Matriz de suporte - ClickHouse Documentation

Esta página apresenta matrizes de suporte abrangentes para as integrações de lago de dados do ClickHouse. Ela cobre os recursos disponíveis para cada formato de tabela aberto, os catálogos aos quais o ClickHouse pode se conectar e os recursos compatíveis com cada catálogo.

Suporte a formatos de tabela abertos

O ClickHouse integra-se a quatro formatos de tabela abertos: Apache Iceberg, Delta Lake, Apache Hudi e Apache Paimon. Selecione um formato abaixo para ver a matriz de suporte correspondente. Legenda: ✅ Suportado | ⚠️ Parcial / Experimental | ❌ Não suportado

Apache Iceberg
Delta Lake
Apache Hudi
Apache Paimon

Recurso	Status	Observações
Backends de armazenamento
AWS S3	✅	Via `icebergS3()` ou pelo alias `iceberg()`
GCS	✅	Via `icebergS3()` ou pelo alias `iceberg()`
Azure Blob Storage	✅	Via `icebergAzure()`
HDFS	⚠️	Via `icebergHDFS()`. Descontinuado.
Sistema de arquivos local	✅	Via `icebergLocal()`
Métodos de acesso
Função de tabela	✅	`icebergS3()` com variantes para cada backend
Engine de tabela	✅	`IcebergS3` com variantes para cada backend
Leituras distribuídas em cluster	✅	`icebergS3Cluster`, `icebergAzureCluster`, `icebergHDFSCluster`
Coleções nomeadas	✅	Definindo uma coleção nomeada

Recursos de leitura
Suporte de leitura	✅	Suporte completo a SELECT com todas as funções do ClickHouse SQL
Poda de partições	✅	Veja Poda de partições.
Particionamento oculto	✅	Suporte a particionamento baseado em transformações do Iceberg
Evolução de partições	✅	Suporte à leitura de tabelas com especificações de partição que mudam ao longo do tempo
Evolução de esquema	✅	Adição, remoção e reordenação de colunas. Veja Evolução de esquema.
Promoção / ampliação de tipos	✅	`int` → `long`, `float` → `double`, `decimal(P,S)` → `decimal(P',S)` onde P’ > P. Veja Evolução de esquema.
Time travel / snapshots	✅	Via as configurações `iceberg_timestamp_ms` ou `iceberg_snapshot_id`. Veja Time travel.
Exclusões por posição	✅	Veja Processamento de linhas excluídas.
Exclusões por igualdade	✅	Apenas para engine de tabela, a partir da v25.8+. Veja Processamento de linhas excluídas.
Merge-on-read	⚠️	Experimental. Compatível com operações de exclusão.
Versões de formato	⚠️	v1 e v2 são compatíveis. V3 não é compatível.
Estatísticas de colunas	✅
Filtros de Bloom / arquivos puffin	❌	Índices de filtro de Bloom em arquivos puffin não têm suporte
Colunas virtuais	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Veja Colunas virtuais.

Recursos de escrita
Criação de tabela	✅	Experimental. Requer `allow_insert_into_iceberg = 1`. A partir da v25.7+. Veja Criando uma tabela.
INSERT	✅	Beta a partir da versão 26.2. Requer `allow_insert_into_iceberg = 1`. Veja Inserção de dados.
DELETE	✅	Experimental. Requer `allow_insert_into_iceberg = 1`. Via `ALTER TABLE ... DELETE WHERE`. Veja Exclusão de dados.
ALTER TABLE (alterações no esquema)	✅	Experimental. Requer `allow_insert_into_iceberg = 1`. Adicionar, remover, modificar e renomear colunas. Veja Evolução do esquema.
Compactação	⚠️	Experimental. Requer `allow_experimental_iceberg_compaction = 1`. Mescla arquivos de exclusão por posição em arquivos de dados. Veja Compactação. Outras operações de compactação do Iceberg não são suportadas.
UPDATE / MERGE	❌	Não suportado. Veja Compactação.
Copy-on-write	❌	Não suportado
Expirar snapshots	❌	Não suportado
Remover arquivos órfãos	❌	Não suportado
Gravação em partições	✅	Suportado.
Alteração de partições	❌	A alteração do esquema de particionamento a partir do ClickHouse não é suportada. O ClickHouse pode gravar em tabelas Iceberg com particionamento evoluído.

Metadados
Branches e tags	❌	Referências a branches/tags do Iceberg não são suportadas
Resolução de arquivos de metadados	✅	Suporte à resolução de arquivos de metadados por meio de catálogos, listagem simples de diretórios, uso de ‘version-hint’ e caminho específico. Configurável via `iceberg_metadata_file_path` e `iceberg_metadata_table_uuid`. Veja Resolução de arquivos de metadados.
Cache de dados	✅	Mesmo mecanismo usado pelos motores de armazenamento S3/Azure/HDFS. Veja Cache de dados.
Cache de metadados	✅	Arquivos de manifesto e metadados armazenados em cache na memória. Habilitado por padrão via `use_iceberg_metadata_files_cache`. Veja Cache de metadados.

A partir da versão 25.6, o ClickHouse lê tabelas Delta Lake usando o kernel Rust do Delta Lake, oferecendo suporte mais amplo a recursos. No entanto, há problemas conhecidos ao acessar dados no Azure Blob Storage. Por esse motivo, o kernel é desativado na leitura de dados no Azure Blob Storage. Abaixo, indicamos quais recursos exigem esse kernel.

Recurso	Status	Observações
Backends de armazenamento
AWS S3	✅	Via `deltaLake()` ou `deltaLakeS3()`
GCS	✅	Via `deltaLake()` ou `deltaLakeS3()`
Azure Blob Storage	✅	Via `deltaLakeAzure()`
HDFS	❌	Não suportado
Sistema de arquivos local	✅	Via `deltaLakeLocal()`
Métodos de acesso
Função de tabela	✅	`deltaLake()` com variantes para cada backend
Motor de tabela	✅	`DeltaLake`
Leituras distribuídas em cluster	✅	`deltaLakeCluster`, `deltaLakeAzureCluster`
Coleções nomeadas	✅	Named collection
Recursos de leitura
Suporte de leitura	✅	Suporte completo a SELECT com todas as funções do ClickHouse SQL
Poda de partições	✅	Requer Delta Kernel.
Evolução de schema	✅	Requer Delta Kernel.
Viagem no tempo	✅	Requer Delta Kernel.
Vetores de exclusão	✅
Mapeamento de colunas	✅
Feed de dados de alterações	✅	Requer Delta Kernel.
Colunas virtuais	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Virtual columns.
Recursos de escrita
INSERT	✅	Experimental. Requer `allow_experimental_delta_lake_writes = 1`. Consulte DeltaLake engine. Requer Delta Kernel.
DELETE / UPDATE / MERGE	❌	Não suportado
CREATE tabela vazia	❌	Não há suporte para criar uma nova tabela Delta Lake vazia. A operação `CREATE TABLE` pressupõe a existência de uma tabela Delta Lake no armazenamento de objetos.
Cache
Cache de dados	✅	Mesmo mecanismo dos motores de armazenamento S3/Azure/HDFS. Consulte Data cache.

Funcionalidade	Status	Observações
Backends de armazenamento
AWS S3	✅	Via `hudi()`
GCS	✅	Via `hudi()`
Azure Blob Storage	❌	Sem suporte
HDFS	❌	Sem suporte
Sistema de arquivos local	❌	Sem suporte
Métodos de acesso
Função de tabela	✅	`hudi()`
Mecanismo de tabela	✅	`Hudi`
Leituras distribuídas em cluster	✅	`hudiCluster` (somente S3)
Coleções nomeadas	✅	Argumentos do Hudi
Recursos de leitura
Suporte de leitura	✅	Suporte completo a SELECT com todas as funções do ClickHouse SQL
Evolução de esquema	❌	Sem suporte
Time travel	❌	Sem suporte
Colunas virtuais	✅	`_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.
Recursos de escrita
INSERT / DELETE / UPDATE	❌	Integração somente leitura
Cache
Cache de dados	❌	Sem suporte

Funcionalidade	Status	Observações
Backends de armazenamento
S3	✅	Experimental. Via `paimon()` ou `paimonS3()`
GCS	✅	Experimental. Via `paimon()` ou `paimonS3()`
Azure Blob Storage	✅	Experimental. Via `paimonAzure()`
HDFS	⚠️	Experimental. Via `paimonHDFS()`. Descontinuado.
Sistema de arquivos local	✅	Experimental. Via `paimonLocal()`
Métodos de acesso
Função de tabela	✅	Experimental. `paimon()` com variantes para cada backend
Engine de tabela	❌	Sem engine de tabela dedicado
Leituras distribuídas no cluster	✅	Experimental. `paimonS3Cluster`, `paimonAzureCluster`, `paimonHDFSCluster`
Coleções nomeadas	✅	Experimental. Definindo uma coleção nomeada
Recursos de leitura
Suporte para leitura	✅	Experimental. Suporte completo a SELECT com todas as funções do ClickHouse SQL
Evolução de esquema	❌	Sem suporte
Viagem no tempo	❌	Sem suporte
Colunas virtuais	✅	Experimental. `_path`, `_file`, `_size`, `_time`, `_etag`. Consulte Colunas virtuais.
Recursos de escrita
INSERT / DELETE / UPDATE	❌	Integração somente leitura
Cache
Cache de dados	❌	Sem suporte

Suporte a catálogos

O ClickHouse pode se conectar a catálogos de dados externos usando o engine de banco de dados DataLakeCatalog, que expõe o catálogo como um banco de dados no ClickHouse. As tabelas registradas no catálogo aparecem automaticamente e podem ser consultadas com SQL padrão. No momento, os catálogos abaixo são compatíveis. Consulte o guia de referência de cada catálogo para ver as instruções completas de configuração.

Catálogo	Formatos	Leitura	Criar tabela	INSERT	Guia de referência
AWS Glue Catalog	Iceberg	✅ Beta	❌	❌	Guia do AWS Glue catalog
BigLake Metastore	Iceberg	✅ Beta	❌	❌	Guia do BigLake Metastore
Databricks Unity Catalog	Delta, Iceberg	✅ Beta	✅ Beta	✅ Beta	Guia do Unity Catalog
Iceberg REST	Iceberg	✅ Beta	❌	❌	Guia do REST catalog
Lakekeeper	Iceberg	✅ Beta	❌	❌	Guia do catálogo Lakekeeper
Project Nessie	Iceberg	✅ Experimental	❌	❌	Guia do catálogo Nessie
Microsoft OneLake	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guia do catálogo OneLake

Atualmente, todas as integrações de catálogo exigem que uma configuração experimental ou beta esteja habilitada. Com exceção do Microsoft OneLake e do Databricks Unity Catalog, todos os catálogos expõem acesso somente leitura — as tabelas podem ser consultadas, mas não podem ser criadas nem receber gravações por meio da conexão com o catálogo. Para carregar dados de um catálogo no ClickHouse e acelerar as análises, use INSERT INTO SELECT conforme descrito no guia de aceleração de análises. Para gravar dados de volta em formatos de tabela abertos, crie tabelas Iceberg independentes conforme descrito no guia de gravação de dados.

​Suporte a formatos de tabela abertos

​Suporte a catálogos

Suporte a formatos de tabela abertos

Suporte a catálogos