一、需求描述
在对接COS客户中，经常会遇到客户的一些COS分析需求，主要集中在两个方面：
1、COS Bucket的对象分析，比如：
- 前缀为xxx的对象的总大小
- 后缀为xxx的对象的总大小
- xxx日期前的对象总大小
- 对象size在某个范围内的个数
2、COS Bucket的访问分析，比如：
- xxx时间段内请求Topx的文件
- xxx时间段内请求Topx的客户端IPs/Agents
- xxx时间段内所有的GET/PUT请求，或指定request PATH
针对上述的客户需求，我们通常可以通过COS清单和COS的访问日志来分析，但COS清单或者日志的量通常都是比较大的，需要通过一个比较好的工具来完成分析任务，这里介绍下如何通过ClickHouse，来原生的分析存储在COS上的清单和日志文件。
ClickHouse是适用于OLAP场景的列式数据库系统，但使用原生接口分析存储在COS上的清单或日志文件时，并不能发挥出其列式存储的性能。若需要较高性能的复杂分析时，请使用数据导入的方式把COS上的清单或日志文件记录，导入到ClickHouse集群中分析。
COS数据导入请参考：https://cloud.tencent.com/document/product/1299/68046
二、部署ClickHouse
ClickHouse的部署比较简单，参考官网：https://clickhouse.com/ 即可。
这里以CentOS为例：
代码语言：shell复制sudo yum install -y yum-utils
sudo yum-config-manager --add-repo https://packages.clickhouse.com/rpm/clickhouse.repo
sudo yum install -y clickhouse-server clickhouse-client
sudo /etc/init.d/clickhouse-server start
clickhouse-client # or "clickhouse-client --password" if you set up a password.三、分析COS清单场景
在需要分析COS Bucket的对象时，我们通常通过拉取Bucket的清单来分析的方式，COS已经支持即时清单功能，在Bucket对象数较少的情况下，可以满足小时级生成COS Bucket的清单文件。
Bucket清单请参考：https://cloud.tencent.com/document/product/436/33702
1. 创建ClickHouse表
ClickHouse原生支持创建S3的外表，下面是基于COS清单文件，创建ClickHouse Table的示例：
代码语言：shell复制[root@VM-16-3-centos ~]# clickhouse-client
...
VM-16-3-centos :) CREATE TABLE default.bruins_inventory
(
`appid` UInt64,
`bucket` String,
`key` String,
`size` UInt64,
`LastModifiedDate` String,
`etag` String,
`storage_class` String,
`IsMultipartUploaded` String,
`Replicationstatus` String,
`Tag` String
)
ENGINE = S3('http://bruins-1253766168.cos.ap-shanghai.myzijiebao.com/cos_bucket_inventory/1253766168/bruins/test-inventory_instant_20211230095714/data/*.csv.gz', 'xxxxxxxx', 'xxxxxxxxxxx', 'CSV', 'gzip')
VM-16-3-centos :) desc table bruins_inventory
DESCRIBE TABLE bruins_inventory
Query id: 55e88a06-63aa-4310-be02-eb1cdaee7e5f
┌─name────────────────┬─type───┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ appid │ UInt64 │ │ │ │ │ │
│ bucket │ String │ │ │ │ │ │
│ key │ String │ │ │ │ │ │
│ size │ UInt64 │ │ │ │ │ │
│ LastModifiedDate │ String │ │ │ │ │ │
│ etag │ String │ │ │ │ │ │
│ storage_class │ String │ │ │ │ │ │
│ IsMultipartUploaded │ String │ │ │ │ │ │
│ Replicationstatus │ String │ │ │ │ │ │
│ Tag │ String │ │ │ │ │ │
└─────────────────────┴────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘创建表时确保各个字段和COS清单里能对应上 创建表时指定目录下的所有csv.gz文件（多次清单文件都会放在data/目录下，可能会导致非预期的结果！）
2. 分析数据
创建ClickHouse的S3外表后，可以直接使用SQL语句来分析数据了，如下示例：后缀为'json'的对象的个数和总大小。
代码语言：shell复制VM-16-3-centos :) select count(),formatReadableSize(sum(size)) from bruins_inventory where key like '%json';
SELECT
count(),
formatReadableSize(sum(size))
FROM bruins_inventory
WHERE key LIKE '%json'
Query id: 7bd74827-c9ff-4a90-a931-5703c4c3ae41
┌─count()─┬─formatReadableSize(sum(size))─┐
│ 4 │ 5.59 KiB │
└─────────┴───────────────────────────────┘
1 row in set. Elapsed: 0.989 sec.
VM-16-3-centos :) select key,size from bruins_inventory where key like 'pdd%' limit 2;
SELECT
key,
size
FROM bruins_inventory
WHERE key LIKE 'pdd%'
LIMIT 2
Query id: 17d1fea8-8153-461a-9b4f-9cb886241d56
┌─key───────────────────────┬─size─┐
│ pdd/subdir2/manifest.json │ 1698 │
│ pdd/zshrc │ 4948 │
└───────────────────────────┴──────┘
2 rows in set. Elapsed: 0.629 sec.四、分析COS访问日志场景
COS的访问日志的默认分隔符是空格，这个我还没找到直接导入ClickHouse的方法。另外COS日志的字段较多，并不是每个都是客户期望的，如果都导入ClickHouse的话，会有更大的负载。
基于这个考虑，可以先使用COS的日志清洗功能，来选择出自己关注的字段，再导入ClickHouse分析。
COS各字段含义参考：https://cloud.tencent.com/document/product/436/16920
1. 日志清洗
针对存储在COS上的日志，日志清洗服务可通过指定的检索条件，自动对上传至存储桶的日志文件进行内容过滤。
COS日志清洗文档：https://cloud.tencent.com/document/product/436/54234
比如结合COS日志的内容，我们选择自己感兴趣的字段，做一轮清洗。其中第2步的日志清洗配置如下：
cos日志清理2.png自定义的SQL表达式如下：
代码语言：shell复制# select s._4, s._5, s._6, s._7, s._8, s._12, s._13, s._14, s._15, s._19 from cosobjects第3步的投递配置，推荐配置清洗后的文件存储在其他Bucket下，或者当前Bucket的其他前缀下，和COS的原生日志区分开。
2. 创建ClickHouse表
基于COS清洗后的日志目录，就可以创建原生的ClickHouse表了，如下所示：
代码语言：shell复制VM-16-3-centos :) CREATE TABLE default.logqxanalyse
(
`eventTime` String,
`eventSource` String,
`eventName` String,
`remoteIp` String,
`userSecretKeyId` String,
`reqPath` String,
`reqMethod` String,
`userAgent` String,
`rresHttpCode` UInt32,
`resTotalTime` UInt32
)
ENGINE = S3('http://bruins-1253766168.cos.ap-shanghai.myzijiebao.com/cos_log_qingxi/cos-access-log/2022/06/22/*.csv', 'xxxxxx', 'xxxxxxx', 'CSV')
VM-16-3-centos :) desc table logqxanalyse
DESCRIBE TABLE logqxanalyse
Query id: 8b9c0f3c-da50-4282-83ca-9db2c03c2b64
┌─name────────────┬─type───┬─default_type─┬─default_expression─┬─comment─┬─codec_expression─┬─ttl_expression─┐
│ eventTime │ String │ │ │ │ │ │
│ eventSource │ String │ │ │ │ │ │
│ eventName │ String │ │ │ │ │ │
│ remoteIp │ String │ │ │ │ │ │
│ userSecretKeyId │ String │ │ │ │ │ │
│ reqPath │ String │ │ │ │ │ │
│ reqMethod │ String │ │ │ │ │ │
│ userAgent │ String │ │ │ │ │ │
│ rresHttpCode │ UInt32 │ │ │ │ │ │
│ resTotalTime │ UInt32 │ │ │ │ │ │
└─────────────────┴────────┴──────────────┴────────────────────┴─────────┴──────────────────┴────────────────┘
10 rows in set. Elapsed: 0.002 sec.创建表格的字段与第1步中日志清洗选择的字段要一一对应！
3. 分析数据
现在就可以基于需求执行SQL语句分析了，比如：
- 查找请求为PUT的请求
VM-16-3-centos :) select remoteIp,reqMethod,userAgent from logqxanalyse where eventName like 'PUT%' limit 5
SELECT
remoteIp,
reqMethod,
userAgent
FROM logqxanalyse
WHERE eventName LIKE 'PUT%'
LIMIT 5
Query id: cf8d1bdb-755e-4058-94af-47c9652d6b16
┌─remoteIp──────┬─reqMethod─┬─userAgent───────────┐
│ 11.185.33.189 │ PUT │ cos-go-sdk-v5/0.7.3 │
└───────────────┴───────────┴─────────────────────┘
┌─remoteIp──────┬─reqMethod─┬─userAgent────────────────┐
│ 9.3.76.197 │ PUT │ cos-nodejs-sdk-v5-2.9.12 │
│ 11.160.40.246 │ PUT │ - │
└───────────────┴───────────┴──────────────────────────┘
┌─remoteIp──────┬─reqMethod─┬─userAgent────────────────┐
│ 9.3.76.197 │ PUT │ cos-nodejs-sdk-v5-2.9.12 │
│ 9.142.175.253 │ PUT │ - │
└───────────────┴───────────┴──────────────────────────┘
5 rows in set. Elapsed: 1.500 sec.- 查询请求次数Top 5的请求IPs
VM-16-3-centos :) select top 5 count() as count,remoteIp from logqxanalyse group by remoteIp order by count desc
SELECT
count() AS count,
remoteIp
FROM logqxanalyse
GROUP BY remoteIp
ORDER BY count DESC
LIMIT 5
Query id: c21c676a-221b-4150-ab85-723fc8a7ef71
┌─count─┬─remoteIp───────┐
│ 520 │ 180.153.219.32 │
│ 214 │ 180.153.219.16 │
│ 152 │ 9.3.88.110 │
│ 110 │ 172.17.16.3 │
│ 29 │ 100.67.79.78 │
└───────┴────────────────┘
5 rows in set. Elapsed: 4.020 sec. Processed 1.47 thousand rows, 465.24 KB (364.96 rows/s., 115.74 KB/s.)
