Překlad článku byl připraven speciálně pro studenty kurzu .
je sloupcová databáze s otevřeným zdrojovým kódem. Je to skvělé prostředí, kde mohou stovky analytiků rychle vyhledávat podrobná data, i když jsou denně zadány desítky miliard nových záznamů. Náklady na infrastrukturu na podporu takového systému by mohly dosahovat až 100 10 USD za rok a potenciálně až poloviční v závislosti na využití. V jednu chvíli obsahovala instalace ClickHouse od Yandex Metrics XNUMX bilionů záznamů. Kromě Yandexu má ClickHouse úspěch také s Bloomberg a Cloudflare.
Před dvěma lety jsem strávil databáze používající jeden stroj a stalo se bezplatný databázový software, jaký jsem kdy viděl. Od té doby vývojáři nepřestali přidávat funkce, včetně podpory Kafka, HDFS a komprese ZStandard. V loňském roce přidali podporu pro metody kaskádové komprese a kódování bylo možné. Při kompresi dat časové řady lze hodnoty měřidel dobře komprimovat pomocí delta kódování, ale pro čítače by bylo lepší použít kódování delta po delta. Dobrá komprese se stala klíčem k výkonu ClickHouse.
ClickHouse se skládá ze 170 tisíc řádků kódu C++, s výjimkou knihoven třetích stran, a je jednou z nejmenších kódových bází distribuovaných databází. Pro srovnání, SQLite nepodporuje distribuci a skládá se z 235 tisíc řádků kódu C. V době psaní tohoto článku do ClickHouse přispělo 207 inženýrů a intenzita revizí v poslední době roste.
V březnu 2017 začal ClickHouse dirigovat jako snadný způsob, jak sledovat vývoj. Rozdělili také monolitický dokumentační soubor do hierarchie souborů založené na Markdown. Problémy a funkce jsou sledovány prostřednictvím GitHubu a obecně se software za posledních několik let stal mnohem dostupnější.
V tomto článku se podívám na výkon clusteru ClickHouse na AWS EC2 pomocí 36jádrových procesorů a úložiště NVMe.
AKTUALIZACE: Týden po původním zveřejnění tohoto příspěvku jsem znovu spustil test s vylepšenou konfigurací a dosáhl mnohem lepších výsledků. Tento příspěvek byl aktualizován, aby odrážel tyto změny.
Spuštění klastru AWS EC2
Pro tento příspěvek budu používat tři instance c5d.9xlarge EC2. Každý z nich obsahuje 36 virtuálních CPU, 72 GB RAM, 900 GB NVMe SSD úložiště a podporuje 10gigabitovou síť. Každý v regionu eu-západ-1,962 stojí 1 16.04 USD/hodinu při provozu na vyžádání. Jako operační systém budu používat Ubuntu Server XNUMX LTS.
Firewall je nakonfigurován tak, že každý stroj může mezi sebou komunikovat bez omezení a pouze moje IPv4 adresa je povolena SSH v clusteru.
Disk NVMe ve stavu provozní připravenosti
Aby ClickHouse fungoval, vytvořím souborový systém ve formátu EXT4 na jednotce NVMe na každém ze serverů.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chJakmile je vše nakonfigurováno, můžete vidět bod připojení a 783 GB místa dostupného na každém systému.
$ lsblkNAME MAJ:MIN RM SIZE RO TYPE MOUNTPOINT
loop0 7:0 0 87.9M 1 loop /snap/core/5742
loop1 7:1 0 16.5M 1 loop /snap/amazon-ssm-agent/784
nvme0n1 259:1 0 8G 0 disk
└─nvme0n1p1 259:2 0 8G 0 part /
nvme1n1 259:0 0 838.2G 0 disk /ch$ df -hFilesystem Size Used Avail Use% Mounted on
udev 35G 0 35G 0% /dev
tmpfs 6.9G 8.8M 6.9G 1% /run
/dev/nvme0n1p1 7.7G 967M 6.8G 13% /
tmpfs 35G 0 35G 0% /dev/shm
tmpfs 5.0M 0 5.0M 0% /run/lock
tmpfs 35G 0 35G 0% /sys/fs/cgroup
/dev/loop0 88M 88M 0 100% /snap/core/5742
/dev/loop1 17M 17M 0 100% /snap/amazon-ssm-agent/784
tmpfs 6.9G 0 6.9G 0% /run/user/1000
/dev/nvme1n1 825G 73M 783G 1% /chSoubor dat, který použiji v tomto testu, je výpis dat, který jsem vygeneroval z 1.1 miliardy jízd taxíkem v New Yorku za šest let. Na blogu podrobnosti o tom, jak jsem shromáždil tento soubor dat. Jsou uloženy v AWS S3, takže nakonfiguruji AWS CLI se svými přístupovými a tajnými klíči.
$ sudo apt update
$ sudo apt install awscli
$ aws configureKlientovi nastavím limit souběžných požadavků na 100, aby se soubory stahovaly rychleji než výchozí nastavení.
$ aws configure set
default.s3.max_concurrent_requests
100Stáhnu si datovou sadu pro jízdy taxíkem z AWS S3 a uložím ji na disk NVMe na prvním serveru. Tato datová sada má ~104 GB ve formátu CSV komprimovaném GZIP.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvInstalace ClickHouse
Nainstaluji distribuci OpenJDK pro Java 8, protože je vyžadována pro spuštění Apache ZooKeeper, který je vyžadován pro distribuovanou instalaci ClickHouse na všech třech strojích.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Poté nastavím proměnnou prostředí JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profilePoté použiji systém správy balíčků Ubuntu k instalaci ClickHouse 18.16.1, pohledů a ZooKeeper na všechny tři stroje.
$ sudo apt-key adv
--keyserver hkp://keyserver.ubuntu.com:80
--recv E0C56BD4
$ echo "deb http://repo.yandex.ru/clickhouse/deb/stable/ main/" |
sudo tee /etc/apt/sources.list.d/clickhouse.list
$ sudo apt-get update$ sudo apt install
clickhouse-client
clickhouse-server
glances
zookeeperdVytvořím adresář pro ClickHouse a také udělám nějaké přepsání konfigurace na všech třech serverech.
$ sudo mkdir /ch/clickhouse
$ sudo chown -R clickhouse /ch/clickhouse
$ sudo mkdir -p /etc/clickhouse-server/conf.d
$ sudo vi /etc/clickhouse-server/conf.d/taxis.confToto jsou přepisy konfigurace, které budu používat.
<?xml version="1.0"?>
<yandex>
<listen_host>0.0.0.0</listen_host>
<path>/ch/clickhouse/</path>
<remote_servers>
<perftest_3shards>
<shard>
<replica>
<host>172.30.2.192</host>
<port>9000</port>
</replica>
</shard>
<shard>
<replica>
<host>172.30.2.162</host>
<port>9000</port>
</replica>
</shard>
<shard>
<replica>
<host>172.30.2.36</host>
<port>9000</port>
</replica>
</shard>
</perftest_3shards>
</remote_servers> <zookeeper-servers>
<node>
<host>172.30.2.192</host>
<port>2181</port>
</node>
<node>
<host>172.30.2.162</host>
<port>2181</port>
</node>
<node>
<host>172.30.2.36</host>
<port>2181</port>
</node>
</zookeeper-servers> <macros>
<shard>03</shard>
<replica>01</replica>
</macros>
</yandex>Poté spustím ZooKeeper a server ClickHouse na všech třech strojích.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startNahrávání dat do ClickHouse
Na prvním serveru vytvořím tabulku výletů (trips), který bude ukládat datovou sadu o jízdách taxíkem pomocí modulu Log.
$ clickhouse-client --host=0.0.0.0
CREATE TABLE trips (
trip_id UInt32,
vendor_id String,
pickup_datetime DateTime,
dropoff_datetime Nullable(DateTime),
store_and_fwd_flag Nullable(FixedString(1)),
rate_code_id Nullable(UInt8),
pickup_longitude Nullable(Float64),
pickup_latitude Nullable(Float64),
dropoff_longitude Nullable(Float64),
dropoff_latitude Nullable(Float64),
passenger_count Nullable(UInt8),
trip_distance Nullable(Float64),
fare_amount Nullable(Float32),
extra Nullable(Float32),
mta_tax Nullable(Float32),
tip_amount Nullable(Float32),
tolls_amount Nullable(Float32),
ehail_fee Nullable(Float32),
improvement_surcharge Nullable(Float32),
total_amount Nullable(Float32),
payment_type Nullable(String),
trip_type Nullable(UInt8),
pickup Nullable(String),
dropoff Nullable(String),
cab_type Nullable(String),
precipitation Nullable(Int8),
snow_depth Nullable(Int8),
snowfall Nullable(Int8),
max_temperature Nullable(Int8),
min_temperature Nullable(Int8),
average_wind_speed Nullable(Int8),
pickup_nyct2010_gid Nullable(Int8),
pickup_ctlabel Nullable(String),
pickup_borocode Nullable(Int8),
pickup_boroname Nullable(String),
pickup_ct2010 Nullable(String),
pickup_boroct2010 Nullable(String),
pickup_cdeligibil Nullable(FixedString(1)),
pickup_ntacode Nullable(String),
pickup_ntaname Nullable(String),
pickup_puma Nullable(String),
dropoff_nyct2010_gid Nullable(UInt8),
dropoff_ctlabel Nullable(String),
dropoff_borocode Nullable(UInt8),
dropoff_boroname Nullable(String),
dropoff_ct2010 Nullable(String),
dropoff_boroct2010 Nullable(String),
dropoff_cdeligibil Nullable(String),
dropoff_ntacode Nullable(String),
dropoff_ntaname Nullable(String),
dropoff_puma Nullable(String)
) ENGINE = Log;
Poté extrahuji a načtu každý ze souborů CSV do tabulky výletů (trips). Následující bylo dokončeno za 55 minut a 10 sekund. Po této operaci byla velikost datového adresáře 134 GB.
$ time (for FILENAME in /ch/csv/trips_x*.csv.gz; do
echo $FILENAME
gunzip -c $FILENAME |
clickhouse-client
--host=0.0.0.0
--query="INSERT INTO trips FORMAT CSV"
done)Rychlost importu byla 155 MB nekomprimovaného obsahu CSV za sekundu. Mám podezření, že to bylo způsobeno úzkým hrdlem v dekompresi GZIP. Mohlo být rychlejší rozbalit všechny soubory gzip paralelně pomocí xargs a poté načíst rozbalená data. Níže je uveden popis toho, co bylo hlášeno během procesu importu CSV.
$ sudo glancesip-172-30-2-200 (Ubuntu 16.04 64bit / Linux 4.4.0-1072-aws) Uptime: 0:11:42
CPU 8.2% nice: 0.0% LOAD 36-core MEM 9.8% active: 5.20G SWAP 0.0%
user: 6.0% irq: 0.0% 1 min: 2.24 total: 68.7G inactive: 61.0G total: 0
system: 0.9% iowait: 1.3% 5 min: 1.83 used: 6.71G buffers: 66.4M used: 0
idle: 91.8% steal: 0.0% 15 min: 1.01 free: 62.0G cached: 61.6G free: 0
NETWORK Rx/s Tx/s TASKS 370 (507 thr), 2 run, 368 slp, 0 oth sorted automatically by cpu_percent, flat view
ens5 136b 2Kb
lo 343Mb 343Mb CPU% MEM% VIRT RES PID USER NI S TIME+ IOR/s IOW/s Command
100.4 1.5 1.65G 1.06G 9909 ubuntu 0 S 1:01.33 0 0 clickhouse-client --host=0.0.0.0 --query=INSERT INTO trips FORMAT CSV
DISK I/O R/s W/s 85.1 0.0 4.65M 708K 9908 ubuntu 0 R 0:50.60 32M 0 gzip -d -c /ch/csv/trips_xac.csv.gz
loop0 0 0 54.9 5.1 8.14G 3.49G 8091 clickhous 0 S 1:44.23 0 45M /usr/bin/clickhouse-server --config=/etc/clickhouse-server/config.xml
loop1 0 0 4.5 0.0 0 0 319 root 0 S 0:07.50 1K 0 kworker/u72:2
nvme0n1 0 3K 2.3 0.0 91.1M 28.9M 9912 root 0 R 0:01.56 0 0 /usr/bin/python3 /usr/bin/glances
nvme0n1p1 0 3K 0.3 0.0 0 0 960 root -20 S 0:00.10 0 0 kworker/28:1H
nvme1n1 32.1M 495M 0.3 0.0 0 0 1058 root -20 S 0:00.90 0 0 kworker/23:1HNež budu pokračovat, uvolním místo na jednotce NVMe smazáním původních souborů CSV.
$ sudo rm -fr /ch/csvPřevést na sloupcový formulář
Modul Log ClickHouse bude ukládat data ve formátu orientovaném na řádky. Pro rychlejší dotazování na data je převádím do sloupcového formátu pomocí motoru MergeTree.
$ clickhouse-client --host=0.0.0.0Následující bylo dokončeno za 34 minut a 50 sekund. Po této operaci byla velikost datového adresáře 237 GB.
CREATE TABLE trips_mergetree
ENGINE = MergeTree(pickup_date, pickup_datetime, 8192)
AS SELECT
trip_id,
CAST(vendor_id AS Enum8('1' = 1,
'2' = 2,
'CMT' = 3,
'VTS' = 4,
'DDS' = 5,
'B02512' = 10,
'B02598' = 11,
'B02617' = 12,
'B02682' = 13,
'B02764' = 14)) AS vendor_id,
toDate(pickup_datetime) AS pickup_date,
ifNull(pickup_datetime, toDateTime(0)) AS pickup_datetime,
toDate(dropoff_datetime) AS dropoff_date,
ifNull(dropoff_datetime, toDateTime(0)) AS dropoff_datetime,
assumeNotNull(store_and_fwd_flag) AS store_and_fwd_flag,
assumeNotNull(rate_code_id) AS rate_code_id,
assumeNotNull(pickup_longitude) AS pickup_longitude,
assumeNotNull(pickup_latitude) AS pickup_latitude,
assumeNotNull(dropoff_longitude) AS dropoff_longitude,
assumeNotNull(dropoff_latitude) AS dropoff_latitude,
assumeNotNull(passenger_count) AS passenger_count,
assumeNotNull(trip_distance) AS trip_distance,
assumeNotNull(fare_amount) AS fare_amount,
assumeNotNull(extra) AS extra,
assumeNotNull(mta_tax) AS mta_tax,
assumeNotNull(tip_amount) AS tip_amount,
assumeNotNull(tolls_amount) AS tolls_amount,
assumeNotNull(ehail_fee) AS ehail_fee,
assumeNotNull(improvement_surcharge) AS improvement_surcharge,
assumeNotNull(total_amount) AS total_amount,
assumeNotNull(payment_type) AS payment_type_,
assumeNotNull(trip_type) AS trip_type,
pickup AS pickup,
pickup AS dropoff,
CAST(assumeNotNull(cab_type)
AS Enum8('yellow' = 1, 'green' = 2))
AS cab_type,
precipitation AS precipitation,
snow_depth AS snow_depth,
snowfall AS snowfall,
max_temperature AS max_temperature,
min_temperature AS min_temperature,
average_wind_speed AS average_wind_speed,
pickup_nyct2010_gid AS pickup_nyct2010_gid,
pickup_ctlabel AS pickup_ctlabel,
pickup_borocode AS pickup_borocode,
pickup_boroname AS pickup_boroname,
pickup_ct2010 AS pickup_ct2010,
pickup_boroct2010 AS pickup_boroct2010,
pickup_cdeligibil AS pickup_cdeligibil,
pickup_ntacode AS pickup_ntacode,
pickup_ntaname AS pickup_ntaname,
pickup_puma AS pickup_puma,
dropoff_nyct2010_gid AS dropoff_nyct2010_gid,
dropoff_ctlabel AS dropoff_ctlabel,
dropoff_borocode AS dropoff_borocode,
dropoff_boroname AS dropoff_boroname,
dropoff_ct2010 AS dropoff_ct2010,
dropoff_boroct2010 AS dropoff_boroct2010,
dropoff_cdeligibil AS dropoff_cdeligibil,
dropoff_ntacode AS dropoff_ntacode,
dropoff_ntaname AS dropoff_ntaname,
dropoff_puma AS dropoff_puma
FROM trips;Takto vypadal výstup pohledu během operace:
ip-172-30-2-200 (Ubuntu 16.04 64bit / Linux 4.4.0-1072-aws) Uptime: 1:06:09
CPU 10.3% nice: 0.0% LOAD 36-core MEM 16.1% active: 13.3G SWAP 0.0%
user: 7.9% irq: 0.0% 1 min: 1.87 total: 68.7G inactive: 52.8G total: 0
system: 1.6% iowait: 0.8% 5 min: 1.76 used: 11.1G buffers: 71.8M used: 0
idle: 89.7% steal: 0.0% 15 min: 1.95 free: 57.6G cached: 57.2G free: 0
NETWORK Rx/s Tx/s TASKS 367 (523 thr), 1 run, 366 slp, 0 oth sorted automatically by cpu_percent, flat view
ens5 1Kb 8Kb
lo 2Kb 2Kb CPU% MEM% VIRT RES PID USER NI S TIME+ IOR/s IOW/s Command
241.9 12.8 20.7G 8.78G 8091 clickhous 0 S 30:36.73 34M 125M /usr/bin/clickhouse-server --config=/etc/clickhouse-server/config.xml
DISK I/O R/s W/s 2.6 0.0 90.4M 28.3M 9948 root 0 R 1:18.53 0 0 /usr/bin/python3 /usr/bin/glances
loop0 0 0 1.3 0.0 0 0 203 root 0 S 0:09.82 0 0 kswapd0
loop1 0 0 0.3 0.1 315M 61.3M 15701 ubuntu 0 S 0:00.40 0 0 clickhouse-client --host=0.0.0.0
nvme0n1 0 3K 0.3 0.0 0 0 7 root 0 S 0:00.83 0 0 rcu_sched
nvme0n1p1 0 3K 0.0 0.0 0 0 142 root 0 S 0:00.22 0 0 migration/27
nvme1n1 25.8M 330M 0.0 0.0 59.7M 1.79M 2764 ubuntu 0 S 0:00.00 0 0 (sd-pam)V posledním testu bylo několik sloupců převedeno a přepočítáno. Zjistil jsem, že některé z těchto funkcí již v tomto datovém souboru nefungují podle očekávání. Abych tento problém vyřešil, odstranil jsem nevhodné funkce a načetl data bez převodu na podrobnější typy.
Distribuce dat napříč clusterem
Data budu distribuovat mezi všechny tři uzly clusteru. Pro začátek níže vytvořím tabulku na všech třech strojích.
$ clickhouse-client --host=0.0.0.0CREATE TABLE trips_mergetree_third (
trip_id UInt32,
vendor_id String,
pickup_date Date,
pickup_datetime DateTime,
dropoff_date Date,
dropoff_datetime Nullable(DateTime),
store_and_fwd_flag Nullable(FixedString(1)),
rate_code_id Nullable(UInt8),
pickup_longitude Nullable(Float64),
pickup_latitude Nullable(Float64),
dropoff_longitude Nullable(Float64),
dropoff_latitude Nullable(Float64),
passenger_count Nullable(UInt8),
trip_distance Nullable(Float64),
fare_amount Nullable(Float32),
extra Nullable(Float32),
mta_tax Nullable(Float32),
tip_amount Nullable(Float32),
tolls_amount Nullable(Float32),
ehail_fee Nullable(Float32),
improvement_surcharge Nullable(Float32),
total_amount Nullable(Float32),
payment_type Nullable(String),
trip_type Nullable(UInt8),
pickup Nullable(String),
dropoff Nullable(String),
cab_type Nullable(String),
precipitation Nullable(Int8),
snow_depth Nullable(Int8),
snowfall Nullable(Int8),
max_temperature Nullable(Int8),
min_temperature Nullable(Int8),
average_wind_speed Nullable(Int8),
pickup_nyct2010_gid Nullable(Int8),
pickup_ctlabel Nullable(String),
pickup_borocode Nullable(Int8),
pickup_boroname Nullable(String),
pickup_ct2010 Nullable(String),
pickup_boroct2010 Nullable(String),
pickup_cdeligibil Nullable(FixedString(1)),
pickup_ntacode Nullable(String),
pickup_ntaname Nullable(String),
pickup_puma Nullable(String),
dropoff_nyct2010_gid Nullable(UInt8),
dropoff_ctlabel Nullable(String),
dropoff_borocode Nullable(UInt8),
dropoff_boroname Nullable(String),
dropoff_ct2010 Nullable(String),
dropoff_boroct2010 Nullable(String),
dropoff_cdeligibil Nullable(String),
dropoff_ntacode Nullable(String),
dropoff_ntaname Nullable(String),
dropoff_puma Nullable(String)
) ENGINE = MergeTree(pickup_date, pickup_datetime, 8192);Poté se ujistím, že první server vidí všechny tři uzly v clusteru.
SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;Row 1:
──────
cluster: perftest_3shards
shard_num: 1
shard_weight: 1
replica_num: 1
host_name: 172.30.2.192
host_address: 172.30.2.192
port: 9000
is_local: 1
user: default
default_database:Row 2:
──────
cluster: perftest_3shards
shard_num: 2
shard_weight: 1
replica_num: 1
host_name: 172.30.2.162
host_address: 172.30.2.162
port: 9000
is_local: 0
user: default
default_database:Row 3:
──────
cluster: perftest_3shards
shard_num: 3
shard_weight: 1
replica_num: 1
host_name: 172.30.2.36
host_address: 172.30.2.36
port: 9000
is_local: 0
user: default
default_database:
Poté na prvním serveru nadefinuji novou tabulku, která je založena na schématu trips_mergetree_third a používá distribuovaný motor.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Poté zkopíruji data z tabulky založené na MergeTree na všechny tři servery. Následující bylo dokončeno za 34 minut a 44 sekund.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Po výše uvedené operaci jsem dal ClickHouse 15 minut, aby se vzdálil od značky maximální úrovně úložiště. Datové adresáře nakonec byly 264 GB, 34 GB a 33 GB na každém ze tří serverů.
Hodnocení výkonu clusteru ClickHouse
To, co jsem viděl dále, byl nejrychlejší čas, který jsem viděl spustit každý dotaz v tabulce několikrát trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Následující dokončeno za 2.449 sekund.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Následující dokončeno za 0.691 sekund.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Následující dokončeno za 0 sekundy.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Následující dokončeno za 0.983 sekund.
SELECT passenger_count,
toYear(pickup_date) AS year,
round(trip_distance) AS distance,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year,
distance
ORDER BY year,
count(*) DESC;Pro srovnání jsem spustil stejné dotazy na tabulce založené na MergeTree, která se nachází pouze na prvním serveru.
Hodnocení výkonu jednoho uzlu ClickHouse
To, co jsem viděl dále, byl nejrychlejší čas, který jsem viděl spustit každý dotaz v tabulce několikrát trips_mergetree_x3.
Následující dokončeno za 0.241 sekund.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Následující dokončeno za 0.826 sekund.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Následující dokončeno za 1.209 sekund.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Následující dokončeno za 1.781 sekund.
SELECT passenger_count,
toYear(pickup_date) AS year,
round(trip_distance) AS distance,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year,
distance
ORDER BY year,
count(*) DESC;Úvahy o výsledcích
Toto je poprvé, co bezplatná databáze založená na CPU dokázala v mých testech překonat databázi založenou na GPU. Tato databáze založená na GPU od té doby prošla dvěma revizemi, ale výkon, který ClickHouse poskytl na jediném uzlu, je přesto velmi působivý.
Přitom při provádění Dotazu 1 na distribuovaném enginu jsou režijní náklady o řád vyšší. Doufám, že jsem ve svém výzkumu pro tento příspěvek něco vynechal, protože by bylo hezké vidět, jak časy dotazů klesají, když do clusteru přidávám další uzly. Je však skvělé, že při provádění dalších dotazů se výkon zvýšil asi 2x.
Bylo by hezké vidět, jak se ClickHouse vyvíjí směrem k možnosti oddělit úložiště a výpočty, aby se mohly nezávisle škálovat. Krokem k tomu by mohla být podpora HDFS, která byla přidána loni. Pokud jde o výpočetní techniku, pokud lze jeden dotaz urychlit přidáním více uzlů do clusteru, pak je budoucnost tohoto softwaru velmi jasná.
Děkujeme, že jste si našli čas na přečtení tohoto příspěvku. Klientům v Severní Americe a Evropě nabízím poradenské, architektonické a rozvojové služby. Pokud byste chtěli diskutovat o tom, jak mohou mé návrhy pomoci vašemu podnikání, kontaktujte mě prostřednictvím .
Zdroj: www.habr.com