Autor: [Adam Nadolny](/autorzy/adam-nadolny) Ekspert DevOps i infrastruktury · Zweryfikowano Kwiecień 2026 1. [Strona główna](/) › 2. [Baza wiedzy](/baza-wiedzy/) › 3. ClickHouse — analityka na VPS # ClickHouse — kolumnowa baza danych dla analityki na VPS Opublikowano: 10 kwietnia 2026 · Kategoria: VPS / Bazy danych ClickHouse to kolumnowa baza danych OLAP (Online Analytical Processing) stworzona przez Yandex, open-sourcowa od 2016 roku. Specjalizuje się w błyskawicznym wykonywaniu zapytań analitycznych na miliardach wierszy — zapytanie agregujące miliardy eventów może zwrócić wynik w sekundy zamiast minut. Używają jej Cloudflare, Uber, eBay i setki innych firm do analityki webowej, logów dostępu, metryk aplikacji i raportowania. Ten artykuł pokazuje instalację, konfigurację MergeTree engine i integrację z Grafaną. ## Instalacja ClickHouse — apt vs Docker \# === Metoda 1: Instalacja przez apt (Ubuntu/Debian) === sudo apt-get install -y apt-transport-https ca-certificates curl gnupg curl -fsSL 'https://packages.clickhouse.com/rpm/lts/repodata/repomd.xml.key' | \\ sudo gpg --dearmor -o /usr/share/keyrings/clickhouse-keyring.gpg echo "deb \[signed-by=/usr/share/keyrings/clickhouse-keyring.gpg\] \\ https://packages.clickhouse.com/deb stable main" | \\ sudo tee /etc/apt/sources.list.d/clickhouse.list sudo apt update sudo apt install -y clickhouse-server clickhouse-client # Ustaw haslo dla uzytkownika default podczas instalacji! sudo systemctl enable --now clickhouse-server sudo systemctl status clickhouse-server # === Metoda 2: Docker Compose (szybkie testy) === # docker-compose.yml: # services: # clickhouse: # image: clickhouse/clickhouse-server:latest # ports: # - "8123:8123" # HTTP interface # - "9000:9000" # Native protocol # volumes: # - ./clickhouse-data:/var/lib/clickhouse # environment: # CLICKHOUSE\_PASSWORD: "TajneHaslo123" # Test polaczenia clickhouse-client --password # lub przez HTTP: # curl 'http://localhost:8123/?query=SELECT+version()' ## MergeTree Engine — serce ClickHouse MergeTree to główny engine tabeli w ClickHouse. Dane są najpierw zapisywane w małych "parts" (porcjach), które są następnie łączone w tle. Kluczowe parametry to `ORDER BY` (klucz sortowania — decyduje o wydajności zapytań) i `PARTITION BY` (podział danych na partycje, np. miesiącami). \-- Logowanie zdarzen webowych CREATE TABLE events ( event\_date Date, event\_time DateTime, user\_id UInt64, session\_id String, page\_url String, action LowCardinality(String), -- Enum-like, oszczedza miejsce duration\_ms UInt32, country LowCardinality(String) ) ENGINE = MergeTree() PARTITION BY toYYYYMM(event\_date) -- Partycja per miesiac ORDER BY (event\_date, user\_id, event\_time) -- Klucz sortowania SETTINGS index\_granularity = 8192; -- Wstawianie danych (INSERT jest bardzo szybki) INSERT INTO events VALUES ('2026-04-10', '2026-04-10 14:00:00', 12345, 'sess\_abc', '/home', 'pageview', 850, 'PL'), ('2026-04-10', '2026-04-10 14:01:30', 12345, 'sess\_abc', '/pricing', 'click', 1200, 'PL'); -- Zapytania analityczne - to gdzie ClickHouse blysczy SELECT country, action, count() AS events, avg(duration\_ms) AS avg\_duration, uniq(user\_id) AS unique\_users FROM events WHERE event\_date >= '2026-04-01' GROUP BY country, action ORDER BY events DESC LIMIT 20; -- Przykladowy wynik: 1.2 miliarda wierszy przetworzone w 1.8 sekundy! ## Materialized Views — pre-agregacja dla dashboardów \-- Tabela agregowana - statystyki godzinowe CREATE TABLE events\_hourly\_agg ( hour DateTime, country LowCardinality(String), action LowCardinality(String), events\_count UInt64, unique\_users AggregateFunction(uniq, UInt64), avg\_duration AggregateFunction(avg, UInt32) ) ENGINE = AggregatingMergeTree() ORDER BY (hour, country, action); -- Materialized View - automatycznie wypelnia tabele agg CREATE MATERIALIZED VIEW events\_hourly\_mv TO events\_hourly\_agg AS SELECT toStartOfHour(event\_time) AS hour, country, action, count() AS events\_count, uniqState(user\_id) AS unique\_users, avgState(duration\_ms) AS avg\_duration FROM events GROUP BY hour, country, action; -- Zapytanie do agregatow (bardzo szybkie - dane juz przetworzone) SELECT hour, country, events\_count, uniqMerge(unique\_users) AS unique\_users\_count FROM events\_hourly\_agg WHERE hour >= now() - INTERVAL 7 DAY GROUP BY hour, country, events\_count ORDER BY hour DESC; ## Integracja z Grafana \# Instalacja pluginu ClickHouse dla Grafana grafana-cli plugins install grafana-clickhouse-datasource sudo systemctl restart grafana-server # Konfiguracja datasource w Grafana UI: # URL: http://localhost:8123 # Protocol: Native (port 9000) lub HTTP (port 8123) # Username: default # Password: TajneHaslo123 # Przydatna konfiguracja /etc/clickhouse-server/users.xml # Dodaj uzytkownika readonly dla Grafana: # # ... # readonly # # Przykladowe zapytanie do panelu Grafana (time series) -- SELECT -- toStartOfMinute(event\_time) AS time, -- count() AS events -- FROM events -- WHERE event\_time BETWEEN {from:DateTime} AND {to:DateTime} -- GROUP BY time -- ORDER BY time; ## Porównanie OLAP — ClickHouse vs TimescaleDB vs InfluxDB Kryterium ClickHouse TimescaleDB InfluxDB v3 Język zapytań SQL (rozszerzony) PostgreSQL SQL Flux / SQL Szybkość analiz Bardzo wysoka (OLAP) Wysoka Średnia INSERT throughput Bardzo wysoki Wysoki Wysoki RAM minimum 4 GB (prod: 16+ GB) 2 GB 2 GB Integracja SQL Własny SQL dialect Pełny PostgreSQL ograniczona Use case Analityka, logi, BI Time series + SQL Metryki IoT/serwery ## Najczęstsze pytania Czym jest kolumnowa baza danych i dlaczego ClickHouse jest szybki? + W tradycyjnej (wierszowej) bazie danych dane jednego wiersza są przechowywane razem — świetne dla OLTP (INSERT/UPDATE pojedynczych rekordów). W kolumnowej bazie (OLAP) dane jednej kolumny są przechowywane razem. Gdy pytasz "jaka jest suma sprzedaży za ostatni miesiąc", baza czyta tylko kolumnę "kwota" — pomijając wszystkie inne kolumny. To daje 10-100x przyspieszenie dla analitycznych zapytań agregujących duże zbiory. ClickHouse dodatkowo bardzo efektywnie kompresuje dane kolumnowe (podobne wartości w jednej kolumnie kompresują się lepiej) i używa wektorowego przetwarzania danych (SIMD). Jak ClickHouse wypada w porównaniu z TimescaleDB i InfluxDB? + ClickHouse vs TimescaleDB: ClickHouse jest szybszy dla ad-hoc zapytań analitycznych na dużych danych, TimescaleDB ma lepszą integrację z PostgreSQL i lepiej radzi sobie z ciągłymi insercjami i zapytaniami z JOIN. TimescaleDB lepiej nadaje się gdy masz już PostgreSQL i chcesz time series. ClickHouse vs InfluxDB: InfluxDB używa własnego języka Flux, jest prostszy do monitoringu metryk, ale słabszy dla złożonych analiz. ClickHouse używa SQL (z rozszerzeniami), lepiej skaluje na petabajty, ma wyższy throughput zapytań. Dla dashboardów metryk (CPU/RAM/dysk) InfluxDB jest prostszy. Dla analityki biznesowej i złożonych raportów ClickHouse wygrywa. Ile zasobów potrzebuje ClickHouse na VPS? + ClickHouse jest zasobożerny — nie jest to baza do uruchomienia na małym VPS. Minimum dla deweloperów: 4 GB RAM, 2 CPU, 20 GB NVMe. Produkcja dla małych zbiorów (setki GB): 16 GB RAM, 4-8 CPU, 200+ GB NVMe. ClickHouse intensywnie używa pamięci dla operacji GROUP BY i sortowania. Dla monitoringu metryk kilku serwerów wystarczy 4-8 GB RAM. Dla analityki e-commerce z miliardami eventów potrzebujesz 32+ GB RAM. Dobrą praktyką jest uruchomienie ClickHouse na dedykowanym serwerze, oddzielnie od aplikacji produkcyjnej. ## Sprawdź oferty pasujące do tego scenariusza Poniżej masz szybkie przejścia do ofert i stron z kodami rabatowymi tam, gdzie są dostępne. Contabo VPS z dużą ilością RAM i NVMe — kluczowe dla ClickHouse High-RAM VPS [Aktywuj rabat →](/out/contabo) #Reklama · link partnerski [Zobacz kod rabatowy →](/kody-rabatowe/contabo) ProSerwer.pl Polski dedykowany VPS dla ClickHouse w compliance z RODO Dedykowany [Aktywuj rabat →](/out/proserwer-pl) #Reklama · link partnerski [Zobacz kod rabatowy →](/kody-rabatowe/proserwer) ## Powiązane strony - [InfluxDB v2 + Telegraf — monitoring VPS](/baza-wiedzy/influxdb-telegraf-monitoring) - [Grafana + Prometheus — monitoring serwera](/baza-wiedzy/monitoring-grafana-prometheus) - [PostgreSQL performance tuning](/baza-wiedzy/postgresql-performance-tuning) - [Wszystkie artykuły](/baza-wiedzy/)