Oversættelsen af artiklen er udarbejdet specifikt til kursets studerende .
er en open source kolonnebaseret database. Det er et fantastisk miljø, hvor hundredvis af analytikere hurtigt kan forespørge på detaljerede data, selv når der indtastes titusinder af milliarder af nye poster om dagen. Infrastrukturomkostninger til at understøtte et sådant system kan være så høje som $100 om året, og potentielt halvdelen afhængigt af brug. På et tidspunkt indeholdt ClickHouse-installationen fra Yandex Metrics 10 billioner poster. Udover Yandex har ClickHouse også fundet succes med Bloomberg og Cloudflare.
For to år siden brugte jeg databaser ved hjælp af én maskine, og det blev gratis databasesoftware, jeg nogensinde har set. Siden da er udviklere ikke holdt op med at tilføje funktioner, herunder understøttelse af Kafka, HDFS og ZStandard-komprimering. Sidste år tilføjede de understøttelse af kaskadekompressionsmetoder, og kodning blev mulig. Ved komprimering af tidsseriedata kan måleværdier godt komprimeres ved hjælp af delta-kodning, men for tællere ville det være bedre at bruge delta-for-delta-kodning. God komprimering er blevet nøglen til ClickHouses ydeevne.
ClickHouse består af 170 tusind linjer C++-kode, eksklusive tredjepartsbiblioteker, og er en af de mindste distribuerede databasekodebaser. Til sammenligning understøtter SQLite ikke distribution og består af 235 tusind linjer C-kode. I skrivende stund har 207 ingeniører bidraget til ClickHouse, og intensiteten af commits har været stigende på det seneste.
I marts 2017 begyndte ClickHouse at udføre som en nem måde at holde styr på udviklingen. De opdelte også den monolitiske dokumentationsfil i et Markdown-baseret filhierarki. Problemer og funktioner spores via GitHub, og generelt er softwaren blevet meget mere tilgængelig i de sidste par år.
I denne artikel vil jeg tage et kig på ydeevnen af en ClickHouse-klynge på AWS EC2 ved hjælp af 36-core processorer og NVMe-lagring.
OPDATERING: En uge efter den oprindelige udgivelse af dette indlæg, kørte jeg testen igen med en forbedret konfiguration og opnåede meget bedre resultater. Dette indlæg er blevet opdateret for at afspejle disse ændringer.
Lancering af en AWS EC2-klynge
Jeg vil bruge tre c5d.9xlarge EC2-instanser til dette indlæg. Hver af dem indeholder 36 virtuelle CPU'er, 72 GB RAM, 900 GB NVMe SSD-lager og understøtter 10 Gigabit-netværk. De koster $1,962/time hver i eu-west-1-regionen, når de kører on demand. Jeg vil bruge Ubuntu Server 16.04 LTS som operativsystem.
Firewallen er konfigureret, så hver maskine kan kommunikere med hinanden uden begrænsninger, og kun min IPv4-adresse er hvidlistet af SSH i klyngen.
NVMe-drev i driftsklar tilstand
For at ClickHouse skal virke, vil jeg oprette et filsystem i EXT4-formatet på et NVMe-drev på hver af serverne.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chNår alt er konfigureret, kan du se monteringspunktet og de 783 GB ledig plads på hvert system.
$ 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% /chDatasættet, jeg vil bruge i denne test, er et datadump, jeg genererede fra 1.1 milliarder taxature taget i New York City over seks år. På bloggen detaljer, hvordan jeg indsamlede dette datasæt. De er gemt i AWS S3, så jeg vil konfigurere AWS CLI med min adgang og hemmelige nøgler.
$ sudo apt update
$ sudo apt install awscli
$ aws configureJeg indstiller klientens grænse for samtidige anmodninger til 100, så filer downloades hurtigere end standardindstillingerne.
$ aws configure set
default.s3.max_concurrent_requests
100Jeg downloader taxaturdatasættet fra AWS S3 og gemmer det på et NVMe-drev på den første server. Dette datasæt er på ~104 GB i GZIP-komprimeret CSV-format.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvClickHouse installation
Jeg vil installere OpenJDK-distributionen til Java 8, da den kræves for at køre Apache ZooKeeper, som er nødvendig for en distribueret installation af ClickHouse på alle tre maskiner.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Så indstiller jeg miljøvariablen JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileJeg vil derefter bruge Ubuntus pakkehåndteringssystem til at installere ClickHouse 18.16.1, blik og ZooKeeper på alle tre maskiner.
$ 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
zookeeperdJeg opretter en mappe til ClickHouse og laver også nogle konfigurationstilsidesættelser på alle tre servere.
$ 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.confDette er de konfigurationstilsidesættelser, som jeg vil bruge.
<?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>Jeg vil derefter køre ZooKeeper og ClickHouse-serveren på alle tre maskiner.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startUploader data til ClickHouse
På den første server vil jeg oprette en tur tabel (trips), som vil gemme et datasæt over taxature ved hjælp af log-motoren.
$ 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;
Jeg udpakker derefter og indlæser hver af CSV-filerne i en turtabel (trips). Det følgende blev gennemført på 55 minutter og 10 sekunder. Efter denne operation var størrelsen af databiblioteket 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)Importhastigheden var 155 MB ukomprimeret CSV-indhold pr. sekund. Jeg formoder, at dette skyldtes en flaskehals i GZIP-dekompression. Det kunne have været hurtigere at udpakke alle de gzippede filer parallelt ved hjælp af xargs og derefter indlæse de udpakkede data. Nedenfor er en beskrivelse af, hvad der blev rapporteret under CSV-importprocessen.
$ 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/23:1HJeg frigør plads på NVMe-drevet ved at slette de originale CSV-filer, før jeg fortsætter.
$ sudo rm -fr /ch/csvKonverter til kolonneform
Log ClickHouse-motoren gemmer data i et rækkeorienteret format. For at forespørge data hurtigere, konverterer jeg dem til kolonneformat ved hjælp af MergeTree-motoren.
$ clickhouse-client --host=0.0.0.0Det følgende blev gennemført på 34 minutter og 50 sekunder. Efter denne operation var størrelsen af databiblioteket 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;Sådan så blikoutputtet ud under operationen:
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)I den sidste test blev flere kolonner konverteret og genberegnet. Jeg fandt ud af, at nogle af disse funktioner ikke længere fungerer som forventet på dette datasæt. For at løse dette problem fjernede jeg de upassende funktioner og indlæste dataene uden at konvertere til mere granulære typer.
Fordeling af data på tværs af klyngen
Jeg vil distribuere data på tværs af alle tre klynge noder. Til at starte med vil jeg nedenfor oprette en tabel på alle tre maskiner.
$ 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);Så vil jeg sørge for, at den første server kan se alle tre noder i klyngen.
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:
Så vil jeg definere en ny tabel på den første server, der er baseret på skemaet trips_mergetree_third og bruger den distribuerede motor.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Jeg vil derefter kopiere dataene fra den MergeTree-baserede tabel til alle tre servere. Det følgende blev gennemført på 34 minutter og 44 sekunder.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Efter ovenstående operation gav jeg ClickHouse 15 minutter til at bevæge sig væk fra det maksimale lagerniveau. Datamapperne endte med at blive henholdsvis 264 GB, 34 GB og 33 GB på hver af de tre servere.
ClickHouse klynge præstationsevaluering
Det, jeg så næste gang, var den hurtigste tid, jeg har set køre hver forespørgsel på en tabel flere gange trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Det følgende blev gennemført på 2.449 sekunder.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Det følgende blev gennemført på 0.691 sekunder.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Det følgende blev gennemført på 0 sekunder.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Det følgende blev gennemført på 0.983 sekunder.
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;Til sammenligning kørte jeg de samme forespørgsler på en MergeTree-baseret tabel, der udelukkende ligger på den første server.
Ydeevneevaluering af en ClickHouse-node
Det, jeg så næste gang, var den hurtigste tid, jeg har set køre hver forespørgsel på en tabel flere gange trips_mergetree_x3.
Det følgende blev gennemført på 0.241 sekunder.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Det følgende blev gennemført på 0.826 sekunder.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Det følgende blev gennemført på 1.209 sekunder.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Det følgende blev gennemført på 1.781 sekunder.
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;Refleksioner over resultaterne
Dette er første gang, at en gratis CPU-baseret database var i stand til at overgå en GPU-baseret database i mine tests. Den GPU-baserede database har gennemgået to revisioner siden da, men den ydeevne, som ClickHouse leverede på en enkelt node, er ikke desto mindre meget imponerende.
På samme tid, når forespørgsel 1 udføres på en distribueret motor, er de overheadomkostninger en størrelsesorden højere. Jeg håber, jeg gik glip af noget i min research til dette indlæg, fordi det ville være rart at se forespørgselstider falde, efterhånden som jeg tilføjer flere noder til klyngen. Det er dog fantastisk, at når man udfører andre forespørgsler, steg ydeevnen med omkring 2 gange.
Det ville være rart at se ClickHouse udvikle sig mod at være i stand til at adskille lagring og computer, så de kan skalere uafhængigt. HDFS-understøttelse, som blev tilføjet sidste år, kunne være et skridt i retning af dette. Med hensyn til databehandling, hvis en enkelt forespørgsel kan accelereres ved at tilføje flere noder til klyngen, så er fremtiden for denne software meget lys.
Tak fordi du tog dig tid til at læse dette indlæg. Jeg tilbyder rådgivning, arkitektur og praksisudvikling til kunder i Nordamerika og Europa. Hvis du gerne vil diskutere, hvordan mine forslag kan hjælpe din virksomhed, så kontakt mig venligst via .
Kilde: www.habr.com