一、引言

在将数据从 Clickhouse 迁移到 Apache Doris / SelectDB Cloud 的过程中，涉及表结构迁移、查询语句迁移以及数据迁移等多个关键环节。每个环节都有其复杂性和需要注意的细节，本文将详细介绍这些内容及对应的最佳实践方法。

二、表结构迁移

（二）表结构创建要点

了解表引擎与数据模型对应关系

对于普通表引擎迁移且不包含特殊数据类型（如枚举、嵌套数据类型）时，需要清楚 Clickhouse 不同的表引擎与 Doris 的数据模型的对应关系。例如，Clickhouse 的 MergeTree 表引擎，在 Doris 中可根据业务场景选择合适的数据模型，如用于原始日志、操作记录等分析场景时，可对应 Doris 的 Duplicate 模型。

合理设置分桶相关参数

分桶数：不要使用 auto 分桶，应根据表的数据量通过计算公式得出合理的分桶数。例如，可以先预估表的未来数据增长规模，结合 Doris 集群的节点数量和性能，通过一定的测试和计算来确定分桶数，以确保数据在集群中能够均匀分布，提升查询性能。

分桶字段：充分考虑业务场景，选择经常在查询条件中出现的字段作为分桶字段，这样可以在查询时快速定位到相关数据，避免后期对表结构进行二次优化（分桶确定后，后期不可更改。除非是新建分区的分桶）。

处理特殊数据类型

Clickhouse 中有许多 Doris 不具备的数据类型，如无符号整型数据类型、嵌套数据类型等。在替换时，优先选择 Doris 中数据类型范围比 Clickhouse 原始字段范围更大的数据类型。例如，Clickhouse 中的 UInt32 类型，在 Doris 中可转换为 bigint 类型。

如果实在没有与之对应的 Doris 数据类型，可以考虑使用 Doris 的 text 数据类型，但这可能会对查询性能产生一定影响，需要谨慎使用。

（三）获取 CK 表结构

可以通过脚本一次性批量获取 Clickhouse 的表结构，核心 SQL 如下：

select create_table_query from system.tables where database = 'default' or database='tpch';

或者直接通过脚本的方式通过 client 遍历执行show create table xxx来获取 Clickhouse 的表结构。

三、查询语句迁移

（一）工具辅助

查询语句迁移目前有sql-glot工具提供帮助，将 Clickhouse 的查询语句从 Clickhouse 的日志中全部获取出来后，将SQL过一遍sql-glot，就能自动转换为Doris的查询语句，sql - glot 使用网站。 但可能存在一些不兼容的问题，导致转换失败。故还需要人为手动参与进去做一些修改：

（二）人工参与

梳理函数列表

梳理 Clickhouse 使用了哪些查询函数。

梳理 Doris 这边与之对应的函数列表。对于有对应的 Doris 函数，直接进行替换；对于不存在相应函数的情况，及时联系Doris官方人员做支持。

四、数据迁移

（一）迁移方式选择准则

从已有的用户迁移实践来看，应尽可能选用 Doris 能提供的原生导入方式来进行数据导入。现阶段，从 Clickhouse 迁移到 Doris/Cloud 有多种方式，如：

• 在 Clickhouse 上导出为文件，然后调用 stream load 或者 S3 load 的方式
• Spark connector
• datax

（二）各工具可能存在的问题

Datax：其 Clickhouse reader 支持的 Clickhouse 的数据类型比较少，很多数据类型不支持，使用时需要慎重考虑。

Spark connector 和 Flink connector：如果直接读取 CK，会存在一些特殊数据类型不支持的问题（如 BITMAP）。

（三）推荐迁移方式

优先考虑将 Clickhouse 的数据导出成文件（如 parquet）到 HDFS 或者对象存储，然后使用 S3 LOAD 等方式把数据导入 Doris。具体操作如下：

环境配置

搭建 Doris 集群，确保集群环境稳定且各项配置正确。

准备好 HDFS / 对象存储，确保存储环境可用且权限设置正确。

检查环境中是否安装有 python3，部分导出工具可能依赖 python3 环境。

在 Doris 建表

建表时需将字段与 Clickhouse 对应，表模型对应可参考 Apache Doris 与 Clickhouse 字段及表模型对应关系。

注意 ORC 文件迁移要求 Clickhouse 和 Doris 表字段大小写相同。例如，Clickhouse 表的 DDL 如下：

CREATE TABLE ssb.lineorder
(
   `LO_ORDERKEY` UInt32,
   `LO_LINENUMBER` UInt8,
   `LO_CUSTKEY` UInt32,
   `LO_PARTKEY` UInt32,
   `LO_SUPPKEY` UInt32,
   `LO_ORDERDATE` Date,
   `LO_ORDERPRIORITY` LowCardinality(String),
   `LO_SHIPPRIORITY` UInt8,
   `LO_QUANTITY` UInt8,
   `LO_EXTENDEDPRICE` UInt32,
   `LO_ORDTOTALPRICE` UInt32,
   `LO_DISCOUNT` UInt8,
   `LO_REVENUE` UInt32,
   `LO_SUPPLYCOST` UInt32,
   `LO_TAX` UInt8,
   `LO_COMMITDATE` Date,
   `LO_SHIPMODE` LowCardinality(String)
)
ENGINE = MergeTree
PARTITION BY toYear(LO_ORDERDATE)
ORDER BY (LO_ORDERDATE, LO_ORDERKEY)
SETTINGS index_granularity = 8192;

在 Doris 中的 DDL 如下：

CREATE TABLE `lineorder` (
 `LO_ORDERKEY` bigint NOT NULL COMMENT "",
 `LO_LINENUMBER` SMALLINT NOT NULL COMMENT "",
 `LO_CUSTKEY` bigint NOT NULL COMMENT "",
 `LO_PARTKEY` bigint NOT NULL COMMENT "",
 `LO_SUPPKEY` bigint NOT NULL COMMENT "",
 `LO_ORDERDATE` date NOT NULL COMMENT "",
 `LO_ORDERPRIORITY` varchar(16) NOT NULL COMMENT "",
 `LO_SHIPPRIORITY` SMALLINT NOT NULL COMMENT "",
 `LO_QUANTITY` SMALLINT NOT NULL COMMENT "",
 `LO_EXTENDEDPRICE` bigint NOT NULL COMMENT "",
 `LO_ORDTOTALPRICE` bigint NOT NULL COMMENT "",
 `LO_DISCOUNT` SMALLINT NOT NULL COMMENT "",
 `LO_REVENUE` bigint NOT NULL COMMENT "",
 `LO_SUPPLYCOST` bigint NOT NULL COMMENT "",
 `LO_TAX` SMALLINT NOT NULL COMMENT "",
 `LO_COMMITDATE` date NOT NULL COMMENT "",
 `LO_SHIPMODE` varchar(11) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`LO_ORDERKEY`)
PARTITION BY RANGE(`LO_ORDERDATE`)
(PARTITION p1 VALUES [('0000-01-01'), ('1993-01-01')),
PARTITION p2 VALUES [('1993-01-01'), ('1994-01-01')),
PARTITION p3 VALUES [('1994-01-01'), ('1995-01-01')),
PARTITION p4 VALUES [('1995-01-01'), ('1996-01-01')),
PARTITION p5 VALUES [('1996-01-01'), ('1997-01-01')),
PARTITION p6 VALUES [('1997-01-01'), ('1998-01-01')),
PARTITION p7 VALUES [('1998-01-01'), ('1999-01-01')))
DISTRIBUTED BY HASH(`LO_ORDERKEY`) BUCKETS 48
PROPERTIES (
"replication_allocation" = "tag.location.default: 3",
"in_memory" = "false",
"storage_format" = "V2"
);

配置导出工具

此方案为分布式导出方案，如果单表数据量小于两亿条，可直接采用 clickhouse - client 导出 orc 文件。直接导出语法参考如下：

clickhouse - client --password yourpassword  --query="select * from ssb.lineorder FORMAT ORC" > lineorder.ORC

分布式导出工具配置如下：

下载 ClickHouse 导出工具：

git clone   https://github.com/LOVEGISER/clickhouse_export.git

进入目录：

cd clickhouse_export/clickhouse_python_sink/

打开配置文件：

vim config.py

在配置文件中进行如下配置：

# -*- encoding=utf8 -*-

"""
-------------------------------------------------
@author: "xxxx"
@file: config.py
@time: xxxx
@desc: clickhouse_python_sink Server Config
-------------------------------------------------
"""
from log_utils import logger
#1. which table should want to been export
export_table_list = [
   {
     "db":"ssb", #指定数据库
     "table":"lineorder", #指定表
     "format":"ORC", #ORC/Parquet/CSVWithNames #指定导出格式
     "filenameExtension":"ORC", #ORC/Parquet/csv #指定导出文件后缀名
     "mode":"partition",#导出模式，可选按照partition分区导出或者all全量导出
     "partition_expr":"toYear(LO_ORDERDATE)",#指定的分区字段
     "upper_condition":"toYear(LO_ORDERDATE)<=999912",#结束分区
     "lower_condition":"toYear(LO_ORDERDATE)>=000001",#开始分区
     "partition_split_filed": "LO_TAX",#对数据量过大的partition按照split_filed再次切分
     "partition_split_filed_model": "continuous",#continuous:连续型（数据按照字段线性增长），discrete：离散型
     "partition_split_filed_type": "long" #datetime/long/date
   }
   # 可以同时指定多个表
  # ,{
  #    "db":"default",
  #    "table":"trips_np",
  #    "format": "Parquet",
  #    "mode":"all",
  #    "partition_expr":"",
  #    "upper_condition":"",
  #    "lower_condition":"",
  #    "partition_split_filed": "",
  #    "partition_split_filed_model": "",
  #    "partition_split_filed_type": ""
  #  }
]

#例子

'''
example：
export_table_list = [
   {
     "db":"default",
     "table":"trips",
     "mode":"all/partition",
     "partition_expr":"toYYYYMM(pickup_date)",
     "upper_condition":"toYYYYMM(pickup_date)<=201508",
     "lower_condition":"toYYYYMM(pickup_date)>=201506",
   }
]

'''
#example :./clickhouse-client --host=<host> --port=<port> --user=<user> --password=<password>;
clickhouse_connect_command = "clickhouse-client --host=*.*.*.* --port=9000"
#2.thread number use
process_number = 10
sub_partition_max_size=200000
#指定clickhouse的userfiles路径，导出的文件在此
user_files_path = "/mnt/data/clickhouse/user_files"

运行导出
执行以下命令运行导出：

python3 scheduler.py

工具会自动监测导出线程状态以及导出数据条数准确性。

5. 数据上传 HDFS / 对象存储

上传对象存储：以 OSS 为例，先找到 ClickHouse 的 user_file 目录或者在 python 脚本中自定义的数据文件目录，然后用 ossutil64 上传整个目录到存储桶。例如：

./ossutil64 cp -r /mnt/data/clickhouse/user_files/ssb/lineorder oss://bucket/ssb/lineorder

腾讯 COS 和阿里 OSS 等对象存储的上传操作可参考对应官方文档，如

腾讯 COS：https://cloud.tencent.com/document/product/436/10976；

阿里 OSS：https://help.aliyun.com/document_detail/50451.html。

上传 HDFS：使用 HDFS 命令上传，例如：

hdfs dfs -put lineorder /lineorder

Doris Load 数据

S3 Load：针对 ClickHouse 导出的数据存到对象存储上，参考： s3 load

LOAD LABEL ssb.lineorder_oss
   (
       DATA INFILE("s3://bucket/filer/*")
       INTO TABLE lineorder
       FORMAT AS "orc"
   )
WITH S3
   (
       "AWS_ENDPOINT" = "*",
       "AWS_ACCESS_KEY" = "*",
       "AWS_SECRET_KEY"="*",
       "AWS_REGION" = "*"
   )
PROPERTIES
   (
       "timeout" = "3600" -- 如果数据量过大请合理配置超时时间
   );

数据验证

可以通过运行count(*)或者常用分析 SQL 对比 ClickHouse 验证结果，确保迁移的数据准确无误。

五、其他数据迁移方式补充

（一）ClickHouse->Apache Doris (Stream Load File)

此方案仅适用于数据量小的维度表（不建议超过 200M）且表数据不复杂的场景（需注意 csv 文件的分隔符与双引号问题），具体操作步骤如下：

环境配置：搭建好 Doris 环境，确保其正常运行。

在 Doris 建表：把字段与 ClickHouse 对应，保证表模型匹配，ORC 文件迁移要求 ClickHouse 和 Doris 表字段大小写相同。

导出数据

CSV 格式：运行clickhouse-client --password yourpassword --format_csv_delimiter="|" --query="select * from ssb.customer FORMAT CSV" > customer.csv导出数据。由于 ClickHouse 导出的 csv 文件中 string 和 date 等类型字段会带双引号，需使用sed -i 's/"//g' customer.csv命令处理。

JSON 格式：执行clickhouse-client --password yourpassword --query="select * from ssb.customer FORMAT JSON" > customer.json导出数据。因 clickhouse 导出的 json 文件带元数据信息，仅需 data 部分，可通过yum install -y jq安装 jq 工具，再执行cat customer.json | jq ".data" > customer_f.json处理。

Stream Load 导入 Doris

CSV 导入：执行curl --location-trusted -u root:****** -T customer.csv -H "column_separator:|" -H "label:customer_csv" http://host:port/api/ssb/customer/_stream_load，根据返回结果确认导入是否成功。

JSON 导入：Doris 默认支持最大导入 100MB 的 Json 文件，可修改相关参数增大限制。执行curl --location-trusted -u root:****** -H "format: json" -H "strip_outer_array: true" -T customer_f.json http://host:port/api/ssb/customer/_stream_load完成导入。

数据验证：通过运行count(*)或者常用分析 SQL 对比 ClickHouse 验证数据准确性。

（二）ClickHouse->Apache Doris (Spark-SQL)

Spark-SQL 迁移方案分为 http/grpc 两种，适用于不同的 ClickHouse 版本，ClickHouse 21.1.2.15 及以上版本使用 grpc 协议效率更高，具体流程如下：

环境准备：搭建 Doris；下载 Spark（版本需为 3.2 以上），并配置好相关环境变量，如SPARK_WORKER_CORES、SPARK_WORKER_MEMORY、SPARK_MASTER_HOST、SPARK_MASTER_PORT、JAVA_HOME等。

在 Doris 建表：将字段与 ClickHouse 对应，构建合适的表结构。

Spark 配置

下载 ClicHouse 相关 jar 包（根据 http 或 grpc 版本选择），放入 spark/jars/ 目录。

下载 spark-doris-connector，放入 spark/jars/ 目录。

编辑$SPARK_HOME/conf/spark-defaults.conf，添加 ClickHouse 相关配置；编辑$SPARK_HOME/conf/``spark-env.sh，配置 Spark 集群相关参数。

配置 Clickhouse：若使用 grpc 协议做迁移，需在 ClickHouse 配置文件/etc/clickhouse-server/config.xml中打开 grpc 协议相关配置，并重启 ClickHouse 服务。

启动 Spark-SQL：先启动 Spark 集群（本次使用 standalone 模式），执行$SPARK_HOME/sbin/``start-all.sh；再启动 spark-sql，执行$SPARK_HOME/bin/spark-sql --executor-memory 24G --executor-cores 4，可通过执行select * from clickhouse.ssb.lineorder limit 10;测试连接。

Spark 中建 Doris 映射表：参考相关文档，执行CREATE TEMPORARY VIEW lineorder_sink USING doris OPTIONS("table.identifier"="ssb.lineorder","fenodes"="*.*.*.*:8030","user"="root","password"="*","sink.batch.size" = "100000");创建映射表。

迁移数据：根据 CK 数据分区情况，分批次迁移数据，如insert into lineorder_sink SELECT * FROM clickhouse.ssb.lineorder where LO_ORDERDATE >= '1998-01-01' and LO_ORDERDATE <= '1998-12-31'; 或 insert into lineorder_sink SELECT * FROM clickhouse.ssb.lineorder; ，注意若迁移失败，需先在 Doris 删除对应数据再重新导入。

数据验证：通过运行count(*)或者常用分析 SQL 对比 ClickHouse 验证结果。

六、迁移后优化与注意事项

（一）性能优化

索引优化：根据业务查询需求，在 Doris 中合理创建索引，如前缀索引、Bloom Filter 索引、Bitmap 倒排索引等，提高查询效率。例如，对于经常用于过滤条件的字段，可创建相应的索引。

物化视图：对于频繁查询的固定维度或聚合结果，创建物化视图。Doris 会自动维护物化视图的数据，查询时可直接从物化视图中读取数据，大幅提升查询性能。

数据分区与分桶调整：如果发现数据分布不均匀或查询性能未达预期，可根据实际数据情况和查询模式，重新调整数据分区和分桶策略，确保数据在集群中均匀分布，减少数据扫描范围。

（二）数据一致性保障

定期校验：迁移完成后，定期对 ClickHouse 和 Doris 中的数据进行一致性校验，可通过对比关键数据的统计信息（如记录数、聚合结果等），确保数据在迁移后及后续使用过程中保持一致。

增量同步：如果业务存在数据持续更新的情况，建立增量同步机制，确保 ClickHouse 中的新增或更新数据能够及时、准确地同步到 Doris 中，保证数据的实时性和一致性。

（三）监控与维护

集群监控：搭建完善的监控体系，对 Doris 集群的资源使用情况（CPU、内存、磁盘等）、查询性能、任务执行状态等进行实时监控，及时发现并解决潜在问题。

日志管理：合理管理 Doris 和相关工具的日志，通过分析日志信息，快速定位和排查迁移过程中或后续使用过程中出现的问题。

这份文档已涵盖多种迁移方式及后续优化等内容。若还想对某个迁移方式补充更多细节，或增加其他方面的内容，欢迎讨论。