Ce que vous allez apprendre dans ce TP
- Configurer l'exportateur ClickHouse
- Lire le schéma des tables
- Écrire des analyses SQL
- Créer une vue matérialisée
- Régler TTL et mesurer la compression
Introduction #
Ce que vous allez apprendre dans cette section
- Configurer l'exportateur ClickHouse
- Lire le schéma des tables
- Écrire des analyses SQL
- Créer une vue matérialisée
- Régler TTL et mesurer la compression
Contexte. Votre équipe data veut croiser la télémétrie avec ses propres tables ClickHouse et des tableaux de bord de long terme. Vous prouvez l'intérêt du SQL et maîtrisez le coût de stockage.
Prérequis : un poste avec Docker (4 Go de mémoire libre), curl et jq · Durée estimée : 60 min
La télémétrie dans ClickHouse, des requêtes SQL réutilisables, une vue matérialisée RED et une rétention par table.Mise en place #
Étapes guidées, avec leur correction.
1. Écrire le Compose
Pourquoi ? ClickHouse et un collecteur contrib suffisent ; ClickStack utilise le même exportateur.
Créezdocker-compose.ymletotelcol.yaml, puis démarrez.2. Générer des données
Pourquoi ? Deux services, des erreurs et des logs donnent de quoi analyser.
Envoyez des traces pourpanieretpaiement, des traces en erreur et des logs d'erreur.3. Lire le schéma
Pourquoi ? La clé de tri dit quelles requêtes seront rapides.
Listez les tables créées, affichez la définition deotel_traceset repérezORDER BY,PARTITION BY,TTLet les index.4. Analyser en SQL
Pourquoi ? Ces questions sont difficiles ou impossibles à poser dans une interface de recherche.
Calculez le taux d'erreurs et la latence p95 par service, reconstituez la trace la plus lente, puis comptez les logs d'erreur rattachés à des traces en erreur.5. Créer une vue matérialisée
Pourquoi ? Les dashboards de long terme ne doivent pas rescanner chaque span.
Créez une tablered_1met sa vue matérialisée, renvoyez des traces, puis lisez l'agrégat.6. Rétention et compression
Pourquoi ? La rétention est le premier levier de coût.
Passez les traces à 24 h, gardez l'agrégat 180 jours, puis mesurez la taille et le taux de compression de chaque table.
Niveau de difficulté : ●●●○○ (3/5)
Mon suivi
Connectez-vous pour suivre votre progression et prendre des notes. Se connecter
💬 Questions sur cette leçon
Aucune question pour l'instant : soyez le premier à demander de l'aide ou à partager votre configuration.
Articles recommandés
La télémétrie dans ClickHouse : schéma, SQL, vues matérialisées et rétention
La télémétrie dans ClickHouse : tables otel_logs, otel_traces, otel_metrics_* et hyperdx_sessions...
L'observabilité sur ClickHouse : pourquoi une base colonne change la donne
Pourquoi de plus en plus de plateformes d'observabilité stockent logs, traces et métriques dans C...
Bonnes pratiques SigNoz, ClickStack et ClickHouse pour l'observabilité
Bonnes pratiques pour l'observabilité sur ClickHouse avec SigNoz ou ClickStack : instrumentation ...
ClickStack : architecture, composants et offres (ClickHouse, HyperDX, OpenTelemetry)
ClickStack, la pile d'observabilité officielle de ClickHouse : rôle de ClickHouse, de l'interface...
Envoyer la télémétrie à ClickStack : SDK OpenTelemetry, collecteurs, logs, Kubernetes et sessions navigateur
Alimenter ClickStack : clé d'ingestion, variables OpenTelemetry des SDK, relais par un collecteur...
Exploiter une plateforme d'observabilité sur ClickHouse et choisir son outil
Exploiter ClickHouse pour la télémétrie (réplication, disques, fusions, stockage objet, supervisi...
Le trilemme de l'observabilité : coût, exhaustivité et performance, et comment les solutions le résolvent
Comprendre le trilemme de l'observabilité (coût, exhaustivité des données, performance des requêt...
Exploiter ClickHouse pour ClickStack : dimensionnement, réplication, surveillance, sécurité et sauvegarde
Faire tourner ClickHouse en production pour l'observabilité : estimer le volume et le disque, rép...
Utiliser SigNoz : APM, traces, logs, dashboards et alertes
Exploiter SigNoz au quotidien : vue APM des services, explorateur de traces et de logs, query bui...