一次处理 8192 行的一个向量（column block）
⑤ 流式聚合 / 排序 / JOIN
  │
  ▼
合并各线程结果 → 返回客户端

关键设计：

向量化执行（Vectorized）：不是「一行一行」算，而是「一个 8192 行的 block 一起算」。CPU 分支预测、SIMD 都能吃满，函数是针对整列实现的（比如 sum 直接对一个 ColumnUInt64 做累加）。这是它比「逐行解释执行」的分析型引擎快的根本原因。
线程级并行：一条查询默认会用满 max_threads 个核（默认等于 CPU 核数）。每个线程认领一部分 granule，互不干扰地扫、算，最后合并。所以 ClickHouse 是「一条慢查询吃光整台机器」的野兽——这对并发 service 是双刃剑，后面优化章节会讲怎么治。
流水线（Pipeline）：读、过滤、聚合是流式的，不需要把全表读进内存再算。这正是它能扫千亿行的内存基础。

3.2 分布式：Distributed 引擎 + Keeper

生产环境一定是集群。ClickHouse 的分布式很「轻」：

每个分片（shard）上放一张本地表（ENGINE = MergeTree）。
再建一张 ENGINE = Distributed(cluster, db, local_table, sharding_key) 的代理表。它不存数据，只负责把查询转发到各分片、汇总结果。

<!-- config.d/clusters.xml -->
<clickhouse>
  <remote_servers>
    <ch_cluster>
      <shard>
        <replica><host>ch-1</host><port>9000</port></replica>
        <replica><host>ch-2</host><port>9000</port></replica>
      </shard>
      <shard>
        <replica><host>ch-3</host><port>9000</port></replica>
        <replica><host>ch-4</host><port>9000</port></replica>
      </shard>
    </ch_cluster>
  </remote_servers>
</clickhouse>

CREATE TABLE events_local ON CLUSTER ch_cluster
AS events
ENGINE = ReplicatedMergeTree('/clickhouse/tables/{shard}/events', '{replica}')
ORDER BY (event_date, user_id, event_type);

CREATE TABLE events_dist ON CLUSTER ch_cluster
AS events_local
ENGINE = Distributed(ch_cluster, default, events_local, rand());

**副本（replica）**靠 ReplicatedMergeTree + ClickHouse Keeper（自研的 Raft 共识服务，替代 ZooKeeper）同步 part 元数据与数据，保证高可用。
sharding_key（上例 rand()）决定一行落到哪个分片，常用 xxHash64(user_id) 让同一用户的事件集中、且分片均衡。
查询 events_dist 时，各分片本地算完，再由初始节点做「二次聚合」（GLOBAL IN / DISTINCT 等场景要小心跨分片广播，详见优化章）。

3.3 物化视图：把「计算」提前到写入时

ClickHouse 的物化视图（Materialized View）不是「视图」，而是一个 INSERT 触发器：源表插入数据时，MV 按定义的 SELECT 把结果写入自己的目标表。查询 MV 时读的是那份已经算好的目标表，不是现场重算。

这是实现「实时大盘」的标准姿势（见代码实战）。

四、代码实战：从零搭一个可观测性分析平台

下面所有命令基于 Docker 单机，照抄即可跑。

4.1 起服务 & 连上去

docker run -d --name ch \
  --ulimit nofile=262144:262144 \
  -p 8123:8123 -p 9000:9000 \
  clickhouse/clickhouse-server:latest

# 进客户端
docker exec -it ch clickhouse-client

# 或者用 HTTP 接口（生产常用，方便走 LB/代理）
curl 'http://localhost:8123/?query=SELECT+version()'

4.2 建表：把 ORDER BY 和 codec 用对

CREATE TABLE events
(
    event_date  Date,
    user_id     UInt64,
    event_type  LowCardinality(String),   -- 低基数字典编码，省空间又快
    city        LowCardinality(String),
    amount      Float64     CODEC(Gorilla, ZSTD(1)),
    duration_ms UInt32      CODEC(Delta, ZSTD(1)),
    timestamp   DateTime64(3) CODEC(Delta, ZSTD(1))
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(event_date)
ORDER BY (event_date, city, user_id, event_type)   -- 主键 = 排序键前缀
TTL toDateTime(timestamp) + INTERVAL 180 DAY;       -- 过期数据自动清，省成本

注意 event_type/city 用了 LowCardinality(String)：当字符串基数很低（如几十种事件类型），ClickHouse 会建全局字典，存储和比较都接近整数速度。

4.3 灌数据：用 Python 批量写（生产路径）

clickhouse-connect 是官方推荐的 Python 客户端，走 HTTP，天然适配 LB/防火墙。

import clickhouse_connect
import random
from datetime import datetime, timedelta

client = clickhouse_connect.get_client(
    host='localhost', port=8123, username='default', password=''
)

EVENTS = ['page_view', 'click', 'add_cart', 'checkout', 'pay']
CITY   = ['Beijing', 'Shanghai', 'Shenzhen', 'Hangzhou', 'Chengdu']

def gen(n: int):
    now = datetime.now()
    rows = []
    for _ in range(n):
        ts = now - timedelta(seconds=random.randint(0, 86400 * 30))
        rows.append((
            ts.date(),
            random.randint(1, 5_000_000),     # 500 万用户
            EVENTS[random.randint(0, 4)],
            CITY[random.randint(0, 4)],
            round(random.uniform(0, 1000), 2),
            random.randint(10, 5000),
            ts,
        ))
    return rows

# 一次插 100 万行，column-oriented 写入极快
BATCH = 1_000_000
data = gen(BATCH)
client.insert(
    'events',
    data,
    column_names=['event_date','user_id','event_type','city','amount','duration_ms','timestamp']
)
print(f'inserted {BATCH} rows')

实战经验：单条 INSERT 建议攒成 10 万~100 万行的大 block（由 max_insert_block_size 控制，默认 1048576）。ClickHouse 的 part 越少越大，merge 压力越小、查询越快。千万别「一行一插」。

想快速造数测试也可以纯 SQL：

INSERT INTO events
SELECT
    toDate(now() - rand() % 2592000),
    rand() % 5000000,
    ['page_view','click','add_cart','checkout','pay'][rand() % 5 + 1],
    ['Beijing','Shanghai','Shenzhen','Hangzhou','Chengdu'][rand() % 5 + 1],
    rand() / 100000.0,
    rand() % 5000,
    now() - rand() % 2592000
FROM numbers(1000000);

4.4 查询实战 1：漏斗分析（Funnel）

「当天从 page_view 走到 pay 的用户占比」是增长团队的命根子。ClickHouse 窗口函数直接干：

SELECT
    user_id,
    groupArray((event_type, ts)) AS path
FROM (
    SELECT user_id, event_type, timestamp AS ts
    FROM events
    WHERE event_date = '2026-08-16'
      AND event_type IN ('page_view','add_cart','checkout','pay')
    ORDER BY user_id, ts
)
GROUP BY user_id;

-- 更工程化的漏斗：用条件计数
SELECT
    countIf(has_step) AS reached_pay,
    uniqHLL++(user_id) AS total_users,
    round(100 * countIf(has_step) / uniqHLL++(user_id), 2) AS pay_rate
FROM (
    SELECT user_id,
           max(event_type = 'pay') AS has_step
    FROM events
    WHERE event_date = '2026-08-16'
    GROUP BY user_id
);

uniqHLL++ 是基于 HyperLogLog++ 的近似去重，误差 < 1%，但比 uniqExact（精确）快几个数量级、省内存几个数量级。海量 UV 场景闭眼用 uniqHLL++。

4.5 查询实战 2：留存（Retention）

次日留存 = 第 0 天活跃、且第 1 天也活跃的用户比例：

SELECT
    base_day,
    cohort_size,
    arrayMap(
        i -> round(100 * retained[i] / cohort_size, 2),
        range(1, 8)
    ) AS retention_rate_pct
FROM (
    SELECT
        toDate('2026-08-01') AS base_day,
        uniqExact(uid_0) AS cohort_size,
        [ uniqExactIf(uid_1, day_diff = 1),
          uniqExactIf(uid_1, day_diff = 2),
          uniqExactIf(uid_1, day_diff = 3),
          uniqExactIf(uid_1, day_diff = 4),
          uniqExactIf(uid_1, day_diff = 5),
          uniqExactIf(uid_1, day_diff = 6),
          uniqExactIf(uid_1, day_diff = 7) ] AS retained
    FROM (
        SELECT
            user_id AS uid_0, toDate(timestamp) AS d0, 0 AS day_diff
        FROM events WHERE timestamp BETWEEN '2026-08-01' AND '2026-08-01'
        UNION ALL
        SELECT e.user_id AS uid_1,
               toDate(e.timestamp) AS d1,
               dateDiff('day', toDate('2026-08-01'), toDate(e.timestamp)) AS day_diff
        FROM events e
        WHERE e.timestamp BETWEEN '2026-08-01' AND '2026-08-08'
    )
);

（真实留存常用 array + has 更紧凑，这里展开是为了讲清「用日期差分组 + 精确去重」的逻辑。）

4.6 查询实战 3：Top-N 与近似去重

-- 各城市支付总额 Top 10
SELECT city, sum(amount) AS gmv
FROM events
WHERE event_type = 'pay'
GROUP BY city
ORDER BY gmv DESC
LIMIT 10;

-- 某事件下独立用户数（近似）
SELECT event_type, uniqHLL++(user_id) AS uv
FROM events
WHERE event_date = '2026-08-16'
GROUP BY event_type;

-- 人均时长（窗口函数做累计）
SELECT user_id,
       sum(duration_ms) OVER (PARTITION BY user_id) AS total_ms
FROM events
WHERE event_date = '2026-08-16'
LIMIT 10;

4.7 物化视图：把实时大盘「预聚合」掉

热点查询（比如「每分钟 GMV 大盘」）如果每次都扫原始千亿行，机器会哭。用 AggregatingMergeTree 在写入时就把聚合算好：

CREATE TABLE events_1m
(
    ts_min     DateTime,
    event_type LowCardinality(String),
    users      AggregateFunction(uniqHLL++, UInt64),
    gmv        AggregateFunction(sum, Float64),
    cnt        AggregateFunction(count)
)
ENGINE = AggregatingMergeTree
PARTITION BY toYYYYMM(ts_min)
ORDER BY (ts_min, event_type);

CREATE MATERIALIZED VIEW mv_events_1m
TO events_1m
AS SELECT
    toStartOfMinute(timestamp) AS ts_min,
    event_type,
    uniqHLL++State(user_id) AS users,   -- -State：只存中间态
    sumState(amount)          AS gmv,
    countState()              AS cnt
FROM events
GROUP BY ts_min, event_type;

-- 查询时再用 -Merge 把中间态合并
SELECT
    ts_min,
    event_type,
    uniqHLL++Merge(users) AS uv,
    sumMerge(gmv)         AS gmv,
    countMerge(cnt)       AS cnt
FROM events_1m
WHERE ts_min >= now() - INTERVAL 1 HOUR
GROUP BY ts_min, event_type
ORDER BY ts_min;

注意 uniqHLL++State / sumState 存的是聚合中间态而非最终结果，Merge 时才算出答案。MV 写入一次、后续查询只读 _1m 这张小表——千亿行原始数据被压成了「每分钟一行」的汇总，查询从「分钟级」变「毫秒级」。

坑提醒：MV 只对它创建之后插入的数据生效（老数据不会自动回填）。历史数据迁移要手动 INSERT INTO events_1m SELECT ... FROM events。

4.8 去重：ReplacingMergeTree

「同一笔订单可能被重复投递，以最新版本为准」：

CREATE TABLE orders
(
    order_id  UInt64,
    status    UInt8,
    version   UInt32,       -- 版本号 / 时间戳
    updated   DateTime
)
ENGINE = ReplacingMergeTree(version)   -- 合并时保留 version 最大的一行
ORDER BY order_id;

-- 查询时拿最新：要么等后台合并后加 FINAL，要么直接用 argMax 规避
SELECT order_id, argMax(status, version) AS status
FROM orders
GROUP BY order_id;

FINAL 会在查询时强制做一次合并，简单但慢；生产更推荐 argMax/max 这类「查询期去重」，不依赖合并时机。

五、性能优化：让 26.7 跑出 26.7 倍

ClickHouse 快是快，但用错就是灾难。按优先级排序：

5.1 ORDER BY 设计 > 一切

这是 80% 性能的源头。原则：

把最常用做等值过滤的列放最前（分区裁剪 + 主键前缀命中）。
把最常用做范围过滤的列紧跟其后（时间戳类）。
user_id 这类「高基数列」放后面——它适合做 hash 分片，不适合做需要二分跳过的前缀。
主键列顺序必须和你的 TOP 查询的 WHERE 完美对齐。没有银弹，按业务查询画像定。

反例：ORDER BY (user_id, timestamp) 但查询全是 WHERE city='X' AND ts>...——主键完全用不上，等于全扫。

5.2 列级 codec + LowCardinality

前文已讲。再补一句：Nullable 很贵。每列 Nullable 会额外存一个「是否为 null」的位图，且无法高效向量化。能用 0/空串代替就别用 Nullable。

5.3 Projection：给同一份数据多个「排法」

不想为不同查询建一堆 MV 复制数据？用 Projection（26.x 已稳定）：在表上挂一个「按别的键排序的隐藏副本」，优化器自动选是否用它。

ALTER TABLE events
ADD PROJECTION p_by_city
(
    SELECT * ORDER BY (city, timestamp)
);

之后 WHERE city='Beijing' 的查询，优化器会自动走 p_by_city 这份投影，无需改 SQL、无需建 MV。

5.4 物化视图预聚合：热点查询的终极大招

第 4.7 节已示范。黄金法则：让写入时多算一点，让读取时少扫亿点。

5.5 设置项：把并行与有序读打开

很多性能开关默认开，但你该知道它们存在：

-- 按 ORDER BY 顺序读，避免排序（大查询省一次巨量排序）
SET optimize_read_in_order = 1;

-- 按主键顺序做聚合，减少内存与排序
SET optimize_aggregation_in_order = 1;

-- 控制单查询吃多少核（防止一条慢查询拖垮整库）
SET max_threads = 8;

-- 强制走压缩缓存（热数据反复扫时显著提速）
SET use_uncompressed_cache = 1;

5.6 用 EXPLAIN 看它到底扫了多少

优化不是玄学，先看执行计划：

-- 看它用了哪些索引、跳过了多少 granule
EXPLAIN indexes = 1
SELECT count() FROM events
WHERE event_date = '2026-08-16' AND city = 'Beijing';

-- 看执行流水线（读、聚合、合并各阶段）
EXPLAIN PIPELINE
SELECT city, sum(amount) FROM events GROUP BY city;

-- 跟踪一次查询的详细日志
clickhouse-client --send_logs_level=trace --query "SELECT ..."

system.query_log / system.query_thread_log 是线上定位慢查询的金矿：哪个查询扫了多少行、用了多少内存、卡在哪一步，一目了然。

5.7 TTL 与生命周期

数据不是越久越好。给表或列设 TTL，让老数据自动删 / 自动下沉到冷盘（TTL MOVE TO DISK），成本和性能都可控（见 4.2 表的 TTL 示例）。

5.8 26.x 新能力速览（值得上车）

轻量级 DELETE / UPDATE（patch-part 机制）：2025 引入的新 mutation，不再「整 part 重写」，实测比传统 ALTER ... UPDATE 快到 近 1000 倍，行级修正终于可用。DELETE FROM events WHERE ... 这类标准语法已就绪。
JSON 对象类型：原生 JSON 列支持动态 schema，半结构化日志不再只能塞进 String 后 JSONExtract 慢解析。
Projection 稳定化：多排序视图零复制成本。
LTS 节奏：26.3 为 LTS 线，追求稳定选 LTS，追新特性上 26.7+。

六、总结展望：ClickHouse 不是银弹，但它是 OLAP 的「瑞士军刀」

把话讲清楚：

什么时候用它？

写多读少、读必扫大量行的分析场景：日志/埋点/监控/BI/实时大盘/风控特征。
需要 SQL、又要亚秒级扫十亿行的团队。
想用物化视图把「实时聚合」做成产品能力的业务。

什么时候别用？

高并发点查、强事务、要「读己之所写」一致性——那是 Postgres/MySQL 的活，别难为 ClickHouse。
单行频繁更新删除（轻量 UPDATE 虽快，但本质仍非 OLTP）。
小数据量（< 千万行）硬上 ClickHouse，运维成本不划算，DuckDB/SQLite 更香。

和「已发布的那些」怎么摆？ 本站前面拆过 DuckDB（进程内 OLAP）、MySQL 9 / Redis 8 / Postgres 18 的向量与内核。它们的边界其实很清楚：

DuckDB：单机、进程内、嵌入式，分析「文件」和「中等数据」，零运维。
ClickHouse：服务端、分布式、为「持续写入的流式海量数据」而生，要运维但上限极高。
关系型三巨头（MySQL/Postgres/Redis）是 OLTP 与缓存主场，硬做 OLAP 是扬短避长。

面向 2026，ClickHouse 的方向很明确：把「实时」和「简单」往前推——轻量更新让它能碰一点更新场景，JSON 类型吃掉半结构化日志，Projection 让多视图零成本，云版把运维进一步托管。它正在从「极致的 OLAP 引擎」变成「能扛实时数据平台的默认底座」。

对你而言，最实在的建议只有一句：先想清楚你的查询画像，再设计 ORDER BY 和 codec，最后才谈集群。 ClickHouse 的快，是设计出来的，不是开箱就有的。把本文第 4、5 节的代码跑一遍，你就已经超过了 80% 只会在 SELECT 上加索引的「ClickHouse 使用者」。

本文示例代码基于 ClickHouse 26.7，客户端用 clickhouse-connect；生产部署务必结合官方文档打磨 codec、分区粒度与集群拓扑。