ClickHouse 数据基本类型

简介: ClickHouse 数据基本类型

1、整型(固定长度)包含有符号和无符号两种

有符号:int*,*代表8,16,32...256等,数字(字节)越大取值范围越大

无符号:Uint*,*代表8,16,32...256等,数字(字节)越大取值范围越大

别名:

Int8 — TINYINT, BOOL, BOOLEAN, INT1.
Int16 — SMALLINT, INT2.
Int32 — INT, INT4, INTEGER.
Int64 — BIGINT

d927d1d9f60d80193152c63b57c721c.png

2、UUID是字符串类型,不支持函数计算  自动生成generateuidv4函数

515f2158b6e2c331e792d81d8e81cac.png

00cfd0332596be37489be8f2b64997b.png

ebd6d7bc841b5027fff1cf11b9d9ce5.png

3、时间类型 Date、Date32、DateTime、DateTime64

Date取值范围:[1970-01-01, 2149-06-06],目前上限是2106年

Date32取值范围:[1925-01-01, 2283-11-11]

DateTime取值范围:[1970-01-01 00:00:00, 2106-02-07 06:28:15]

DateTime64取值范围:[1925-01-01 00:00:00, 2283-11-11 23:59:59.99999999] (注意: 最大值的精度是8)

与 DateTime 不同, DateTime64 类型的值不会自动从 String 类型的值转换过来

Date与Date32基本上操作一致:

3944733618fd7a53c10695eee2fc500.png

3f25be6e227393d1659e939c42fddf9.png

DateTime:-type  输入是数字会按照时区自动转换

957001d28eff8142e7eb45cd7990537.png

5151d6b0084ca929df1fcdff65907c0.png

DateTime64:时区存储在元数据中

e5afeb2629f2631654276a7b20edae9.png

d3164366857b3daeee2d8cfd50fe89d.png

7cebefb0784ebb586b8aaedd83c9177.png

4、精度类型:float32(float)、float64(double)

0不能当做除数,可以当做被除数,但是在这里打破了界限INF,无穷

9a550d8167135bd000507fba7c8b5f7.png

e48ab91299508281664b2fbadbc720f.png

29189dd5918db9d369971c87b523bcf.png

5、Decimal(P,S),Decimal32(s)....256(s)  

有符号的定点数,可在加、减和乘法运算过程中保持精度。对于除法,最低有效数字会被丢弃(不舍入)

P - 精度。有效范围:[1:38],决定可以有多少个十进制数字(包括分数)

S - 规模。有效范围:[0:P],决定数字的小数部分中包含的小数位数

禁止溢出检查:

32b0004a284713836de2d86a580e88d.png

d605e519b7773ca0e50e0d9a657841f.png

精度变化的规则:

加法,减法:S = max(S1, S2)。

2a3eb056323e0eca2ae08270a9f1011.png

1e40d3944d1df449038db075451acef.png

乘法:S = S1 + S2

d65acee454356af14f0d026fc3e9652.png

除法:S = S1

13f61ca3631ec4eddafdcccf44b9b9d.png

6、布尔类型(boolean)用UInt8代替,限制于0和1

7、String(字符串)

字符串可以任意长度的。它可以包含任意的字节集,包含空字节。

8、FixedString(N) 固定长度 N 的字符串(N 必须是严格的正自然数)

10b8dc1974dec04bb64bf5bd1a92fd2.png

9、Array(数组):array(T)或[]

99ffdb42131d0515d140d0e0763a014.png

10、元组Tuple(T1,T2....),每个元组都可以有单独的类型

不能在表中存储元组(除内存表),可用于临时列分组

405c589a18c8cd92cb996459acd170b.png

11、嵌套数据类型:Nested(Name1 Type1, Name2 Type2, …)

a378c210894fd97a27d5b406225a055.png

2ada7e81d63884e99efd36f44332fe2.png

相关文章
|
6月前
|
存储 SQL 关系型数据库
ClickHouse(02)ClickHouse架构设计介绍概述与ClickHouse数据分片设计
ClickHouse的核心架构包括执行过程和数据存储两部分。执行过程涉及Parser与Interpreter解析SQL,通过Column、DataType、Block、Functions和Storage模块处理数据。Column是内存中列的表示,Field处理单个值,DataType负责序列化和反序列化,Block是内存中表的子集,Block Streams处理数据流。Storage代表表,使用不同的引擎如StorageMergeTree。数据存储基于分片和副本,1个分片由多个副本组成,每个节点只能拥有1个分片。
381 0
ClickHouse(02)ClickHouse架构设计介绍概述与ClickHouse数据分片设计
|
6月前
|
分布式计算 DataWorks 调度
DataWorks报错问题之dataworks同步clickhouse数据报错如何解决
DataWorks是阿里云提供的一站式大数据开发与管理平台,支持数据集成、数据开发、数据治理等功能;在本汇总中,我们梳理了DataWorks产品在使用过程中经常遇到的问题及解答,以助用户在数据处理和分析工作中提高效率,降低难度。
|
存储 SQL 编解码
如何在ClickHouse中处理时序数据
ClickHouse具有强大的工具,可以高效地存储和处理时序数据,并可用于简单的解决方案和数据发掘,以及支持PB级的实时分析应用。
|
SQL 关系型数据库 MySQL
ClickHouse同步MySQL数据
ClickHouse同步MySQL数据
463 0
|
14天前
|
数据采集 存储 分布式计算
ClickHouse大规模数据导入优化:批处理与并行处理
【10月更文挑战第27天】在数据驱动的时代,高效的数据导入和处理能力是企业竞争力的重要组成部分。作为一位数据工程师,我在实际工作中经常遇到需要将大量数据导入ClickHouse的需求。ClickHouse是一款高性能的列式数据库系统,非常适合进行大规模数据的分析和查询。然而,如何优化ClickHouse的数据导入过程,提高导入的效率和速度,是我们面临的一个重要挑战。本文将从我个人的角度出发,详细介绍如何通过批处理、并行处理和数据预处理等技术优化ClickHouse的数据导入过程。
34 0
|
4月前
|
存储 DataWorks 监控
利用 DataWorks 数据推送定期推播 ClickHouse Query 诊断信息
DataWorks 近期上线了数据推送功能,能够将数据库查询的数据组织后推送到各渠道 (如钉钉、飞书、企业微信及 Teams),除了能将业务数据组织后推送,也能将数据库自身提供的监控数据组织后推送,这边我们就以 ClickHouse 为例,定期推播 ClickHouse 的慢 Query、数据量变化等信息,帮助用户掌握 ClickHouse 状态。
245 6
利用 DataWorks 数据推送定期推播 ClickHouse Query 诊断信息
|
4月前
|
消息中间件 NoSQL Redis
实时计算 Flink版产品使用问题之配置了最大连续失败数不为1,在Kafka的精准一次sink中,如果ck失败了,这批数据是否会丢失
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。
|
5月前
|
分布式计算 运维 DataWorks
MaxCompute产品使用问题之数据如何导出到本地部署的CK
MaxCompute作为一款全面的大数据处理平台,广泛应用于各类大数据分析、数据挖掘、BI及机器学习场景。掌握其核心功能、熟练操作流程、遵循最佳实践,可以帮助用户高效、安全地管理和利用海量数据。以下是一个关于MaxCompute产品使用的合集,涵盖了其核心功能、应用场景、操作流程以及最佳实践等内容。
|
5月前
|
JSON NoSQL MongoDB
蓝易云 - mongodb数据如何导入到clickhouse
以上步骤是一种通用的方法,具体的实现可能会根据你的具体需求和数据结构有所不同。
116 1
|
6月前
|
SQL 关系型数据库 MySQL
实时计算 Flink版产品使用合集之在使用Flink SQL向ClickHouse写入数据的过程中出现丢数据或重复数据的情况如何解决
实时计算Flink版作为一种强大的流处理和批处理统一的计算框架,广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器,提供了一套全面的解决方案,以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点,使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。
321 1