Matriz de compatibilidad

Matrices de compatibilidad exhaustivas para las integraciones de formatos de tabla abiertos y las conexiones a catálogos de lago de datos de ClickHouse.

Esta página ofrece matrices de compatibilidad exhaustivas para las integraciones de lago de datos de ClickHouse. Cubre las características disponibles para cada formato de tabla abierto, los catálogos a los que ClickHouse puede conectarse y las capacidades que admite cada catálogo.

​

Compatibilidad con formatos de tabla abiertos

ClickHouse se integra con cuatro formatos de tabla abiertos: Apache Iceberg, Delta Lake, Apache Hudi y Apache Paimon. Selecciona uno de los formatos a continuación para ver su matriz de compatibilidad.

Leyenda: ✅ Compatible | ⚠️ Parcial / Experimental | ❌ No compatible

Apache Iceberg

Característica	Estado	Notas
Backends de almacenamiento
AWS S3	✅	Mediante icebergS3() o el alias iceberg()
GCS	✅	Mediante icebergS3() o el alias iceberg()
Azure Blob Storage	✅	Mediante icebergAzure()
HDFS	⚠️	Mediante icebergHDFS(). Obsoleto.
Sistema de archivos local	✅	Mediante icebergLocal()
Métodos de acceso
Función de tabla	✅	icebergS3() con variantes por backend
Motor de tabla	✅	IcebergS3 con variantes por backend
Lecturas distribuidas en clúster	✅	icebergS3Cluster, icebergAzureCluster, icebergHDFSCluster
Colecciones con nombre	✅	Definición de una colección con nombre
Características de lectura
Soporte de lectura	✅	Soporte completo de SELECT con todas las funciones de ClickHouse SQL
Poda de particiones	✅	Consulte Poda de particiones.
Particionado oculto	✅	Se admite el particionado de Iceberg basado en transformaciones
Evolución de particiones	✅	Se admite leer tablas cuyas especificaciones de partición cambian con el tiempo
Evolución del esquema	✅	Adición, eliminación y reordenación de columnas. Consulte Evolución del esquema.
Promoción / ampliación de tipos	✅	int → long, float → double, decimal(P,S) → decimal(P',S) donde P’ > P. Consulte Evolución del esquema.
Viaje en el tiempo / snapshots	✅	Mediante los ajustes iceberg_timestamp_ms o iceberg_snapshot_id. Consulte Time travel.
Eliminaciones por posición	✅	Consulte Procesamiento de filas eliminadas.
Eliminaciones por igualdad	✅	Solo para el motor de tabla, desde v25.8+. Consulte Procesamiento de filas eliminadas.
Merge-on-read	⚠️	Experimental. Se admite para operaciones de eliminación.
Versiones de formato	⚠️	Se admiten v1 y v2. V3 no es compatible.
Estadísticas de columnas	✅
Filtros bloom / archivos puffin	❌	No se admiten los índices de filtros bloom en archivos puffin
Columnas virtuales	✅	_path, _file, _size, _time, _etag. Consulte Columnas virtuales.
Características de escritura
Creación de tablas	✅	Experimental. Requiere allow_insert_into_iceberg = 1. Desde v25.7+. Consulte Creación de una tabla.
INSERT	✅	Beta desde la versión 26.2. Requiere allow_insert_into_iceberg = 1. Consulte Inserción de datos.
DELETE	✅	Experimental. Requiere allow_insert_into_iceberg = 1. Mediante ALTER TABLE ... DELETE WHERE. Consulte Eliminación de datos.
ALTER TABLE (cambios de esquema)	✅	Experimental. Requiere allow_insert_into_iceberg = 1. Permite añadir, eliminar, modificar y renombrar columnas. Consulte Evolución del esquema.
Compactación	⚠️	Experimental. Requiere allow_experimental_iceberg_compaction = 1. Fusiona los archivos de eliminación por posición con los archivos de datos. Consulte Compaction. No se admiten otras operaciones de compactación de Iceberg.
UPDATE / MERGE	❌	No se admite. Consulte Compactación.
Copy-on-write	❌	No se admite
Expire snapshots	❌	No se admite
Remove orphan files	❌	No se admite
Escritura de particiones	✅	Compatible.
Modificación de particiones	❌	No se admite cambiar el esquema de particionado desde ClickHouse. ClickHouse puede escribir en tablas Iceberg con particionado evolucionado.
Metadatos
Ramificación y etiquetado	❌	No se admiten referencias de rama/etiqueta de Iceberg
Resolución de archivos de metadatos	✅	Admite la resolución de metadatos mediante catálogos, listado simple de directorios, uso de ‘version-hint’ y una ruta específica. Se puede configurar con iceberg_metadata_file_path y iceberg_metadata_table_uuid. Consulte Resolución de archivos de metadatos.
Caché de datos	✅	Utiliza el mismo mecanismo que los motores de almacenamiento S3/Azure/HDFS. Consulte Caché de datos.
Caché de metadatos	✅	Los archivos manifest y de metadatos se almacenan en caché en memoria. Está habilitada de forma predeterminada mediante use_iceberg_metadata_files_cache. Consulte Caché de metadatos.

Delta Lake

Desde la versión 25.6, ClickHouse lee tablas Delta Lake mediante el kernel de Rust de Delta Lake, lo que amplía la compatibilidad con funcionalidades; sin embargo, existen problemas conocidos al acceder a datos en Azure Blob Storage. Por este motivo, el kernel está deshabilitado al leer datos en Azure Blob Storage. A continuación indicamos qué características requieren este kernel.

Característica	Estado	Notas
Backends de almacenamiento
AWS S3	✅	Mediante deltaLake() o deltaLakeS3()
GCS	✅	Mediante deltaLake() o deltaLakeS3()
Azure Blob Storage	✅	Mediante deltaLakeAzure()
HDFS	❌	No compatible
Sistema de archivos local	✅	Mediante deltaLakeLocal()
Métodos de acceso
Función de tabla	✅	deltaLake() con variantes según el backend
Motor de tabla	✅	DeltaLake
Lecturas distribuidas en clúster	✅	deltaLakeCluster, deltaLakeAzureCluster
Colecciones con nombre	✅	Colección con nombre
Características de lectura
Soporte de lectura	✅	Soporte completo de SELECT con todas las funciones de ClickHouse SQL
Poda de particiones	✅	Requiere Delta Kernel.
Evolución del esquema	✅	Requiere Delta Kernel.
Viaje en el tiempo	✅	Requiere Delta Kernel.
Vectores de eliminación	✅
Mapeo de columnas	✅
Flujo de datos de cambios	✅	Requiere Delta Kernel.
Columnas virtuales	✅	_path, _file, _size, _time, _etag. Consulta Columnas virtuales.
Características de escritura
INSERT	✅	Experimental. Requiere allow_experimental_delta_lake_writes = 1. Consulta Motor DeltaLake. Requiere Delta Kernel.
DELETE / UPDATE / MERGE	❌	No compatible
CREATE tabla vacía	❌	No se admite la creación de una nueva tabla Delta Lake vacía. La operación CREATE TABLE asume que ya existe una tabla Delta Lake en el almacenamiento de objetos.
Caché
Caché de datos	✅	El mismo mecanismo que en los motores de almacenamiento S3/Azure/HDFS. Consulta Caché de datos.

Apache Hudi

Funcionalidad	Estado	Notas
Backends de almacenamiento
AWS S3	✅	Mediante hudi()
GCS	✅	Mediante hudi()
Azure Blob Storage	❌	No es compatible
HDFS	❌	No es compatible
Sistema de archivos local	❌	No es compatible
Métodos de acceso
Función de tabla	✅	hudi()
Motor de tabla	✅	Hudi
Lecturas distribuidas en clúster	✅	hudiCluster (solo S3)
Colecciones con nombre	✅	argumentos de Hudi
Funciones de lectura
Compatibilidad de lectura	✅	Compatibilidad total con SELECT y todas las funciones de ClickHouse SQL
Evolución del esquema	❌	No es compatible
Viaje en el tiempo	❌	No es compatible
Columnas virtuales	✅	_path, _file, _size, _time, _etag. Consulte columnas virtuales.
Funciones de escritura
INSERT / DELETE / UPDATE	❌	Integración de solo lectura
Almacenamiento en caché
Almacenamiento en caché de datos	❌	No es compatible

Apache Paimon

Característica	Estado	Notas
Backends de almacenamiento
S3	✅	Experimental. Mediante paimon() o paimonS3()
GCS	✅	Experimental. Mediante paimon() o paimonS3()
Azure Blob Storage	✅	Experimental. Mediante paimonAzure()
HDFS	⚠️	Experimental. Mediante paimonHDFS(). Obsoleto.
Sistema de archivos local	✅	Experimental. Mediante paimonLocal()
Métodos de acceso
Función de tabla	✅	Experimental. paimon() con variantes según el backend
Motor de tabla	❌	No hay un motor de tabla específico
Lecturas distribuidas en clúster	✅	Experimental. paimonS3Cluster, paimonAzureCluster, paimonHDFSCluster
Colecciones con nombre	✅	Experimental. Definición de una colección con nombre
Características de lectura
Soporte de lectura	✅	Experimental. Compatibilidad completa con SELECT y todas las funciones de ClickHouse SQL
Evolución del esquema	❌	Sin soporte
Viaje en el tiempo	❌	Sin soporte
Columnas virtuales	✅	Experimental. _path, _file, _size, _time, _etag. Consulte Columnas virtuales.
Características de escritura
INSERT / DELETE / UPDATE	❌	Integración de solo lectura
Caché
Caché de datos	❌	Sin soporte

​

Compatibilidad con catálogos

ClickHouse puede conectarse a catálogos de datos externos mediante el motor de base de datos DataLakeCatalog, que expone el catálogo como una base de datos de ClickHouse. Las tablas registradas en el catálogo aparecen automáticamente y pueden consultarse con SQL estándar.

Actualmente, se admiten los siguientes catálogos. Consulta la guía de referencia de cada catálogo para obtener las instrucciones completas de configuración.

Catálogo	Formatos	Lectura	Crear tabla	INSERT	Guía de referencia
AWS Glue Catalog	Iceberg	✅ Beta	❌	❌	Guía del catálogo Glue
BigLake Metastore	Iceberg	✅ Beta	❌	❌	Guía de BigLake Metastore
Databricks Unity Catalog	Delta, Iceberg	✅ Beta	✅ Beta	✅ Beta	Guía de Unity Catalog
Iceberg REST	Iceberg	✅ Beta	❌	❌	Guía del catálogo REST
Lakekeeper	Iceberg	✅ Beta	❌	❌	Guía del catálogo Lakekeeper
Project Nessie	Iceberg	✅ Experimental	❌	❌	Guía del catálogo Nessie
Microsoft OneLake	Iceberg	✅ Beta	✅ Beta	✅ Beta	Guía del catálogo OneLake

Actualmente, todas las integraciones de catálogos requieren habilitar una configuración experimental o beta. Con la excepción de Microsoft OneLake y Databricks Unity Catalog, todos los catálogos ofrecen acceso de solo lectura: las tablas pueden consultarse, pero no pueden crearse ni modificarse a través de la conexión al catálogo. Para cargar datos desde un catálogo en ClickHouse y acelerar las analíticas, usa INSERT INTO SELECT como se describe en la guía para acelerar las analíticas. Para escribir datos de nuevo en formatos de tabla abiertos, crea tablas Iceberg independientes como se describe en la guía para escribir datos.