ترجمه مقاله به طور اختصاصی برای دانشجویان دوره تهیه شده است .
یک پایگاه داده ستونی منبع باز است. این یک محیط عالی است که در آن صدها تحلیلگر می توانند به سرعت داده های دقیق را جستجو کنند، حتی اگر ده ها میلیارد رکورد جدید در روز وارد شود. هزینه‌های زیرساختی برای پشتیبانی از چنین سیستمی می‌تواند تا 100 دلار در سال و به طور بالقوه نصف آن بسته به استفاده باشد. در یک نقطه، نصب ClickHouse از Yandex Metrics حاوی 10 تریلیون رکورد بود. علاوه بر Yandex، ClickHouse با Bloomberg و Cloudflare نیز موفق بوده است.
دو سال پیش خرج کردم پایگاه داده با استفاده از یک ماشین، و تبدیل شد نرم افزار پایگاه داده رایگانی که تا به حال دیده ام. از آن زمان، توسعه دهندگان افزودن ویژگی هایی از جمله پشتیبانی از فشرده سازی Kafka، HDFS و ZStandard را متوقف نکرده اند. سال گذشته آنها پشتیبانی از روش های فشرده سازی آبشاری را اضافه کردند کدگذاری امکان پذیر شد هنگام فشرده سازی داده های سری زمانی، مقادیر گیج را می توان با استفاده از رمزگذاری دلتا به خوبی فشرده کرد، اما برای شمارنده ها بهتر است از رمزگذاری دلتا به مثلث استفاده شود. فشرده سازی خوب به کلید عملکرد ClickHouse تبدیل شده است.
ClickHouse از 170 هزار خط کد C++، به استثنای کتابخانه های شخص ثالث، تشکیل شده است و یکی از کوچکترین پایگاه های کد پایگاه داده توزیع شده است. در مقایسه، SQLite از توزیع پشتیبانی نمی کند و از 235 هزار خط کد C تشکیل شده است. تا لحظه نگارش این مقاله، 207 مهندس به ClickHouse کمک کرده اند و شدت commit ها اخیراً افزایش یافته است.
در مارس 2017، ClickHouse شروع به کار کرد به عنوان یک راه آسان برای پیگیری توسعه. آنها همچنین فایل مستندسازی یکپارچه را به یک سلسله مراتب فایل مبتنی بر Markdown تقسیم کردند. مسائل و ویژگی‌ها از طریق GitHub ردیابی می‌شوند و به طور کلی نرم‌افزار در چند سال اخیر بسیار در دسترس‌تر شده است.
در این مقاله، من قصد دارم نگاهی به عملکرد یک کلاستر ClickHouse در AWS EC2 با استفاده از پردازنده های 36 هسته ای و فضای ذخیره سازی NVMe داشته باشم.
به روز رسانی: یک هفته پس از انتشار اولیه این پست، آزمایش را با پیکربندی بهبودیافته دوباره اجرا کردم و به نتایج بسیار بهتری دست یافتم. این پست برای منعکس کننده این تغییرات به روز شده است.
راه اندازی یک خوشه AWS EC2
من از سه نمونه c5d.9xlarge EC2 برای این پست استفاده خواهم کرد. هر کدام از آنها شامل 36 CPU مجازی، 72 گیگابایت رم، 900 گیگابایت حافظه NVMe SSD و پشتیبانی از شبکه 10 گیگابیتی است. آنها در منطقه eu-west-1,962 هر ساعت 1 دلار در ساعت در هنگام اجرا بر اساس تقاضا هزینه دارند. من از اوبونتو سرور 16.04 LTS به عنوان سیستم عامل استفاده خواهم کرد.
فایروال به گونه ای پیکربندی شده است که هر دستگاه می تواند بدون محدودیت با یکدیگر ارتباط برقرار کند و فقط آدرس IPv4 من در لیست سفید SSH در خوشه قرار می گیرد.
درایو NVMe در حالت آماده باش عملیاتی است
برای اینکه ClickHouse کار کند، یک سیستم فایل با فرمت EXT4 روی درایو NVMe روی هر یک از سرورها ایجاد می کنم.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chهنگامی که همه چیز پیکربندی شد، می توانید نقطه اتصال و 783 گیگابایت فضای موجود در هر سیستم را مشاهده کنید.
$ 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% /chمجموعه داده‌ای که من در این آزمایش استفاده خواهم کرد، داده‌ای است که از 1.1 میلیارد سواری تاکسی در شهر نیویورک طی شش سال ایجاد کردم. در وبلاگ جزئیات نحوه جمع آوری این مجموعه داده را شرح می دهد. آنها در AWS S3 ذخیره می شوند، بنابراین من AWS CLI را با کلیدهای دسترسی و مخفی خود پیکربندی می کنم.
$ sudo apt update
$ sudo apt install awscli
$ aws configureمن محدودیت درخواست همزمان مشتری را روی 100 تنظیم می کنم تا فایل ها سریعتر از تنظیمات پیش فرض دانلود شوند.
$ aws configure set
default.s3.max_concurrent_requests
100من مجموعه داده تاکسی سواری را از AWS S3 دانلود می کنم و آن را روی درایو NVMe در سرور اول ذخیره می کنم. این مجموعه داده حدود 104 گیگابایت در قالب CSV فشرده شده با GZIP است.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvنصب کلیک هاوس
من توزیع OpenJDK را برای جاوا 8 نصب خواهم کرد زیرا برای اجرای Apache ZooKeeper لازم است، که برای نصب توزیع شده ClickHouse در هر سه ماشین لازم است.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
سپس متغیر محیطی را تنظیم کردم JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileسپس از سیستم مدیریت بسته اوبونتو برای نصب ClickHouse 18.16.1، Glances و ZooKeeper در هر سه ماشین استفاده خواهم کرد.
$ 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
zookeeperdمن یک دایرکتوری برای ClickHouse ایجاد می کنم و همچنین برخی تنظیمات را در هر سه سرور لغو می کنم.
$ 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.confاینها لغو تنظیماتی هستند که من از آنها استفاده خواهم کرد.
<?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>سپس ZooKeeper و سرور ClickHouse را روی هر سه ماشین اجرا خواهم کرد.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startبارگذاری داده ها در کلیک هاوس
در اولین سرور یک جدول سفر ایجاد خواهم کرد (trips) که مجموعه داده ای از سفرهای تاکسی را با استفاده از موتور Log ذخیره می کند.
$ 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;
سپس هر یک از فایل های CSV را در یک جدول سفر استخراج و بارگذاری می کنم (trips). زیر در 55 دقیقه و 10 ثانیه کامل شد. پس از این عملیات، حجم دایرکتوری داده ها 134 گیگابایت شد.
$ 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)سرعت واردات 155 مگابایت محتوای CSV فشرده نشده در ثانیه بود. من گمان می کنم که این به دلیل یک تنگنا در رفع فشار GZIP باشد. شاید سریعتر بود که همه فایل‌های gzip شده را به صورت موازی با استفاده از xargs از حالت فشرده خارج کنید و سپس داده‌های زیپ‌شده را بارگیری کنید. در زیر شرحی از آنچه در طی فرآیند واردات CSV گزارش شده است آمده است.
$ 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/23:1Hقبل از ادامه، با حذف فایل‌های CSV اصلی، فضای درایو NVMe را آزاد می‌کنم.
$ sudo rm -fr /ch/csvتبدیل به شکل ستونی
موتور Log ClickHouse داده ها را در قالب ردیف گرا ذخیره می کند. برای جستجوی سریعتر داده ها، آن را با استفاده از موتور MergeTree به فرمت ستونی تبدیل می کنم.
$ clickhouse-client --host=0.0.0.0موارد زیر در 34 دقیقه و 50 ثانیه تکمیل شد. پس از این عملیات، حجم دایرکتوری داده ها 237 گیگابایت بود.
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;خروجی نگاه در طول عملیات به این صورت بود:
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)در آخرین آزمایش، چندین ستون تبدیل و دوباره محاسبه شد. متوجه شدم که برخی از این توابع دیگر آنطور که انتظار می رود در این مجموعه داده کار نمی کنند. برای حل این مشکل، توابع نامناسب را حذف کردم و داده ها را بدون تبدیل به انواع دانه ای تر بارگذاری کردم.
توزیع داده ها در خوشه
من داده ها را در هر سه گره خوشه توزیع خواهم کرد. برای شروع، در زیر یک جدول برای هر سه ماشین ایجاد می کنم.
$ 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);سپس مطمئن خواهم شد که اولین سرور می تواند هر سه گره را در خوشه ببیند.
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:
سپس یک جدول جدید در اولین سرور که بر اساس طرحواره است تعریف می کنم trips_mergetree_third و از موتور Distributed استفاده می کند.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());سپس داده ها را از جدول مبتنی بر MergeTree در هر سه سرور کپی می کنم. موارد زیر در 34 دقیقه و 44 ثانیه تکمیل شد.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;پس از عملیات فوق، به ClickHouse 15 دقیقه فرصت دادم تا از علامت حداکثر سطح ذخیره سازی فاصله بگیرد. دایرکتوری های داده به ترتیب 264 گیگابایت، 34 گیگابایت و 33 گیگابایت در هر یک از این سه سرور بودند.
ارزیابی عملکرد خوشه ClickHouse
چیزی که بعد دیدم، سریعترین زمانی بود که هر پرس و جو را چندین بار روی یک جدول اجرا کردم trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0موارد زیر در 2.449 ثانیه تکمیل شدند.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;موارد زیر در 0.691 ثانیه تکمیل شدند.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;موارد زیر در 0 ثانیه تکمیل شد.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;موارد زیر در 0.983 ثانیه تکمیل شدند.
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;برای مقایسه، من همان پرس و جوها را روی یک جدول مبتنی بر MergeTree اجرا کردم که صرفاً در سرور اول قرار دارد.
ارزیابی عملکرد یک گره ClickHouse
چیزی که بعد دیدم، سریعترین زمانی بود که هر پرس و جو را چندین بار روی یک جدول اجرا کردم trips_mergetree_x3.
موارد زیر در 0.241 ثانیه تکمیل شدند.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;موارد زیر در 0.826 ثانیه تکمیل شدند.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;موارد زیر در 1.209 ثانیه تکمیل شدند.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;موارد زیر در 1.781 ثانیه تکمیل شدند.
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;تأمل در نتایج
این اولین باری است که یک پایگاه داده رایگان مبتنی بر CPU توانست در آزمایشات من از پایگاه داده مبتنی بر GPU بهتر عمل کند. این پایگاه داده مبتنی بر GPU از آن زمان تاکنون دو بازبینی را پشت سر گذاشته است، اما عملکرد ClickHouse در یک گره واحد بسیار چشمگیر است.
در عین حال، هنگام اجرای Query 1 در یک موتور توزیع شده، هزینه های سربار یک مرتبه بزرگتر است. امیدوارم چیزی را در تحقیقاتم برای این پست از دست داده باشم، زیرا با اضافه کردن گره‌های بیشتری به خوشه، زمان‌های پرس و جو کاهش می‌یابد. با این حال، بسیار خوب است که هنگام اجرای سایر کوئری ها، عملکرد حدود 2 برابر افزایش یافت.
بسیار خوب است که ببینیم ClickHouse به سمتی می‌رود که بتواند فضای ذخیره‌سازی و محاسبه را جدا کند تا بتوانند به طور مستقل مقیاس شوند. پشتیبانی HDFS که سال گذشته اضافه شد، می تواند گامی در این راستا باشد. از نظر محاسباتی، اگر بتوان یک پرس و جو را با افزودن گره های بیشتر به خوشه تسریع کرد، آنگاه آینده این نرم افزار بسیار روشن خواهد بود.
از اینکه برای خواندن این پست وقت گذاشتید متشکرم. من خدمات مشاوره، معماری و توسعه تمرین را به مشتریان در آمریکای شمالی و اروپا ارائه می‌دهم. اگر می خواهید در مورد اینکه چگونه پیشنهادات من می تواند به کسب و کار شما کمک کند، با من تماس بگیرید .
منبع: www.habr.com