Artikuluaren itzulpena ikastaroko ikasleentzat bereziki prestatu zen .
kode irekiko zutabe datu-base bat da. Ingurune bikaina da, non ehunka analistak datu zehatzak azkar kontsultatu ditzaketen, nahiz eta egunean dozenaka mila milioi erregistro berri sartzen diren. Sistema hori onartzen duen azpiegitura-kostuak urtean 100 dolar bezain altuak izan daitezke, eta potentzialki horren erdia erabileraren arabera. Halako batean, Yandex Metrics-en ClickHouse instalazioak 10 bilioi erregistro zituen. Yandex-ez gain, ClickHouse-k ere arrakasta lortu du Bloomberg eta Cloudflare-rekin.
Duela bi urte pasatu nuen datu-baseak makina bat erabiliz, eta bihurtu zen Inoiz ikusi dudan datu-base libreko softwarea. Orduz geroztik, garatzaileek ez dute funtzionalitate gehitzeari utzi, Kafka, HDFS eta ZStandard konpresioaren laguntza barne. Iaz kaskadako konpresio metodoetarako laguntza gehitu zuten, eta kodetzea posible bihurtu zen. Denbora serieko datuak konprimitzean, neurgailuen balioak ondo konprimi daitezke delta kodeketa erabiliz, baina kontagailuetarako hobe litzateke deltaz delta kodeketa erabiltzea. Konpresio ona ClickHouse-ren errendimendurako gakoa bihurtu da.
ClickHouse C++ kode 170 mila lerroz osatuta dago, hirugarrenen liburutegiak kenduta, eta banatutako datu-baseen kode-oinarri txikienetako bat da. Alderatuz, SQLite-k ez du banaketa onartzen eta C kode 235 mila lerroz osatuta dago. Idatzi honetan, 207 ingeniarik lagundu dute ClickHouse-n, eta konpromisoen intentsitatea handitzen ari da azkenaldian.
2017ko martxoan, ClickHouse zuzentzen hasi zen garapenaren jarraipena egiteko modu erraz gisa. Dokumentazio fitxategi monolitikoa ere zatitu zuten Markdown-en oinarritutako fitxategi hierarkia batean. Arazoak eta funtzioak GitHub-en bidez egiten dira jarraipena, eta, oro har, softwarea askoz ere eskuragarriago bihurtu da azken urteotan.
Artikulu honetan, ClickHouse kluster baten errendimendua ikusiko dut AWS EC2-n 36 nukleoko prozesadoreak eta NVMe biltegiratzea erabiliz.
EGUNERAZIOA: Post hau hasiera batean argitaratu eta astebetera, proba berriro egin nuen konfigurazio hobe batekin eta askoz emaitza hobeak lortu nituen. Mezu hau eguneratu da aldaketa hauek islatzeko.
AWS EC2 Cluster bat abian jartzea
Hiru c5d.9xlarge EC2 instantzia erabiliko ditut mezu honetarako. Horietako bakoitzak 36 CPU birtual ditu, 72 GB RAM, 900 GB NVMe SSD biltegiratze eta 10 Gigabit sarea onartzen du. Eu-west-1,962 eskualdean 1 $/orduko balio dute bakoitzak eskaeraren arabera. Ubuntu Server 16.04 LTS erabiliko dut sistema eragile gisa.
Suebakia makina bakoitza mugarik gabe elkarren artean komunikatzeko konfiguratuta dago, eta nire IPv4 helbidea soilik SSH-k zerrenda zuria du klusterrean.
NVMe unitatea funtzionatzeko prest dagoen egoeran
ClickHouse-k funtziona dezan, fitxategi-sistema bat sortuko dut EXT4 formatuan NVMe disko batean zerbitzarietako bakoitzean.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chDena konfiguratuta dagoenean, muntatze-puntua eta sistema bakoitzean dagoen 783 GB-ko espazioa ikus ditzakezu.
$ 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
ββnvme0n1p1 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% /chProba honetan erabiliko dudan datu-multzoa sei urtean New York hirian egindako 1.1 milioi taxi-bidaietatik sortu dudan datu-zabortegia da. Blogean datu-multzo hau nola bildu dudan zehazten du. AWS S3-n gordetzen dira, beraz, AWS CLI-a konfiguratuko dut nire sarbide eta gako sekretuekin.
$ sudo apt update
$ sudo apt install awscli
$ aws configureBezeroaren aldibereko eskaera-muga 100ean ezarriko dut, fitxategiak ezarpen lehenetsiak baino azkarrago deskargatu daitezen.
$ aws configure set
default.s3.max_concurrent_requests
100Taxi-bidaien datu-multzoa deskargatuko dut AWS S3-tik eta NVMe disko batean gordeko dut lehen zerbitzarian. Datu-multzo hau ~104 GB da GZIP-rekin konprimitutako CSV formatuan.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvClickHouse instalazioa
Java 8rako OpenJDK banaketa instalatuko dut Apache ZooKeeper exekutatzeko beharrezkoa dena, hiru makinetan ClickHouse instalatzeko beharrezkoa dena.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Gero ingurune aldagaia ezarri dut JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileOrduan Ubunturen paketeak kudeatzeko sistema erabiliko dut hiru makinetan ClickHouse 18.16.1, begiradak eta ZooKeeper instalatzeko.
$ 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
zookeeperdClickHouse-rako direktorio bat sortuko dut eta hiru zerbitzarietan konfigurazio gainidatziak ere egingo ditut.
$ 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.confHauek dira erabiliko ditudan konfigurazio gainidatziak.
<?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>Orduan ZooKeeper eta ClickHouse zerbitzaria exekutatu egingo ditut hiru makinetan.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startClickHouse-ra datuak kargatzen
Lehenengo zerbitzarian bidaia-taula bat sortuko dut (trips), taxi-bidaien datu-multzo bat gordeko du Log motorra erabiliz.
$ 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;
Ondoren, CSV fitxategi bakoitza bidaia-taula batean atera eta kargatzen dut (trips). Honako hau 55 minutu eta 10 segundotan burutu zen. Eragiketa honen ondoren, datu-direktorioaren tamaina 134 GB zen.
$ 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)Inportazio-abiadura 155 MB konprimitu gabeko CSV edukia izan zen segundoko. Susmoa dut hori GZIP deskonpresioaren botila-lepo baten ondorioz izan zela. Azkarragoa izan zitekeen gzipped fitxategi guztiak paraleloan xargs erabiliz deskonprimitzea eta gero deskonprimitutako datuak kargatzea. Jarraian, CSV inportazio-prozesuan jakinarazitakoaren deskribapena dago.
$ 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/23:1HNVMe unitatean lekua askatuko dut jatorrizko CSV fitxategiak ezabatuz jarraitu aurretik.
$ sudo rm -fr /ch/csvBihurtu zutabe formulariora
Log ClickHouse motorrak datuak errenkadetara zuzendutako formatuan gordeko ditu. Datuak azkarrago kontsultatzeko, zutabe formatura bihurtzen ditut MergeTree motorra erabiliz.
$ clickhouse-client --host=0.0.0.0Honako hau 34 minutu eta 50 segundotan burutu zen. Eragiketa honen ondoren, datu-direktorioaren tamaina 237 GB zen.
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;Hau da begirada-irteeraren itxura eragiketan zehar:
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)Azken proban, hainbat zutabe bihurtu eta birkalkulatu ziren. Funtzio horietako batzuk jada ez direla espero bezala funtzionatzen datu multzo honetan. Arazo hau konpontzeko, funtzio desegokiak kendu eta datuak kargatu nituen mota xeheagoetara bihurtu gabe.
Datuen banaketa klusterrean
Datuak hiru kluster nodoetan banatuko ditut. Hasteko, behean taula bat sortuko dut hiru makinetan.
$ 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);Ondoren, lehenengo zerbitzariak klusterreko hiru nodoak ikus ditzakeela ziurtatuko dut.
SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;Row 1:
ββββββ
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:
ββββββ
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:
ββββββ
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:
Ondoren, eskeman oinarritutako lehen zerbitzarian taula berri bat definituko dut trips_mergetree_third eta banatutako motorra erabiltzen du.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Ondoren, MergeTree oinarritutako taulako datuak kopiatuko ditut hiru zerbitzarietara. Honakoa 34 minutu eta 44 segundotan burutu zen.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Goiko eragiketaren ondoren, 15 minutu eman nizkion ClickHouse-ri biltegiratze-maila maximoaren markatik urruntzeko. Datu-direktorioak 264 GB, 34 GB eta 33 GB izan ziren, hurrenez hurren, hiru zerbitzarietako bakoitzean.
ClickHouse klusterraren errendimenduaren ebaluazioa
Ondoren ikusi dudana izan da kontsulta bakoitza mahai batean hainbat aldiz exekutatzen ikusi dudan denborarik azkarrena trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Honakoa 2.449 segundotan burutu da.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Honakoa 0.691 segundotan burutu da.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Honako hau 0 segundotan burutu da.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Honakoa 0.983 segundotan burutu da.
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;Konparaziorako, lehenengo zerbitzarian soilik dagoen MergeTree-n oinarritutako taula batean kontsulta berdinak egin nituen.
ClickHouse nodo baten errendimenduaren ebaluazioa
Ondoren ikusi dudana izan da kontsulta bakoitza mahai batean hainbat aldiz exekutatzen ikusi dudan denborarik azkarrena trips_mergetree_x3.
Honakoa 0.241 segundotan burutu da.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Honakoa 0.826 segundotan burutu da.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Honakoa 1.209 segundotan burutu da.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Honakoa 1.781 segundotan burutu da.
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;Emaitzei buruzko hausnarketak
Hau da CPUan oinarritutako datu-base libre batek nire probetan GPUn oinarritutako datu-basea gainditzeko gai izan zen lehen aldia. GPUn oinarritutako datu-base horrek bi berrikuspen egin ditu ordutik, baina ClickHousek nodo bakarrean emandako errendimendua oso ikusgarria da, hala ere.
Aldi berean, 1. kontsulta motor banatu batean exekutatzen denean, kostu orokorrak magnitude ordena handiagoak dira. Espero dut mezu honetarako nire ikerketan zerbait galdu izana, polita litzatekeelako kontsulta-denborak jaisten ikustea klusterrean nodo gehiago gehitzen ditudan heinean. Hala ere, bikaina da beste kontsulta batzuk exekutatzen direnean errendimendua bi aldiz handitzea.
Polita litzateke ClickHouse biltegiratzea eta konputazioa bereizi ahal izateko eboluzionatzen ikustea, modu independentean eskala dezaten. HDFS euskarria, iaz gehitu zena, horretarako urrats bat izan daiteke. Informatikari dagokionez, klusterrean nodo gehiago gehituz kontsulta bakarra azkartu badaiteke, orduan software honen etorkizuna oso argia da.
Eskerrik asko mezu hau irakurtzeko denbora hartzeagatik. Aholkularitza, arkitektura eta praktika garatzeko zerbitzuak eskaintzen dizkiet Ipar Amerikako eta Europako bezeroei. Nire iradokizunek zure negozioari nola lagundu dezaketen eztabaidatu nahi baduzu, jarri nirekin harremanetan honen bidez .
Iturria: www.habr.com