La traducción del artículo fue preparada específicamente para estudiantes del curso. .
es una base de datos en columnas de código abierto. Es un excelente entorno donde cientos de analistas pueden consultar rápidamente datos detallados, incluso cuando se ingresan decenas de miles de millones de nuevos registros por día. Los costos de infraestructura para respaldar un sistema de este tipo podrían alcanzar los 100 dólares al año, y potencialmente la mitad dependiendo del uso. En un momento, la instalación de ClickHouse de Yandex Metrics contenía 10 billones de registros. Además de Yandex, ClickHouse también ha tenido éxito con Bloomberg y Cloudflare.
Hace dos años pasé bases de datos usando una máquina, y se convirtió software de base de datos gratuito que he visto jamás. Desde entonces, los desarrolladores no han dejado de agregar funciones, incluida la compatibilidad con Kafka, HDFS y la compresión ZStandard. El año pasado agregaron soporte para métodos de compresión en cascada y la codificación se hizo posible. Al comprimir datos de series temporales, los valores de calibre se pueden comprimir bien usando la codificación delta, pero para los contadores sería mejor usar la codificación delta por delta. Una buena compresión se ha convertido en la clave del rendimiento de ClickHouse.
ClickHouse consta de 170 mil líneas de código C++, excluidas las bibliotecas de terceros, y es una de las bases de datos distribuidas más pequeñas. En comparación, SQLite no admite distribución y consta de 235 mil líneas de código C. Al momento de escribir este artículo, 207 ingenieros han contribuido a ClickHouse y la intensidad de las confirmaciones ha aumentado recientemente.
En marzo de 2017, ClickHouse comenzó a realizar como una manera fácil de realizar un seguimiento del desarrollo. También dividieron el archivo de documentación monolítico en una jerarquía de archivos basada en Markdown. Los problemas y las funciones se rastrean a través de GitHub y, en general, el software se ha vuelto mucho más accesible en los últimos años.
En este artículo, analizaré el rendimiento de un clúster de ClickHouse en AWS EC2 utilizando procesadores de 36 núcleos y almacenamiento NVMe.
ACTUALIZACIÓN: Una semana después de publicar originalmente esta publicación, volví a realizar la prueba con una configuración mejorada y obtuve resultados mucho mejores. Esta publicación se ha actualizado para reflejar estos cambios.
Lanzamiento de un clúster AWS EC2
Usaré tres instancias EC5 c9d.2xlarge para esta publicación. Cada uno de ellos contiene 36 CPU virtuales, 72 GB de RAM, 900 GB de almacenamiento SSD NVMe y admite una red de 10 Gigabit. Cuestan 1,962 dólares por hora cada uno en la región eu-west-1 cuando funcionan bajo demanda. Usaré Ubuntu Server 16.04 LTS como sistema operativo.
El firewall está configurado para que cada máquina pueda comunicarse entre sí sin restricciones, y SSH solo incluye mi dirección IPv4 en la lista blanca del clúster.
Unidad NVMe en estado de preparación operativa
Para que ClickHouse funcione, crearé un sistema de archivos en formato EXT4 en una unidad NVMe en cada uno de los servidores.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chUna vez configurado todo, podrás ver el punto de montaje y los 783 GB de espacio disponibles en cada sistema.
$ 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% /chEl conjunto de datos que usaré en esta prueba es un volcado de datos que generé a partir de 1.1 millones de viajes en taxi realizados en la ciudad de Nueva York durante seis años. en el blog detalla cómo recopilé este conjunto de datos. Se almacenan en AWS S3, por lo que configuraré la CLI de AWS con mis claves secretas y de acceso.
$ sudo apt update
$ sudo apt install awscli
$ aws configureEstableceré el límite de solicitudes simultáneas del cliente en 100 para que los archivos se descarguen más rápido que la configuración predeterminada.
$ aws configure set
default.s3.max_concurrent_requests
100Descargaré el conjunto de datos de viajes en taxi desde AWS S3 y lo almacenaré en una unidad NVMe en el primer servidor. Este conjunto de datos tiene ~104 GB en formato CSV comprimido con GZIP.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvInstalación de ClickHouse
Instalaré la distribución OpenJDK para Java 8, ya que es necesaria para ejecutar Apache ZooKeeper, que es necesario para una instalación distribuida de ClickHouse en las tres máquinas.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Luego configuro la variable de entorno. JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileLuego usaré el sistema de administración de paquetes de Ubuntu para instalar ClickHouse 18.16.1, looks y ZooKeeper en las tres máquinas.
$ 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
zookeeperdCrearé un directorio para ClickHouse y también haré algunas anulaciones de configuración en los tres servidores.
$ 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.confEstas son las anulaciones de configuración que usaré.
<?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>Luego ejecutaré ZooKeeper y el servidor ClickHouse en las tres máquinas.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startSubir datos a ClickHouse
En el primer servidor crearé una tabla de viaje (trips), que almacenará un conjunto de datos de viajes en taxi utilizando el motor 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;
Luego extraigo y cargo cada uno de los archivos CSV en una tabla de viaje (trips). Lo siguiente se completó en 55 minutos y 10 segundos. Después de esta operación, el tamaño del directorio de datos fue de 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)La velocidad de importación fue de 155 MB de contenido CSV sin comprimir por segundo. Sospecho que esto se debió a un cuello de botella en la descompresión de GZIP. Podría haber sido más rápido descomprimir todos los archivos comprimidos con gzip en paralelo usando xargs y luego cargar los datos descomprimidos. A continuación se muestra una descripción de lo que se informó durante el proceso de importación 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/23:1HLiberaré espacio en la unidad NVMe eliminando los archivos CSV originales antes de continuar.
$ sudo rm -fr /ch/csvConvertir a formato de columna
El motor Log ClickHouse almacenará datos en un formato orientado a filas. Para consultar datos más rápido, los convierto a formato de columnas usando el motor MergeTree.
$ clickhouse-client --host=0.0.0.0Lo siguiente se completó en 34 minutos y 50 segundos. Después de esta operación, el tamaño del directorio de datos fue de 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;Así es como se veía el resultado del vistazo durante la operación:
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)En la última prueba, se convirtieron y recalcularon varias columnas. Descubrí que algunas de estas funciones ya no funcionan como se esperaba en este conjunto de datos. Para resolver este problema, eliminé las funciones inapropiadas y cargué los datos sin convertirlos a tipos más granulares.
Distribución de datos en todo el clúster.
Distribuiré los datos entre los tres nodos del clúster. Para empezar, a continuación crearé una tabla en las tres máquinas.
$ 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);Luego me aseguraré de que el primer servidor pueda ver los tres nodos del clúster.
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:
Luego definiré una nueva tabla en el primer servidor que se basa en el esquema. trips_mergetree_third y utiliza el motor distribuido.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Luego copiaré los datos de la tabla basada en MergeTree a los tres servidores. Lo siguiente se completó en 34 minutos y 44 segundos.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Después de la operación anterior, le di a ClickHouse 15 minutos para alejarse de la marca del nivel máximo de almacenamiento. Los directorios de datos terminaron siendo de 264 GB, 34 GB y 33 GB respectivamente en cada uno de los tres servidores.
Evaluación del rendimiento del clúster ClickHouse
Lo que vi a continuación fue el tiempo más rápido que he visto al ejecutar cada consulta en una tabla varias veces. trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Lo siguiente se completó en 2.449 segundos.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Lo siguiente se completó en 0.691 segundos.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Lo siguiente se completó en 0 segundos.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Lo siguiente se completó en 0.983 segundos.
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;A modo de comparación, ejecuté las mismas consultas en una tabla basada en MergeTree que reside únicamente en el primer servidor.
Evaluación del rendimiento de un nodo ClickHouse
Lo que vi a continuación fue el tiempo más rápido que he visto al ejecutar cada consulta en una tabla varias veces. trips_mergetree_x3.
Lo siguiente se completó en 0.241 segundos.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Lo siguiente se completó en 0.826 segundos.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Lo siguiente se completó en 1.209 segundos.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Lo siguiente se completó en 1.781 segundos.
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;Reflexiones sobre los resultados.
Esta es la primera vez que una base de datos gratuita basada en CPU pudo superar a una base de datos basada en GPU en mis pruebas. Esa base de datos basada en GPU ha pasado por dos revisiones desde entonces, pero el rendimiento que entregó ClickHouse en un solo nodo es, no obstante, muy impresionante.
Al mismo tiempo, al ejecutar la Consulta 1 en un motor distribuido, los costos generales son un orden de magnitud mayor. Espero haberme perdido algo en mi investigación para esta publicación porque sería bueno ver que los tiempos de consulta disminuyen a medida que agrego más nodos al clúster. Sin embargo, es fantástico que al ejecutar otras consultas, el rendimiento aumentó aproximadamente 2 veces.
Sería bueno ver a ClickHouse evolucionar hacia la capacidad de separar el almacenamiento y la computación para que puedan escalar de forma independiente. El soporte HDFS, que se agregó el año pasado, podría ser un paso hacia esto. En términos de informática, si se puede acelerar una sola consulta agregando más nodos al clúster, entonces el futuro de este software es muy brillante.
Gracias por tomarse el tiempo de leer esta publicación. Ofrezco servicios de consultoría, arquitectura y desarrollo de prácticas a clientes en América del Norte y Europa. Si desea analizar cómo mis sugerencias pueden ayudar a su negocio, comuníquese conmigo a través de .
Fuente: habr.com