clickhouse千万级数据插入必须采用native协议+列式块写入+分片对齐+合理缓冲，禁用values行模式；关键设置为insert_block_size=100000、use_numpy=true、compress=true，并强制columnar=true。
直接用 client.execute 逐行或小批量插入千万级以上数据，基本等于主动触发性能雪崩。真正可行的路径是：走 Native 协议 + 列式块写入 + 分片对齐 + 设置合理缓冲，缺一不可。
为什么不能用 VALUES 行模式插入大表
行模式（即默认的 client.execute("INSERT INTO t VALUES", data)）在数据量超过几万行时就会暴露严重瓶颈：
- 每批次实际只打包几十到几百行，网络往返开销远超数据本身
- ClickHouse 服务端需为每一行做类型推导和内存拷贝，
use_numpy=False时 CPU 消耗陡增 - 遇到
DateTime或Nullable字段时，Pythondatetime/None转换成本被放大数倍 - 集群环境下，分布式表若未显式指定
sharding_key，写入会随机打散，引发跨节点 shuffle 和写放大
必须开启的三项 client 设置
不改这三项，其他优化全白搭：
-
insert_block_size：设为100000（非默认的1048576）。过大易 OOM，过小无法触发底层向量化写入；实测50000–150000是 SSD+10G 网络下的甜点区间 -
use_numpy：强制设为True。数值型字段（UInt64,Float64,Decimal）能跳过 Python 对象循环，直通 C 层序列化 -
compress：设为True。Native 协议支持 LZ4 压缩，千兆网下压缩比常达 3:1，显著降低传输时间
构造 client 示例：
client = Client(<br> host='ch-proxy', # 推荐走负载均衡代理，而非直连某节点<br> port=9000,<br> user='writer',<br> password='xxx',<br> settings={<br> 'insert_block_size': 100000,<br> 'use_numpy': True,<br> 'compress': True<br> }<br>)
列模式（columnar=True）不是可选项，是必选项
行模式传的是 [(v1,v2,v3), (v1,v2,v3), ...]，列模式传的是 [col1_list, col2_list, col3_list] —— 后者与 ClickHouse 底层存储格式完全对齐：
- 避免服务端重新切分列，减少一次完整内存拷贝
- NumPy 数组可直接 mmap 到 wire protocol buffer，零拷贝序列化
- 对含
Nested或Array字段的表，列模式是唯一稳定支持的写入方式
正确写法：
# data 是 list of lists，每子列表是一列<br>client.execute(<br> "INSERT INTO events (ts, user_id, event_type) VALUES",<br> data,<br> columnar=True # 必须显式声明<br>)
写入前必须确认的三件事
很多“写入慢”问题其实卡在元数据层，而非传输或解析：
- 目标表引擎是否为
MergeTree系或其变体（如ReplacingMergeTree）？TinyLog或Memory引擎无法支撑持续写入 - 本地表（非分布式表）的
PARTITION BY表达式是否匹配数据时间范围？错配会导致写入被路由到错误分区，甚至静默失败 - 若走分布式表，确认建表 DDL 中是否包含
sharding_key（如intHash32(user_id)），且客户端写入时未覆盖该字段值 —— 否则数据会乱序分布，后续查不出
最后提醒一句：所有优化都建立在“单次写入至少 5 万行”基础上。如果业务逻辑天然只能攒 200 行就 flush，那不如直接换 Kafka + MaterializedMySQL 链路，硬压 Native 协议只会放大延迟抖动。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
