{"id":54918,"date":"2020-01-07T00:00:00","date_gmt":"2020-01-06T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb"},"modified":"2020-02-18T14:02:58","modified_gmt":"2020-02-18T11:02:58","slug":"ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","title":{"rendered":"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><noindex><a rel=\"nofollow\" href=\"https:\/\/clickhouse.yandex\/\">Clickhouse<\/a><\/noindex> \u2014 ist ein spaltenbasiertes Datenbankverwaltungssystem f\u00fcr die Online-Verarbeitung analytischer Abfragen (OLAP) mit offenem Quellcode, entwickelt von Yandex. Es wird von Yandex, CloudFlare, VK.com, Badoo und anderen Diensten weltweit verwendet, um wirklich gro\u00dfe Datenmengen zu speichern (Einf\u00fcgen von Tausenden von Zeilen pro Sekunde oder Petabyte von Daten, die auf der Festplatte gespeichert sind).<\/p>\n<p>In einer herk\u00f6mmlichen \u201ezeilenbasierten\u201c Datenbank, wie beispielsweise MySQL, Postgres, MS SQL Server, werden die Daten in folgender Reihenfolge gespeichert: <\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/398f260de0152baf3cc11d884fa0d52d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDabei werden die Werte, die zu einer Zeile geh\u00f6ren, physisch nah beieinander gespeichert. In spaltenbasierten Datenbanken werden die Werte aus verschiedenen Spalten separat gespeichert, w\u00e4hrend die Daten einer Spalte zusammen gespeichert werden:<\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/938a2ee3d588ac866ec92bb3ea09c253.png\" style=\"display:block;margin: 0 auto;\" \/><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Beispiele f\u00fcr spaltenbasierte Datenbanken sind Vertica, Paraccel (Actian Matrix, Amazon Redshift), Sybase IQ, Exasol, Infobright, InfiniDB, MonetDB (VectorWise, Actian Vector), LucidDB, SAP HANA, Google Dremel, Google PowerDrill, Druid, kdb+.<\/p>\n<p>Unternehmen \u2013 Mail-Forwarder <noindex><a rel=\"nofollow\" href=\"https:\/\/qwintry.com\/\">Qwintry<\/a><\/noindex> begann 2018 mit der Nutzung von Clickhouse zur Erstellung von Berichten und war von der Einfachheit, Skalierbarkeit, SQL-Unterst\u00fctzung und Geschwindigkeit sehr beeindruckt. Die Schnelligkeit dieses DBMS grenzte an Magie.<\/p>\n<h3>Einfachheit<\/h3>\n<p>\nClickhouse wird in Ubuntu mit einem einzigen Befehl installiert. Wenn Sie SQL kennen, k\u00f6nnen Sie sofort beginnen, Clickhouse f\u00fcr Ihre Bed\u00fcrfnisse zu verwenden. Das bedeutet jedoch nicht, dass Sie \u201eshow create table\u201c in MySQL ausf\u00fchren und SQL einfach in Clickhouse kopieren k\u00f6nnen. <\/p>\n<p>Im Vergleich zu MySQL gibt es in dieser Datenbank wichtige Unterschiede bei den Datentypen in den Tabellenschemata, daher ben\u00f6tigen Sie etwas Zeit, um die Definitionen der Tabellenschemata anzupassen und die Tabellentechnologien zu studieren.<\/p>\n<p>Clickhouse funktioniert hervorragend ohne zus\u00e4tzliche Software, aber wenn Sie Replikation verwenden m\u00f6chten, m\u00fcssen Sie ZooKeeper installieren. Performance-Analysen der Abfragen zeigen hervorragende Ergebnisse \u2013 die systemeigenen Tabellen enthalten alle Informationen, und alle Daten k\u00f6nnen mit altem und langweiligem SQL abgerufen werden.<\/p>\n<h3>Leistung<\/h3>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/clickhouse.yandex\/benchmark.html#%5B%2522100000000%2522,%5B%2522ClickHouse%2522,%2522Vertica%2522,%2522MySQL%2522%5D,%5B%25220%2522,%25221%2522%5D%5D\">Benchmark<\/a><\/noindex> Vergleiche von Clickhouse mit Vertica und MySQL auf einem Server mit folgender Konfiguration: zwei Intel\u00ae Xeon\u00ae CPU E5-2650 v2 @ 2.60GHz; 128 GiB RAM; md RAID-5 auf 8 6TB SATA HDD, ext4.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/6\/20\/clickhouse-vs-redshift\">Benchmark<\/a><\/noindex> Vergleiche von Clickhouse mit dem Cloud-Datenlager Amazon RedShift.<\/li>\n<li>Ausschnitte aus dem Blog <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.cloudflare.com\/how-cloudflare-analyzes-1m-dns-queries-per-second\/\">Cloudflare \u00fcber die Leistung von Clickhouse<\/a><\/noindex>:<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/b6ef9fbad8e8c864a227bcffd97ec0fe.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDie ClickHouse-Datenbank hat ein sehr einfaches Design \u2013 alle Knoten im Cluster haben die gleiche Funktionalit\u00e4t und nutzen nur ZooKeeper zur Koordination. Wir haben ein kleines Cluster aus mehreren Knoten aufgebaut und Tests durchgef\u00fchrt, bei denen wir festgestellt haben, dass das System \u00fcber eine recht beeindruckende Leistung verf\u00fcgt, die den in den Benchmarks f\u00fcr analytische Datenbanken angegebenen Vorteilen entspricht. Wir haben beschlossen, das zugrunde liegende Konzept von ClickHouse n\u00e4her zu betrachten. Die erste H\u00fcrde f\u00fcr unsere Forschung war das Fehlen von Werkzeugen und die geringe Zahl an Mitgliedern der ClickHouse-Community, daher haben wir uns tief in das Design dieser Datenbank vertieft, um zu verstehen, wie sie funktioniert.<\/p>\n<p>ClickHouse unterst\u00fctzt nicht den direkten Empfang von Daten von Kafka, da es sich einfach um eine Datenbank handelt. Deshalb haben wir einen eigenen Adapter-Dienst in der Sprache Go geschrieben. Dieser las die codierten Cap\u2019n Proto-Nachrichten von Kafka, konvertierte sie in TSV und f\u00fcgte sie in ClickHouse paketweise \u00fcber die HTTP-Schnittstelle ein. Sp\u00e4ter haben wir diesen Dienst neu geschrieben, um die Go-Bibliothek gemeinsam mit der eigenen Schnittstelle von ClickHouse zu nutzen, um die Leistung zu steigern. Bei der Bewertung der Paketempfangsleistung haben wir eine wichtige Erkenntnis gewonnen \u2013 es stellte sich heraus, dass die Leistung von ClickHouse stark von der Paketgr\u00f6\u00dfe abh\u00e4ngt, also der Anzahl der gleichzeitig eingef\u00fcgten Zeilen. Um zu verstehen, warum das so ist, haben wir untersucht, wie ClickHouse Daten speichert.<\/p>\n<p>Die Hauptengine, genauer gesagt die Familie von Engines f\u00fcr Tabellen, die ClickHouse zur Datenspeicherung verwendet, ist MergeTree. Diese Engine \u00e4hnelt konzeptionell dem LSM-Algorithmus, der in Google BigTable oder Apache Cassandra verwendet wird, vermeidet jedoch den Aufbau einer Zwischenspeichertabelle und schreibt Daten direkt auf die Festplatte. Das verleiht ihr eine hervorragende Schreibdurchsatzrate, da jedes eingef\u00fcgte Paket nur nach dem \u201ePrim\u00e4rschl\u00fcssel\u201c (primary key) sortiert, komprimiert und auf die Festplatte geschrieben wird, um ein Segment zu bilden. <\/p>\n<p>Das Fehlen einer Speichertabelle oder jeglichen Begriffs von \"Frische\" der Daten bedeutet auch, dass sie nur hinzugef\u00fcgt werden k\u00f6nnen; die \u00c4nderung oder L\u00f6schung wird vom System nicht unterst\u00fctzt. Derzeit ist die einzige M\u00f6glichkeit, Daten zu l\u00f6schen, die L\u00f6schung nach Kalendermonaten, da die Segmente die Monatsgrenze nie \u00fcberschreiten. Das ClickHouse-Team arbeitet aktiv daran, diese Funktion anpassbar zu machen. Auf der anderen Seite erm\u00f6glicht dies ein konfliktfreies Schreiben und Mergen von Segmenten, sodass die Kapazit\u00e4t f\u00fcr Eingaben linear mit der Anzahl der parallelen Einf\u00fcgungen skalierbar ist, bis I\/O oder Kerne ges\u00e4ttigt sind. <br \/>\nDieses Umstand bedeutet jedoch auch, dass das System nicht f\u00fcr kleine Pakete geeignet ist, weshalb Buffering-Dienste wie Kafka und Inserter verwendet werden. Dar\u00fcber hinaus f\u00fchrt ClickHouse im Hintergrund kontinuierlich Merges von Segmenten durch, sodass viele kleine Informationsst\u00fccke zusammengef\u00fchrt und h\u00e4ufiger geschrieben werden, wodurch die Schreibintensit\u00e4t erh\u00f6ht wird. Zu viele unzusammenh\u00e4ngende Teile f\u00fchren jedoch zu aggressivem Drosseln von Einf\u00fcgungen, solange das Merging andauert. Wir haben festgestellt, dass der beste Kompromiss zwischen Echtzeit-Dateneingabe und Empfangsleistung die Anpassung an eine begrenzte Anzahl von Einf\u00fcgungen pro Sekunde ist.<\/p>\n<p>Der Schl\u00fcssel zur Lesegeschwindigkeit von Tabellen ist die Indizierung und die Anordnung der Daten auf der Festplatte. Unabh\u00e4ngig davon, wie schnell die Verarbeitung ist, wenn die Engine Terabytes von Daten von der Festplatte scannen muss und nur einen Teil davon verwendet, ben\u00f6tigt dies Zeit. ClickHouse ist ein spaltenbasiertes Lager, sodass jedes Segment eine Datei f\u00fcr jede Spalte mit sortierten Werten f\u00fcr jede Zeile enth\u00e4lt. Somit k\u00f6nnen ganze Spalten, die nicht in der Anfrage sind, zun\u00e4chst \u00fcbersprungen werden, w\u00e4hrend mehrere Zellen parallel mit vektorisiertem Ausf\u00fchren verarbeitet werden k\u00f6nnen. Um eine vollst\u00e4ndige Durchsuchung zu vermeiden, hat jedes Segment eine kleine Indexdatei. <\/p>\n<p>Angesichts der Tatsache, dass alle Spalten nach dem \u201ePrim\u00e4rschl\u00fcssel\u201c sortiert sind, enth\u00e4lt die Indexdatei nur die Markierungen (erfasste Zeilen) jeder N-ten Zeile, um sie auch f\u00fcr sehr gro\u00dfe Tabellen im Speicher halten zu k\u00f6nnen. Beispielsweise kann man die Standardoptionen auf \u201ejede 8192. Zeile markieren\u201c einstellen, was dazu f\u00fchrt, dass die \u201emageren\u201c Indizierung der Tabelle mit 1 Billion Zeilen, die problemlos in den Speicher passt, nur 122070 Zeichen in Anspruch nimmt. <\/p>\n<h3>Entwicklung des Systems<\/h3>\n<p>\nDie Weiterentwicklung und Verbesserung von Clickhouse l\u00e4sst sich auf <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/yandex\/ClickHouse\/pulse\">Github repo<\/a><\/noindex> nachverfolgen und man kann sicher sein, dass der \u201eReifungsprozess\u201c in beeindruckendem Tempo voranschreitet. <\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/19211da28e42178d26dff7623689df71.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Beliebtheit<\/h3>\n<p>\nEs scheint, dass die Beliebtheit von Clickhouse exponentiell w\u00e4chst, insbesondere in der russischsprachigen Gemeinschaft. Die letztj\u00e4hrige Konferenz High Load 2018 (Moskau, 8-9. November 2018) zeigte, dass solche Schwergewichte wie vk.com und Badoo Clickhouse nutzen, um Daten (z. B. Protokolle) von zehntausenden Servern gleichzeitig einzuf\u00fcgen. In einem 40-min\u00fctigen Video <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?v=pbbcMcrQoXw\">erkl\u00e4rt Juri Nasrettinow aus dem Team von \u0412\u041a\u043e\u043d\u0442\u0430\u043a\u0442\u0435, wie das funktioniert<\/a><\/noindex>. Demn\u00e4chst werden wir die Transkription auf Habr zum besseren Arbeiten mit dem Material ver\u00f6ffentlichen.<\/p>\n<h3>Anwendungsbereiche<\/h3>\n<p>\nNachdem ich einige Zeit mit Recherchen verbracht habe, denke ich, dass es Bereiche gibt, in denen ClickHouse n\u00fctzlich sein kann oder sogar in der Lage ist, andere, traditionellere und beliebtere L\u00f6sungen wie MySQL, PostgreSQL, ELK, Google Big Query, Amazon RedShift, TimescaleDB, Hadoop, MapReduce, Pinot und Druid vollst\u00e4ndig zu ersetzen. Im Folgenden sind die Details zur Nutzung von ClickHouse zur Modernisierung oder vollst\u00e4ndigen Abl\u00f6sung der oben genannten DBMS aufgef\u00fchrt. <\/p>\n<h3>Erweiterung der M\u00f6glichkeiten von MySQL und PostgreSQL<\/h3>\n<p>\nVor Kurzem haben wir MySQL teilweise durch ClickHouse f\u00fcr die Plattform f\u00fcr Informationsbulletins ersetzt <noindex><a rel=\"nofollow\" href=\"https:\/\/www.mautic.org\/\">Mautic newsletter<\/a><\/noindex>. Das Problem lag darin, dass MySQL aufgrund eines durchdachten Designs jede gesendete E-Mail und jeden Link in dieser E-Mail mit einem base64-Hash registrierte, was eine riesige MySQL-Tabelle (email_stats) erzeugte. Nach dem Versand von nur 10 Millionen E-Mails an die Abonnenten des Dienstes nahm diese Tabelle 150 GB Speicherplatz ein, und MySQL begann, bei einfachen Abfragen \u201ezu tr\u00e4ge\u201c zu werden. Um das Problem des Speicherplatzes zu beheben, haben wir erfolgreich die InnoDB-Tabellenkompression eingesetzt, die die Gr\u00f6\u00dfe um das Vierfache reduzierte. Aber es macht keinen Sinn, mehr als 20-30 Millionen E-Mails in MySQL nur f\u00fcr die Historie zu speichern, da jede einfache Abfrage, die aus irgendeinem Grund eine vollst\u00e4ndige Durchsuchung durchf\u00fchren muss, zu Swapping und einer hohen Belastung des I\/O f\u00fchrt, wor\u00fcber wir regelm\u00e4\u00dfig Zabbix-Warnungen erhielten.<\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/11b3ee4b1a8b7c9457bd3871bd12049f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nClickhouse verwendet zwei Kompressionsalgorithmen, die das Datenvolumen um etwa <noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/11\/21\/compression-in-clickhouse\">3-4 Mal<\/a><\/noindex>, aber in diesem speziellen Fall waren die Daten besonders \u201ekomprimierbar\u201c. <\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/d192502073d57967620aa07da0bbfa0c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Ersetzung von ELK<\/h3>\n<p>\nAus eigener Erfahrung erfordert der ELK-Stack (ElasticSearch, Logstash und Kibana, in diesem speziellen Fall ElasticSearch) wesentlich mehr Ressourcen zum Betrieb, als f\u00fcr die Speicherung von Protokollen erforderlich ist. ElasticSearch ist eine hervorragende Engine, wenn Sie eine gute Volltextsuche in Protokollen ben\u00f6tigen (und ich denke nicht, dass Sie dies wirklich brauchen), aber ich frage mich, warum es de facto zur Standard-Engine f\u00fcr das Logging geworden ist. Seine Empfangsleistung in Kombination mit Logstash bereitete uns auch bei recht niedrigen Lasten Probleme und erforderte immer mehr RAM und Speicherplatz. Als Datenbank ist Clickhouse aus folgenden Gr\u00fcnden besser als ElasticSearch:<\/p>\n<ul>\n<li>Unterst\u00fctzung des SQL-Dialekts;<\/li>\n<li>Bessere Komprimierungsrate der gespeicherten Daten;<\/li>\n<li>Unterst\u00fctzung der Suche nach regul\u00e4ren Ausdr\u00fccken (Regex) anstelle der Volltextsuche;<\/li>\n<li>Verbessertes Abfrage-Management und h\u00f6here Gesamtleistung.<\/li>\n<\/ul>\n<p>\nDerzeit ist das gr\u00f6\u00dfte Problem bei der Gegen\u00fcberstellung von ClickHouse und ELK das Fehlen von L\u00f6sungen zum Laden von Protokollen sowie der Mangel an Dokumentation und Tutorials zu diesem Thema. Dabei kann jeder Benutzer ELK mit dem Digital Ocean-Leitfaden einrichten, was f\u00fcr eine schnelle Einf\u00fchrung solcher Technologien sehr wichtig ist. Hier gibt es eine Datenbank-Engine, aber bisher noch kein Filebeat f\u00fcr ClickHouse. Ja, dieser ist vorhanden. <noindex><a rel=\"nofollow\" href=\"https:\/\/www.fluentd.org\/\">fluentd<\/a><\/noindex> und ein System zur Arbeit mit Protokollen <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/flant\/loghouse\">loghouse<\/a><\/noindex>, gibt es ein Werkzeug <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Altinity\/clicktail\">clicktail<\/a><\/noindex> zum Importieren von Logdateidaten in ClickHouse, aber das erfordert alles mehr Zeit. Dennoch bleibt ClickHouse aufgrund seiner Einfachheit f\u00fchrend, sodass selbst Anf\u00e4nger es problemlos innerhalb von nur 10 Minuten installieren und zu einer voll funktionsf\u00e4higen Nutzung \u00fcbergehen k\u00f6nnen. <\/p>\n<p>Bevorzugend minimalistische L\u00f6sungen, habe ich versucht, FluentBit, ein Werkzeug zum Laden von Protokollen mit sehr geringer Speicherauslastung, zusammen mit ClickHouse zu verwenden und dabei zu vermeiden, Kafka einzusetzen. Es m\u00fcssen jedoch einige kleine Inkompatibilit\u00e4ten beseitigt werden, wie <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/fluent\/fluent-bit\/issues\/848\">Datumsformatprobleme<\/a><\/noindex>, bevor dies ohne eine Proxy-Schicht m\u00f6glich ist, die Daten von FluentBit nach ClickHouse umwandelt.<\/p>\n<p>Als Alternative zu Kibana kann ClickHouse als Backend verwendet werden <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Vertamedia\/clickhouse-grafana\">Grafana<\/a><\/noindex>. Soweit ich verstanden habe, k\u00f6nnen dabei Leistungsprobleme beim Rendern einer riesigen Anzahl von Datenpunkten auftreten, insbesondere mit \u00e4lteren Versionen von Grafana. Bei Qwintry haben wir das bisher nicht ausprobiert, aber Beschwerden \u00fcber solche Probleme tauchen von Zeit zu Zeit im Supportkanal von ClickHouse auf Telegram auf. <\/p>\n<h3>Ersatz f\u00fcr Google Big Query und Amazon RedShift (L\u00f6sung f\u00fcr gro\u00dfe Unternehmen)<\/h3>\n<p>\nDer ideale Anwendungsfall f\u00fcr BigQuery besteht darin, 1 TB JSON-Daten hochzuladen und analytische Abfragen darauf auszuf\u00fchren. BigQuery ist ein hervorragendes Produkt, dessen Skalierbarkeit schwer zu \u00fcbersch\u00e4tzen ist. Es ist eine viel komplexere Software als ClickHouse, die auf einem internen Cluster l\u00e4uft, hat aber aus Sicht des Kunden viele Gemeinsamkeiten mit ClickHouse. BigQuery kann schnell \"teuer werden\", sobald man daf\u00fcr bezahlt, dass man jeden SELECT ausf\u00fchrt, sodass es sich um eine echte SaaS-L\u00f6sung mit all ihren Vor- und Nachteilen handelt. <\/p>\n<p>ClickHouse ist die beste Wahl, wenn Sie viele rechenintensive Abfragen ausf\u00fchren. Je mehr SELECT-Abfragen Sie jeden Tag durchf\u00fchren \u2014 desto mehr Sinn macht es, BigQuery durch ClickHouse zu ersetzen, da ein solcher Wechsel Ihnen Tausende von Dollar sparen kann, wenn es um viele Terabytes verarbeiteter Daten geht. Dies gilt nicht f\u00fcr gespeicherte Daten, deren Verarbeitung in BigQuery relativ kosteng\u00fcnstig ist.<\/p>\n<p>In dem Artikel von Altinity Mitgr\u00fcnder Alexander Zaizev <noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/10\/23\/migration-to-clickhouse\">\"Umstieg auf ClickHouse\"<\/a><\/noindex> werden die Vorteile eines solchen DBMS-Migration beschrieben.<\/p>\n<h3>Ersatz f\u00fcr TimescaleDB<\/h3>\n<p>\nTimescaleDB ist eine Erweiterung von PostgreSQL, die die Arbeit mit Zeitreihen in einer herk\u00f6mmlichen Datenbank optimiert.<noindex><a rel=\"nofollow\" href=\"https:\/\/docs.timescale.com\/v1.0\/introduction\">https:\/\/docs.timescale.com\/v1.0\/introduction<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/zabbix\/blog\/458530\/\">https:\/\/habr.com\/ru\/company\/zabbix\/blog\/458530\/<\/a><\/noindex>). <\/p>\n<p>Obwohl ClickHouse kein ernsthafter Konkurrent im Bereich der Zeitreihen ist, ist es in der regelbasierten Verarbeitung und Durchf\u00fchrung von Abfragen in den meisten F\u00e4llen deutlich schneller als TimescaleDB. Zudem hat ClickHouse eine etwa dreimal h\u00f6here Leistung bei der Verarbeitung von Batch-Daten und ben\u00f6tigt gleichzeitig 20-mal weniger Speicherplatz, was besonders wichtig f\u00fcr die Verarbeitung gro\u00dfer Mengen historischer Daten ist.<noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/ClickHouse-for-time-series\">https:\/\/www.altinity.com\/blog\/ClickHouse-for-time-series<\/a><\/noindex>.<\/p>\n<p>Im Gegensatz zu ClickHouse ist der einzige Weg, um in TimescaleDB ein wenig Speicherplatz zu sparen, die Verwendung von ZFS oder \u00e4hnlichen Dateisystemen.<\/p>\n<p>K\u00fcnftige Updates von ClickHouse werden wahrscheinlich Delta-Kompression einf\u00fchren, die es noch geeigneter f\u00fcr die Verarbeitung und Speicherung von Zeitreihendaten machen wird. TimescaleDB k\u00f6nnte in folgenden F\u00e4llen die bessere Wahl im Vergleich zu 'nacktem' ClickHouse sein:<\/p>\n<ul>\n<li>kleine Installationen mit sehr wenig Arbeitsspeicher (&lt;3 GB);<\/li>\n<li>eine gro\u00dfe Anzahl kleiner INSERTs, die Sie nicht zu gro\u00dfen Fragmenten puffern m\u00f6chten;<\/li>\n<li>bessere Konsistenz, Einheitlichkeit und ACID-Anforderungen;<\/li>\n<li>Unterst\u00fctzung f\u00fcr PostGIS;<\/li>\n<li>Integration mit bestehenden PostgreSQL-Tabellen, da TimescaleDB im Wesentlichen PostgreSQL ist.<\/li>\n<\/ul>\n<p><\/p>\n<h3>Wettbewerb mit Hadoop- und MapReduce-Systemen<\/h3>\n<p>\nHadoop und andere MapReduce-Produkte k\u00f6nnen viele komplexe Berechnungen durchf\u00fchren, arbeiten jedoch in der Regel mit enormen Verz\u00f6gerungen. ClickHouse l\u00f6st dieses Problem, indem es Terabytes von Daten verarbeitet und nahezu sofort Ergebnisse liefert. Daher ist ClickHouse viel effektiver f\u00fcr die Durchf\u00fchrung schneller, interaktiver Analysen, was f\u00fcr Datenanalyse-Spezialisten von Interesse sein sollte.<\/p>\n<h3>Wettbewerb mit Pinot und Druid<\/h3>\n<p>\nDie n\u00e4chsten Konkurrenten von ClickHouse sind die spaltenbasierten, linear skalierbaren Open-Source-Produkte Pinot und Druid. Ein hervorragender Vergleich dieser Systeme wurde in einem Artikel ver\u00f6ffentlicht. <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@leventov\/comparison-of-the-open-source-olap-systems-for-big-data-ClickHouse-druid-and-pinot-8e042a5ed1c7\">Roman Leventov<\/a><\/noindex> vom 1. Februar 2018. <\/p>\n<p><img decoding=\"async\" alt=\"Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/fe58814aa97b287b70c2f724b72b448a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nDieser Artikel ben\u00f6tigt ein Update \u2013 er besagt, dass ClickHouse keine UPDATE- und DELETE-Operationen unterst\u00fctzt, was in Bezug auf die neuesten Versionen nicht ganz zutrifft.<\/p>\n<p>Wir haben nicht gen\u00fcgend Erfahrung mit diesen DBMS, aber ich mag die Komplexit\u00e4t der Infrastruktur, die f\u00fcr den Betrieb von Druid und Pinot erforderlich ist, \u00fcberhaupt nicht \u2013 es sind eine ganze Menge \"beweglicher Teile\", die von Java umgeben sind.<\/p>\n<p>Druid und Pinot sind Inkubatorprojekte von Apache, deren Entwicklungsverlauf von Apache auf den Seiten seiner GitHub-Projekte ausf\u00fchrlich beschrieben wird. Pinot trat im Oktober 2018 in den Inkubator ein, w\u00e4hrend Druid 8 Monate fr\u00fcher, im Februar, ins Leben gerufen wurde.<\/p>\n<p>Das Fehlen von Informationen dar\u00fcber, wie AFS funktioniert, wirft einige, m\u00f6glicherweise naive Fragen auf. Interessiert es die Autoren von Pinot, dass die Apache Foundation tendenziell mehr zu Druid neigt, und hat diese Einstellung gegen\u00fcber dem Konkurrenten Neid ausgel\u00f6st? Wird die Entwicklung von Druid langsamer, w\u00e4hrend die Entwicklung von Pinot beschleunigt wird, falls die Sponsoren von Druid pl\u00f6tzlich Interesse an Pinot zeigen?<\/p>\n<h3>Nachteile von ClickHouse<\/h3>\n<p>\nUnreife: Es ist offensichtlich, dass dies immer noch eine unausgereifte Technologie ist, aber in jedem Fall gibt es nichts Vergleichbares in anderen spaltenbasierten DBMS. <\/p>\n<p>Kleine Einf\u00fcgungen funktionieren bei hoher Geschwindigkeit schlecht: Einf\u00fcgungen sollten in gro\u00dfen St\u00fccke unterteilt werden, da die Leistung kleiner Einf\u00fcgungen proportional zur Anzahl der Spalten in jeder Zeile abnimmt. So werden die Daten in ClickHouse auf der Festplatte gespeichert \u2013 jede Spalte entspricht 1 Datei oder mehr, sodass f\u00fcr das Einf\u00fcgen von 1 Zeile mit 100 Spalten mindestens 100 Dateien ge\u00f6ffnet und geschrieben werden m\u00fcssen. Deshalb ist ein Vermittler f\u00fcr das Puffern von Einf\u00fcgungen erforderlich (es sei denn, der Client selbst sorgt f\u00fcr das Puffern) \u2013 normalerweise ist dies Kafka oder ein anderes Warteschlangenmanagementsystem. Es kann auch die Engine Buffer table verwendet werden, um sp\u00e4ter gro\u00dfe Datenmengen in MergeTree-Tabellen zu kopieren.<\/p>\n<p>Tabellenverbindungen sind durch den Arbeitsspeicher des Servers begrenzt, aber zumindest gibt es sie dort! Zum Beispiel haben Druid und Pinot \u00fcberhaupt keine solchen Verbindungen, da sie in verteilten Systemen schwer zu implementieren sind, die das Verschieben gro\u00dfer Datenmengen zwischen Knoten nicht unterst\u00fctzen. <\/p>\n<h3>Das DBMS Tarantool ist ein attraktives, zukunftstr\u00e4chtiges Produkt zur Erstellung von hochbelasteten Anwendungen.<\/h3>\n<p>\nIn den kommenden Jahren planen wir, ClickHouse umfassend in Qwintry zu nutzen, da diese Datenbank-Management-System eine hervorragende Balance zwischen Leistung, niedrigem Overhead, Skalierbarkeit und Benutzerfreundlichkeit bietet. Ich bin mir fast sicher, dass sie sich schnell verbreiten wird, sobald die ClickHouse-Community mehr Anwendungsm\u00f6glichkeiten f\u00fcr kleine und mittelgro\u00dfe Installationen findet.<\/p>\n<h3>Ein wenig Werbung \ud83d\ude42<\/h3>\n<p>\nDanke, dass Sie bei uns bleiben. Gefallen Ihnen unsere Artikel? M\u00f6chten Sie mehr interessante Inhalte sehen? Unterst\u00fctzen Sie uns, indem Sie eine Bestellung aufgeben oder uns Freunden empfehlen, <noindex><a rel=\"nofollow\" href=\"https:\/\/ua-hosting.company\/cloudvps\/nl\">Cloud-VPS f\u00fcr Entwickler ab 4,99 $<\/a><\/noindex>, <b>ein einzigartiges \u00c4quivalent zu Einsteigerservern, das wir f\u00fcr Sie entwickelt haben:<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/company\/ua-hosting\/blog\/347386\/\">Die ganze Wahrheit \u00fcber VPS (KVM) E5-2697 v3 (6 Kerne) 10GB DDR4 480GB SSD 1Gbps ab 19 $ oder wie man einen Server richtig teilt?<\/a><\/noindex> (es sind Optionen mit RAID1 und RAID10 bis zu 24 Kernen und bis zu 40GB DDR4 verf\u00fcgbar).<\/p>\n<p><b>Dell R730xd ist im Equinix Tier IV Rechenzentrum in Amsterdam doppelt so g\u00fcnstig?<\/b> Nur bei uns <b><noindex><a rel=\"nofollow\" href=\"https:\/\/ua-hosting.company\/serversnl\">2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100 TB ab $199<\/a><\/noindex> in den Niederlanden! <b>Dell R420 \u2014 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB \u2014 ab $99!<\/b><\/b> Lesen Sie, wie <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/company\/ua-hosting\/blog\/329618\/\">man eine Unternehmensinfrastruktur der Klasse C mit Dell R730xd E5-2650 v4-Servern f\u00fcr 9000 Euro im Preis-Leistungs-Verh\u00e4ltnis aufbaut?<\/a><\/noindex><br \/>\n<br \/>Quelle: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ua-hosting\/blog\/483112\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c, \u0441\u043e\u0437\u0434\u0430\u043d\u043d\u0430\u044f \u042f\u043d\u0434\u0435\u043a\u0441\u043e\u043c. \u0415\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u042f\u043d\u0434\u0435\u043a\u0441, CloudFlare, VK.com, Badoo \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u0441\u0435\u0440\u0432\u0438\u0441\u044b \u043f\u043e \u0432\u0441\u0435\u043c\u0443 \u043c\u0438\u0440\u0443 \u0434\u043b\u044f \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u043e\u0431\u044a\u0435\u043c\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 (\u0432\u0441\u0442\u0430\u0432\u043a\u0430 \u0442\u044b\u0441\u044f\u0447 \u0441\u0442\u0440\u043e\u043a \u0432 \u0441\u0435\u043a\u0443\u043d\u0434\u0443 \u0438\u043b\u0438 \u043f\u0435\u0442\u0430\u0431\u0430\u0439\u0442\u044b \u0434\u0430\u043d\u043d\u044b\u0445, \u0445\u0440\u0430\u043d\u044f\u0449\u0438\u0445\u0441\u044f \u043d\u0430 \u0434\u0438\u0441\u043a\u0435). \u0412 \u043e\u0431\u044b\u0447\u043d\u043e\u0439, \u00ab\u0441\u0442\u0440\u043e\u043a\u043e\u0432\u043e\u0439\u00bb \u0421\u0423\u0411\u0414, \u043f\u0440\u0438\u043c\u0435\u0440\u0430\u043c\u0438 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-54918","post","type-post","status-publish","format-standard","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"de_DE\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 Clickhouse \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0437\u0430\u043c\u0435\u043d\u044b ELK, Big Query \u0438 TimescaleDB | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-06T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:58+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47 Verwendung von Clickhouse als Ersatz f\u00fcr ELK, Big Query und TimescaleDB | ProHoster","description":"Clickhouse ist ein spaltenorientiertes Datenbankmanagement-System f\u00fcr die Online-Verarbeitung analytischer Abfragen (OLAP) mit offenem Quellcode.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 Clickhouse \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0437\u0430\u043c\u0435\u043d\u044b ELK, Big Query \u0438 TimescaleDB | ProHoster","og:description":"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.","og:url":"https:\/\/prohoster.info\/de\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-06T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:58+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54918","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 13:09:54","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:55:36","updated":"2026-01-24 13:09:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/54918","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=54918"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/54918\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=54918"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=54918"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=54918"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}