什么？部署ClickHouse的服务器CPU利用率100%了？

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