2025年7月 ClickStack 有哪些新变化？

本月初，我们发布了 ClickStack，这是一款基于 ClickHouse 构建的开源可观测性 (observability) 堆栈，让日志、指标、追踪和会话重放的统一变得比以往更加简单。其背后是同一款被 Netflix、eBay 等企业信赖的高性能引擎。

ClickStack 最大的优势之一在于，它将高基数、宽表事件数据的快速搜索与快速聚合结合在一个开源、低成本的解决方案中。通过采用 OpenTelemetry 进行数据采集，并以 HyperDX 作为 UI 层，ClickStack 提供了从数据摄取到强大可视化探索的完整开箱即用可观测性方案。

在 ClickHouse 的世界里，一个月就能带来巨大的变化。自首次发布以来，我们持续不断地为 ClickStack 增添新功能和改进，致力于让它更强大、更易用。从本月开始，我们会定期分享最新进展，帮助你快速在 ClickStack 部署中应用这些最新改进。

首先，我们要感谢本月的新开源贡献者。开源堆栈的构建离不开社区的共同努力，感谢每一位为 ClickStack 贡献力量的朋友——无论是通过 OpenTelemetry collector、Helm chart，还是 HyperDX。我们对你们的付出表示衷心感谢。

Huynguyen-anduin, OhJuhun, mGolestan98

本月 ClickStack 的最大更新虽简单，但意义重大。我们为 ClickStack 新增了对 ClickHouse 原生 JSON 列类型的测试版支持。这一功能为基于 ClickHouse 的可观测性 (observability) 工作负载带来了全新的扩展性、性能和压缩能力——在我们的测试中，查询速度相比 Map 类型最高提升了 9 倍。

在构建可观测性解决方案时，用户往往希望能够直接“发送事件”，而不必受限于严格的 Schema。实际情况是，可观测性数据来源复杂多样——不同的应用、团队，甚至组织，各自的结构不断演变。尽管结构化日志和 OpenTelemetry 等标准有所帮助，但团队依然需要捕获任意数量、类型和层级的标签与字段。

此前，ClickStack 中用于 OpenTelemetry 数据的 Schema 主要依赖 Map 类型，来处理如 LogAttributes、ResourceAttributes 和 SpanAttributes 这类包含动态属性的列。尽管这种方案可行，但也存在明显的不足：

• 类型精度的损失：Map 的键和值都被存储为字符串，所有数据被强制转为单一类型。数值比较只能在查询时转换类型，既冗长又影响性能，同时占用更多内存。

• 单列顺序扫描：使用 Map 类型时，所有 JSON 路径都存储在一个列中，查询某个键时需要加载并扫描整个 Map。当键数量众多时，导致大量不必要的 I/O，查询效率低下。用户通常通过物化列来预先提取需要的值以规避这一问题。

• 不支持原生嵌套：Map 类型在处理原始值时尚可，但对嵌套的 Map 和数组支持较差，所有内容都被转成字符串。复杂数据需序列化成 JSON 字符串，查询繁琐且低效。例如，LogAttributes 结构中：

{  "service.name": "user-service",  "service.version": "1.2.3",  "http.status_code": "200",  "user.preferences": "{\"theme\":\"dark\",\"notifications\":{\"email\":true,\"push\":false}}",  "error.stack": "[\"AuthError: Invalid token\",\"  at validateToken (auth.js:45)\",\"  at middleware (app.js:23)\"]"}

像 service.name 和 http.status_code 这样的原始值虽然能被自然存储，但失去了类型信息，无法直接进行数值或日期计算。而类似 user.preferences 和 error.stack 的复杂嵌套数据则被转为 JSON 字符串，查询和分析十分不便。如果要从 user.preferences 中提取布尔值，必须在 Map 的字符串值上使用 JSONExtractBool。

SELECT JSONExtractBool(LogAttributes['user.preferences'], 'notifications', 'email')

通过 ClickHouse 25.3 中正式推出的 JSON 类型，ClickStack 现在可以原生摄取和存储真正的半结构化数据。每个独立的 JSON 路径都对应自己的子列，类型得以保留，I/O 显著减少，查询性能大幅提升。即使是深度嵌套或不断变化的 Schema，也能高效处理。

想了解 JSON 类型在可观测性领域的高层次应用，可以参考我们去年发布的文章[https://clickhouse.com/blog/evolution-of-sql-based-observability-with-clickhouse]。如果你对底层实现细节感兴趣，欢迎阅读我们最初发布的博客，里面有详细介绍[https://clickhouse.com/blog/a-new-powerful-json-data-type-for-clickhouse]。

这意味着你可以直接将从 OpenTelemetry collectors 采集的增强型日志、追踪和指标发送至 ClickStack，无需担心严格的 Schema 或手动展开数据。ClickStack 的 UI 层 HyperDX 充分发挥了这一优势，支持更智能的过滤、JSON 路径的自动补全，以及更快速的搜索和可视化。

回到之前的示例——现在我们可以将所有数据以原始形式存储，完整保留其自然的结构与数据类型：

{  "service": {    "name": "user-service",    "version": "1.2.3"  },  "http": {    "status_code": 200  },  "user": {    "preferences": {      "theme": "dark",      "notifications": {        "email": true,        "push": false      }    }  },  "error": {    "stack": [      "AuthError: Invalid token",      "  at validateToken (auth.js:45)",      "  at middleware (app.js:23)"    ]  }}

查询也变得更加直观：

SELECT LogAttributes.user.preferences.notifications.email

返回的仍然是之前的布尔值，而且我们无需再去关心数据的嵌套层级或类型！

在支持 HyperDX 之前，我们首先需要确保 ClickStack 的每一层都能正确支持 JSON。要为 ClickHouse 的 OpenTelemetry exporter 增加支持，首先需要让 clickhouse-go 客户端支持 JSON 类型——exporter 在插入数据时使用这一客户端。客户端会将 JSON 列以序列化的 JSON 字符串插入，ClickHouse 再解析该字符串，自动识别新列及其类型。

此外，我们还对数据插入的逻辑进行了多项优化。我们更新了 Go 驱动，使其支持通过 ClickHouse 的原生 API 进行 TCP 和 HTTP 连接，这样在将 OpenTelemetry 的数据结构转换为 ClickHouse 的原生列式格式时，性能大幅提升。我们还借助 pprof 对主插入循环进行了性能分析和优化，大多数优化点集中在对 OpenTelemetry 结构中 getter 的冗余调用。

ClickHouse exporter 对 JSON 的支持最近已通过 feature flag 合并[https://github.com/open-telemetry/opentelemetry-collector-contrib/pull/40547]。通过这一改动，所有原本使用 Map 类型的列现已全面切换为 JSON 类型。

在 OpenTelemetry Collector 支持 JSON 类型后，我们将注意力转向了 UI 层 HyperDX 的适配。

为了在 HyperDX 中实现对 JSON 的完整支持，我们需要更新 UI 以支持嵌套对象，这在过去的 Map 类型中是难以实现的。因此，我们对前端的多个组件进行了重构，以便能够正确渲染和交互深度结构化的 JSON 数据。同时，部分查询也需要重写，采用新的 JSON 路径符号来高效访问嵌套字段。当前阶段，部分操作仍然需要将 JSON 值转换为字符串或浮点数，但未来我们计划引入更智能的元数据缓存机制，这样在字段类型始终一致的情况下，就可以完全跳过类型转换。

展望未来，我们还将继续优化 Schema，增设更多针对 JSON 工作负载的索引和性能优化，进一步提升 ClickStack 架构下的查询性能。

目前，JSON 支持仍处于测试阶段，可以在部署任一堆栈模式时，通过 feature flag 启用[https://clickhouse.com/docs/use-cases/observability/clickstack/getting-started]。

docker run -e BETA_CH_OTEL_JSON_SCHEMA_ENABLED=true -e OTEL_AGENT_FEATURE_GATE_ARG='--feature-gates=clickhouse.json' -p 8080:8080 -p 4317:4317 -p 4318:4318 docker.hyperdx.io/hyperdx/hyperdx-all-in-one:2-nightly

启用 JSON 类型支持需要配置两个环境变量：

BETA_CH_OTEL_JSON_SCHEMA_ENABLED=true 用于在 ClickHouse 中启用 JSON 支持，OTEL_AGENT_FEATURE_GATE_ARG='--feature-gates=clickhouse.json' 用于在 OTel collector 中开启 JSON 数据摄取。

如果你想通过示例数据体验 JSON 类型，可以参考我们的入门指南[https://clickhouse.com/docs/use-cases/observability/clickstack/getting-started/sample-data]，里面提供了公共数据集。我们非常期待听到你的反馈，欢迎在我们的公共仓库提交 issue 或建议[https://github.com/hyperdxio/hyperdx/tree/main]。

现在，JSON 已在整个堆栈中实现了支持，用户几乎无需感知就能立即受益。

需要注意的是，JSON 类型的引入带来了全新的 Schema，与旧的基于 Map 的 Schema 不兼容。希望使用 JSON 的用户，可以选择在 HyperDX 中为基于 JSON 的 Schema 配置单独的数据源，或通过简单的 INSERT INTO ... SELECT 操作来迁移现有数据。

整体的用户体验几乎没有变化，不过在查看如 LogAttributes 等属性列时，视觉上会有一些细微的不同。以前的层级结构会被扁平化，子层级通过点符号表示（例如 k8s.pod.name），而现在，属性结构以完整的层级形式呈现。

基于 Map 类型的属性渲染

基于 JSON 类型的层级属性渲染

得益于 HyperDX 对列自动补全和类 Lucene 查询构造的支持，用户最直观的收益就是 OTel 列（如 LogAttributes 等属性）上的查询速度大幅提升，I/O 明显减少。更重要的是，属性的真实数据类型得以保留，不再像之前那样全部转换为字符串。这意味着，当你传入数值或日期类型的属性时，类型信息不会丢失，能够直接高效地进行比较。

为了让这种优势更直观，我们以 ClickStack playground（play-clickstack.clickhouse.com，底层是 sql.clickhouse.com 的 ClickHouse 实例）中的示例日志 OTel 数据集为例，该数据集大约有 9000 万行。以下是基于 Map 类型的 Schema：

CREATE TABLE otel_v2.otel_logs(    `Timestamp` DateTime64(9) CODEC(Delta(8), ZSTD(1)),    `TimestampTime` DateTime DEFAULT toDateTime(Timestamp),    `TraceId` String CODEC(ZSTD(1)),    `SpanId` String CODEC(ZSTD(1)),    `TraceFlags` UInt8,    `SeverityText` LowCardinality(String) CODEC(ZSTD(1)),    `SeverityNumber` UInt8,    `ServiceName` LowCardinality(String) CODEC(ZSTD(1)),    `Body` String CODEC(ZSTD(1)),    `ResourceSchemaUrl` LowCardinality(String) CODEC(ZSTD(1)),    `ResourceAttributes` Map(LowCardinality(String), String) CODEC(ZSTD(1)),    `ScopeSchemaUrl` LowCardinality(String) CODEC(ZSTD(1)),    `ScopeName` String CODEC(ZSTD(1)),    `ScopeVersion` LowCardinality(String) CODEC(ZSTD(1)),    `ScopeAttributes` Map(LowCardinality(String), String) CODEC(ZSTD(1)),    `LogAttributes` Map(LowCardinality(String), String) CODEC(ZSTD(1)),    INDEX idx_trace_id TraceId TYPE bloom_filter(0.001) GRANULARITY 1,    INDEX idx_res_attr_key mapKeys(ResourceAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_res_attr_value mapValues(ResourceAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_scope_attr_key mapKeys(ScopeAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_scope_attr_value mapValues(ScopeAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_log_attr_key mapKeys(LogAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_log_attr_value mapValues(LogAttributes) TYPE bloom_filter(0.01) GRANULARITY 1,    INDEX idx_body Body TYPE tokenbf_v1(32768, 3, 0) GRANULARITY 8)ENGINE = MergeTreePARTITION BY toDate(TimestampTime)PRIMARY KEY (ServiceName, TimestampTime)ORDER BY (ServiceName, TimestampTime, Timestamp)

对应的基于 JSON 类型的 Schema：

CREATE TABLE otel_json.otel_logs(    `Timestamp` DateTime64(9) CODEC(Delta(8), ZSTD(1)),    `TimestampTime` DateTime DEFAULT toDateTime(Timestamp),    `TraceId` String CODEC(ZSTD(1)),    `SpanId` String CODEC(ZSTD(1)),    `TraceFlags` UInt8,    `SeverityText` LowCardinality(String) CODEC(ZSTD(1)),    `SeverityNumber` UInt8,    `ServiceName` LowCardinality(String) CODEC(ZSTD(1)),    `Body` String CODEC(ZSTD(1)),    `ResourceSchemaUrl` LowCardinality(String) CODEC(ZSTD(1)),    `ResourceAttributes` JSON CODEC(ZSTD(1)),    `ScopeSchemaUrl` LowCardinality(String) CODEC(ZSTD(1)),    `ScopeName` String CODEC(ZSTD(1)),    `ScopeVersion` LowCardinality(String) CODEC(ZSTD(1)),    `ScopeAttributes` JSON CODEC(ZSTD(1)),    `LogAttributes` JSON CODEC(ZSTD(1)),    INDEX idx_body Body TYPE tokenbf_v1(32768, 3, 0) GRANULARITY 8)ENGINE = MergeTreePARTITION BY toDate(TimestampTime)PRIMARY KEY (ServiceName, TimestampTime)ORDER BY (ServiceName, TimestampTime, Timestamp)

你会发现，新的 Schema 明显简洁了不少，主要是因为 Map 类型的键和值不再需要布隆过滤器。ResourceAttributes、ScopeAttributes 和 LogAttributes 中的各个字段现在都作为独立的子列存储，布隆过滤器因此变得不再必要。

比如我们希望查看每个 pod 的日志流量。虽然 HyperDX 会自动生成查询语句，但底层的 SQL（这里是简化版）本质上是一次聚合操作。使用 Map 类型时：

SELECT    ResourceAttributes['k8s.pod.name'] AS pod_name,    count() AS cFROM otel_v2.otel_logs WHERE pod_name !=''GROUP BY pod_nameORDER BY c DESCLIMIT 10

这里有几个关键点：查询耗时 2.7 秒，扫描了整个数据集，内存占用 1.6GB，读取的数据量高达 30GB！

这种巨量的数据读取正是 Map 类型的瓶颈所在。因为所有子字段都存储在同一个 LogAttributes 列中，哪怕只要 JSON 字段 'k8s.pod.name'，也不得不读取整列。

相比之下，使用 JSON 类型查询同一字段时，'k8s.pod.name' 已经作为单独的列存在。

SELECT    CAST(ResourceAttributes.k8s.pod.name, 'String') AS pod_name,    count() AS cFROM otel_json.otel_logs WHERE pod_name !=''GROUP BY pod_nameORDER BY c DESCLIMIT 10

性能提升极其显著——查询速度快了 9 倍。虽然处理的行数一样，但实际读取的数据量减少了超过 10 倍，仅读取了所需列的对应值。

虽然 JSON 类型是本月 ClickStack 更新的明星功能，但我们的优化远不止于此。我们在 ClickStack 的多个细节上都做了精心打磨，虽然每项改动都不算巨大，但整体体验却因此变得更加流畅和愉悦。以下是一些亮点更新。

本月，我们对 HyperDX 的 Helm chart 进行了多项优化，帮助用户部署更灵活、更易掌控。主要更新包括：支持接入自有的 MongoDB 服务[https://github.com/hyperdxio/helm-charts/pull/29]、配置自定义的 ClickHouse 用户凭据[https://github.com/hyperdxio/helm-charts/pull/26]、优化 PVC 配置[https://github.com/hyperdxio/helm-charts/pull/32]。此外，还增加了对 nodeSelector 和 tolerations 的支持[https://github.com/hyperdxio/helm-charts/pull/56]、服务类型及注解的配置能力[https://github.com/hyperdxio/helm-charts/pull/57]、HyperDX [https://github.com/hyperdxio/helm-charts/pull/44]及应用[https://github.com/hyperdxio/helm-charts/pull/41]的 ingress 能力增强，以及 OpenTelemetry collector 支持设置自定义环境变量[https://github.com/hyperdxio/helm-charts/pull/46]。这些改进让用户可以根据自身基础设施与工作负载的特点，更好地定制 HyperDX。

针对用户呼声较高的需求，我们新增了搜索结果的导出功能。基于性能考虑，目前支持导出最多 4000 行，但这对于需要进一步分析或共享数据的用户而言，已非常实用。导出文件为 CSV 格式，方便直接在表格或其他工具中使用。

应社区的需求，我们发布了 Elastic Stack 迁移指南[https://clickhouse.com/docs/use-cases/observability/clickstack/migration/elastic]，帮助希望从 Elastic（前称 Elastic Stack 或 ELK Stack）迁移的用户。迁移后的优势显而易见：更好的压缩率、更高的资源利用率，以及更低的总体拥有成本。尽管迁移过程中可能存在一定复杂性，但我们力求让过程尽可能平滑。指南中详细对照了两种技术的概念映射，并提供了语言 SDK 和代理迁移的清晰路径，帮助用户快速完成切换。未来几个月，我们还会陆续推出针对其他传统可观测性方案的迁移指南，敬请期待。

为了让大家的入门体验更轻松，我们也致力于缩减容器镜像的体积。最早的用户反馈之一就是 all-in-one 镜像体积太大。现在，我们已经将其从 3GB 缩减至 2.2GB，应用本身的体积也从约 2GB 减至 1.2GB，几乎瘦身一半。我们仍在不断优化，持续让镜像更轻、更快，助你几乎无障碍地快速上手。

/END/

试用阿里云 ClickHouse企业版

轻松节省30%云资源成本？阿里云数据库ClickHouse 云原生架构全新升级，首次购买ClickHouse企业版计算和存储资源组合，首月消费不超过99.58元（包含最大16CCU+450G OSS用量）了解详情：https://t.aliyun.com/Kz5Z0q9G