增量materialized view - ClickHouse Documentation

背景

增量materialized view (Materialized Views) 可将计算成本从查询时转移到写入时，从而加快 SELECT 查询。与 Postgres 这类事务型数据库不同，ClickHouse 的 materialized view 本质上只是一个触发器：当数据块写入某个表时，它会对这些块执行查询。该查询的结果会写入第二个“目标”表。如果后续再写入更多行，结果会再次发送到目标表，并在那里对中间结果进行更新和合并。这个合并后的结果，就等同于在全部原始数据上运行该查询得到的结果。使用 Materialized Views 的主要动机在于，写入目标表的结果代表了对行进行聚合、过滤或转换后的结果。这些结果通常是原始数据的更小表示形式 (在聚合场景下，则可能是部分 sketch) 。再加上从目标表读取结果所需的查询通常较为简单，因此相比直接在原始数据上执行相同计算，查询会更快，从而将计算开销 (以及查询延迟) 从查询时转移到写入时。在 ClickHouse 中，materialized view 会随着数据流入其所基于的表而实时更新，作用更像是持续更新的索引。这与其他数据库不同，在那些数据库中，Materialized Views 通常是查询结果的静态快照，必须刷新 (类似于 ClickHouse 的可刷新materialized view) 。

示例

在本示例中，我们将使用《Schema 设计》中介绍的 Stack Overflow 数据集。假设我们希望获取某篇帖子每天的赞成票和反对票数量。

CREATE TABLE votes
(
    `Id` UInt32,
    `PostId` Int32,
    `VoteTypeId` UInt8,
    `CreationDate` DateTime64(3, 'UTC'),
    `UserId` Int32,
    `BountyAmount` UInt8
)
ENGINE = MergeTree
ORDER BY (VoteTypeId, CreationDate, PostId)

INSERT INTO votes SELECT * FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/votes/*.parquet')

0 rows in set. Elapsed: 29.359 sec. Processed 238.98 million rows, 2.13 GB (8.14 million rows/s., 72.45 MB/s.)

借助 toStartOfDay 函数，在 ClickHouse 中实现这一查询相当简单：

SELECT toStartOfDay(CreationDate) AS day,
       countIf(VoteTypeId = 2) AS UpVotes,
       countIf(VoteTypeId = 3) AS DownVotes
FROM votes
GROUP BY day
ORDER BY day ASC
LIMIT 10

┌─────────────────day─┬─UpVotes─┬─DownVotes─┐
│ 2008-07-31 00:00:00 │       6 │         0 │
│ 2008-08-01 00:00:00 │     182 │        50 │
│ 2008-08-02 00:00:00 │     436 │       107 │
│ 2008-08-03 00:00:00 │     564 │       100 │
│ 2008-08-04 00:00:00 │    1306 │       259 │
│ 2008-08-05 00:00:00 │    1368 │       269 │
│ 2008-08-06 00:00:00 │    1701 │       211 │
│ 2008-08-07 00:00:00 │    1544 │       211 │
│ 2008-08-08 00:00:00 │    1241 │       212 │
│ 2008-08-09 00:00:00 │     576 │        46 │
└─────────────────────┴─────────┴───────────┘

10 rows in set. Elapsed: 0.133 sec. Processed 238.98 million rows, 2.15 GB (1.79 billion rows/s., 16.14 GB/s.)
峰值内存占用: 363.22 MiB.

得益于 ClickHouse，这条查询已经很快了，但我们还能做得更好吗？如果我们希望在写入时通过 materialized view 完成计算，则需要一张表来存储计算结果。该表每天只保留 1 行。若某天已存在数据，后续收到的更新需将其他列合并到该天已有的行中。要实现增量状态的合并，其他列必须以部分状态的形式存储。这需要在 ClickHouse 中使用一种特殊的引擎类型：SummingMergeTree。它会将所有具有相同排序键的行合并为一行，并对数值列的值进行求和。以下表将合并所有日期相同的行，并对所有数值列求和：

CREATE TABLE up_down_votes_per_day
(
  `Day` Date,
  `UpVotes` UInt32,
  `DownVotes` UInt32
)
ENGINE = SummingMergeTree
ORDER BY Day

为了演示 materialized view，假设我们的 votes 表为空，尚未写入任何数据。我们的 materialized view 会对插入到 votes 中的数据执行上述 SELECT 查询，并将结果写入 up_down_votes_per_day：

CREATE MATERIALIZED VIEW up_down_votes_per_day_mv TO up_down_votes_per_day AS
SELECT toStartOfDay(CreationDate)::Date AS Day,
       countIf(VoteTypeId = 2) AS UpVotes,
       countIf(VoteTypeId = 3) AS DownVotes
FROM votes
GROUP BY Day

此处的 TO 子句至关重要，用于指定结果的写入目标，即 up_down_votes_per_day。我们可以用之前的 insert 操作重新填充 Votes 表：

INSERT INTO votes SELECT toUInt32(Id) AS Id, toInt32(PostId) AS PostId, VoteTypeId, CreationDate, UserId, BountyAmount
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/votes/*.parquet')

0 rows in set. Elapsed: 111.964 sec. Processed 477.97 million rows, 3.89 GB (4.27 million rows/s., 34.71 MB/s.)
峰值内存占用: 283.49 MiB.

完成后，我们可以确认 up_down_votes_per_day 的行数——应该是每天 1 行：

SELECT count()
FROM up_down_votes_per_day
FINAL

┌─count()─┐
│    5723 │
└─────────┘

通过存储查询结果，我们实际上已将这里的行数从 votes 中的 2.38 亿减少到了 5000。不过，关键在于，如果有新的投票数据被插入 votes 表，相应日期的新值就会被发送到 up_down_votes_per_day，并在后台自动异步合并——这样每天只会保留一行。因此，up_down_votes_per_day 将始终保持小巧且最新。由于行合并是异步进行的，因此用户发起查询时，每天可能会存在多于一条投票记录。为了确保所有尚未完成合并的行都能在查询时完成合并，我们有两个选择：

在表名上使用 FINAL modifier。我们在上面的计数查询中就是这样做的。
按最终表中使用的排序键进行聚合，即 CreationDate，并对指标求和。通常这种方式更高效，也更灵活 (该表还可用于其他用途) ，不过前者对某些查询来说可能更简单。下面我们会同时展示这两种方式：

SELECT
        Day,
        UpVotes,
        DownVotes
FROM up_down_votes_per_day
FINAL
ORDER BY Day ASC
LIMIT 10

10 rows in set. Elapsed: 0.004 sec. Processed 8.97 thousand rows, 89.68 KB (2.09 million rows/s., 20.89 MB/s.)
峰值内存占用: 289.75 KiB.

SELECT Day, sum(UpVotes) AS UpVotes, sum(DownVotes) AS DownVotes
FROM up_down_votes_per_day
GROUP BY Day
ORDER BY Day ASC
LIMIT 10

┌────────Day─┬─UpVotes─┬─DownVotes─┐
│ 2008-07-31 │       6 │         0 │
│ 2008-08-01 │     182 │        50 │
│ 2008-08-02 │     436 │       107 │
│ 2008-08-03 │     564 │       100 │
│ 2008-08-04 │    1306 │       259 │
│ 2008-08-05 │    1368 │       269 │
│ 2008-08-06 │    1701 │       211 │
│ 2008-08-07 │    1544 │       211 │
│ 2008-08-08 │    1241 │       212 │
│ 2008-08-09 │     576 │        46 │
└────────────┴─────────┴───────────┘

10 rows in set. Elapsed: 0.010 sec. Processed 8.97 thousand rows, 89.68 KB (907.32 thousand rows/s., 9.07 MB/s.)
峰值内存占用: 567.61 KiB.

这使我们的查询耗时从 0.133s 缩短到 0.004s——性能提升超过 25 倍！

重要：ORDER BY = GROUP BY在大多数情况下，如果使用 SummingMergeTree 或 AggregatingMergeTree 表引擎，Materialized Views 转换中的 GROUP BY 子句所使用的列应与目标表中 ORDER BY 子句所使用的列保持一致。这些引擎依赖 ORDER BY 列在后台合并操作期间合并值相同的行。GROUP BY 列与 ORDER BY 列不一致，可能会导致查询性能下降、合并效果不佳，甚至出现数据不一致。

更复杂的示例

上面的示例使用 Materialized Views 来计算并维护每天的两个总和。总和是最简单的聚合形式，最适合用于维护部分状态——因为新值到达时，我们只需将其加到现有值上即可。不过，ClickHouse Materialized Views 可用于任何类型的聚合。假设我们希望按天为帖子计算一些统计信息：Score 的第 99.9 百分位数，以及 CommentCount 的平均值。用于计算这些统计信息的查询可能如下所示：

SELECT
        toStartOfDay(CreationDate) AS Day,
        quantile(0.999)(Score) AS Score_99th,
        avg(CommentCount) AS AvgCommentCount
FROM posts
GROUP BY Day
ORDER BY Day DESC
LIMIT 10

┌─────────────────Day─┬────────Score_99th─┬────AvgCommentCount─┐
│ 2024-03-31 00:00:00 │  5.23700000000008 │ 1.3429811866859624 │
│ 2024-03-30 00:00:00 │                 5 │ 1.3097158891616976 │
│ 2024-03-29 00:00:00 │  5.78899999999976 │ 1.2827635327635327 │
│ 2024-03-28 00:00:00 │                 7 │  1.277746158224246 │
│ 2024-03-27 00:00:00 │ 5.738999999999578 │ 1.2113264918282023 │
│ 2024-03-26 00:00:00 │                 6 │ 1.3097536945812809 │
│ 2024-03-25 00:00:00 │                 6 │ 1.2836721018539201 │
│ 2024-03-24 00:00:00 │ 5.278999999999996 │ 1.2931667891256429 │
│ 2024-03-23 00:00:00 │ 6.253000000000156 │  1.334061135371179 │
│ 2024-03-22 00:00:00 │ 9.310999999999694 │ 1.2388059701492538 │
└─────────────────────┴───────────────────┴────────────────────┘

10 rows in set. Elapsed: 0.113 sec. Processed 59.82 million rows, 777.65 MB (528.48 million rows/s., 6.87 GB/s.)
峰值内存占用: 658.84 MiB.

和前面一样，我们可以创建一个 materialized view，在新的 posts 被插入到我们的 posts 表时执行上述查询。为了便于演示，并避免从 S3 加载 posts 数据，我们将创建一个与 posts 具有相同 schema 的副本表 posts_null。不过，这个表不会存储任何数据，只会在插入行时供 materialized view 使用。为了防止存储数据，我们可以使用 Null 表引擎类型。

CREATE TABLE posts_null AS posts ENGINE = Null

Null 表引擎是一种非常实用的优化方式——可以把它看作 /dev/null。当 posts_null 表在写入时接收到行数据时，materialized view 会计算并存储汇总统计信息——它本质上只是一个触发器。不过，原始数据不会被存储。虽然在我们的场景中，可能仍然希望保留原始 posts，但这种方法可用于计算聚合结果，同时避免原始数据带来的存储开销。因此，materialized view 变为：

CREATE MATERIALIZED VIEW post_stats_mv TO post_stats_per_day AS
       SELECT toStartOfDay(CreationDate) AS Day,
       quantileState(0.999)(Score) AS Score_quantiles,
       avgState(CommentCount) AS AvgCommentCount
FROM posts_null
GROUP BY Day

请注意，我们在聚合函数名称末尾加上了后缀 State。这样返回的就是函数的聚合状态，而不是最终结果。它会包含额外信息，以便该部分状态能与其他状态合并。例如，对于平均值，它会包含该列的计数和总和。

部分聚合状态是计算正确结果所必需的。例如，计算平均值时，如果只是对各子范围的平均值再取平均，结果会不正确。

现在，我们为此视图 post_stats_per_day 创建用于存储这些部分聚合状态的目标表：

CREATE TABLE post_stats_per_day
(
  `Day` Date,
  `Score_quantiles` AggregateFunction(quantile(0.999), Int32),
  `AvgCommentCount` AggregateFunction(avg, UInt8)
)
ENGINE = AggregatingMergeTree
ORDER BY Day

虽然前面用 SummingMergeTree 存储计数已经足够，但对于其他函数，我们需要一种更高级的引擎类型：AggregatingMergeTree。为确保 ClickHouse 知道这里存储的是聚合状态，我们将 Score_quantiles 和 AvgCommentCount 定义为 AggregateFunction 类型，并指定部分状态对应的源函数及其源列的类型。与 SummingMergeTree 类似，具有相同 ORDER BY 键值的行会被合并 (在上面的示例中为 Day) 。要通过 materialized view 填充 post_stats_per_day，只需将 posts 中的所有行插入 posts_null：

INSERT INTO posts_null SELECT * FROM posts

0 rows in set. Elapsed: 13.329 sec. Processed 119.64 million rows, 76.99 GB (8.98 million rows/s., 5.78 GB/s.)

在生产环境中，你很可能会将 materialized view 挂载到 posts 表。这里我们使用 posts_null 来演示 null 表。

最终查询需要在函数名后使用 Merge 后缀 (因为这些列存储的是部分聚合状态) ：

SELECT
        Day,
        quantileMerge(0.999)(Score_quantiles),
        avgMerge(AvgCommentCount)
FROM post_stats_per_day
GROUP BY Day
ORDER BY Day DESC
LIMIT 10

请注意，这里使用的是 GROUP BY，而不是 FINAL。

其他应用

上文主要介绍如何使用 Materialized Views 以增量方式更新数据的部分聚合结果，从而将计算从查询时转移到写入时。除了这一常见用例外，Materialized Views 还有许多其他用途。

过滤与转换

在某些情况下，我们可能只希望在插入时写入部分行和列。在这种情况下，可以先将数据插入 posts_null 表，再通过 SELECT 查询在写入 posts 表之前对行进行过滤。比如，假设我们想转换 posts 表中的 Tags 列。该列包含一个由竖线分隔的标签名称列表。将其转换为数组后，我们就能更方便地按单个标签值进行聚合。

我们也可以在执行 INSERT INTO SELECT 时完成这种转换。materialized view 允许我们将这部分逻辑封装在 ClickHouse DDL 中，并让 INSERT 保持简洁，同时将转换自动应用到所有新行。

下面展示了用于此转换的 materialized view：

CREATE MATERIALIZED VIEW posts_mv TO posts AS
        SELECT * EXCEPT Tags, arrayFilter(t -> (t != ''), splitByChar('|', Tags)) as Tags FROM posts_null

查找表

在选择 ClickHouse 排序键时，应考虑其访问模式。应优先使用那些经常出现在过滤和聚合子句中的列。对于用户访问模式更加多样、无法用单一一组列来概括的场景，这可能会带来限制。例如，考虑以下 comments 表：

CREATE TABLE comments
(
    `Id` UInt32,
    `PostId` UInt32,
    `Score` UInt16,
    `Text` String,
    `CreationDate` DateTime64(3, 'UTC'),
    `UserId` Int32,
    `UserDisplayName` LowCardinality(String)
)
ENGINE = MergeTree
ORDER BY PostId

0 rows in set. Elapsed: 46.357 sec. Processed 90.38 million rows, 11.14 GB (1.95 million rows/s., 240.22 MB/s.)

这里的排序键针对按 PostId 过滤的查询对该表进行了优化。假设用户想按特定的 UserId 进行过滤，并计算其平均 Score：

SELECT avg(Score)
FROM comments
WHERE UserId = 8592047

┌──────────avg(Score)─┐
│ 0.18181818181818182 │
└─────────────────────┘

1 行，耗时 0.778 秒。已处理 9038 万行，361.59 MB（1.1616 亿行/秒，464.74 MB/秒）
峰值内存占用：217.08 MiB。

虽然这很快 (对 ClickHouse 来说，数据量很小) ，但从处理的行数——9038 万——可以看出，这需要一次全表扫描。对于更大的数据集，我们可以使用 materialized view，为过滤列 UserId 查找对应的排序键值 PostId。随后即可利用这些值进行高效查找。在这个示例中，我们的 materialized view 可以非常简单：只需在 insert 时从 comments 中选取 PostId 和 UserId。这些结果随后会写入按 UserId 排序的表 comments_posts_users。下面我们会创建一个使用 Null 引擎的 Comments 表版本，并用它来填充我们的视图和 comments_posts_users 表：

CREATE TABLE comments_posts_users (
  PostId UInt32,
  UserId Int32
) ENGINE = MergeTree ORDER BY UserId

CREATE TABLE comments_null AS comments
ENGINE = Null

CREATE MATERIALIZED VIEW comments_posts_users_mv TO comments_posts_users AS
SELECT PostId, UserId FROM comments_null

INSERT INTO comments_null SELECT * FROM comments

0 rows in set. Elapsed: 5.163 sec. Processed 90.38 million rows, 17.25 GB (17.51 million rows/s., 3.34 GB/s.)

现在，我们可以在子查询中使用这个视图，从而加快前面的查询：

SELECT avg(Score)
FROM comments
WHERE PostId IN (
        SELECT PostId
        FROM comments_posts_users
        WHERE UserId = 8592047
) AND UserId = 8592047

┌──────────avg(Score)─┐
│ 0.18181818181818182 │
└─────────────────────┘

1 row in set. Elapsed: 0.012 sec. Processed 88.61 thousand rows, 771.37 KB (7.09 million rows/s., 61.73 MB/s.)

链式 / 级联 materialized view

materialized view 可以串联 (或级联) 使用，从而构建复杂的工作流。更多信息，请参阅指南 “级联 materialized view”。

materialized views 与 JOIN

可刷新materialized view以下内容仅适用于增量materialized view。可刷新materialized view 会定期在完整目标数据集上执行其查询，并且完全支持 JOIN。如果可以接受结果新鲜度有所下降，复杂 JOIN 场景可考虑使用它们。

ClickHouse 中的增量materialized view 完全支持 JOIN 操作，但有一个关键限制：materialized view 只会在 source 表 (即查询中最左侧的表) 发生 insert 时触发。 JOIN 右侧的表即使数据发生变化，也不会触发更新。这种行为在构建增量materialized view 时尤其重要，因为数据是在写入时完成聚合或转换的。当增量materialized view 使用 JOIN 定义时，SELECT 查询中最左侧的表就是 source。当新行被 insert 到这张表时，ClickHouse 只会用这些新插入的行来执行 materialized view 查询。JOIN 右侧的表会在执行过程中被完整读取，但仅这些表自身发生变化并不会触发该视图。这种行为使得 Materialized Views 中的 JOIN 更像是针对静态维度数据执行的快照 join。这非常适合使用参考表或维度表来富化数据。不过，右侧表 (例如用户元数据) 的任何更新，都不会回溯更新 materialized view。若要看到更新后的数据，source 表中必须有新的 insert 发生。

示例

下面通过一个具体示例来说明，使用的是 Stack Overflow 数据集。我们将使用 materialized view 计算每位用户每日获得的徽章数，其中还包含来自 users 表的用户显示名称。提醒一下，我们的表 schema 如下：

CREATE TABLE badges
(
    `Id` UInt32,
    `UserId` Int32,
    `Name` LowCardinality(String),
    `Date` DateTime64(3, 'UTC'),
    `Class` Enum8('Gold' = 1, 'Silver' = 2, 'Bronze' = 3),
    `TagBased` Bool
)
ENGINE = MergeTree
ORDER BY UserId

CREATE TABLE users
(
    `Id` Int32,
    `Reputation` UInt32,
    `CreationDate` DateTime64(3, 'UTC'),
    `DisplayName` LowCardinality(String),
    `LastAccessDate` DateTime64(3, 'UTC'),
    `Location` LowCardinality(String),
    `Views` UInt32,
    `UpVotes` UInt32,
    `DownVotes` UInt32
)
ENGINE = MergeTree
ORDER BY Id;

我们假设 users 表中已预先填入数据：

INSERT INTO users
SELECT * FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/users.parquet');

materialized view 及其关联的目标表定义如下：

CREATE TABLE daily_badges_by_user
(
    Day Date,
    UserId Int32,
    DisplayName LowCardinality(String),
    Gold UInt32,
    Silver UInt32,
    Bronze UInt32
)
ENGINE = SummingMergeTree
ORDER BY (DisplayName, UserId, Day);

CREATE MATERIALIZED VIEW daily_badges_by_user_mv TO daily_badges_by_user AS
SELECT
    toDate(Date) AS Day,
    b.UserId,
    u.DisplayName,
    countIf(Class = 'Gold') AS Gold,
    countIf(Class = 'Silver') AS Silver,
    countIf(Class = 'Bronze') AS Bronze
FROM badges AS b
LEFT JOIN users AS u ON b.UserId = u.Id
GROUP BY Day, b.UserId, u.DisplayName;

分组与排序对齐materialized view 中的 GROUP BY 子句必须包含 DisplayName、UserId 和 Day，以与 SummingMergeTree 目标表中的 ORDER BY 保持一致。这可确保各行被正确聚合并合并。省略其中任何一项都可能导致结果错误或合并效率低下。

如果我们现在填充 badges 数据，视图就会被触发，从而填充 daily_badges_by_user 表。

INSERT INTO badges SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/badges.parquet')

0 rows in set. Elapsed: 433.762 sec. Processed 1.16 billion rows, 28.50 GB (2.67 million rows/s., 65.70 MB/s.)

如果我们想查看某个用户获得了哪些徽章，可以编写如下查询：

SELECT *
FROM daily_badges_by_user
FINAL
WHERE DisplayName = 'gingerwizard'

┌────────Day─┬──UserId─┬─DisplayName──┬─Gold─┬─Silver─┬─Bronze─┐
│ 2023-02-27 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-02-28 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2013-10-30 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2024-03-04 │ 2936484 │ gingerwizard │    0 │      1 │      0 │
│ 2024-03-05 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-04-17 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2013-11-18 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-10-31 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
└────────────┴─────────┴──────────────┴──────┴────────┴────────┘

8 rows in set. Elapsed: 0.018 sec. Processed 32.77 thousand rows, 642.14 KB (1.86 million rows/s., 36.44 MB/s.)

现在，如果该用户获得一个新徽章，并且插入了一行数据，我们的视图就会更新：

INSERT INTO badges VALUES (53505058, 2936484, 'gingerwizard', now(), 'Gold', 0);

1 row in set. Elapsed: 7.517 sec.

SELECT *
FROM daily_badges_by_user
FINAL
WHERE DisplayName = 'gingerwizard'

┌────────Day─┬──UserId─┬─DisplayName──┬─Gold─┬─Silver─┬─Bronze─┐
│ 2013-10-30 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2013-11-18 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-02-27 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-02-28 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-04-17 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2023-10-31 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2024-03-04 │ 2936484 │ gingerwizard │    0 │      1 │      0 │
│ 2024-03-05 │ 2936484 │ gingerwizard │    0 │      0 │      1 │
│ 2025-04-13 │ 2936484 │ gingerwizard │    1 │      0 │      0 │
└────────────┴─────────┴──────────────┴──────┴────────┴────────┘

9 rows in set. Elapsed: 0.017 sec. Processed 32.77 thousand rows, 642.27 KB (1.96 million rows/s., 38.50 MB/s.)

请注意这里插入操作的延迟。插入的用户行需要与整个 users 表进行 JOIN，这会显著影响插入性能。我们在下文的“在过滤器和 JOIN 中使用 source table”中提出了应对这一问题的方法。

相反，如果我们先为新用户插入一条 badge，再插入该用户对应的行，那么 materialized view 将无法捕获该用户的指标。

INSERT INTO badges VALUES (53505059, 23923286, 'Good Answer', now(), 'Bronze', 0);
INSERT INTO users VALUES (23923286, 1, now(),  'brand_new_user', now(), 'UK', 1, 1, 0);

SELECT *
FROM daily_badges_by_user
FINAL
WHERE DisplayName = 'brand_new_user';

0 rows in set. Elapsed: 0.017 sec. Processed 32.77 thousand rows, 644.32 KB (1.98 million rows/s., 38.94 MB/s.)

在这种情况下，该视图只会在插入 badge 且用户行尚不存在时执行。如果我们再为该用户插入一个 badge，就会按预期插入一行：

INSERT INTO badges VALUES (53505060, 23923286, 'Teacher', now(), 'Bronze', 0);

SELECT *
FROM daily_badges_by_user
FINAL
WHERE DisplayName = 'brand_new_user'

┌────────Day─┬───UserId─┬─DisplayName────┬─Gold─┬─Silver─┬─Bronze─┐
│ 2025-04-13 │ 23923286 │ brand_new_user │    0 │      0 │      1 │
└────────────┴──────────┴────────────────┴──────┴────────┴────────┘

1 row in set. Elapsed: 0.018 sec. Processed 32.77 thousand rows, 644.48 KB (1.87 million rows/s., 36.72 MB/s.)

不过，请注意，这个结果并不正确。

materialized view 中 JOIN 的最佳实践

将最左侧的表作为触发器。 只有 SELECT 语句左侧的表会触发 materialized view。右侧表中的变更不会触发更新。
预先写入 JOIN 所需的数据。 确保在向源表插入行之前，关联表中的数据已存在。JOIN 会在写入时求值，因此如果数据缺失，就会出现未匹配的行或 NULL 值。
限制从 JOIN 中取回的列。 只选择关联表中必需的列，以尽量减少内存占用并降低写入时延迟 (见下文) 。
评估写入时性能。 JOIN 会增加插入成本，尤其是在右侧表较大时。请使用具有代表性的生产数据对插入速率进行基准测试。
简单查找优先使用字典。对于键值查找 (例如将用户 ID 映射为名称) ，请使用字典，以避免开销较高的 JOIN 操作。
对齐 GROUP BY 和 ORDER BY 以提高合并效率。 使用 SummingMergeTree 或 AggregatingMergeTree 时，请确保 GROUP BY 与目标表中的 ORDER BY 子句一致，以便高效合并行。
使用明确的列别名。 当多个表中存在同名列时，请使用别名以避免歧义，并确保目标表中的结果正确。
考虑写入量和频率。 JOIN 在中等写入负载下通常表现良好。对于高吞吐量摄取，请考虑使用暂存表、预 JOIN，或字典以及 Refreshable Materialized Views 等其他方式。

在过滤器和 JOIN 中使用源表

在 ClickHouse 中使用 materialized view 时，理解执行 materialized view 查询时源表会如何被处理非常重要。具体来说，materialized view 查询中的源表会被替换为插入的数据块。如果不清楚这一行为，可能会得到一些出乎意料的结果。

示例场景

假设采用以下设置：

CREATE TABLE t0 (`c0` Int) ENGINE = Memory;
CREATE TABLE mvw1_inner (`c0` Int) ENGINE = Memory;
CREATE TABLE mvw2_inner (`c0` Int) ENGINE = Memory;

CREATE VIEW vt0 AS SELECT * FROM t0;

CREATE MATERIALIZED VIEW mvw1 TO mvw1_inner
AS SELECT count(*) AS c0
    FROM t0
    LEFT JOIN ( SELECT * FROM t0 ) AS x ON t0.c0 = x.c0;

CREATE MATERIALIZED VIEW mvw2 TO mvw2_inner
AS SELECT count(*) AS c0
    FROM t0
    LEFT JOIN vt0 ON t0.c0 = vt0.c0;

INSERT INTO t0 VALUES (1),(2),(3);

INSERT INTO t0 VALUES (1),(2),(3),(4),(5);

SELECT * FROM mvw1;

┌─c0─┐
│  3 │
│  5 │
└────┘

SELECT * FROM mvw2;

┌─c0─┐
│  3 │
│  8 │
└────┘

说明

在上面的示例中，我们有两个 materialized view：mvw1 和 mvw2。它们执行的操作相似，但在引用源表 t0 的方式上略有不同。在 mvw1 中，表 t0 在 JOIN 右侧的 (SELECT * FROM t0) 子查询中被直接引用。当数据插入 t0 时，materialized view 的查询会执行，此时 t0 会被替换为新插入的数据块。这意味着，JOIN 操作只会针对新插入的行执行，而不是针对整个表。第二种情况是连接 vt0，此时该视图会读取 t0 中的全部数据。这样可以确保 JOIN 操作考虑的是 t0 中的所有行，而不只是新插入的数据块。关键区别在于 ClickHouse 在 materialized view 查询中处理源表的方式。当 materialized view 由插入操作触发时，源表 (这里是 t0) 会被替换为插入的数据块。这种行为可用于优化查询，但也需要谨慎处理，以避免出现意外结果。

使用场景与注意事项

在实际使用中，你可以利用这一行为来优化那些只需处理源表部分数据的 materialized view。例如，可以先通过子查询过滤源表，再将其与其他表连接。这有助于减少 materialized view 需要处理的数据量，从而提升性能。

CREATE TABLE t0 (id UInt32, value String) ENGINE = MergeTree() ORDER BY id;
CREATE TABLE t1 (id UInt32, description String) ENGINE = MergeTree() ORDER BY id;
INSERT INTO t1 VALUES (1, 'A'), (2, 'B'), (3, 'C');

CREATE TABLE mvw1_target_table (id UInt32, value String, description String) ENGINE = MergeTree() ORDER BY id;

CREATE MATERIALIZED VIEW mvw1 TO mvw1_target_table AS
SELECT t0.id, t0.value, t1.description
FROM t0
JOIN (SELECT * FROM t1 WHERE t1.id IN (SELECT id FROM t0)) AS t1
ON t0.id = t1.id;

在此示例中，由子查询 IN (SELECT id FROM t0) 构建出的 Set 仅包含新插入的行，这有助于用它来过滤 t1。

以 Stack Overflow 为例

请参考我们前面的 materialized view 示例，计算每个用户每天获得的徽章数，并包含 users 表中的用户显示名称。

CREATE MATERIALIZED VIEW daily_badges_by_user_mv TO daily_badges_by_user
AS SELECT
    toDate(Date) AS Day,
    b.UserId,
    u.DisplayName,
    countIf(Class = 'Gold') AS Gold,
    countIf(Class = 'Silver') AS Silver,
    countIf(Class = 'Bronze') AS Bronze
FROM badges AS b
LEFT JOIN users AS u ON b.UserId = u.Id
GROUP BY Day, b.UserId, u.DisplayName;

这个视图会对 badges 表的写入延迟产生显著影响，例如：

INSERT INTO badges VALUES (53505058, 2936484, 'gingerwizard', now(), 'Gold', 0);

1 row in set. Elapsed: 7.517 sec.

使用上述方法，我们可以进一步优化这个视图。我们将利用已插入的 badge 行中的用户 ID，为 users 表添加一个过滤器：

CREATE MATERIALIZED VIEW daily_badges_by_user_mv TO daily_badges_by_user
AS SELECT
    toDate(Date) AS Day,
    b.UserId,
    u.DisplayName,
    countIf(Class = 'Gold') AS Gold,
    countIf(Class = 'Silver') AS Silver,
    countIf(Class = 'Bronze') AS Bronze
FROM badges AS b
LEFT JOIN
(
    SELECT
        Id,
        DisplayName
    FROM users
    WHERE Id IN (
        SELECT UserId
        FROM badges
    )
) AS u ON b.UserId = u.Id
GROUP BY
    Day,
    b.UserId,
    u.DisplayName

这不仅加快了初始徽章数据的插入速度：

INSERT INTO badges SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/badges.parquet')

0 rows in set. Elapsed: 132.118 sec. Processed 323.43 million rows, 4.69 GB (2.45 million rows/s., 35.49 MB/s.)
Peak memory usage: 1.99 GiB.

但这也意味着，今后插入 badge 会很高效：

INSERT INTO badges VALUES (53505058, 2936484, 'gingerwizard', now(), 'Gold', 0);

1 row in set. Elapsed: 0.583 sec.

在上述操作中，只会从 users 表中检索出 user id 2936484 对应的一行。借助表的排序键 Id，这次查找也得到了优化。

materialized view 与 UNION

UNION ALL 查询通常用于将多个源表中的数据合并为一个结果集。虽然增量materialized view 不直接支持 UNION ALL，但你可以为每个 SELECT 分支分别创建一个 materialized view，并将结果写入同一个目标表，以达到相同的效果。在本示例中，我们将使用 Stack Overflow 数据集。请看下面的 badges 和 comments 表，它们分别表示用户获得的徽章，以及他们在帖子下发表的评论：

CREATE TABLE stackoverflow.comments
(
    `Id` UInt32,
    `PostId` UInt32,
    `Score` UInt16,
    `Text` String,
    `CreationDate` DateTime64(3, 'UTC'),
    `UserId` Int32,
    `UserDisplayName` LowCardinality(String)
)
ENGINE = MergeTree
ORDER BY CreationDate

CREATE TABLE stackoverflow.badges
(
    `Id` UInt32,
    `UserId` Int32,
    `Name` LowCardinality(String),
    `Date` DateTime64(3, 'UTC'),
    `Class` Enum8('Gold' = 1, 'Silver' = 2, 'Bronze' = 3),
    `TagBased` Bool
)
ENGINE = MergeTree
ORDER BY UserId

可使用以下 INSERT INTO 命令填充这些内容：

INSERT INTO stackoverflow.badges SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/badges.parquet')
INSERT INTO stackoverflow.comments SELECT *
FROM s3('https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/comments/*.parquet')

假设我们想将这两个表合并，创建一个统一的用户活动视图，显示每个用户的最近一次活动：

SELECT
 UserId,
 argMax(description, event_time) AS last_description,
 argMax(activity_type, event_time) AS activity_type,
    max(event_time) AS last_activity
FROM
(
    SELECT
 UserId,
 CreationDate AS event_time,
        Text AS description,
        'comment' AS activity_type
    FROM stackoverflow.comments
    UNION ALL
    SELECT
 UserId,
        Date AS event_time,
        Name AS description,
        'badge' AS activity_type
    FROM stackoverflow.badges
)
GROUP BY UserId
ORDER BY last_activity DESC
LIMIT 10

假设我们有一个目标表，用于接收此查询的结果。请注意，这里使用了 AggregatingMergeTree 表引擎和 AggregateFunction，以确保结果能被正确合并：

CREATE TABLE user_activity
(
    `UserId` String,
    `last_description` AggregateFunction(argMax, String, DateTime64(3, 'UTC')),
    `activity_type` AggregateFunction(argMax, String, DateTime64(3, 'UTC')),
    `last_activity` SimpleAggregateFunction(max, DateTime64(3, 'UTC'))
)
ENGINE = AggregatingMergeTree
ORDER BY UserId

如果希望在向 badges 或 comments 插入新行时此表也能随之更新，一个比较直观的做法可能是尝试使用前面的 union 查询创建一个 materialized view：

CREATE MATERIALIZED VIEW user_activity_mv TO user_activity AS
SELECT
 UserId,
 argMaxState(description, event_time) AS last_description,
 argMaxState(activity_type, event_time) AS activity_type,
    max(event_time) AS last_activity
FROM
(
    SELECT
 UserId,
 CreationDate AS event_time,
        Text AS description,
        'comment' AS activity_type
    FROM stackoverflow.comments
    UNION ALL
    SELECT
 UserId,
        Date AS event_time,
        Name AS description,
        'badge' AS activity_type
    FROM stackoverflow.badges
)
GROUP BY UserId
ORDER BY last_activity DESC

虽然这在语法上是合法的，但会产生非预期的结果——该视图仅会在向 comments 表插入数据时触发。例如：

INSERT INTO comments VALUES (99999999, 23121, 1, 'The answer is 42', now(), 2936484, 'gingerwizard');

SELECT
 UserId,
 argMaxMerge(last_description) AS description,
 argMaxMerge(activity_type) AS activity_type,
    max(last_activity) AS last_activity
FROM user_activity
WHERE UserId = '2936484'
GROUP BY UserId

┌─UserId──┬─description──────┬─activity_type─┬───────────last_activity─┐
│ 2936484 │ The answer is 42 │ comment       │ 2025-04-15 09:56:19.000 │
└─────────┴──────────────────┴───────────────┴─────────────────────────┘

1 row in set. Elapsed: 0.005 sec.

向 badges 表插入数据不会触发该视图，导致 user_activity 无法收到更新：

INSERT INTO badges VALUES (53505058, 2936484, 'gingerwizard', now(), 'Gold', 0);

SELECT
 UserId,
 argMaxMerge(last_description) AS description,
 argMaxMerge(activity_type) AS activity_type,
    max(last_activity) AS last_activity
FROM user_activity
WHERE UserId = '2936484'
GROUP BY UserId;

┌─UserId──┬─description──────┬─activity_type─┬───────────last_activity─┐
│ 2936484 │ The answer is 42 │ comment       │ 2025-04-15 09:56:19.000 │
└─────────┴──────────────────┴───────────────┴─────────────────────────┘

1 row in set. Elapsed: 0.005 sec.

为了解决这个问题，我们只需为每条 SELECT 语句创建一个 materialized view：

DROP TABLE user_activity_mv;
TRUNCATE TABLE user_activity;

CREATE MATERIALIZED VIEW comment_activity_mv TO user_activity AS
SELECT
 UserId,
 argMaxState(Text, CreationDate) AS last_description,
 argMaxState('comment', CreationDate) AS activity_type,
    max(CreationDate) AS last_activity
FROM stackoverflow.comments
GROUP BY UserId;

CREATE MATERIALIZED VIEW badges_activity_mv TO user_activity AS
SELECT
 UserId,
 argMaxState(Name, Date) AS last_description,
 argMaxState('badge', Date) AS activity_type,
    max(Date) AS last_activity
FROM stackoverflow.badges
GROUP BY UserId;

现在，向任一表插入数据都能得到正确结果。例如，如果我们向 comments 表插入数据：

INSERT INTO comments VALUES (99999999, 23121, 1, 'The answer is 42', now(), 2936484, 'gingerwizard');

SELECT
 UserId,
 argMaxMerge(last_description) AS description,
 argMaxMerge(activity_type) AS activity_type,
    max(last_activity) AS last_activity
FROM user_activity
WHERE UserId = '2936484'
GROUP BY UserId;

┌─UserId──┬─description──────┬─activity_type─┬───────────last_activity─┐
│ 2936484 │ The answer is 42 │ comment       │ 2025-04-15 10:18:47.000 │
└─────────┴──────────────────┴───────────────┴─────────────────────────┘

1 row in set. Elapsed: 0.006 sec.

同样，插入到 badges 表中的数据也会反映到 user_activity 表中：

INSERT INTO badges VALUES (53505058, 2936484, 'gingerwizard', now(), 'Gold', 0);

SELECT
 UserId,
 argMaxMerge(last_description) AS description,
 argMaxMerge(activity_type) AS activity_type,
    max(last_activity) AS last_activity
FROM user_activity
WHERE UserId = '2936484'
GROUP BY UserId

┌─UserId──┬─description──┬─activity_type─┬───────────last_activity─┐
│ 2936484 │ gingerwizard │ badge         │ 2025-04-15 10:20:18.000 │
└─────────┴──────────────┴───────────────┴─────────────────────────┘

1 row in set. Elapsed: 0.006 sec.

并行处理与串行处理

如前一个示例所示，一个表可以作为多个 Materialized Views 的源表。这些视图的执行顺序取决于设置 parallel_view_processing。默认情况下，此设置的值为 0 (false) ，这意味着 Materialized Views 会按照 uuid 顺序依次执行。例如，假设有如下 source 表和 3 个 Materialized Views，它们都会将数据行写入 target 表：

CREATE TABLE source
(
    `message` String
)
ENGINE = MergeTree
ORDER BY tuple();

CREATE TABLE target
(
    `message` String,
    `from` String,
    `now` DateTime64(9),
    `sleep` UInt8
)
ENGINE = MergeTree
ORDER BY tuple();

CREATE MATERIALIZED VIEW mv_2 TO target
AS SELECT
    message,
    'mv2' AS from,
    now64(9) as now,
    sleep(1) as sleep
FROM source;

CREATE MATERIALIZED VIEW mv_3 TO target
AS SELECT
    message,
    'mv3' AS from,
    now64(9) as now,
    sleep(1) as sleep
FROM source;

CREATE MATERIALIZED VIEW mv_1 TO target
AS SELECT
    message,
    'mv1' AS from,
    now64(9) as now,
    sleep(1) as sleep
FROM source;

请注意，每个视图在将各自的行插入 target 表之前，都会先暂停 1 秒，同时写入其名称和插入时间。向 source 表插入一行大约需要 3 秒，因为每个视图都会依次执行：

INSERT INTO source VALUES ('test')

1 row in set. Elapsed: 3.786 sec.

我们可以用 SELECT 确认每一行的数据都已到达：

SELECT
    message,
    from,
    now
FROM target
ORDER BY now ASC

┌─message─┬─from─┬───────────────────────────now─┐
│ test    │ mv3  │ 2025-04-15 14:52:01.306162309 │
│ test    │ mv1  │ 2025-04-15 14:52:02.307693521 │
│ test    │ mv2  │ 2025-04-15 14:52:03.309250283 │
└─────────┴──────┴───────────────────────────────┘

3 rows in set. Elapsed: 0.015 sec.

这与这些视图的 uuid 相对应：

SELECT
    name,
 uuid
FROM system.tables
WHERE name IN ('mv_1', 'mv_2', 'mv_3')
ORDER BY uuid ASC

┌─name─┬─uuid─────────────────────────────────┐
│ mv_3 │ ba5e36d0-fa9e-4fe8-8f8c-bc4f72324111 │
│ mv_1 │ b961c3ac-5a0e-4117-ab71-baa585824d43 │
│ mv_2 │ e611cc31-70e5-499b-adcc-53fb12b109f5 │
└──────┴──────────────────────────────────────┘

3 行，耗时 0.004 秒。

相反，我们来看看在启用 parallel_view_processing=1 的情况下插入一行时会发生什么。启用后，这些视图会并行执行，因此无法保证各行到达目标表的顺序：

TRUNCATE target;
SET parallel_view_processing = 1;

INSERT INTO source VALUES ('test');

1 row in set. Elapsed: 1.588 sec.

SELECT
    message,
    from,
    now
FROM target
ORDER BY now ASC

┌─message─┬─from─┬───────────────────────────now─┐
│ test    │ mv3  │ 2025-04-15 19:47:32.242937372 │
│ test    │ mv1  │ 2025-04-15 19:47:32.243058183 │
│ test    │ mv2  │ 2025-04-15 19:47:32.337921800 │
└─────────┴──────┴───────────────────────────────┘

3 rows in set. Elapsed: 0.004 sec.

尽管我们从每个视图接收到的行到达顺序相同，但这并不一定有保证——从每一行相近的写入时就可以看出这一点。另请注意，写入性能也有所提升。

何时使用并行处理

启用 parallel_view_processing=1 可以显著提升插入吞吐量，如上所示，尤其是在单个表上关联了多个 Materialized Views 时。不过，理解其中的权衡也很重要：

插入压力增加：所有 Materialized Views 都会同时执行，从而增加 CPU 和内存占用。如果每个视图都涉及大量计算或 JOIN，系统可能会过载。
需要严格的执行顺序：在少数工作流中，如果视图的执行顺序很重要 (例如存在链式依赖) ，并行执行可能导致状态不一致或出现竞态条件。虽然可以通过设计规避这类问题，但这类配置通常比较脆弱，而且在未来版本中可能失效。

历史默认值与稳定性由于错误处理较为复杂，顺序执行在很长一段时间里一直是默认方式。历史上，一个 materialized view 执行失败可能会导致其他视图无法执行。较新版本通过按块隔离故障改进了这一点，但顺序执行仍然能提供更清晰的失败语义。

一般来说，在以下情况下启用 parallel_view_processing=1：

你有多个彼此独立的 Materialized Views
你希望将插入性能最大化
你清楚系统具备处理并发视图执行的能力

在以下情况下应保持禁用：

Materialized Views 之间存在依赖关系
你需要可预测且有序的执行
你正在调试或审计插入行为，并希望进行确定性的重放

materialized views 与公共表表达式 (CTE)

materialized view 支持非递归公共表表达式 (CTE) 。

公共表表达式不会被物化ClickHouse 不会物化 CTE；相反，它会将 CTE 的定义直接替换到查询中，这可能导致同一 expression 被多次求值 (如果该 CTE 被使用了不止一次) 。

请看下面这个示例，它会为每种帖子类型计算每日活动情况。

CREATE TABLE daily_post_activity
(
    Day Date,
 PostType String,
 PostsCreated SimpleAggregateFunction(sum, UInt64),
 AvgScore AggregateFunction(avg, Int32),
 TotalViews SimpleAggregateFunction(sum, UInt64)
)
ENGINE = AggregatingMergeTree
ORDER BY (Day, PostType);

CREATE MATERIALIZED VIEW daily_post_activity_mv TO daily_post_activity AS
WITH filtered_posts AS (
    SELECT
 toDate(CreationDate) AS Day,
 PostTypeId,
 Score,
 ViewCount
    FROM posts
    WHERE Score > 0 AND PostTypeId IN (1, 2)  -- 问题或答案
)
SELECT
    Day,
    CASE PostTypeId
        WHEN 1 THEN 'Question'
        WHEN 2 THEN 'Answer'
    END AS PostType,
    count() AS PostsCreated,
    avgState(Score) AS AvgScore,
    sum(ViewCount) AS TotalViews
FROM filtered_posts
GROUP BY Day, PostTypeId;

虽然这里其实并不需要 CTE，但为了演示示例，该视图仍会按预期工作：

INSERT INTO posts
SELECT *
FROM s3Cluster('default', 'https://datasets-documentation.s3.eu-west-3.amazonaws.com/stackoverflow/parquet/posts/by_month/*.parquet')

SELECT
    Day,
    PostType,
    avgMerge(AvgScore) AS AvgScore,
    sum(PostsCreated) AS PostsCreated,
    sum(TotalViews) AS TotalViews
FROM daily_post_activity
GROUP BY
    Day,
    PostType
ORDER BY Day DESC
LIMIT 10

┌────────Day─┬─PostType─┬───────────AvgScore─┬─PostsCreated─┬─TotalViews─┐
│ 2024-03-31 │ Question │ 1.3317757009345794 │          214 │       9728 │
│ 2024-03-31 │ Answer   │ 1.4747191011235956 │          356 │          0 │
│ 2024-03-30 │ Answer   │ 1.4587912087912087 │          364 │          0 │
│ 2024-03-30 │ Question │ 1.2748815165876777 │          211 │       9606 │
│ 2024-03-29 │ Question │ 1.2641509433962264 │          318 │      14552 │
│ 2024-03-29 │ Answer   │ 1.4706927175843694 │          563 │          0 │
│ 2024-03-28 │ Answer   │  1.601637107776262 │          733 │          0 │
│ 2024-03-28 │ Question │ 1.3530864197530865 │          405 │      24564 │
│ 2024-03-27 │ Question │ 1.3225806451612903 │          434 │      21346 │
│ 2024-03-27 │ Answer   │ 1.4907539118065434 │          703 │          0 │
└────────────┴──────────┴────────────────────┴──────────────┴────────────┘

10 rows in set. Elapsed: 0.013 sec. Processed 11.45 thousand rows, 663.87 KB (866.53 thousand rows/s., 50.26 MB/s.)
Peak memory usage: 989.53 KiB.

在 ClickHouse 中，CTE 会被内联，也就是说，在优化过程中它们实际上会被直接复制到查询中，而不会被 materialize。这意味着：

如果你的 CTE 引用了一个不同于源表 (即 materialized view 所附加的那张表) 的表，并且在 JOIN 或 IN 子句中使用，它的行为更像子查询或 join，而不是触发器。
materialized view 仍然只会在主源表发生 insert 时被触发，但 CTE 会在每次 insert 时重新执行，这可能会带来不必要的开销，尤其是在所引用的表很大时。

例如，

WITH recent_users AS (
  SELECT Id FROM stackoverflow.users WHERE CreationDate > now() - INTERVAL 7 DAY
)
SELECT * FROM stackoverflow.posts WHERE OwnerUserId IN (SELECT Id FROM recent_users)

在这种情况下，每次向 posts 插入数据时，users CTE 都会重新求值；而插入新的 users 时，materialized view 并不会更新——只有在 posts 插入时才会更新。通常，应将 CTE 用于处理与 materialized view 所附加的同一个源表相关的逻辑，或者确保所引用的表较小，不太可能成为性能瓶颈。或者，也可以考虑采用与 Materialized Views 中 JOIN 相同的优化方式。

​背景

​示例

​更复杂的示例

​其他应用

​过滤与转换

​查找表

​链式 / 级联 materialized view

​materialized views 与 JOIN

​示例

​materialized view 中 JOIN 的最佳实践

​在过滤器和 JOIN 中使用源表

​示例场景

​说明

​使用场景与注意事项

​以 Stack Overflow 为例

​materialized view 与 UNION

​并行处理与串行处理

​何时使用并行处理

​materialized views 与公共表表达式 (CTE)

背景

示例

更复杂的示例

其他应用

过滤与转换

查找表

链式 / 级联 materialized view

materialized views 与 JOIN

示例

materialized view 中 JOIN 的最佳实践

在过滤器和 JOIN 中使用源表

示例场景

说明

使用场景与注意事项

以 Stack Overflow 为例

materialized view 与 UNION

并行处理与串行处理

何时使用并行处理

materialized views 与公共表表达式 (CTE)