Η μετάφραση του άρθρου ετοιμάστηκε ειδικά για τους φοιτητές του μαθήματος .
είναι μια βάση δεδομένων ανοιχτού κώδικα στηλών. Είναι ένα εξαιρετικό περιβάλλον όπου εκατοντάδες αναλυτές μπορούν να αναζητήσουν γρήγορα λεπτομερή δεδομένα, ακόμη και όταν εισάγονται δεκάδες δισεκατομμύρια νέα αρχεία ανά ημέρα. Το κόστος υποδομής για την υποστήριξη ενός τέτοιου συστήματος θα μπορούσε να φτάσει τα 100 $ ετησίως, και ενδεχομένως το μισό από αυτό, ανάλογα με τη χρήση. Κάποια στιγμή, η εγκατάσταση ClickHouse από το Yandex Metrics περιείχε 10 τρισεκατομμύρια εγγραφές. Εκτός από το Yandex, το ClickHouse έχει επίσης επιτυχία με το Bloomberg και το Cloudflare.
Πριν από δύο χρόνια πέρασα βάσεις δεδομένων χρησιμοποιώντας ένα μηχάνημα, και έγινε δωρεάν λογισμικό βάσης δεδομένων που έχω δει ποτέ. Από τότε, οι προγραμματιστές δεν σταμάτησαν να προσθέτουν λειτουργίες, συμπεριλαμβανομένης της υποστήριξης για Kafka, HDFS και ZStandard συμπίεση. Πέρυσι πρόσθεσαν υποστήριξη για μεθόδους διαδοχικής συμπίεσης και η κωδικοποίηση έγινε δυνατή. Κατά τη συμπίεση δεδομένων χρονοσειρών, οι τιμές των μετρητών μπορούν να συμπιεστούν καλά χρησιμοποιώντας κωδικοποίηση δέλτα, αλλά για μετρητές θα ήταν καλύτερο να χρησιμοποιήσετε κωδικοποίηση δέλτα προς δέλτα. Η καλή συμπίεση έχει γίνει το κλειδί για την απόδοση του ClickHouse.
Το ClickHouse αποτελείται από 170 χιλιάδες γραμμές κώδικα C++, εξαιρουμένων των βιβλιοθηκών τρίτων, και είναι μία από τις μικρότερες βάσεις κώδικα κατανεμημένων βάσεων δεδομένων. Συγκριτικά, το SQLite δεν υποστηρίζει διανομή και αποτελείται από 235 χιλιάδες γραμμές κώδικα C. Μέχρι τη στιγμή που γράφονται αυτές οι γραμμές, 207 μηχανικοί έχουν συνεισφέρει στο ClickHouse και η ένταση των δεσμεύσεων αυξάνεται πρόσφατα.
Τον Μάρτιο του 2017, το ClickHouse άρχισε να διεξάγει ως ένας εύκολος τρόπος παρακολούθησης της εξέλιξης. Διέσπασαν επίσης το μονολιθικό αρχείο τεκμηρίωσης σε μια ιεραρχία αρχείων που βασίζεται σε Markdown. Τα ζητήματα και οι δυνατότητες παρακολουθούνται μέσω του GitHub και γενικά το λογισμικό έχει γίνει πολύ πιο προσιτό τα τελευταία χρόνια.
Σε αυτό το άρθρο, θα ρίξω μια ματιά στην απόδοση ενός συμπλέγματος ClickHouse στο AWS EC2 που χρησιμοποιεί επεξεργαστές 36 πυρήνων και αποθήκευση NVMe.
ΕΝΗΜΕΡΩΣΗ: Μια εβδομάδα μετά την αρχική δημοσίευση αυτής της ανάρτησης, επανέλαβα τη δοκιμή με βελτιωμένη διαμόρφωση και πέτυχα πολύ καλύτερα αποτελέσματα. Αυτή η ανάρτηση έχει ενημερωθεί για να αντικατοπτρίζει αυτές τις αλλαγές.
Εκκίνηση ενός συμπλέγματος AWS EC2
Θα χρησιμοποιήσω τρεις περιπτώσεις c5d.9xlarge EC2 για αυτήν την ανάρτηση. Κάθε ένα από αυτά περιέχει 36 εικονικούς επεξεργαστές, 72 GB μνήμης RAM, 900 GB αποθήκευσης NVMe SSD και υποστηρίζει δίκτυο 10 Gigabit. Κοστίζουν 1,962 $/ώρα το καθένα στην περιοχή eu-west-1 όταν εκτελούνται κατόπιν ζήτησης. Θα χρησιμοποιήσω το Ubuntu Server 16.04 LTS ως λειτουργικό σύστημα.
Το τείχος προστασίας έχει ρυθμιστεί έτσι ώστε κάθε μηχάνημα να μπορεί να επικοινωνεί μεταξύ τους χωρίς περιορισμούς και μόνο η διεύθυνση IPv4 μου περιλαμβάνεται στη λίστα επιτρεπόμενων από το SSH στο σύμπλεγμα.
Η μονάδα NVMe βρίσκεται σε κατάσταση ετοιμότητας λειτουργίας
Για να λειτουργήσει το ClickHouse, θα δημιουργήσω ένα σύστημα αρχείων σε μορφή EXT4 σε μια μονάδα NVMe σε κάθε έναν από τους διακομιστές.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chΜόλις ρυθμιστούν τα πάντα, μπορείτε να δείτε το σημείο προσάρτησης και 783 GB διαθέσιμου χώρου σε κάθε σύστημα.
$ 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% /chΤο σύνολο δεδομένων που θα χρησιμοποιήσω σε αυτήν τη δοκιμή είναι μια χωματερή δεδομένων που δημιούργησα από 1.1 δισεκατομμύρια βόλτες με ταξί που πραγματοποιήθηκαν στη Νέα Υόρκη για έξι χρόνια. Στο blog λεπτομερώς πώς συνέλεξα αυτό το σύνολο δεδομένων. Είναι αποθηκευμένα στο AWS S3, επομένως θα διαμορφώσω το AWS CLI με τα κλειδιά πρόσβασης και τα μυστικά κλειδιά μου.
$ sudo apt update
$ sudo apt install awscli
$ aws configureΘα ορίσω το όριο ταυτόχρονων αιτημάτων του πελάτη σε 100, ώστε τα αρχεία να κατεβαίνουν ταχύτερα από τις προεπιλεγμένες ρυθμίσεις.
$ aws configure set
default.s3.max_concurrent_requests
100Θα κατεβάσω το σύνολο δεδομένων βόλτες με ταξί από το AWS S3 και θα το αποθηκεύσω σε μια μονάδα NVMe στον πρώτο διακομιστή. Αυτό το σύνολο δεδομένων είναι ~104 GB σε μορφή CSV συμπιεσμένου με GZIP.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvΕγκατάσταση ClickHouse
Θα εγκαταστήσω τη διανομή OpenJDK για Java 8, καθώς απαιτείται για την εκτέλεση του Apache ZooKeeper, το οποίο απαιτείται για μια κατανεμημένη εγκατάσταση του ClickHouse και στα τρία μηχανήματα.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Στη συνέχεια έβαλα τη μεταβλητή περιβάλλοντος JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileΣτη συνέχεια, θα χρησιμοποιήσω το σύστημα διαχείρισης πακέτων του Ubuntu για να εγκαταστήσω το ClickHouse 18.16.1, το Glances και το ZooKeeper και στα τρία μηχανήματα.
$ 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
zookeeperdΘα δημιουργήσω έναν κατάλογο για το ClickHouse και θα κάνω επίσης κάποιες παρακάμψεις ρυθμίσεων και στους τρεις διακομιστές.
$ 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.confΑυτές είναι οι παρακάμψεις διαμόρφωσης που θα χρησιμοποιήσω.
<?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>Στη συνέχεια, θα εκτελέσω το ZooKeeper και τον διακομιστή ClickHouse και στα τρία μηχανήματα.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startΜεταφόρτωση δεδομένων στο ClickHouse
Στον πρώτο διακομιστή θα δημιουργήσω έναν πίνακα ταξιδιών (trips), το οποίο θα αποθηκεύει ένα σύνολο δεδομένων ταξιδιών με ταξί χρησιμοποιώντας τη μηχανή καταγραφής.
$ 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;
Στη συνέχεια εξάγω και φορτώνω καθένα από τα αρχεία CSV σε έναν πίνακα ταξιδιού (trips). Το παρακάτω ολοκληρώθηκε σε 55 λεπτά και 10 δευτερόλεπτα. Μετά από αυτή τη λειτουργία, το μέγεθος του καταλόγου δεδομένων ήταν 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)Η ταχύτητα εισαγωγής ήταν 155 MB ασυμπίεστου περιεχομένου CSV ανά δευτερόλεπτο. Υποψιάζομαι ότι αυτό οφειλόταν σε μια συμφόρηση στην αποσυμπίεση του GZIP. Ίσως ήταν πιο γρήγορο να αποσυμπιέσετε όλα τα αρχεία gzip παράλληλα χρησιμοποιώντας το xargs και στη συνέχεια να φορτώσετε τα αποσυμπιεσμένα δεδομένα. Παρακάτω είναι μια περιγραφή του τι αναφέρθηκε κατά τη διαδικασία εισαγωγής 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/23:1HΘα ελευθερώσω χώρο στη μονάδα δίσκου NVMe διαγράφοντας τα αρχικά αρχεία CSV πριν συνεχίσω.
$ sudo rm -fr /ch/csvΜετατροπή σε φόρμα στήλης
Η μηχανή Log ClickHouse θα αποθηκεύει δεδομένα σε μορφή προσανατολισμένη στη σειρά. Για ταχύτερη αναζήτηση δεδομένων, τα μετατρέπω σε μορφή στήλης χρησιμοποιώντας τη μηχανή MergeTree.
$ clickhouse-client --host=0.0.0.0Το παρακάτω ολοκληρώθηκε σε 34 λεπτά και 50 δευτερόλεπτα. Μετά από αυτή τη λειτουργία, το μέγεθος του καταλόγου δεδομένων ήταν 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;Έτσι φαινόταν η έξοδος ματιάς κατά τη διάρκεια της λειτουργίας:
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)Στην τελευταία δοκιμή, πολλές στήλες μετατράπηκαν και υπολογίστηκαν εκ νέου. Διαπίστωσα ότι ορισμένες από αυτές τις λειτουργίες δεν λειτουργούν πλέον όπως αναμενόταν σε αυτό το σύνολο δεδομένων. Για να λύσω αυτό το πρόβλημα, αφαίρεσα τις ακατάλληλες συναρτήσεις και φόρτωσα τα δεδομένα χωρίς μετατροπή σε πιο λεπτομερείς τύπους.
Κατανομή δεδομένων σε όλο το σύμπλεγμα
Θα διανείμω τα δεδομένα και στους τρεις κόμβους συμπλέγματος. Για αρχή, παρακάτω θα δημιουργήσω έναν πίνακα και στα τρία μηχανήματα.
$ 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);Στη συνέχεια, θα βεβαιωθώ ότι ο πρώτος διακομιστής μπορεί να δει και τους τρεις κόμβους στο σύμπλεγμα.
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:
Στη συνέχεια, θα ορίσω έναν νέο πίνακα στον πρώτο διακομιστή που βασίζεται στο σχήμα trips_mergetree_third και χρησιμοποιεί τον κατανεμημένο κινητήρα.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Στη συνέχεια, θα αντιγράψω τα δεδομένα από τον πίνακα που βασίζεται στο MergeTree και στους τρεις διακομιστές. Το παρακάτω ολοκληρώθηκε σε 34 λεπτά και 44 δευτερόλεπτα.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Μετά την παραπάνω λειτουργία, έδωσα στο ClickHouse 15 λεπτά για να απομακρυνθεί από την ένδειξη μέγιστου επιπέδου αποθήκευσης. Οι κατάλογοι δεδομένων κατέληξαν να είναι 264 GB, 34 GB και 33 GB αντίστοιχα σε καθέναν από τους τρεις διακομιστές.
Αξιολόγηση απόδοσης συμπλέγματος ClickHouse
Αυτό που είδα στη συνέχεια ήταν η ταχύτερη φορά που έχω δει να εκτελείται κάθε ερώτημα σε ένα τραπέζι πολλές φορές trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Το παρακάτω ολοκληρώθηκε σε 2.449 δευτερόλεπτα.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Το παρακάτω ολοκληρώθηκε σε 0.691 δευτερόλεπτα.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Το παρακάτω ολοκληρώθηκε σε 0 δευτερόλεπτα.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Το παρακάτω ολοκληρώθηκε σε 0.983 δευτερόλεπτα.
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;Για σύγκριση, έτρεξα τα ίδια ερωτήματα σε έναν πίνακα που βασίζεται στο MergeTree που βρίσκεται αποκλειστικά στον πρώτο διακομιστή.
Αξιολόγηση απόδοσης ενός κόμβου ClickHouse
Αυτό που είδα στη συνέχεια ήταν η ταχύτερη φορά που έχω δει να εκτελείται κάθε ερώτημα σε ένα τραπέζι πολλές φορές trips_mergetree_x3.
Το παρακάτω ολοκληρώθηκε σε 0.241 δευτερόλεπτα.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Το παρακάτω ολοκληρώθηκε σε 0.826 δευτερόλεπτα.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Το παρακάτω ολοκληρώθηκε σε 1.209 δευτερόλεπτα.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Το παρακάτω ολοκληρώθηκε σε 1.781 δευτερόλεπτα.
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;Σκέψεις για τα αποτελέσματα
Αυτή είναι η πρώτη φορά που μια δωρεάν βάση δεδομένων που βασίζεται σε CPU κατάφερε να ξεπεράσει τις επιδόσεις μιας βάσης δεδομένων που βασίζεται σε GPU στις δοκιμές μου. Αυτή η βάση δεδομένων που βασίζεται σε GPU έχει υποστεί δύο αναθεωρήσεις από τότε, αλλά η απόδοση που παρέδωσε το ClickHouse σε έναν μόνο κόμβο είναι παρόλα αυτά πολύ εντυπωσιακή.
Ταυτόχρονα, κατά την εκτέλεση του Ερώτημα 1 σε έναν κατανεμημένο κινητήρα, τα γενικά έξοδα είναι κατά μια τάξη μεγέθους υψηλότερα. Ελπίζω να έχασα κάτι στην έρευνά μου για αυτήν την ανάρτηση γιατί θα ήταν ωραίο να μειώνονται οι χρόνοι ερωτημάτων καθώς προσθέτω περισσότερους κόμβους στο σύμπλεγμα. Ωστόσο, είναι υπέροχο ότι κατά την εκτέλεση άλλων ερωτημάτων, η απόδοση αυξήθηκε κατά περίπου 2 φορές.
Θα ήταν ωραίο να δούμε το ClickHouse να εξελίσσεται ώστε να μπορεί να διαχωρίζει τον χώρο αποθήκευσης και τον υπολογισμό, ώστε να μπορούν να κλιμακώνονται ανεξάρτητα. Η υποστήριξη HDFS, η οποία προστέθηκε πέρυσι, θα μπορούσε να είναι ένα βήμα προς αυτό. Όσον αφορά τους υπολογιστές, εάν ένα μεμονωμένο ερώτημα μπορεί να επιταχυνθεί με την προσθήκη περισσότερων κόμβων στο σύμπλεγμα, τότε το μέλλον αυτού του λογισμικού είναι πολύ λαμπρό.
Σας ευχαριστούμε που αφιερώσατε χρόνο για να διαβάσετε αυτήν την ανάρτηση. Προσφέρω συμβουλευτικές υπηρεσίες, υπηρεσίες αρχιτεκτονικής και ανάπτυξης πρακτικής σε πελάτες στη Βόρεια Αμερική και την Ευρώπη. Εάν θέλετε να συζητήσετε πώς οι προτάσεις μου μπορούν να βοηθήσουν την επιχείρησή σας, επικοινωνήστε μαζί μου μέσω .
Πηγή: www.habr.com