Deduplicate data in ClickHouse when a member of the sort key can change

I’m struggling a bit with deduplication and I was wondering if you had an idea on how we could solve this:

  • We have a SharedMergeTree table that stores events (1B+ rows). We currently have this PK: (event, flowGroup, flowId, timestamp). It contains other columns, as well as a unique id.
  • The timestamp column is calculated so when we receive multiple requests for the same event, timestamp can change. It means we can’t use the ReplacingMergeTree with this sort key because it would only work if the reinsert comes from a retry, not different requests. The PK needs to be a prefix of the sort key too so we can’t have the timestamp only in the PK.
  • Because materialized views are just insert triggers, we can’t use them to deduplicate the data by having an input ReplacingMergeTree table with just the id in the sort key, and a materialized view to output the data to another table with the desired PK.
  • We tried using a subquery in the INSERT statement to check if the data already exists, but while it works logically, we hit performance issues.
Plain text
Copy to clipboard
Open code in new window
EnlighterJS 3 Syntax Highlighter
<code>insert into tracks
select
'xxx' as event,
'yyy' as flowGroup,
'zzz' as flowId,
'2021-01-01 00:00:00.123' as timestamp,
'2021-01-01 00:00:00.012' as originalTimestamp,
'1234' as id
where not exists (
select 1 from tracks
where
-- Narrow down by the PK before checking the id
event = 'xxx'
and flowGroup = 'yyy'
and flowId = 'zzz'
-- Timestamp can change, but will always be equal or greater than originalTimestamp
and timestamp >= '2021-01-01 00:00:00.012'
and id = '1234'
)
</code>
<code>insert into tracks select 'xxx' as event, 'yyy' as flowGroup, 'zzz' as flowId, '2021-01-01 00:00:00.123' as timestamp, '2021-01-01 00:00:00.012' as originalTimestamp, '1234' as id where not exists ( select 1 from tracks where -- Narrow down by the PK before checking the id event = 'xxx' and flowGroup = 'yyy' and flowId = 'zzz' -- Timestamp can change, but will always be equal or greater than originalTimestamp and timestamp >= '2021-01-01 00:00:00.012' and id = '1234' ) </code>
insert into tracks
select
  'xxx' as event,
  'yyy' as flowGroup,
  'zzz' as flowId,
  '2021-01-01 00:00:00.123' as timestamp,
  '2021-01-01 00:00:00.012' as originalTimestamp,
  '1234' as id
where not exists (
  select 1 from tracks
  where
    -- Narrow down by the PK before checking the id
    event = 'xxx'
    and flowGroup = 'yyy'
    and flowId = 'zzz'
    -- Timestamp can change, but will always be equal or greater than originalTimestamp
    and timestamp >= '2021-01-01 00:00:00.012'
    and id = '1234'
)

I considered storing just the id in a separate table and do a lookup by ID but my understanding is that the performance of selecting unique IDs from huge tables isn’t great either. Maybe a table that has (event, flowGroup, flowId, id) would make the lookup faster? It would still potentially contain a large number of rows for a single combination of event, flowGroup, flowId.

We have a decent amount of duplications ingested (~416k duplicated rows out of ~24.5M ingested events for 1 week) so I’m pretty sure mitigating that would improve performance quite a bit as well as reducing storage. This is not a problem for querying as we just group data so duplicates aren’t accounted for.

Thank you!

2

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật