Clickhouse将数据划分为多个partition，每个partition再进一步划分为多个index granularity，然后通过多个CPU核心分别处理其中的一部分来实现并行数据处理。
在这种设计下，单条Query就能利用整机所有CPU；极致的并行处理能力，极大的降低了查询延时。
所以，Clickhouse即使对于大量数据的查询也能够化整为零平行处理；但是有一个弊端，就是对于单条查询使用多CPU，就不利于同时并发多条查询；所以对于高QPS的查询业务，Clickhouse并不是强项
即时查询ad-hoc很适合Clickhouse，BI工具，Echart
Redis是高QPS，ES，mysql的QPS也挺高；QPS：每秒的查询次数
Clickhouse像很多OLAP数据库一样，单表查询的数据优于关联查询，而且clickhouse的两者差距更为明显
在这种设计下，单条Query就能利用整机所有CPU；极致的并行处理能力，极大的降低了查询延时。
所以，Clickhouse即使对于大量数据的查询也能够化整为零平行处理；但是有一个弊端，就是对于单条查询使用多CPU，就不利于同时并发多条查询；所以对于高QPS的查询业务，Clickhouse并不是强项
即时查询ad-hoc很适合Clickhouse，BI工具，Echart
Redis是高QPS，ES，mysql的QPS也挺高；QPS：每秒的查询次数
Clickhouse像很多OLAP数据库一样，单表查询的数据优于关联查询，而且clickhouse的两者差距更为明显
标签： clickhouse、qps、单条、查询、granularity、面试
