ClickHouse集群数据在写入时，虽然可以通过 Distributed引擎的 sharding_key指定策略，从而保证一定程度的数据均衡，但这并不是最终解决方案。
比如 rand()均衡策略虽然可以保证数据的相对均衡，但是可能会破坏数据的内在业务逻辑。举个简单的例子，我们想要将 kafka的数据写入 clickhouse集群，如果采用 rand()的策略，则可能将同一个 partition的数据拆分到 clickhouse集群不同的 shard中，为后续的数据分析等造成了一定的麻烦。
虽然有类似 clickhouse-sinker之类的数据导入工具，可以做到数据导入时的均衡，但是一旦集群扩展了节点，仍然无法将存量数据均衡到新增加的节点中去。这样就造成了存量节点的数据仍然很多，新增节点的数据相对较少，并不能起到很好的负载均衡的作用。
我们在讨论数据均衡方案的时候，首先需要明确两个前提：
clickhouse集群，而不是单点MergeTree家族的引擎数据（其他引擎的数据表由于无法通过分布式表去读写，因此也不具备数据均衡的意义）我们知道， clickhouse存储数据是完完全全的列式存储，这也就意味着，在同一个 partition下，数据很难再一条条的进行拆分（虽然可以做到，但比较麻烦）。因此，数据均衡最科学的方案是以 partition为单位，整个 partition进行搬迁。这也就意味着，分区的粒度越小，最终的数据越接近均衡。
另一个我们要思考的问题就是，如果其中某一个分区我们一直在写入数据，我们是无法获取该分区的实际大小的（因为一直在变化）。那么，如果该分区数据也参数数据均衡的话，可能参与均衡的 partition并不是一个完整的分区，就会导致分区数据被拆散，从而造成不可预知的问题。所以，我们希望最新的一个分区，不参与数据均衡的运算。
如何能获取到最新的分区呢？其实可以通过 SQL查询到：
SELECT argMax(partition, modification_time) FROM system.parts WHERE database='?' AND table='?' 以上 SQL查询出来的，就是指定的数据库表最新的分区。将这个分区排除在外，那么剩下的分区就是都可以参与数据均衡的分区了。
另一个核心问题是，如何将 partition数据在不同节点之间进行移动？我们很容易想到 attach 和 detach，但 attach和 detach的前提是，我们必须要设置配置文件中当前操作用户 allow_drop_detached标志为 1。对于带副本的集群，我们总能通过 zookeeper的路径非常方便地将分区数据在不同节点间 fetch过来。
-- 在目标节点执行
ALTER TABLE {{.tbname}} FETCH PARTITION '{{.partition}}' FROM '{{.zoopath}}'
ALTER TABLE {{.tbname}} ATTACH PARTITION '{{.partition}}'
-- 在原始节点执行
ALTER TABLE {{.tbname}} DROP PARTITION '{{.partition}}' 但是对于非副本模式的集群则没那么简单了。因为我们无法知道 zoopath，所以不能通过 fetch的方式获取到数据，因此，只能使用物理的方式将数据进行传输（比如 scp, rsync等）到指定节点上。考虑到传输效率，这里我们使用 rsync的方式。
-- 原始节点执行
ALTER TABLE {{.tbname}} DETACH PARTITION '{{.partition}}' # 原始节点执行
rsync -e "ssh -o StrictHostKeyChecking=false" -avp /{{.datapath}}/clickhouse/data/{{.database}}/{{.table}}/detached dstHost:/{{.datapath}}/clickhouse/data/{{.database}}/{{.table}}/detached
rm -fr /{{.datapath}}/clickhouse/data/{{.database}}/{{.table}}/detached -- 目标节点执行
ALTER TABLE {{.tbname}} ATTACH PARTITION '{{.partition}}'
-- 原始节点执行
ALTER TABLE {{.tbname}} DROP DETACHED PARTITION '{{.partition}}' 但是，通过 rsync的方式需要有前提，那就是首先必须在各个节点上已经安装过 rsync工具了，如果没有安装，可通过下面的命令安装：
yum install -y rsync 其次，需要配置各节点之间的互信（主要是 moveout的节点到 movein节点之间的互信，但其实我们并不知道数据在节点间数如何移动的，因此最好全部配置）。
以上问题解决后，那么就剩下最核心的一个问题了。数据如何均衡？
这里需要说明的是，由于是整个 partition的移动，因此，无法做到绝对的均衡，而是只能做到相对的数据均衡。 partition的粒度越小，均衡越精确。
一种比较科学的方案是，将各个节点的分区数据按大小排列之后，将最大的节点数据移动到最小的节点中去，次大的节点移到次小的节点，以此类推，不断向中间靠拢，直到满足某一个阈值，则不再移动。
这一段的代码实现我们已经通过 ckman项目开源出来了，如果感兴趣的朋友可以通过下面的链接阅读源码： ckman:rebalancer。
因此，不难发现，数据均衡的过程中，分区数据由于可能已经被
detach，但是还没来得及在新的节点上attach，这时候去做查询，可能存在一定几率的不准确。所以，在做数据均衡的过程中，最好不要有查询操作。
插入操作反而不受影响，因为我们已经排除了最新的分区不参与均衡运算。
ckman作为一款管理和监控 ClickHouse集群的可视化工具，天然集成了数据均衡的功能。只需要点击集群管理页面的"均衡集群"按钮，即可实现数据均衡的操作。
与此同时， ckman还提供了命令行方式的数据均衡工具 rebalancer， 其参数如下：
-ch-data-dir
clickhouse集群数据目录
-ch-hosts
- 节点列表（每个
shard只需列出一个，如果shard有多个副本，无需全部列出）
-ch-password
clickhouse用户密码
-ch-port
clickhouse的TCP端口，默认9000
-ch-user
clickhouse的用户，界面操作时，使用default用户
-os-password
- 节点的
ssh登录密码（非副本模式时需要）
-os-port
- 节点的
ssh端口，默认22（非副本模式时需要）
-os-user
- 节点的
ssh用户（非副本模式时需要）
如：
rebalancer -ch-data-dir=/var/lib/ --ch-hosts=192.168.0.1,192.168.0.2,192.168.0.3 --ch-password=123123 --ch-port=9000 --ch-user=default --os-password=123456 --os-port=22 --os-user=root 我们在 ckman中准备了一个名为 eoi的集群，该集群有三个节点，分别为 192.168.21.73, 192.168.21.74, 192.168.21.75，集群为非副本模式。
我们从官方文档给出的数据集中导入如下数据： https://clickhouse.com/docs/e...
该数据是从2019年1月到2021年5月，共计30个月的航空数据，为了更直观地展示数据均衡，本文将官方的建表语句做了微调，按照月进行分区，并且在集群各个节点都创建表：
CREATE TABLE opensky ON CLUSTER eoi
(
callsign String,
number String,
icao24 String,
registration String,
typecode String,
origin String,
destination String,
firstseen DateTime,
lastseen DateTime,
day DateTime,
latitude_1 Float64,
longitude_1 Float64,
altitude_1 Float64,
latitude_2 Float64,
longitude_2 Float64,
altitude_2 Float64
) ENGINE = MergeTree
PARTITION BY toYYYYMM(day)
ORDER BY (origin, destination, callsign); 并创建分布式表：
CREATE TABLE dist_opensky ON CLUSTER eoi AS opensky
ENGINE = Distributed(eoi, default, opensky, rand()) 下载数据：
wget -O- https://zenodo.org/record/5092942 | grep -oP 'https://zenodo.org/record/5092942/files/flightlist_\d+_\d+\.csv\.gz' | xargs wget 数据下载完成大约 4.3G。
使用下面的脚本将数据导入到其中一个节点：
for file in flightlist_*.csv.gz; do gzip -c -d "$file" | clickhouse-client --password 123123 --date_time_input_format best_effort --query "INSERT INTO opensky FORMAT CSVWithNames"; done 导入完成后，分别查看各节点数据如下：
-- 总数据
master :) select count() from dist_opensky;
SELECT count()
FROM dist_opensky
Query id: b7bf794b-086b-4986-b616-aef1d40963e3
┌──count()─┐
│ 66010819 │
└──────────┘
1 rows in set. Elapsed: 0.024 sec.
-- node 21.73
master :) select count() from opensky;
SELECT count()
FROM opensky
Query id: 5339e93c-b2ed-4085-9f58-da099a641f8f
┌──count()─┐
│ 66010819 │
└──────────┘
1 rows in set. Elapsed: 0.002 sec.
-- node 21.74
worker-1 :) select count() from opensky;
SELECT count()
FROM opensky
Query id: 60155715-064e-4c4a-9103-4fd6bf9b7667
┌─count()─┐
│ 0 │
└─────────┘
1 rows in set. Elapsed: 0.002 sec.
-- node 21.75
worker-2 :) select count() from opensky;
SELECT count()
FROM opensky
Query id: d04f42df-d1a4-4d90-ad47-f944b7a32a3d
┌─count()─┐
│ 0 │
└─────────┘
1 rows in set. Elapsed: 0.002 sec.
从以上信息，我们可以知道，原始数据 6600万条全部在 21.73这个节点上，另外两个节点 21.74和 21.75没有数据。
从 ckman界面可以看到如下信息：
然后点击数据均衡，等待一段时间后，会看到界面提示数据均衡成功，再次查看各节点数据：
-- 总数据
master :) select count() from dist_opensky;
SELECT count()
FROM dist_opensky
Query id: bc4d27a9-12bf-4993-b37c-9f332ed958c9
┌──count()─┐
│ 66010819 │
└──────────┘
1 rows in set. Elapsed: 0.006 sec.
-- node 21.73
master :) select count() from opensky;
SELECT count()
FROM opensky
Query id: a4da9246-190c-4663-8091-d09b2a9a2ea3
┌──count()─┐
│ 24304792 │
└──────────┘
1 rows in set. Elapsed: 0.002 sec.
-- node 21.74
worker-1 :) select count() from opensky;
SELECT count()
FROM opensky
Query id: 5f6a8c89-c21a-4ae1-b69f-2755246ca5d7
┌──count()─┐
│ 20529143 │
└──────────┘
1 rows in set. Elapsed: 0.002 sec.
-- node 21.75
worker-2 :) select count() from opensky;
SELECT count()
FROM opensky
Query id: 569d7c63-5279-48ad-a296-013dc1df6756
┌──count()─┐
│ 21176884 │
└──────────┘
1 rows in set. Elapsed: 0.002 sec. 通过上述操作，简单演示了数据均衡在 ckman中的实现，原始数据 6600万条全部在 node1，通过均衡之后，其中 node1数据为 2400万条， node2位 2000万条， node3位 2100万条，实现了大致的数据均衡。
虽然我们可以通过 ckman之类的工具可以实现数据的大致均衡，大大改善了操作的便利性，但数据均衡本身就是一个非常复杂的命题，一旦涉及到存储策略（如数据存储在远端 HDFS上），那么又会增加数据均衡的复杂性，这些都是 ckman目前所不能支持的操作（远程数据做数据均衡没有意义，但是可以均衡其元数据，这样可以在查询时充分利用各节点的 CPU性能）。因此，数据均衡想要做得科学而精确，仍然需要更多的努力。