什么？部署ClickHouse的服务器CPU利用率100%了？-阿里云开发者社区

背景

某客户现场的ClickHouse所在服务器资源占用率100%了，引发了服务器告警。观察Grafana监控面板发现，从12点左右出现了大量的碎片写入，从而引起了相关指标的快速上升。

本文主要通过ClickHouse官方的系统表system.query_log表进行问题排查定位，结合Grafana监控面板最终定位到问题根本原因。

最近写入sql执行是否有异常，判断是否是因为批量的数据写入导致的CPU利用率突增

SELECT   
    event_time,   
    user,   
    query_id AS query,   
    read_rows,   
    read_bytes,   
    result_rows,   
    result_bytes,   
    memory_usage,   
    exception  
FROM clusterAllReplicas('cluster_name', system, query_log)  
WHERE (event_date = today()) AND (event_time >= (now() - 60)) AND (is_initial_query = 1) AND (query NOT LIKE 'INSERT INTO%')  
ORDER BY event_time DESC  
LIMIT 100

昨天有没有大于5分钟的慢查询

SELECT   
    event_time,   
    user,   
    query_id AS query,   
    read_rows,   
    read_bytes,   
    result_rows,   
    result_bytes,   
    memory_usage,   
    exception  
FROM clusterAllReplicas('cluster_name', system, query_log)  
WHERE (event_date = yesterday()) AND query_duration_ms > 30000 AND (is_initial_query = 1) AND (query NOT LIKE 'INSERT INTO%')  
ORDER BY query_duration_ms desc  
LIMIT 100

磁盘占用最高的前10张表

SELECT   
    database,   
    table,   
    sum(bytes_on_disk) AS bytes_on_disk  
FROM clusterAllReplicas('cluster_name', system, parts)  
WHERE active AND (database != 'system')  
GROUP BY   
    database,   
    table  
ORDER BY bytes_on_disk DESC  
LIMIT 10

查询频率前10的用户

SELECT   
    user,   
    count(1) AS query_times,   
    sum(read_bytes) AS query_bytes,   
    sum(read_rows) AS query_rows  
FROM clusterAllReplicas('cluster_name', system, query_log)  
WHERE (event_date = yesterday()) AND (is_initial_query = 1) AND (query NOT LIKE 'INSERT INTO%')  
GROUP BY user  
ORDER BY query_times DESC  
LIMIT 10

统计SQL 查询次数，判断哪次查询时间最长以及查询的平均时长

select
  left(query,
  100) as sql,
  count() as queryNum,
  sum(query_duration_ms) as totalTime,
  totalTime / queryNum as avgTime
from
  system.query_log ql
where
  event_time > toDateTime('2024-05-20 12:00:00')
  and event_time < toDateTime('2024-05-20 17:00:00')
group by
  sql
order by
  queryNum desc
limit 10

查询不包含insert into语句的5个小时查询次数超过1000次的 SQL

select
  *
from
  (
  select
    LEFT(query,
    100) as sql,
    count() as quneryNum,
    sum(query_duration_ms) as totalTime,
    totalTime / queryNum as avgTime
  from
    system.query_log ql
  where
    event_time > toDateTime('2024-05-20 12:00:00')
    and event_time < toDateTime('2024-05-20 17:00:00')
    and query not like '%INSERT INTO%'
  group by
    sql
  order by
    avgTime desc)
where
  queryNum > 1000
limit 50

由于上述 SQL均做了截取，故需根据所查询 SQL 进一步匹配 SQL。

select
  query
from
  system.query_log
where
  event_time > toDateTime('2024-05-20 12:00:00')
  and event_time < toDateTime('2024-05-20 17:00:00')
  and query like '%需要匹配的sql查询%'
limit 5;

是否有left join查询，如果大表进行left join查询很可能导致CPU过高

select
  *
from
  (
  select
    LEFT(query,100) as sql,
    count() as quneryNum,
    sum(query_duration_ms) as totalTime,
    totalTime / queryNum as avgTime
  from
    system.query_log ql
  where
    sql like '%前面定位到的sql的信息%'
    and read_rows != 0
    and event_time > toDateTime('2024-05-20 12:00:00')
    and event_time < toDateTime('2024-05-20 17:00:00')
    and query not like '%INSERT INTO%'
  group by
    sql
  order by
    queryNum desc)

根据小时聚合每个小时查询次数耗时

select
  toHour(event_time) as t,
  count() as queryNum,
  sum(query_duration_ms) as totalTime,
  totalTime / queryNum as avgTime
from
  system.query_log ql
where
  event_time > toDateTime('2024-05-20 08:00:00')
  and event_time < toDateTime('2024-05-20 17:00:00')
  and query not like '%INSERT INTO%'
  and query like '%前面定位到的sql的信息%'
  and read_rows != 0
group by
  t
limit 50

根据小时聚合每个分钟查询次数耗时

select
  toMinute(event_time) as t,
  count() as queryNum,
  sum(query_duration_ms) as totalTime,
  totalTime / queryNum as avgTime
from
  system.query_log ql
where
  event_time > toDateTime('2024-05-20 12:00:00')
  and event_time < toDateTime('2024-05-20 13:00:00')
  and query not like '%INSERT INTO%'
  and query like '%前面定位到的sql的信息%'
  and read_rows != 0
group by
  t
limit 50

left join查询个数

select
  *
from
  (
  select
    LEFT(query,100) as sql,
    count() as quneryNum,
    sum(query_duration_ms) as totalTime,
    totalTime / queryNum as avgTime
  from
    system.query_log ql
  where
    query like '% JOIN%'
    and read_rows != 0
    and event_time > toDateTime('2024-05-20 12:00:00')
    and event_time < toDateTime('2024-05-20 21:00:00')
    and query not like '%INSERT INTO%'
  group by
    sql
  order by
    queryNum desc)

发现有问题的表时，查询该表结构

show create table "shard1"."xxx_replica"

总结

遇到此类问题可先查看日志，首先在（Clickhouse 日志 Zookeeper 日志）日志中看能否找到有用的信息，例如直接报错信息等，如果在日志中找不到太多有用的信息的话，可以从下面入手。

一般遇到 CPU的load 值比较高的情况时，基本上都是因为查询引起的。当遇到这种问题时可先查询带有JOIN 的 SQL 语句是不是很多。

通过Grafana等监控工具，快速定位问题发生的时间段。

通过查询query_log表中的执行记录，分析是否有大查询、慢查询，找到具体的sql，条件允许的情况下可以停止大查询观察CPU的load值是否降低。（kill掉相关sql，KILL QUERY WHERE query_id=''）

本次排查过程主要使用query_log表，下面为重要字段：

event_time — 查询开始时间.

query_duration_ms — 查询消耗的时间（毫秒）.

read_rows— 从参与了查询的所有表和表函数读取的总行数.

query — 查询语句.

Clickhouse query_log 表中所有字段

type (Enum8) — 执行查询时的事件类型. 值:

'QueryStart' = 1 — 查询成功启动.

'QueryFinish' = 2 — 查询成功完成.

'ExceptionBeforeStart' = 3 — 查询执行前有异常.

'ExceptionWhileProcessing' = 4 — 查询执行期间有异常.

event_date (Date) — 查询开始日期.
event_time (DateTime) — 查询开始时间.
event_time_microseconds (DateTime64) — 查询开始时间（毫秒精度）.
query_start_time (DateTime) — 查询执行的开始时间.
query_start_time_microseconds (DateTime64) — 查询执行的开始时间（毫秒精度）.
query_duration_ms (UInt64) — 查询消耗的时间（毫秒）.
read_rows (UInt64) — 从参与了查询的所有表和表函数读取的总行数. 包括：普通的子查询, IN 和 JOIN的子查询. 对于分布式查询 read_rows 包括在所有副本上读取的行总数。每个副本发送它的 read_rows 值，并且查询的服务器-发起方汇总所有接收到的和本地的值。缓存卷不会影响此值。
read_bytes (UInt64) — 从参与了查询的所有表和表函数读取的总字节数. 包括：普通的子查询, IN 和 JOIN的子查询. 对于分布式查询 read_bytes 包括在所有副本上读取的字节总数。每个副本发送它的 read_bytes 值，并且查询的服务器-发起方汇总所有接收到的和本地的值。缓存卷不会影响此值。
written_rows (UInt64) — 对于 INSERT 查询，为写入的行数。对于其他查询，值为0。
written_bytes (UInt64) — 对于 INSERT 查询时，为写入的字节数。对于其他查询，值为0。

result_rows (UInt64) — SELECT 查询结果的行数，或INSERT 的行数。
result_bytes (UInt64) — 存储查询结果的RAM量.
memory_usage (UInt64) — 查询使用的内存.
query (String) — 查询语句.
exception (String) — 异常信息.
exception_code (Int32) — 异常码.
stack_trace (String) — Stack Trace. 如果查询成功完成，则为空字符串。

is_initial_query(UInt8) — 查询类型. 可能的值:

1 — 客户端发起的查询.
0 — 由另一个查询发起的，作为分布式查询的一部分.

user (String) — 发起查询的用户.
query_id (String) — 查询ID.
address (IPv6) — 发起查询的客户端IP地址.
port (UInt16) — 发起查询的客户端端口.
initial_user (String) — 初始查询的用户名（用于分布式查询执行）.
initial_query_id (String) — 运行初始查询的ID（用于分布式查询执行）.
initial_address (IPv6) — 运行父查询的IP地址.
initial_port (UInt16) — 发起父查询的客户端端口.
interface (UInt8) — 发起查询的接口. 可能的值:

1 — TCP.
2 — HTTP.

os_user (String) — 运行 clickhouse-client的操作系统用户名.

client_hostname (String) — 运行clickhouse-client 或其他TCP客户端的机器的主机名。
client_name (String) — clickhouse-client 或其他TCP客户端的名称。
client_revision (UInt32) — clickhouse-client 或其他TCP客户端的Revision。
client_version_major (UInt32) — clickhouse-client 或其他TCP客户端的Major version。
client_version_minor (UInt32) — clickhouse-client 或其他TCP客户端的Minor version。
client_version_patch (UInt32) — clickhouse-client 或其他TCP客户端的Patch component。
http_method (UInt8) — 发起查询的HTTP方法. 可能值:

0 — TCP接口的查询.
1 — GET
2 — POST

http_user_agent (String) — The UserAgent The UserAgent header passed in the HTTP request。
quota_key (String) — 在quotas 配置里设置的“quota key” （见 keyed).
revision (UInt32) — ClickHouse revision.

ProfileEvents (Map(String, UInt64))) — Counters that measure different metrics. The description of them could be found in the table 系统。活动
Settings (Map(String, String)) — Names of settings that were changed when the client ran the query. To enable logging changes to settings, set the log_query_settings 参数为1。
thread_ids (Array(UInt64)) — 参与查询的线程数.

Settings.Names (Array（String)) — 客户端运行查询时更改的设置的名称。要启用对设置的日志记录更改，请将log_query_settings参数设置为1。
Settings.Values (Array（String)) — Settings.Names 列中列出的设置的值

什么？部署ClickHouse的服务器CPU利用率100%了？

背景

最近写入sql执行是否有异常，判断是否是因为批量的数据写入导致的CPU利用率突增

昨天有没有大于5分钟的慢查询

磁盘占用最高的前10张表

查询频率前10的用户

统计SQL 查询次数，判断哪次查询时间最长以及查询的平均时长

查询不包含insert into语句的5个小时查询次数超过1000次的 SQL

是否有left join查询，如果大表进行left join查询很可能导致CPU过高

根据小时聚合每个小时查询次数耗时

根据小时聚合每个分钟查询次数耗时

left join查询个数

发现有问题的表时，查询该表结构

总结

Clickhouse query_log 表中所有字段

热门文章

最新文章

相关课程

相关电子书

推荐镜像

探索云世界

热门

云计算

大数据

云原生

人工智能

数据库

开发与运维

活动广场

任务中心

训练营

直播

乘风者计划

下载

镜像站

技术资料

什么？部署ClickHouse的服务器CPU利用率100%了？

背景

最近写入sql执行是否有异常，判断是否是因为批量的数据写入导致的CPU利用率突增

昨天有没有大于5分钟的慢查询

磁盘占用最高的前10张表

查询频率前10的用户

统计SQL 查询次数，判断哪次查询时间最长以及查询的平均时长

查询不包含insert into语句的5个小时查询次数超过1000次的 SQL

是否有left join查询，如果大表进行left join查询很可能导致CPU过高

根据小时聚合每个小时查询次数耗时

根据小时聚合每个分钟查询次数耗时

left join查询个数

发现有问题的表时，查询该表结构

总结

Clickhouse query_log 表中所有字段

热门文章

最新文章

相关课程

相关电子书

推荐镜像