> ## Documentation Index
> Fetch the complete documentation index at: https://private-7c7dfe99-mintlify-67bc7bf8.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.
# Créez votre première vue matérialisée
> Apprenez à utiliser les vues matérialisées dans ClickHouse pour précalculer et stocker les résultats d’une requête avec un ordre de tri différent, afin d’effectuer rapidement des recherches sur des colonnes non couvertes par votre clé primaire.
Tous les guides de démarrage rapide
Analyse en temps réel
Entreposage de données
Observabilité
IA/ML
Cloud
Oss
## Prérequis
To successfully follow this guide, you'll need the following:
* A running ClickHouse Cloud service. If you don't have one yet, complete the [Create your first Cloud service](/get-started/quickstarts/create-your-first-service-on-cloud) quickstart first.
Vous devez également avoir suivi le guide de démarrage rapide [Créez votre première table MergeTree](/fr/get-started/quickstarts/create-your-first-mergetree-table), car ce guide s’appuie directement sur la table `uk_price_paid` qui y est créée.
## Ce que vous allez créer
Dans le guide de démarrage rapide MergeTree, vous avez vu qu’interroger `uk_price_paid` par `town` ou `county` nécessite un balayage complet de la table, car celle-ci est triée par `(postcode, addr1, addr2)`.
Dans ce guide de démarrage rapide, vous allez résoudre ce problème en créant une **vue matérialisée** qui stocke les mêmes données triées par `(town, date)`, ce qui permet des recherches rapides par ville sans modifier la table d’origine.
À la fin, vous comprendrez comment les vues matérialisées fonctionnent comme des déclencheurs à l’insertion, comment réinjecter les données existantes, ainsi que le compromis en espace disque qu’implique le stockage des données en double.
### Comprendre pourquoi vous avez besoin d’une vue matérialisée
Votre table `uk_price_paid` est triée selon `(postcode, addr1, addr2)`. Cela signifie que ClickHouse peut ignorer de grands blocs de données lorsque vous filtrez sur `postcode`, `addr1` ou `addr2`, mais les requêtes qui filtrent sur `town` doivent parcourir chaque ligne — les 30 millions.
Vous pourriez créer une deuxième table avec un `ORDER BY` différent, mais il faudrait alors penser à insérer les nouvelles données dans les deux tables à chaque arrivée. Une **vue matérialisée** automatise cela : elle surveille les insertions dans une table source, transforme les lignes, puis les écrit automatiquement dans une table de destination.
Considérez une vue matérialisée comme un **déclencheur d’insertion** : chaque fois que des lignes sont insérées dans la table source, la requête `SELECT` de la MV s’exécute sur le nouveau bloc de lignes, puis le résultat est inséré dans la table de destination.
### Créer la table de destination
Une vue matérialisée a besoin d’un emplacement où stocker sa sortie. Il s’agit simplement d’une table MergeTree standard : vous avez un contrôle total sur son schéma, `ORDER BY` et `PARTITION BY`.
Créez une table triée par `(town, date)` avec uniquement les colonnes nécessaires aux requêtes par ville :
```sql theme={null}
CREATE TABLE uk_price_paid_by_town
(
town LowCardinality(String),
date Date,
price UInt32,
type Enum8('terraced' = 1, 'semi-detached' = 2, 'detached' = 3, 'flat' = 4, 'other' = 0)
)
ENGINE = MergeTree
PARTITION BY toYYYYMM(date)
ORDER BY (town, date);
```
Cette table n’a rien de particulier : c’est une table MergeTree standard. La vue matérialisée que vous créerez ensuite se contentera d’y acheminer les données.
Vérifiez que la table a bien été créée :
```sql theme={null}
SHOW CREATE TABLE uk_price_paid_by_town;
```
### Créer la vue matérialisée
Créez maintenant la vue matérialisée qui relie la table source (`uk_price_paid`) à la table de destination (`uk_price_paid_by_town`) :
```sql theme={null}
CREATE MATERIALIZED VIEW uk_price_paid_by_town_mv
TO uk_price_paid_by_town
AS SELECT
town,
date,
price,
type
FROM uk_price_paid;
```
La clause `TO uk_price_paid_by_town` indique à ClickHouse d’écrire le résultat du `SELECT` dans votre table de destination. Désormais, chaque fois que des lignes sont insérées dans `uk_price_paid`, cette vue matérialisée se déclenche et insère les lignes transformées dans `uk_price_paid_by_town`.
Attention toutefois : les vues matérialisées ne se déclenchent que lors des **insertions**. Si vous supprimez ou mettez à jour des lignes dans la table source, la table de destination n’en est pas informée - les vues matérialisées ne restent pas synchronisées avec les suppressions ou les mises à jour. Si vous avez besoin de ce type de synchronisation, envisagez plutôt d’utiliser des [projections](/fr/reference/statements/alter/projection).
### Charger les données historiques
La vue matérialisée ne traite que les insertions *futures*. Les 30 millions de lignes déjà présentes dans `uk_price_paid` ont été insérées avant que la vue matérialisée n’existe, la table de destination est donc actuellement vide.
Chargez-les manuellement :
```sql theme={null}
INSERT INTO uk_price_paid_by_town
SELECT
town,
date,
price,
type
FROM uk_price_paid;
```
Cela insère directement dans la table de destination - la MV n'intervient pas à cette étape. Une fois l'opération terminée, vérifiez que le nombre de lignes correspond :
```sql theme={null}
SELECT
'uk_price_paid' AS table,
count() AS rows
FROM uk_price_paid
UNION ALL
SELECT
'uk_price_paid_by_town' AS table,
count() AS rows
FROM uk_price_paid_by_town;
```
Les deux tables doivent avoir le même nombre de lignes.
### Interroger la table de destination de la vue matérialisée
Exécutez maintenant une requête avec un filtre sur `town` dans la table de destination, puis comparez le résultat à celui obtenu en interrogeant directement la table source.
Commencez par interroger la table source :
```sql theme={null}
SELECT
toYear(date) AS year,
round(avg(price)) AS avg_price,
count() AS sales
FROM uk_price_paid
WHERE town = 'LONDON'
GROUP BY year
ORDER BY year DESC;
```
Consultez les statistiques de la requête : les 30 millions de lignes sont lus, car `town` ne figure pas dans l'`ORDER BY` de la table source.
Exécutez maintenant la même requête sur la table de destination de la vue matérialisée :
```sql theme={null}
SELECT
toYear(date) AS year,
round(avg(price)) AS avg_price,
count() AS sales
FROM uk_price_paid_by_town
WHERE town = 'LONDON'
GROUP BY year
ORDER BY year DESC;
```
Consultez à nouveau les statistiques de la requête : beaucoup moins de lignes sont lues, car la table de destination est triée par `(town, date)` et ClickHouse peut ignorer toutes les données qui ne correspondent pas à `LONDON`.
Exécutez `SHOW TABLES` pour voir ce qui a été créé :
```sql theme={null}
SHOW TABLES;
```
Vous verrez à la fois `uk_price_paid_by_town` (la table de destination) et `uk_price_paid_by_town_mv` (la vue). Comme vous avez utilisé `CREATE MATERIALIZED VIEW ... TO`, vous maîtrisez le nom de la table de destination. Si vous omettez la clause `TO`, ClickHouse crée une table de destination au nom implicite (`.inner.xxx`), avec laquelle il est plus difficile de travailler directement.
Il est donc recommandé de créer des vues matérialisées avec la clause `TO`.
### Observez que les données sont stockées en double
Les vues matérialisées offrent des lectures plus rapides, au prix d'un espace disque supplémentaire. Interrogez `system.parts` pour voir combien d'espace chaque table utilise :
```sql theme={null}
SELECT
table,
count() AS parts,
sum(rows) AS total_rows,
formatReadableSize(sum(bytes_on_disk)) AS compressed_size
FROM system.parts
WHERE table IN ('uk_price_paid', 'uk_price_paid_by_town')
AND active = true
GROUP BY table;
```
Les données sont physiquement stockées deux fois : une fois dans `uk_price_paid`, triées selon `(postcode, addr1, addr2)`, et une fois dans `uk_price_paid_by_town`, triées selon `(town, date)`. C’est le compromis fondamental : vous utilisez davantage d’espace disque en contrepartie de lectures plus rapides selon différents modes d’accès.
La table de destination peut occuper moins d’espace sur disque, car elle contient moins de colonnes et l’ordre de tri `(town, date)` peut se compresser différemment de celui d’origine.
## Étapes suivantes
Dans ce guide de démarrage rapide, vous avez créé une vue matérialisée pour stocker des données de ventes immobilières au Royaume-Uni avec un ordre de tri différent, afin de permettre des recherches rapides par ville sans modifier votre table d’origine. Vous avez appris que les MV agissent comme des déclencheurs à l’insertion, que les données existantes doivent être rechargées manuellement pour compléter l’historique, et que cela se fait au prix d’un espace disque supplémentaire.
Consultez ensuite les guides de démarrage rapide suivants :
* [Créez votre première projection](/fr/get-started/quickstarts/create-your-first-projection)
Ou approfondissez avec la documentation de référence :
* [Référence de la vue matérialisée](/fr/reference/statements/create/view#materialized-view)
* [Vues matérialisées incrémentielles](/fr/concepts/features/materialized-views/incremental-materialized-view)
* [Projections](/fr/reference/statements/alter/projection)
