ClickHouse 25.7 版本发布说明

Meetup活动

ClickHouse 北京第三届 Meetup 讲师招募中，欢迎讲师在文末扫码报名！

又到了每月版本发布的时间！

本次更新中，我们要特别欢迎所有参与 25.7 版本开发的新贡献者！ClickHouse 社区的不断壮大令人深受感动，我们始终感谢每一位推动 ClickHouse 走向更广泛应用的贡献者。

ClickHouse 现在支持 可大规模执行的标准 SQL UPDATE 语句，由全新的轻量级 patch-part 机制驱动。与传统需要重写整列数据的变更操作不同，这种方式只会写入很小的补丁部分（patch parts），能够即时生效，并且对查询性能几乎没有影响。

工作原理

补丁部分继承了 专用引擎(https://clickhouse.com/blog/updates-in-clickhouse-1-purpose-built-engines)（如 ReplacingMergeTree）背后的相同原理，但以完全通用的方式，通过 标准 SQL(https://www.w3schools.com/sql/sql_update.asp) 暴露给用户：

UPDATE ordersSET discount = 0.2WHERE quantity >= 40;

• 插入操作非常快速(https://clickhouse.com/blog/updates-in-clickhouse-1-purpose-built-engines#inserts-are-so-fast-we-turned-updates-into-inserts)。

• 合并是持续进行的(https://clickhouse.com/blog/updates-in-clickhouse-1-purpose-built-engines#merges-are-fast-thanks-to-sorted-parts)。

• 数据部分是不可变且有序的(https://clickhouse.com/blog/updates-in-clickhouse-1-purpose-built-engines#inserts-create-sorted-and-immutable-parts)。

因此，ClickHouse 不会去定位并直接修改行，而是插入一个紧凑的补丁部分，用于在合并过程中修补数据部分，仅应用更改过的数据。

合并任务原本就在后台运行，现在我们让它在几乎零额外开销的情况下多做一步：应用补丁部分，在合并数据时高效更新基础数据。

更新可以即时反映出来，尚未合并的补丁部分会被匹配，并且会在每个 数据流(https://clickhouse.com/docs/optimize/query-parallelism#distributing-work-across-processing-lanes) 的各个数据范围内独立应用，以精确且有针对性的方式确保更新正确执行，同时不影响并行处理。

这让声明式更新在我们的基准测试中最高可比以往快 1,000 倍(https://clickhouse.com/blog/updates-in-clickhouse-3-benchmarks#time-until-bulk-updates-are-visible-to-queries)，并且在合并前对查询的影响几乎可以忽略。

无论是更新一行还是一百万行，现在都能做到快速、高效，并且完全是声明式的。

DELETE 是 轻量级 羽量级

对于使用 标准 SQL 语法(https://www.w3schools.com/sql/sql_delete.asp) 的 DELETE 操作，例如：

DELETE FROM orders WHERE order_id = 1001 AND item_id = 'mouse';

ClickHouse 只需创建一个补丁部分，将被删除行的 _row_exists 设置为 0。然后，这些行会在下一次后台合并时被移除。

快速 UPDATE 的内部机制

想更深入地了解？可以阅读我们关于 ClickHouse 快速 UPDATE 的三篇博客系列：

• 第 1 篇：专用引擎(https://clickhouse.com/blog/updates-in-clickhouse-1-purpose-built-engines)  

  介绍 ClickHouse 如何利用基于插入的引擎（ReplacingMergeTree、CollapsingMergeTree、CoalescingMergeTree）来规避缓慢的行级更新。

• 第 2 篇：声明式 SQL 风格 UPDATE(https://staging.clickhouse.com/blog/updates-in-clickhouse-2-sql-style-updates)  

  探讨我们如何通过补丁部分将标准 UPDATE 语法引入 ClickHouse，并将额外开销降至最低。

• 第 3 篇：基准测试(https://clickhouse.com/blog/updates-in-clickhouse-3-benchmarks)  

  展示实际的性能效果。我们对包括声明式 UPDATE 在内的多种方式进行了基准测试，最高实现了 1,000 倍的性能提升。

ClickHouse 客户端和 clickhouse-local (https://clickhouse.com/docs/operations/utilities/clickhouse-local)现已支持 AI 生成 SQL(https://clickhouse.com/docs/use-cases/AI/ai-powered-sql-generation)。只需在命令前加上 ?? 前缀即可启用，如果在环境变量中设置了 OPENAPI_API_KEY 或 ANTHROPIC_API_KEY，系统会提示你是否使用该密钥。

例如，我们可以先连接到 ClickHouse SQL Playground：

./clickhouse client -mn --host sql-clickhouse.clickhouse.com --secure --user demo --password ''

接着请求获取 2025 年 7 月最受欢迎的代码仓库：

?? what was the most popular github repository in July 2025?;

系统会确认是否使用 API key：

AI SQL generation will use openai API key from environment variable.Do you want to continue? [y/N] y

随后便会开始执行，并在生成过程中输出推理信息：

• Starting AI SQL generation with schema discovery...─────────────────────────────────────────────────🧠 thinking..[INFO] Text generation successful - model: gpt-4o, response_id: chatcmpl-BxBDkKy9sNi1Bw8E26UC8RXNBMrPT🔧 Calling: list_databases [call_IXv...]✓ list_databases completed  └─ Found 37 databases: - amazon - bluesky - country - covid - default - dns - en...🔧 Calling: list_databases [call_IXv...]🧠 thinking...✓ list_databases completed  └─ Found 37 databases: - amazon - bluesky - country - covid - default - dns - en...🧠 thinking..[INFO] Text generation successful - model: gpt-4o, response_id: chatcmpl-BxBDmOwzsHgBNHtOiT8tEIhjJoMXV🔧 Calling: list_tables_in_database [call_pRq...]  └─ Args: {"database":"github"}🧠 thinking...✓ list_tables_in_database completed  └─ Found 19 tables in database 'github': - actors_per_repo - actors_per_repo_mv ...🔧 Calling: list_tables_in_database [call_pRq...]  └─ Args: {"database":"github"}✓ list_tables_in_database completed  └─ Found 19 tables in database 'github': - actors_per_repo - actors_per_repo_mv ...🧠 thinking...[INFO] Text generation successful - model: gpt-4o, response_id: chatcmpl-BxBDo0qbEkfvzTl6vgrA49fgjVVfo🔧 Calling: get_schema_for_table [call_NKK...]  └─ Args: {"database":"github","table":"repo_events_per_day"}🧠 thinking✓ get_schema_for_table completed  └─ Schema for github.repo_events_per_day: CREATE TABLE github.repo_events_per_da...🔧 Calling: get_schema_for_table [call_NKK...]  └─ Args: {"database":"github","table":"repo_events_per_day"}✓ get_schema_for_table completed  └─ Schema for github.repo_events_per_day: CREATE TABLE github.repo_events_per_da...🧠 thinking.[INFO] Text generation successful - model: gpt-4o, response_id: chatcmpl-BxBDpMp0HpRmFZK2VBZG5y6sWMCsF─────────────────────────────────────────────────• ✨ SQL query generated successfully!

以下是它生成的查询：

SELECT    repo_name,    sum(count) AS total_eventsFROM github.repo_events_per_dayWHERE (created_at >= '2025-07-01') AND (created_at <= '2025-07-31')GROUP BY repo_nameORDER BY total_events DESCLIMIT 1;

┌─repo_name───────────────────┬─total_events─┐│ freefastconnect/fastconnect │       333215 │└─────────────────────────────┴──────────────┘

如果我来写，还会按事件类型进行过滤，仅保留 `WatchEvent`，但这个结果已经是一个不错的起点。欢迎试用，并与我们分享你的体验！

本次发布对 count() 聚合进行了针对性优化，降低了内存和 CPU 占用，使此类查询执行速度进一步提升。

ClickHouse 的并行聚合

ClickHouse 在执行此类查询时，本就采用高度并行的方式：利用所有可用 CPU 核心，将任务分配到多个处理通道，并将硬件性能发挥到接近极限。

其典型工作流程如下：

① 数据流入

数据以块为单位被持续导入引擎。

② 并行处理

每个 CPU 核心处理互不重叠的数据范围，独立执行过滤、聚合和排序。

③ 合并部分结果生成 ④ 最终结果

每个通道会生成部分聚合状态（例如 avg() 的总和与计数），这些中间结果会被合并为最终输出。

下面我们聚焦于流水线中的一个阶段：聚合。在这一阶段，每个 CPU 核心会针对其负责的数据范围累积部分结果（如总和和计数），随后再与其他核心的结果合并，生成最终答案。

为什么需要部分聚合状态 (Partial Aggregation States)

部分聚合状态使高度并行的处理模型成为可能，它让每个 CPU 核心可以独立处理，同时确保最终结果的正确性。

要理解其必要性，可以看一个计算各城镇房产平均价格(https://clickhouse.com/docs/getting-started/example-datasets/uk-price-paid)的例子：

SELECT    town,    avg(price) AS avg_priceFROM uk_price_paidGROUP BY town;

假设我们使用两个 CPU 核心来计算伦敦的平均价格：

① 并行处理与 ② 部分聚合状态

通道 1 处理两行伦敦数据 → sum = 500,000，count = 2  

通道 2 处理一行伦敦数据 → sum = 400,000，count = 1

③ 合并生成 ④ 最终状态

最终 avg = (500,000 + 400,000) / (2 + 1) = 300,000

必须合并总和与计数，而不能直接合并中间平均值，否则会产生错误：

  (250,000 + 400,000) / 2 = 325,000 ← 错误

GROUP BY 聚合的内部机制

进一步深入到聚合阶段的内部工作，可以看到每个处理通道会维护自己的哈希表，并独立构建聚合状态。

GROUP BY 查询在每个通道内独立执行，采用哈希聚合算法：每个通道维护一个哈希表(https://clickhouse.com/blog/hash-tables-in-clickhouse-and-zero-cost-abstractions)，其中每个键（如城镇名）指向一个聚合状态。

在我们的例子中，当处理通道读取到 LONDON 时：

• 如果该键在 ① 哈希表中不存在，则创建新条目，并在 ② 全局内存区域分配一个聚合状态，同时将该状态的指针存入哈希表。

• 如果该键已存在，则通过指针查找并更新全局内存区域中对应的聚合状态。

  

count() 优化

接下来看看这个版本在 count() 聚合上的改进。

对于这样的查询：

SELECT    town,    count() AS countFROM uk_price_paidGROUP BY town;

……ClickHouse 现在会完全跳过内存分配区域（memory arena）。

由于 count() 是可加函数(https://en.wikipedia.org/wiki/Additive_function)，在跨通道合并部分结果时，不需要维护复杂的聚合状态。它只需存储一个 64 位整数（计数值），在 64 位系统中，这个大小与指针相当甚至更小，因此 ClickHouse 可以：

• 将计数值直接存储在哈希表单元中

• 省去在内存分配区域申请空间

• 省去指针寻址的过程

这样就避免了内存分配和指针访问的开销，降低了 CPU 与内存使用。

在我们的测试中，count() 聚合的执行速度相比之前提升了 20–30%，同时显著减少了内存占用和 CPU 消耗。

为什么重要

Count 聚合是最常用的操作之一：从仪表盘上统计最活跃的用户或下载量最高的软件包(https://clickhouse.com/blog/clickhouse_vs_elasticsearch_mechanics_of_count_aggregations#count-aggregations-in-clickhouse-and-elasticsearch)，到告警系统中监控异常事件频率。无论是分析、可观测性还是搜索，几乎所有系统都依赖高效的 count 查询。因此，即使是微小的优化，也能带来巨大的影响。

真实环境测试结果

我们使用一个典型的 Web 分析查询来演示这一优化：该查询通过 count() 聚合返回最活跃的 10 位用户。

SELECT UserID, count() FROM hits GROUP BY UserID ORDER BY count() DESC LIMIT 10;

（你可以通过创建(https://github.com/ClickHouse/ClickBench/blob/83d5a48f7a29703064e27a44f1cb918d9f53ff43/clickhouse/create.sql)表并加载(https://github.com/ClickHouse/ClickBench/blob/83d5a48f7a29703064e27a44f1cb918d9f53ff43/clickhouse/benchmark.sh#L36)数据自行运行）

测试环境为 AWS m6i.8xlarge EC2 实例（32 核 CPU，128 GB 内存），存储使用 gp3 EBS 卷（16k IOPS，最大吞吐量 1000 MiB/s）。

我们在 ClickHouse 25.6 上运行该查询 3 次，并展示由 clickhouse-client 返回的运行时统计数据：

10 rows in set. Elapsed: 0.447 sec. Processed 100.00 million rows, 799.98 MB (223.49 million rows/s., 1.79 GB/s.)Peak memory usage: 2.50 GiB.
10 rows in set. Elapsed: 0.391 sec. Processed 100.00 million rows, 799.98 MB (255.79 million rows/s., 2.05 GB/s.)Peak memory usage: 2.52 GiB.
10 rows in set. Elapsed: 0.383 sec. Processed 100.00 million rows, 799.98 MB (261.21 million rows/s., 2.09 GB/s.)Peak memory usage: 2.51 GiB.

接着，我们在 ClickHouse 25.7 上同样运行了该查询 3 次：

10 rows in set. Elapsed: 0.305 sec. Processed 100.00 million rows, 799.98 MB (327.54 million rows/s., 2.62 GB/s.)Peak memory usage: 2.00 GiB.
10 rows in set. Elapsed: 0.265 sec. Processed 100.00 million rows, 799.98 MB (377.43 million rows/s., 3.02 GB/s.)Peak memory usage: 1.96 GiB.
10 rows in set. Elapsed: 0.237 sec. Processed 100.00 million rows, 799.98 MB (422.34 million rows/s., 3.38 GB/s.)Peak memory usage: 1.96 GiB.

以下是运行结果分析：

ClickHouse 24.06

平均值：

• 执行时间：0.407 秒

• 行处理速度：246.83 M 行/秒

• 吞吐率：1.98 GB/秒

• 内存占用：2.51 GiB

ClickHouse 24.07

平均值：

• 执行时间：0.269 秒

• 行处理速度：375.77 M 行/秒

• 吞吐率：3.01 GB/秒

• 内存占用：1.97 GiB

24.06 与 24.07 的性能改进

过去几个月里，提升 JOIN 性能一直是我们的重点工作。默认的 JOIN 策略——并行哈希连接（parallel hash join）(https://clickhouse.com/blog/clickhouse-fully-supports-joins-hash-joins-part2#parallel-hash-join)——在多个版本中持续获得优化：

• ClickHouse 24.7 改进了哈希表的分配效率(https://clickhouse.com/blog/clickhouse-release-24-07#faster-parallel-hash-join)。

• ClickHouse 24.12 引入了自动 JOIN 重排序(https://clickhouse.com/blog/clickhouse-release-24-12#automatic-join-reordering)，可智能选择构建阶段的最优表。

• ClickHouse 25.1 与 25.2 分别进行了更底层的性能优化，加快了 JOIN 的探测阶段(https://clickhouse.com/blog/clickhouse-release-25-01#faster-parallel-hash-join)，并消除了构建阶段的线程争用(https://clickhouse.com/blog/clickhouse-release-25-02#faster-parallel-hash-join)。

在并行化、查询规划和算法效率上的这些持续改进，使 JOIN 性能稳步提升。ClickHouse 25.7 延续了这一趋势，新增了四项针对哈希连接的底层性能优化：

1. 单列键 JOIN 提速

移除了单列键 JOIN 中的内部循环及多余的空值检查，减少了 CPU 指令执行量，从而加快了执行速度。

在 PR(https://github.com/ClickHouse/ClickHouse/pull/82308) 的测试截图中，柱状图展示了新旧版本的性能对比，整体平均提速约 1.37 倍。

2. 多 OR 条件 JOIN 提速

将上述单列键优化扩展到了 ON 子句中包含多个 OR 条件的 JOIN。这类 JOIN 现在同样受益于底层性能提升，执行效率显著提高。

在 PR(https://github.com/ClickHouse/ClickHouse/pull/83041) 的性能测试截图中可以看到，带有 OR 条件的 JOIN 查询最高提速可达 1.5 倍，这得益于指令开销的减少以及更高效的 JOIN 循环执行。

3. 降低 JOIN 处理的 CPU 开销

优化了 JOIN 跟踪过程，去掉了重复的哈希计算，减少了冗余操作并提升了吞吐量。

根据 PR(https://github.com/ClickHouse/ClickHouse/pull/83043) 的性能测试截图，对于输入数据量较大的两条 JOIN 查询，优化后运行速度提升了 1.5～1.8 倍。此优化尤其针对高匹配基数的 JOIN，过去在这种情况下，重复的哈希计算会消耗大量 CPU 资源。

4. 降低 JOIN 结果的内存占用

在确定匹配数量后，系统会精确分配结果缓冲区大小，避免了过度分配，从而减少内存占用并提升性能。这对于宽行数据（列重复或包含填充列）尤其有效，例如 JOIN ... USING 查询或带合成列的结果集。

PR(https://github.com/ClickHouse/ClickHouse/pull/83304) 的性能测试结果显示，对于宽结果行的 JOIN 查询，优化后执行速度提升了 1.3～1.4 倍。此前，这类查询常常为连接结果过度分配内存，而该优化有效解决了这一问题。

优化仍在进行中。JOIN 性能依旧是我们的核心优化目标，未来版本中我们将继续改进并行哈希连接以及其他 JOIN 策略。

即将推出：我们正在准备一篇技术深度解析，全面介绍过去几个月 JOIN 性能改进的细节，包括基准测试数据和实际应用案例。敬请关注！

在 ClickHouse 25.5 中，ClickHouse 新增了对 Parquet 文件中 Geo 类型的读取支持(https://clickhouse.com/blog/clickhouse-release-25-05#geo-types-in-parquet)。当时，这些 Parquet 的 Geo 类型会被映射为 ClickHouse 中的其他类型，例如元组（tuple）或列表（list）。

从 25.7 开始，ClickHouse 可以将所有 采用 WKB 编码的 Geo 类型(https://libgeos.org/specifications/wkb/#geometry-types) 直接读取为对应的 ClickHouse Geo 类型。

下面的示例演示了其工作方式：我们首先执行一个查询，将每种 ClickHouse Geo 类型写入到一个 Parquet 文件中。

SELECT (10, 10)::Point as point,  [(0, 0), (10, 0), (10, 10), (0, 10)]::LineString AS lineString,  [    [(0, 0), (10, 0), (10, 10), (0, 10)],     [(1, 1), (2, 2)]  ]::MultiLineString AS multiLineString,  [[(20, 20), (50, 20), (20, 50)], [(30, 30), (50, 50), (50, 30)]]::Polygon AS polygon,  [ [[(0, 0), (10, 0), (10, 10), (0, 10)]],    [[(20, 20), (50, 20), (50, 50), (20, 50)],[(30, 30), (50, 50), (50, 30)]]  ]::MultiPolygon AS multiPolygon,  [(0, 0), (10, 0), (10, 10), (0, 10)]::Ring AS ringINTO OUTFILE 'geo.parquet' TRUNCATE;

随后，将该 Parquet 文件重新读入：

DESCRIBE file('geo.parquet');

┌─name────────────┬─type────────────────────────┐│ point           │ Point                       ││ lineString      │ LineString                  ││ multiLineString │ MultiLineString             ││ polygon         │ Polygon                     ││ multiPolygon    │ MultiPolygon                ││ ring            │ Array(Tuple(               ↴││                 │↳    `1` Nullable(Float64), ↴││                 │↳    `2` Nullable(Float64))) │└─────────────────┴─────────────────────────────┘

除了 Ring 之外，所有类型都按其 Geo 类型正确读回。在 Parquet 中，Geo 类型通常采用 WKB 编码(https://libgeos.org/specifications/wkb/#geometry-types)，而 WKB 编码并不支持 Ring 类型。

本次版本引入了两个用于检测多边形是否相交的新函数：polygonIntersectsCartesian 和 polygonIntersectsSpherical。  

polygonIntersectsCartesian 基于笛卡尔（平面）几何进行计算，而 polygonIntersectsSpherical 则基于球面几何进行判断。

例如，使用 polygonIntersectsSpherical 可以检测覆盖伦敦市中心部分区域的两个多边形是否相交。

selectpolygonsIntersectSpherical(  [[[(-0.140, 51.500), (-0.140, 51.510), (-0.120, 51.510), (-0.120, 51.500), (-0.140, 51.500)]]],  [[[(-0.135, 51.505), (-0.135, 51.515), (-0.115, 51.515), (-0.115, 51.505), (-0.135, 51.505)]]]);

┌─polygonsInte⋯51.505)]]])─┐│                        1 │└──────────────────────────┘

而 polygonIntersectsCartesian 的示例则使用了两个位于球场两侧的足球运动员的假想坐标。

selectpolygonsIntersectCartesian([[[(0.0, 0.0), (0.0, 64.0), (45.0, 64.0), (45.0, 0.0), (0.0, 0.0)]]],[[[(55.0, 0.0), (55.0, 64.0), (100.0, 64.0), (100.0, 0.0), (55.0, 0.0)]]]);

┌─polygonsInte⋯51.505)]]])─┐│                        1 │└──────────────────────────┘

本次版本在安全方面也带来了一些增强功能。

首先，现在可以通过参数化查询动态创建用户，使用户配置更加灵活。

SET param_username = 'test123';CREATE USER {username:Identifier};

例如，可以使用变量化的用户名进行程序化用户创建，从而提升用户管理工作流的自动化能力。

此外，还支持为外部数据源单独配置 READ 和 WRITE 授权。此前，外部数据访问依赖较为宽泛的权限控制。

GRANT S3 ON *.* TO user

在 25.7 中，你可以在配置文件中启用新的读/写授权功能：

# config.d/read_write_grants.yamlaccess_control_improvements:  enable_read_write_grants: true

然后可以像这样授予权限：

GRANT READ, WRITE ON S3 TO user;

Meetup 活动讲师招募

我们正为北京活动招募讲师，如果你有独特的技术见解、实践经验或 ClickHouse 使用故事，非常欢迎你加入我们，成为这次活动的讲师，与大家分享你的经验。

/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