AI 助理
备案控制台
开发者社区 数据库 文章 正文

ClickHouse数据库数据定义手记之数据类型（上）

2022-05-13 516
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 前边一篇文章详细分析了如何在Windows10系统下搭建ClickHouse的开发环境，接着需要详细学习一下此数据库的数据定义，包括数据类型、DDL和DML。ClickHouse作为一款完备的DBMS，提供了类似于MySQL（其实有部分语法差别还是比较大的）的DDL与DML功能，并且实现了大部分标准SQL规范中的内容。系统学习ClickHouse的数据定义能够帮助开发者更深刻地理解和使用ClickHouse。

前提


前边一篇文章详细分析了如何在Windows10系统下搭建ClickHouse的开发环境，接着需要详细学习一下此数据库的数据定义，包括数据类型、DDL和DML。ClickHouse作为一款完备的DBMS，提供了类似于MySQL（其实有部分语法差别还是比较大的）的DDL与DML功能，并且实现了大部分标准SQL规范中的内容。系统学习ClickHouse的数据定义能够帮助开发者更深刻地理解和使用ClickHouse。本文大纲（右侧分支）👇👇

微信截图_20220513180445.png


本文会详细分析ClickHouse目前最新版本（20.10.3.30）支持的所有数据类型。


数据类型


ClickHouse的数据类型从大体的来看主要包括：

  • 数值类型
  • 字符串类型
  • 日期时间类型
  • 复合类型
  • 特殊类型


这里做一份汇总的表格👇


大类 类型 类型名称 一般概念 JavaType 备注
数值类型 Int8 8bit整型 TINYINT `Byte Integer`
数值类型 Int16 16bit整型 SMALLINT `Short Integer`
数值类型 Int32 32bit整型 INT Integer -
数值类型 Int64 64bit整型 BIGINT Long -
数值类型 Int128 128bit整型 `- - -
数值类型 Int256 256bit整型 - - -
数值类型 UInt8 无符号8bit整型 TINYINT UNSIGNED - Java中不存在无符号整数类型，选择类型时只要不溢出就行
数值类型 UInt16 无符号16bit整型 SMALLINT UNSIGNED - Java中不存在无符号整数类型，选择类型时只要不溢出就行
数值类型 UInt32 无符号32bit整型 INT UNSIGNED - Java中不存在无符号整数类型，选择类型时只要不溢出就行
数值类型 UInt64 无符号64bit整型 BIGINT UNSIGNED - Java中不存在无符号整数类型，选择类型时只要不溢出就行
数值类型 Float32 32bit单精度浮点数 FLOAT Float -
数值类型 Float64 64bit双精度浮点数 DOUBLE Double -
数值类型 Decimal(P,S) 高精度数值，P为总位长，S为小数位长 DECIMAL BigDecimal -
数值类型 Decimal32(S) 高精度数值，P总位长属于[1,9]，S为小数位长 DECIMAL BigDecimal Decimal(P,S)特化类型
数值类型 Decimal64(S) 高精度数值，P总位长属于[10,18]，S为小数位长 DECIMAL BigDecimal Decimal(P,S)特化类型
数值类型 Decimal128(S) 高精度数值，P总位长属于[19,38]，S为小数位长 DECIMAL BigDecimal Decimal(P,S)特化类型
字符串类型 String 不定长字符串，长度随意不限 广义上类似LONGTEXT String 替代了传统DBMS中的VARCHAR、BLOB、CLOB、TEXT等类型
字符串类型 FixedString(N) 定长字符串，使用null字节填充末尾字符 有点类似VARCHAR String -
字符串类型 UUID 特殊字符串，32位长度，格式为：8-4-4-4-4-12 - String 一般使用内置函数生成
日期时间类型 Date 日期 DATE LocalDate -
日期时间类型 DateTime 日期时间 类似DATE_TIME `LocalDateTime OffsetDateTime`
日期时间类型 DateTime64 日期时间 类似DATE_TIME `LocalDateTime OffsetDateTime`
复合类型 Array(T) 数组 - 类似T[] -
复合类型 Tuple(S,T...R) 元组 - - -
复合类型 Enum 枚举 - - -
复合类型 Nested 嵌套 - - -
特殊类型 Nullable NULL修饰类型，不是独立的数据类型 - - -
特殊类型 Domain 域名 - - 存储IPV4和IPV6格式的域名


ClickHouse中类型严格区分大小写，一般为驼峰表示，例如DateTime不能写成DATETIME或者DATE_TIME，同理，UUID不能写成uuid


下面就每种类型再详细分析其用法。


数值类型


数值类型主要包括整型数值、浮点数值、高精度数值和特殊的布尔值。


整型


整型数值指固定长度（bit数）的整数，可以使用带符号和无符号的表示方式。先看整型数值的表示范围👇👇


带符号整型数值：


类型 字节(byte)数 范围
Int8 1 [-128, 127]
Int16 2 [-32768, 32767]
Int32 4 [-2147483648, 2147483647]
Int64 8 [-9223372036854775808, 9223372036854775807]
Int128 16 [-170141183460469231731687303715884105728, 170141183460469231731687303715884105727]
Int256 32 [-57896044618658097711785492504343953926634992332820282019728792003956564819968,57896044618658097711785492504343953926634992332820282019728792003956564819967]


Int128和Int256能表示的整数范围十分巨大，占用的字节大小也随之增大，一般很少使用。


无符号整型数值：


类型 字节(byte)数 范围
UInt8 1 [0, 255]
UInt16 2 [0, 65535]
UInt32 4 [0, 4294967295]
UInt64 8 [0, 18446744073709551615]
UInt256 32 [0, 115792089237316195423570985008687907853269984665640564039457584007913129639935]


值得注意的是，UInt128类型并不支持，因此不存在UInt128。UInt256能表示的整数范围十分巨大，占用的字节大小也随之增大，一般很少使用。


一般在使用MySQL的时候会定义一个BIGINT UNSIGNED类型的自增趋势的主键，在ClickHouse中对标UInt64类型。做一个小测试，在ClickHouse命令行客户端中执行：


SELECT \
toInt8(127) AS a,toTypeName(a) AS aType, \
toInt16(32767) AS b,toTypeName(b) AS bType, \
toInt32(2147483647) AS c,toTypeName(c) AS cType, \
toInt64(9223372036854775807) AS d,toTypeName(d) AS dType, \
toInt128(170141183460469231731687303715884105727) AS e,toTypeName(e) AS eType, \
toInt256(57896044618658097711785492504343953926634992332820282019728792003956564819967) AS f,toTypeName(f) AS fType, \
toUInt8(255) AS g,toTypeName(g) AS gType, \
toUInt16(65535) AS h,toTypeName(h) AS hType, \
toUInt32(4294967295) AS i,toTypeName(i) AS iType, \
toUInt64(18446744073709551615) AS j,toTypeName(j) AS jType, \
toUInt256(115792089237316195423570985008687907853269984665640564039457584007913129639935) AS k,toTypeName(k) AS kType; 
复制代码


输出结果：


SELECT
    toInt8(127) AS a,
    toTypeName(a) AS aType,
    toInt16(32767) AS b,
    toTypeName(b) AS bType,
    toInt32(2147483647) AS c,
    toTypeName(c) AS cType,
    toInt64(9223372036854775807) AS d,
    toTypeName(d) AS dType,
    toInt128(1.7014118346046923e38) AS e,
    toTypeName(e) AS eType,
    toInt256(5.78960446186581e76) AS f,
    toTypeName(f) AS fType,
    toUInt8(255) AS g,
    toTypeName(g) AS gType,
    toUInt16(65535) AS h,
    toTypeName(h) AS hType,
    toUInt32(4294967295) AS i,
    toTypeName(i) AS iType,
    toUInt64(18446744073709551615) AS j,
    toTypeName(j) AS jType,
    toUInt256(1.157920892373162e77) AS k,
    toTypeName(k) AS kType
┌───a─┬─aType─┬─────b─┬─bType─┬──────────c─┬─cType─┬───────────────────d─┬─dType─┬────────────────────────────────────────e─┬─eType──┬────────────────────f─┬─fType──┬───g─┬─gType─┬─────h─┬─hType──┬──────────i─┬─iType──┬────────────────────j─┬─jType──┬──────────────────────────────────────────────────────────────────────────────k─┬─kType───┐
│ 127 │ Int8  │ 32767 │ Int16 │ 2147483647 │ Int32 │ 9223372036854775807 │ Int64 │ -170141183460469231731687303715884105728 │ Int128 │ -9223372036854775808 │ Int256 │ 255 │ UInt8 │ 65535 │ UInt16 │ 4294967295 │ UInt32 │ 18446744073709551615 │ UInt64 │ 115792089237316195423570985008687907853269984665640564039448360635876274864128 │ UInt256 │
└─────┴───────┴───────┴───────┴────────────┴───────┴─────────────────────┴───────┴──────────────────────────────────────────┴────────┴──────────────────────┴────────┴─────┴───────┴───────┴────────┴────────────┴────────┴──────────────────────┴────────┴────────────────────────────────────────────────────────────────────────────────┴─────────┘
1 rows in set. Elapsed: 0.009 sec.
复制代码


尴尬，上面的shell执行结果有点长，变形了。


浮点数


浮点数包括单精度浮点数Float32和双精度浮点数Float64👇👇


类型 字节(byte)大小 有效精度(排除最左边的零小数位数) 备注
Float32 4 7 小数点后除去左边的零后第8位起会产生数据溢出
Float64 8 16 小数点后除去左边的零后第17位起会产生数据溢出


可以做一个小测试：


f5abc88ff7e4 :) SELECT toFloat32('0.1234567890') AS a,toTypeName(a);
SELECT
    toFloat32('0.1234567890') AS a,
    toTypeName(a)
┌──────────a─┬─toTypeName(toFloat32('0.1234567890'))─┐
│ 0.12345679 │ Float32                               │
└────────────┴───────────────────────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) SELECT toFloat32('0.0123456789') AS a,toTypeName(a);
SELECT
    toFloat32('0.0123456789') AS a,
    toTypeName(a)
┌───────────a─┬─toTypeName(toFloat32('0.0123456789'))─┐
│ 0.012345679 │ Float32                               │
└─────────────┴───────────────────────────────────────┘
1 rows in set. Elapsed: 0.036 sec.
f5abc88ff7e4 :) SELECT toFloat64('0.12345678901234567890') AS a,toTypeName(a);
SELECT
    toFloat64('0.12345678901234567890') AS a,
    toTypeName(a)
┌───────────────────a─┬─toTypeName(toFloat64('0.12345678901234567890'))─┐
│ 0.12345678901234568 │ Float64                                         │
└─────────────────────┴─────────────────────────────────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) SELECT toFloat64('0.01234567890123456789') AS a,toTypeName(a);
SELECT
    toFloat64('0.01234567890123456789') AS a,
    toTypeName(a)
┌────────────────────a─┬─toTypeName(toFloat64('0.01234567890123456789'))─┐
│ 0.012345678901234568 │ Float64                                         │
└──────────────────────┴─────────────────────────────────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
复制代码


特别地，与标准的SQL相比，ClickHouse支持如下特殊的浮点数类别：

  • Inf - 表示正无穷
  • -Inf - 表示负无穷
  • NaN - 表示不是数字


验证一下：


f5abc88ff7e4 :) SELECT divide(0.5,0);
SELECT 0.5 / 0
┌─divide(0.5, 0)─┐
│            inf │
└────────────────┘
1 rows in set. Elapsed: 0.007 sec.
f5abc88ff7e4 :) SELECT divide(-0.5,0);
SELECT -0.5 / 0
┌─divide(-0.5, 0)─┐
│            -inf │
└─────────────────┘
1 rows in set. Elapsed: 0.004 sec.
f5abc88ff7e4 :) SELECT divide(0.0,0.0);
SELECT 0. / 0.
┌─divide(0., 0.)─┐
│            nan │
└────────────────┘
1 rows in set. Elapsed: 0.005 sec.
复制代码


高精度数值


高精度数值类型Decimal一般又称为为定点数，可以指定总位数和固定位数小数点，表示一定范围内的精确数值。Decimal的原生表示形式为Decimal(P,S)，两个参数的意义是：


  • P：代表精度，决定总位数（也就是决定整数部分加上小数部分一共有多少位数字），取值范围是[1,76]
  • S：代表规模（scale），决定小数位数，取值范围是[0,P]

Decimal(P,S)衍生出的简单表示形式有：Decimal32(S)、Decimal64(S)、Decimal128(S)和Decimal256(S)。见下表：


类型 P的取值范围 S的取值范围 数值范围
Decimal(P,S) [1,76] [0,P] (-1*10^(P - S), 1*10^(P - S))
Decimal32(S) [1,9] [0,P] (-1*10^(9 - S), 1*10^(9 - S))
Decimal64(S) [10,18] [0,P] (-1*10^(18 - S), 1*10^(18 - S))
Decimal128(S) [19,38] [0,P] (-1*10^(38 - S), 1*10^(38 - S))
Decimal256(S) [39,76] [0,P] (-1*10^(76 - S), 1*10^(76 - S))


如果觉得衍生类型不好理解，还是直接使用Decimal(P,S)就行。它的定义格式如下：


column_name Decimal(P,S)
# 如
amount Decimal(10,2)
复制代码


对于四则运算，使用两个不同精度的Decimal数值进行（内置函数）运算，运算结果小数位的规则如下（假设S1为左值的小数位，S2为右值的小数位，S为结果小数位）：

  • 对于加法和减法，S = max(S1,S2)
  • 对于乘法，S = S1 + S2
  • 对于除法，S = S1（结果小数位和被除数小数位一致）


f5abc88ff7e4 :) SELECT toDecimal32(2,4) AS x, toDecimal32(2,2) AS y,x+y;
SELECT
    toDecimal32(2, 4) AS x,
    toDecimal32(2, 2) AS y,
    x + y
┌──────x─┬────y─┬─plus(toDecimal32(2, 4), toDecimal32(2, 2))─┐
│ 2.0000 │ 2.00 │                                     4.0000 │
└────────┴──────┴────────────────────────────────────────────┘
1 rows in set. Elapsed: 0.019 sec.
f5abc88ff7e4 :) SELECT toDecimal32(2,4) AS x, toDecimal32(2,5) AS y,y/x
SELECT
    toDecimal32(2, 4) AS x,
    toDecimal32(2, 5) AS y,
    y / x
┌──────x─┬───────y─┬─divide(toDecimal32(2, 5), toDecimal32(2, 4))─┐
│ 2.0000 │ 2.00000 │                                      1.00000 │
└────────┴─────────┴──────────────────────────────────────────────┘
1 rows in set. Elapsed: 0.004 sec.
f5abc88ff7e4 :) SELECT toDecimal32(2,4) AS x, toDecimal32(2,4) AS y,y*x
SELECT
    toDecimal32(2, 4) AS x,
    toDecimal32(2, 4) AS y,
    y * x
┌──────x─┬──────y─┬─multiply(toDecimal32(2, 4), toDecimal32(2, 4))─┐
│ 2.0000 │ 2.0000 │                                     4.00000000 │
└────────┴────────┴────────────────────────────────────────────────┘
1 rows in set. Elapsed: 0.004 sec.
复制代码


重点注意：如果从事的是金融领域等追求准确精度的数值存储，不能使用浮点数，而应该考虑使用整型或者定点数，舍入尽可能交由程序规则处理，毕竟数据库是存储数据的工具，不应该承担太多处理数据计算的职能。


布尔值


ClickHouse中不存在布尔值类型，官方建议使用UInt8类型，通过值0或1表示false或true。


字符串类型


字符串类型主要包括：


  • 不定长（动态长度）字符串String
  • 固定长度字符串FixedString(N)，这里的N是最大字节数，而不是长度，例如UTF-8字符占用3个字节，GBK字符占用2个字节
  • 特殊字符串UUID（存储的是数值，只是形式是字符串）

ClickHouse中没有编码的概念，字符串可以包含一组任意字节，这些字节按原样存储和输出。这个编码和解码操作推测完全移交给客户端完成。一般情况下，推荐使用UTF-8编码存储文本类型内容，这样就能在不进行转换的前提下读取和写入数据。


String


String类型不限制字符串的长度，可以直接替代其他DBMS的VARCHAR、BLOB、CLOB等字符串类型，相比VARCHAR这类要考虑预测数据最大长度，显然String无比便捷。使用Java语言开发，直接使用String类型承接即可。String类型的数据列的定义如下：


column_name String
复制代码


FixedString


FixedString类型的数据列的定义如下：


column_name FixedString(N)
复制代码


FixedString表示固定长度N的字符串，这里的N代表N个字节（N bytes），而不是N个字符或者N个码点（code point）。一些使用FixedString类型的典型场景：


  • 二进制表示存储IP地址，如使用FixedString(16)存储IPV6地址
  • 哈希值的二进制表示形式，如FixedString(16)存储MD5的二进制值，FixedString(32)存储SHA256的二进制值


当写入FixedString类型数据的时候：


  • 如果数据字节数大于N，则会返回一个Too large value for FixedString(N)的异常
  • 如果数据字节数小于N，则会使用null字节填补剩下的部分


官方文档提示查询条件WHERE中如果需要匹配FixedString类型的列，传入的查询参数要自行补尾部的\0，否则有可能导致查询条件失效。也就是更加建议写入数据和查询条件都是固定字节数的参数。


内置函数length()会直接返回N，而内置函数empty()在全为null字节的前提下会返回1，其他情况返回0。


UUID


UUID这个概念很常见，Java中也有静态方法java.util.UUID#randomUUID()直接生成UUID，因为其独特的唯一性有时候可以选择生成UUID作为数据库的主键类型。ClickHouse直接定义了一种UUID类型，严格来说这种类型不是字符串，但是因为在文档上它的位置顺序排在字符串类型之下，日期时间类型之上，形式上看起来也像字符串，并且它仅仅支持字符串类型的内置函数，所以笔者也把它归类为字符串类型。ClickHouse中的UUID实际上是一个16字节的数字，它的通用格式如下：


8-4-4-4-4-12
## 例子
61f0c404-5cb3-11e7-907b-a6006ad3dba0
## 零值
00000000-0000-0000-0000-000000000000
复制代码


UUID类型列定义格式如下：


column_name UUID
复制代码


可以通过内置函数generateUUIDv4()直接生成UUID数据，测试一下：


f5abc88ff7e4 :) CREATE TABLE test_u(id UInt64,u UUID) ENGINE = Memory;
CREATE TABLE test_u
(
    `id` UInt64,
    `u` UUID
)
ENGINE = Memory
Ok.
0 rows in set. Elapsed: 0.018 sec.
f5abc88ff7e4 :) INSERT INTO test_u VALUES (1,generateUUIDv4());
INSERT INTO test_u VALUES
Ok.
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) SELECT * FROM test_u;
SELECT *
FROM test_u
┌─id─┬────────────────────────────────────u─┐
│  1 │ fc379d2c-0753-45a3-8589-1ef95ee0d8c9 │
└────┴──────────────────────────────────────┘
1 rows in set. Elapsed: 0.004 sec.
复制代码


日期时间类型


日期时间类型包括Date（表示年月日）、DateTime（表示年月日时分秒）和DateTime64（表示年月日时分秒亚秒）。


Date


Date表示年月日，但是这种类型在ClickHouse中使用2字节（2 byte -> 16 bit）无符号整数去存储距离Unix纪元（1970-01-01）的天数，不支持时区，能够表示的最大年份为2105年。基于这个特性，在插入Date类型数据的时候可以采用yyyy-MM-dd格式或者无符号整数。见下面的测试：


f5abc88ff7e4 :) CREATE TABLE test_dt(date Date) ENGINE = Memory;
CREATE TABLE test_dt
(
    `date` Date
)
ENGINE = Memory
Ok.
0 rows in set. Elapsed: 0.025 sec.
f5abc88ff7e4 :) INSERT INTO dt VALUES(1),(2),('0000-00-00'),('2020-11-11');
INSERT INTO dt VALUES
Received exception from server (version 20.10.3):
Code: 60. DB::Exception: Received from clickhouse-server:9000. DB::Exception: Table default.dt doesn't exist..
0 rows in set. Elapsed: 0.007 sec.
f5abc88ff7e4 :) INSERT INTO test_dt VALUES(1),(2),('0000-00-00'),('2020-11-11');
INSERT INTO test_dt VALUES
Ok.
4 rows in set. Elapsed: 0.025 sec.
f5abc88ff7e4 :) SELECT * FROM test_dt;
SELECT *
FROM test_dt
┌───────date─┐
│ 1970-01-02 │
│ 1970-01-03 │
│ 1970-01-01 │
│ 2020-11-11 │
└────────────┘
4 rows in set. Elapsed: 0.005 sec.
复制代码


Date类型中的0或者'0000-00-00'代表1970-01-01


DateTime


DateTime是通常概念中的年月日时分秒，支持时区，但是不支持毫秒表示，也就是此类型精确到秒。它的定义格式为：


column_name DateTime[(time_zone)]
复制代码


可以表示的范围：[1970-01-01 00:00:00, 2105-12-31 23:59:59]。使用DateTime的时候需要注意几点：


  • DateTime时间点实际上保存为Unix时间戳（笔者探究过这里的单位应该是秒），与时区或者夏时制无关
  • DateTime的时区并不存储在列数据或者结果集中，而是存储在列元数据中
  • 创建表定义DateTime类型的列的时候如果不指定时区，则使用服务器或者操作系统中设置的默认时区
  • 创建表定义DateTime类型的列的时候如果不指定时区，ClickHouse客户端会使用ClickHouse服务端的时区，也可以通过参数--use_client_time_zone指定
  • 可以通过配置值date_time_input_format或date_time_output_format分别指定DateTime类型数据的输入和输出格式
  • DateTime类型数据插入的时候，整数会被视为Unix时间戳，并且会使用UTC作为时区（零时区），字符串会被视为使用了时区的日期时间（取决于服务或者系统），再基于时区转化为对应的Unix时间戳进行存储


可以测试一下：


f5abc88ff7e4 :) CREATE TABLE test_dt(t DateTime,tz DateTime('Asia/Shanghai')) ENGINE = Memory;
CREATE TABLE test_dt
(
    `t` DateTime,
    `tz` DateTime('Asia/Shanghai')
)
ENGINE = Memory
Ok.
0 rows in set. Elapsed: 0.029 sec.
f5abc88ff7e4 :) INSERT INTO test_dt VALUES(1605194721,'2020-11-01 00:00:00');   # <-------------- 这里的1605194721是北京时间2020-11-12 23:25:21的Unix时间戳
INSERT INTO test_dt VALUES
Ok.
1 rows in set. Elapsed: 0.006 sec.
f5abc88ff7e4 :) SELECT * FROM test_dt;
SELECT *
FROM test_dt
┌───────────────────t─┬──────────────────tz─┐
│ 2020-11-12 15:25:21 │ 2020-11-01 00:00:00 │
└─────────────────────┴─────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) SELECT toDateTime(t, 'Asia/Shanghai') AS sh_time,toDateTime(tz, 'Europe/London') AS lon_time FROM test_dt;
SELECT
    toDateTime(t, 'Asia/Shanghai') AS sh_time,
    toDateTime(tz, 'Europe/London') AS lon_time
FROM test_dt
┌─────────────sh_time─┬────────────lon_time─┐
│ 2020-11-12 23:25:21 │ 2020-10-31 16:00:00 │
└─────────────────────┴─────────────────────┘
1 rows in set. Elapsed: 0.004 sec.
复制代码


DateTime64


DateTime64其实和DateTime类型差不多，不过可以额外表示亚秒，所谓亚秒，精度就是10 ^ (-n)（10的负n次方）秒，例如0.1秒、0.01秒等等。它的定义格式为：


column_name DateTime64(precision [, time_zone])
复制代码


测试一下：


f5abc88ff7e4 :) SELECT toDateTime64(now(), 5, 'Asia/Shanghai') AS column, toTypeName(column) AS x;
SELECT
    toDateTime64(now(), 5, 'Asia/Shanghai') AS column,
    toTypeName(column) AS x
┌────────────────────column─┬─x──────────────────────────────┐
│ 2020-11-12 23:45:56.00000 │ DateTime64(5, 'Asia/Shanghai') │
└───────────────────────────┴────────────────────────────────┘
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) CREATE TABLE test_dt64(t DateTime64(2),tz DateTime64(3,'Asia/Shanghai')) ENGINE = Memory;
CREATE TABLE test_dt64
(
    `t` DateTime64(2),
    `tz` DateTime64(3, 'Asia/Shanghai')
)
ENGINE = Memory
Ok.
0 rows in set. Elapsed: 0.017 sec.
f5abc88ff7e4 :) INSERT INTO test_dt64 VALUES(1605194721,'2020-11-01 00:00:00');
INSERT INTO test_dt64 VALUES
Ok.
1 rows in set. Elapsed: 0.005 sec.
f5abc88ff7e4 :) SELECT * FROM test_dt64;
SELECT *
FROM test_dt64
┌──────────────────────t─┬──────────────────────tz─┐
│ 1970-07-05 18:52:27.21 │ 2020-11-01 00:00:00.000 │
└────────────────────────┴─────────────────────────┘
1 rows in set. Elapsed: 0.004 sec.
复制代码


文章标签：
云数据库 ClickHouse
Java
SQL
关系型数据库
数据库管理
Unix
网络协议
MySQL
数据库
存储
开发者
关键词：
数据库数据
数据库定义
数据库数据定义
云数据库 ClickHouse数据
数据库clickhouse
ta7lhdiw3omdo
目录
相关文章
以山向海
|
19天前
|
SQL 关系型数据库 索引
关系型数据库SQLserver插入数据
【7月更文挑战第28天】
以山向海
30 4
热爱技术的小郑
|
4天前
|
SQL JavaScript 前端开发
vue中使用分页组件、将从数据库中查询出来的数据分页展示（前后端分离SpringBoot+Vue）
这篇文章详细介绍了如何在Vue.js中使用分页组件展示从数据库查询出来的数据，包括前端Vue页面的表格和分页组件代码，以及后端SpringBoot的控制层和SQL查询语句。
热爱技术的小郑
14 1
vue中使用分页组件、将从数据库中查询出来的数据分页展示（前后端分离SpringBoot+Vue）
1941623231718325
|
2天前
|
存储 NoSQL 算法
使用图数据库进行复杂数据建模：探索数据关系的无限可能
【8月更文挑战第17天】图数据库以其高效的关系查询能力、直观的数据表示方式、灵活的数据模型和强大的可扩展性，在复杂数据建模和查询中展现出了巨大的潜力。随着大数据和人工智能技术的不断发展，图数据库的应用领域也将不断拓展和深化。对于需要处理复杂关系网络和数据关联性的场景来说，图数据库无疑是一个值得深入研究和应用的强大工具。
1941623231718325
10 1
热爱技术的小郑
|
3天前
|
前端开发 JavaScript Java
SpringBoot+Vue+token实现（表单+图片）上传、图片地址保存到数据库。上传图片保存位置自己定义、图片可以在前端回显（一））
这篇文章详细介绍了在SpringBoot+Vue项目中实现表单和图片上传的完整流程，包括前端上传、后端接口处理、数据库保存图片路径，以及前端图片回显的方法，同时探讨了图片资源映射、token验证、过滤器配置等相关问题。
热爱技术的小郑
14 1
李木子2024
|
4天前
|
资源调度 关系型数据库 MySQL
【Flink on YARN + CDC 3.0】神操作！看完这篇教程，你也能成为数据流处理高手！从零开始，一步步教会你在Flink on YARN模式下如何配置Debezium CDC 3.0，让你的数据库变更数据瞬间飞起来！
【8月更文挑战第15天】随着Apache Flink的普及，企业广泛采用Flink on YARN部署流处理应用，高效利用集群资源。变更数据捕获（CDC）工具在现代数据栈中至关重要，能实时捕捉数据库变化并转发给下游系统处理。本文以Flink on YARN为例，介绍如何在Debezium CDC 3.0中配置MySQL连接器，实现数据流处理。首先确保YARN上已部署Flink集群，接着安装Debezium MySQL连接器并配置Kafka Connect。最后，创建Flink任务消费变更事件并提交任务到Flink集群。通过这些步骤，可以构建出从数据库变更到实时处理的无缝数据管道。
李木子2024
16 2
李木子2024
|
8天前
|
SQL 关系型数据库 MySQL
"告别蜗牛速度！解锁批量插入数据新姿势，15秒狂插35万条，数据库优化就该这么玩！"
【8月更文挑战第11天】在数据密集型应用中，高效的批量插入是性能优化的关键。传统单条记录插入方式在网络开销、数据库I/O及事务处理上存在明显瓶颈。批量插入则通过减少网络请求次数和数据库I/O操作，显著提升效率。以Python+pymysql为例，通过`executemany`方法，可实现在15秒内将35万条数据快速入库，相较于传统方法，性能提升显著，是处理大规模数据的理想选择。
李木子2024
25 5
热爱技术的小郑
|
4天前
|
XML SQL JavaScript
在vue页面引入echarts,图表的数据来自数据库 springboot+mybatis+vue+elementui+echarts实现图表的制作
这篇文章介绍了如何在Vue页面中结合SpringBoot、MyBatis、ElementUI和ECharts，实现从数据库获取数据并展示为图表的过程，包括前端和后端的代码实现以及遇到的问题和解决方法。
热爱技术的小郑
8 0
在vue页面引入echarts,图表的数据来自数据库 springboot+mybatis+vue+elementui+echarts实现图表的制作
热爱技术的小郑
|
4天前
|
JavaScript 前端开发 数据处理
在vue中的form表单中下拉框中的数据来自数据库查询到的数据
这篇文章介绍了如何在Vue框架的表单中将下拉框的数据通过后端接口从数据库动态查询并加载，包括前端HTML代码、JavaScript数据处理、后端接口实现以及表单提交的完整流程。
热爱技术的小郑
11 0
在vue中的form表单中下拉框中的数据来自数据库查询到的数据
热爱技术的小郑
|
5天前
|
SQL 前端开发 数据库
逻辑删除数据库中的数据。
这篇文章介绍了逻辑删除和物理删除的概念与区别，并详细演示了如何在数据库中实现逻辑删除，包括在表中添加一个表示删除状态的字段，并通过修改该字段的值来实现数据的逻辑删除，同时提供了相应的SQL语句、DAO层、Service层和Controller层的代码示例以及前端页面的展示。
热爱技术的小郑
9 0
逻辑删除数据库中的数据。
龙大吉
|
8天前
|
固态存储 关系型数据库 MySQL
"惊！20亿数据秒速入MySQL，揭秘数据库极速插入的黑科技，你不可不知的绝密技巧！"
【8月更文挑战第11天】面对20亿级数据量，高效插入MySQL成为挑战。本文探讨优化策略：合理设计数据库减少不必要的字段和索引；使用批量插入减少网络往返；优化硬件如SSD和内存及调整MySQL配置；并行处理加速插入；附Python示例代码实现分批导入。这些方法将有效提升大规模数据处理能力。
龙大吉
24 2

热门文章

最新文章

  • 1
    含PPT下载 | 李飞飞：如何看待数据库的未来？
  • 2
    详解开源数据库审计平台Yearning
  • 3
    沉浸式学习PostgreSQL|PolarDB 9: AI大模型+向量数据库, 提升AI通用机器人在专业领域的精准度, 完美诠释柏拉图提出的“知识是回忆而不是知觉”
  • 4
    oracle数据库的安装
  • 5
    数据库主从不一致，怎么解？
  • 6
    Exchange 2007数据库复制失败的修复方法
  • 7
    第十八章——基于策略的管理（1）——评估数据库属性
  • 8
    Gorm学习（三）基础：迁移(数据库建表以及字段设置)
  • 9
    数据库数据类型
  • 10
    解剖SQLSERVER 第十七篇 使用 OrcaMDF Corruptor 故意损坏数据库（译）
  • 1
    国内独家｜阿里云瑶池发布ClickHouse企业版：云原生Serverless新体验
    1247
  • 2
    clickhouse SQL优化
    83430
  • 3
    阿里云ClickHouse企业版正式商业化，为开发者提供容灾性更好、性价比更高的实时数仓
    466
  • 4
    Linux(6)CH9434 SPI调试笔记
    105
  • 5
    号外号外！ClickHouse企业版正式商业化啦！
    372
  • 6
    Clickhouse数据库应用
    188
  • 7
    号外号外！ClickHouse企业版正式商业化啦！
    656
  • 8
    ClickHouse(06)ClickHouse建表语句DDL详细解析
    384
  • 9
    python3安装clickhouse_sqlalchemy(greenlet) 失败
    86
  • 10
    ClickHouse(04)如何搭建ClickHouse集群
    322

    • 相关课程

    更多
  • 数据库的前世今生
  • 数据库核心概念
  • 从传统数据库到云数据库演进
  • 数据库常见问题排查
  • 数据库及SQL/MySQL基础
  • 高校精品课-西安交通大学 -数据库理论与技术

    • 相关电子书

    更多
  • 阿里云瑶池数据库精要2022版
  • ClickHouse在手淘流量分析应用实践Jason Xu
  • 云数据库clickhouse最佳实践

    • 相关实验场景

    更多
  • 数据库实验室挑战任务-高级任务
  • 数据库实验室挑战任务-中级任务
  • 数据库实验室挑战任务-初级任务
  • 阿里云数据库产品实验室
  • MongoDB数据库入门
  • 使用DAS实现数据库自动扩容和回缩

    • 推荐镜像

    更多
  • clickhouse
  • mongodb
  • postgresql
    • 下一篇
    通义千问API入门教程