A tradución do artigo foi elaborada expresamente para o alumnado do curso
Hai dous anos paseino
ClickHouse consta de 170 mil liñas de código C++, excluíndo as bibliotecas de terceiros, e é unha das bases de código de bases de datos distribuídas máis pequenas. En comparación, SQLite non admite a distribución e consta de 235 mil liñas de código C. Ata o momento de escribir este artigo, 207 enxeñeiros contribuíron a ClickHouse e a intensidade dos commits aumentou recentemente.
En marzo de 2017, ClickHouse comezou a realizar
Neste artigo, vou dar unha ollada ao rendemento dun clúster ClickHouse en AWS EC2 usando procesadores de 36 núcleos e almacenamento NVMe.
ACTUALIZACIÓN: Unha semana despois de publicar orixinalmente esta publicación, volvín realizar a proba cunha configuración mellorada e conseguín resultados moito mellores. Esta publicación actualizouse para reflectir estes cambios.
Lanzamento dun clúster AWS EC2
Usarei tres instancias EC5 c9d.2xlarge para esta publicación. Cada un deles contén 36 CPU virtuais, 72 GB de RAM, 900 GB de almacenamento SSD NVMe e admite rede de 10 Gigabit. Custaron 1,962 dólares por hora cada un na rexión eu-west-1 cando se executan baixo demanda. Vou usar Ubuntu Server 16.04 LTS como sistema operativo.
O firewall está configurado para que cada máquina poida comunicarse entre si sen restricións, e só o meu enderezo IPv4 aparece na lista branca de SSH no clúster.
Unidade NVMe en estado de preparación operativa
Para que ClickHouse funcione, crearei un sistema de ficheiros en formato EXT4 nunha unidade NVMe en cada un dos servidores.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch
Unha vez configurado todo, podes ver o punto de montaxe e os 783 GB de espazo dispoñibles en cada sistema.
$ lsblk
NAME 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 -h
Filesystem 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% /ch
O conxunto de datos que usarei nesta proba é un vertedoiro de datos que xerei a partir de 1.1 millóns de viaxes en taxi realizados na cidade de Nova York durante seis anos. No blog
$ sudo apt update
$ sudo apt install awscli
$ aws configure
Vou establecer o límite de solicitudes simultáneas do cliente en 100 para que os ficheiros se descarguen máis rápido que a configuración predeterminada.
$ aws configure set
default.s3.max_concurrent_requests
100
Descargarei o conxunto de datos de viaxes en taxi de AWS S3 e almacenarei nunha unidade NVMe do primeiro servidor. Este conxunto de datos é de ~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/csv
Instalación de ClickHouse
Instalarei a distribución OpenJDK para Java 8 xa que é necesario para executar Apache ZooKeeper, que é necesario para unha instalación distribuída de ClickHouse nas tres máquinas.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Despois configurei a variable de ambiente JAVA_HOME
.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile
Despois usarei o sistema de xestión de paquetes de Ubuntu para instalar ClickHouse 18.16.1, Glances e ZooKeeper nas 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
zookeeperd
Crearei un directorio para ClickHouse e tamén farei algunhas substitucións de configuración nos 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.conf
Estas son as substitucións de configuración que vou usar.
<?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>
Despois executarei ZooKeeper e o servidor ClickHouse nas tres máquinas.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start
Cargando datos a ClickHouse
No primeiro servidor crearei unha táboa de viaxes (trips
), que almacenará un conxunto de datos de viaxes en taxi usando o motor de rexistro.
$ 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;
Despois extraio e cargo cada un dos ficheiros CSV nunha táboa de viaxe (trips
). O seguinte completouse en 55 minutos e 10 segundos. Despois desta operación, o tamaño do directorio de datos era 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)
A velocidade de importación foi de 155 MB de contido CSV sen comprimir por segundo. Sospeito que isto foi debido a un pescozo de botella na descompresión GZIP. Quizais fose máis rápido descomprimir todos os ficheiros gzip en paralelo usando xargs e despois cargar os datos descomprimidos. A continuación móstrase unha descrición do que se informou durante o proceso de importación de CSV.
$ sudo glances
ip-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/23:1H
Liberarei espazo na unidade NVMe eliminando os ficheiros CSV orixinais antes de continuar.
$ sudo rm -fr /ch/csv
Converter a formulario de columna
O motor Log ClickHouse almacenará os datos nun formato orientado a filas. Para consultar os datos máis rápido, convértoos a formato columnar usando o motor MergeTree.
$ clickhouse-client --host=0.0.0.0
O seguinte completouse en 34 minutos e 50 segundos. Despois desta operación, o tamaño do directorio de datos era 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;
Este é o aspecto da saída de vista durante a 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)
Na última proba, varias columnas foron convertidas e recalculadas. Descubrín que algunhas destas funcións xa non funcionan como se esperaba neste conxunto de datos. Para resolver este problema, eliminei as funcións inadecuadas e carguei os datos sen converter a tipos máis granulares.
Distribución de datos polo clúster
Distribuirei os datos nos tres nodos do clúster. Para comezar, a continuación crearei unha táboa nas tres máquinas.
$ clickhouse-client --host=0.0.0.0
CREATE 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);
A continuación, asegurarei de que o primeiro servidor poida ver os tres nodos do 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:
A continuación, definirei unha nova táboa no primeiro servidor que se basea no esquema trips_mergetree_third
e utiliza o motor Distribuído.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());
Despois copiarei os datos da táboa baseada en MergeTree aos tres servidores. O seguinte completouse en 34 minutos e 44 segundos.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;
Despois da operación anterior, dei a ClickHouse 15 minutos para afastarse da marca de nivel máximo de almacenamento. Os directorios de datos acabaron sendo de 264 GB, 34 GB e 33 GB respectivamente en cada un dos tres servidores.
Avaliación do rendemento do clúster de ClickHouse
O que vin a continuación foi o tempo máis rápido que vin executando cada consulta nunha táboa varias veces trips_mergetree_x3
.
$ clickhouse-client --host=0.0.0.0
O seguinte completouse en 2.449 segundos.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;
O seguinte completouse en 0.691 segundos.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;
O seguinte completouse en 0 segundos.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;
O seguinte completouse 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;
Para comparar, executei as mesmas consultas nunha táboa baseada en MergeTree que reside só no primeiro servidor.
Avaliación do rendemento dun nodo ClickHouse
O que vin a continuación foi o tempo máis rápido que vin executando cada consulta nunha táboa varias veces trips_mergetree_x3
.
O seguinte completouse en 0.241 segundos.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;
O seguinte completouse en 0.826 segundos.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;
O seguinte completouse en 1.209 segundos.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;
O seguinte completouse 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;
Reflexións sobre os resultados
Esta é a primeira vez que unha base de datos gratuíta baseada en CPU foi capaz de superar unha base de datos baseada en GPU nas miñas probas. Esa base de datos baseada na GPU pasou por dúas revisións desde entón, pero o rendemento que ofreceu ClickHouse nun só nodo é, non obstante, moi impresionante.
Ao mesmo tempo, ao executar a consulta 1 nun motor distribuído, os custos xerais son unha orde de magnitude máis altos. Espero perder algo na miña investigación para esta publicación porque sería bo ver baixar os tempos de consulta mentres engado máis nodos ao clúster. Non obstante, é xenial que ao executar outras consultas, o rendemento aumentase unhas 2 veces.
Sería bo ver que ClickHouse evoluciona para poder separar o almacenamento e a computación para que poidan escalar de forma independente. O soporte HDFS, que se engadiu o ano pasado, podería ser un paso cara a isto. En termos de computación, se se pode acelerar unha única consulta engadindo máis nodos ao clúster, entón o futuro deste software é moi brillante.
Grazas por tomarse o tempo para ler esta publicación. Ofrezco servizos de consultoría, arquitectura e desenvolvemento de prácticas a clientes de América do Norte e Europa. Se queres discutir como as miñas suxestións poden axudar á túa empresa, póñase en contacto comigo a través de
Fonte: www.habr.com