1.1 બિલિયન ટેક્સી ટ્રિપ્સ: 108-કોર ક્લિકહાઉસ ક્લસ્ટર

લેખનો અનુવાદ કોર્સના વિદ્યાર્થીઓ માટે ખાસ તૈયાર કરવામાં આવ્યો હતો ડેટા એન્જિનિયર.

ક્લીકહાઉસ ઓપન સોર્સ કોલમર ડેટાબેઝ છે. તે એક સરસ વાતાવરણ છે જ્યાં સેંકડો વિશ્લેષકો ઝડપથી વિગતવાર ડેટાની ક્વેરી કરી શકે છે, તેમ છતાં દરરોજ અબજો નવા રેકોર્ડ દાખલ કરવામાં આવે છે. આવી સિસ્ટમને ટેકો આપવા માટે ઈન્ફ્રાસ્ટ્રક્ચર ખર્ચ પ્રતિ વર્ષ $100 જેટલો ઊંચો હોઈ શકે છે, અને વપરાશના આધારે સંભવિત અડધા. એક સમયે, યાન્ડેક્સ મેટ્રિક્સના ક્લિકહાઉસ ઇન્સ્ટોલેશનમાં 10 ટ્રિલિયન રેકોર્ડ્સ હતા. યાન્ડેક્સ ઉપરાંત, ક્લિકહાઉસને બ્લૂમબર્ગ અને ક્લાઉડફ્લેર સાથે પણ સફળતા મળી છે.

બે વર્ષ પહેલાં મેં ગાળ્યું તુલનાત્મક વિશ્લેષણ એક મશીનનો ઉપયોગ કરીને ડેટાબેઝ, અને તે બન્યું સહુથી ઝડપી ફ્રી ડેટાબેઝ સોફ્ટવેર મેં ક્યારેય જોયું છે. ત્યારથી, વિકાસકર્તાઓએ કાફકા, HDFS અને ZStandard કમ્પ્રેશન માટે સપોર્ટ સહિતની સુવિધાઓ ઉમેરવાનું બંધ કર્યું નથી. ગયા વર્ષે તેઓએ કેસ્કેડીંગ કમ્પ્રેશન પદ્ધતિઓ માટે સમર્થન ઉમેર્યું, અને ડેલ્ટામાંથી ડેલ્ટા કોડિંગ શક્ય બન્યું. સમય શ્રેણીના ડેટાને સંકુચિત કરતી વખતે, ગેજ મૂલ્યોને ડેલ્ટા એન્કોડિંગનો ઉપયોગ કરીને સારી રીતે સંકુચિત કરી શકાય છે, પરંતુ કાઉન્ટર્સ માટે ડેલ્ટા-બાય-ડેલ્ટા એન્કોડિંગનો ઉપયોગ કરવો વધુ સારું રહેશે. સારું કમ્પ્રેશન ક્લિકહાઉસના પ્રદર્શનની ચાવી બની ગયું છે.

ક્લિકહાઉસમાં તૃતીય-પક્ષ પુસ્તકાલયોને બાદ કરતાં C++ કોડની 170 હજાર લાઇનનો સમાવેશ થાય છે અને તે સૌથી નાના વિતરિત ડેટાબેઝ કોડબેઝમાંનું એક છે. સરખામણીમાં, SQLite વિતરણને સમર્થન આપતું નથી અને તેમાં C કોડની 235 હજાર લાઇન છે. આ લેખન મુજબ, 207 ઇજનેરોએ ક્લિકહાઉસમાં યોગદાન આપ્યું છે, અને કમિટ્સની તીવ્રતા તાજેતરમાં વધી રહી છે.

માર્ચ 2017 માં, ક્લિકહાઉસનું સંચાલન કરવાનું શરૂ કર્યું લોગ બદલો વિકાસ પર નજર રાખવાની સરળ રીત તરીકે. તેઓએ મોનોલિથિક દસ્તાવેજીકરણ ફાઇલને માર્કડાઉન-આધારિત ફાઇલ વંશવેલોમાં પણ તોડી નાખી. મુદ્દાઓ અને સુવિધાઓ GitHub દ્વારા ટ્રેક કરવામાં આવે છે, અને સામાન્ય રીતે સોફ્ટવેર છેલ્લા કેટલાક વર્ષોમાં વધુ સુલભ બની ગયું છે.

આ લેખમાં, હું 2-કોર પ્રોસેસર્સ અને NVMe સ્ટોરેજનો ઉપયોગ કરીને AWS EC36 પર ક્લિકહાઉસ ક્લસ્ટરના પ્રદર્શન પર એક નજર નાખીશ.

અપડેટ: આ પોસ્ટને મૂળ રૂપે પ્રકાશિત કર્યાના એક અઠવાડિયા પછી, મેં સુધારેલ રૂપરેખાંકન સાથે પરીક્ષણને ફરીથી ચલાવ્યું અને વધુ સારા પરિણામો પ્રાપ્ત કર્યા. આ ફેરફારોને પ્રતિબિંબિત કરવા માટે આ પોસ્ટ અપડેટ કરવામાં આવી છે.

AWS EC2 ક્લસ્ટર શરૂ કરી રહ્યું છે

હું આ પોસ્ટ માટે ત્રણ c5d.9xlarge EC2 દાખલાઓનો ઉપયોગ કરીશ. તેમાંના દરેકમાં 36 વર્ચ્યુઅલ CPU, 72 GB RAM, 900 GB NVMe SSD સ્ટોરેજ છે અને 10 Gigabit નેટવર્કને સપોર્ટ કરે છે. જ્યારે માંગ પર ચાલે છે ત્યારે તેઓ eu-વેસ્ટ-1,962 પ્રદેશમાં $1/કલાકનો ખર્ચ કરે છે. હું ઓપરેટિંગ સિસ્ટમ તરીકે ઉબુન્ટુ સર્વર 16.04 LTS નો ઉપયોગ કરીશ.

ફાયરવોલ રૂપરેખાંકિત કરવામાં આવી છે જેથી કરીને દરેક મશીન પ્રતિબંધો વિના એકબીજા સાથે વાતચીત કરી શકે, અને ક્લસ્ટરમાં SSH દ્વારા માત્ર મારું IPv4 સરનામું વ્હાઇટલિસ્ટ કરવામાં આવ્યું છે.

ઓપરેશનલ રેડીનેસ સ્ટેટમાં NVMe ડ્રાઇવ

ક્લિકહાઉસ કામ કરે તે માટે, હું દરેક સર્વર પર NVMe ડ્રાઇવ પર EXT4 ફોર્મેટમાં ફાઇલ સિસ્ટમ બનાવીશ.

$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch

એકવાર બધું રૂપરેખાંકિત થઈ જાય, પછી તમે માઉન્ટ પોઈન્ટ અને દરેક સિસ્ટમ પર ઉપલબ્ધ 783 GB જગ્યા જોઈ શકો છો.

$ 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

આ ટેસ્ટમાં હું જે ડેટાસેટનો ઉપયોગ કરીશ તે એક ડેટા ડમ્પ છે જે મેં છ વર્ષમાં ન્યૂ યોર્ક સિટીમાં લીધેલી 1.1 બિલિયન ટેક્સી રાઇડ્સમાંથી જનરેટ કર્યો છે. બ્લોગ પર રેડશિફ્ટમાં એક અબજ ટેક્સી ટ્રિપ્સ મેં આ ડેટા સેટ કેવી રીતે એકત્રિત કર્યો તેની વિગતો. તેઓ AWS S3 માં સંગ્રહિત છે, તેથી હું AWS CLI ને મારી ઍક્સેસ અને ગુપ્ત કી સાથે ગોઠવીશ.

$ sudo apt update
$ sudo apt install awscli
$ aws configure

હું ક્લાયન્ટની સહવર્તી વિનંતી મર્યાદા 100 પર સેટ કરીશ જેથી ફાઇલો ડિફોલ્ટ સેટિંગ્સ કરતાં વધુ ઝડપથી ડાઉનલોડ થાય.

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

હું AWS S3 પરથી ટેક્સી રાઇડ્સ ડેટાસેટ ડાઉનલોડ કરીશ અને તેને પ્રથમ સર્વર પર NVMe ડ્રાઇવ પર સ્ટોર કરીશ. આ ડેટાસેટ GZIP-સંકુચિત CSV ફોર્મેટમાં ~104GB છે.

$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv

હાઉસ ઇન્સ્ટોલેશન પર ક્લિક કરો

હું Java 8 માટે OpenJDK વિતરણ ઇન્સ્ટોલ કરીશ કારણ કે તે Apache ZooKeeper ચલાવવા માટે જરૂરી છે, જે ત્રણેય મશીનો પર ક્લિકહાઉસના વિતરિત ઇન્સ્ટોલેશન માટે જરૂરી છે.

$ sudo apt update
$ sudo apt install 
    openjdk-8-jre 
    openjdk-8-jdk-headless

પછી મેં પર્યાવરણ વેરીએબલ સેટ કર્યું JAVA_HOME.

$ sudo vi /etc/profile
 
export JAVA_HOME=/usr
 
$ source /etc/profile

હું પછી ત્રણેય મશીનો પર ક્લિકહાઉસ 18.16.1, ગ્લાન્સ અને ઝૂકીપર ઇન્સ્ટોલ કરવા માટે ઉબુન્ટુની પેકેજ મેનેજમેન્ટ સિસ્ટમનો ઉપયોગ કરીશ.

$ 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

હું ClickHouse માટે ડિરેક્ટરી બનાવીશ અને ત્રણેય સર્વર પર અમુક રૂપરેખાંકન ઓવરરાઈડ પણ કરીશ.

$ 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

આ રૂપરેખાંકન ઓવરરાઇડ્સ છે જેનો હું ઉપયોગ કરીશ.

<?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>

પછી હું ત્રણેય મશીનો પર ZooKeeper અને ClickHouse સર્વરને ચલાવીશ.

$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start

ક્લિકહાઉસ પર ડેટા અપલોડ કરી રહ્યું છે

પ્રથમ સર્વર પર હું ટ્રીપ ટેબલ બનાવીશ (trips), જે લોગ એન્જિનનો ઉપયોગ કરીને ટેક્સી ટ્રિપ્સનો ડેટાસેટ સ્ટોર કરશે.

$ 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;

પછી હું દરેક CSV ફાઇલોને ટ્રીપ ટેબલમાં એક્સ્ટ્રેક્ટ અને લોડ કરું છું (trips). નીચેનું 55 મિનિટ અને 10 સેકન્ડમાં પૂર્ણ થયું. આ ઓપરેશન પછી, ડેટા ડિરેક્ટરીનું કદ 134 જીબી હતું.

$ 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)

આયાત ઝડપ પ્રતિ સેકન્ડ 155 MB અનકમ્પ્રેસ્ડ CSV સામગ્રી હતી. મને શંકા છે કે આ GZIP ડિકમ્પ્રેશનમાં અવરોધને કારણે થયું હતું. xargs નો ઉપયોગ કરીને સમાંતર તમામ gzipped ફાઇલોને અનઝિપ કરવા અને પછી અનઝિપ કરેલ ડેટાને લોડ કરવા માટે તે વધુ ઝડપી બન્યું હશે. નીચે CSV આયાત પ્રક્રિયા દરમિયાન શું જાણ કરવામાં આવી હતી તેનું વર્ણન છે.

$ 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

હું ચાલુ રાખતા પહેલા મૂળ CSV ફાઇલોને કાઢી નાખીને NVMe ડ્રાઇવ પર જગ્યા ખાલી કરીશ.

$ sudo rm -fr /ch/csv

કૉલમ ફોર્મમાં કન્વર્ટ કરો

લોગ ક્લિકહાઉસ એન્જિન પંક્તિ-લક્ષી ફોર્મેટમાં ડેટા સંગ્રહિત કરશે. ડેટાને ઝડપથી ક્વેરી કરવા માટે, હું તેને મર્જટ્રી એન્જિનનો ઉપયોગ કરીને કૉલમર ફોર્મેટમાં કન્વર્ટ કરું છું.

$ clickhouse-client --host=0.0.0.0

નીચેનું 34 મિનિટ અને 50 સેકન્ડમાં પૂર્ણ થયું. આ ઓપરેશન પછી, ડેટા ડિરેક્ટરીનું કદ 237 જીબી હતું.

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;

ઓપરેશન દરમિયાન ગ્લાન્સ આઉટપુટ જેવો દેખાતો હતો તે આ છે:

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)

છેલ્લી કસોટીમાં, ઘણી કૉલમ રૂપાંતરિત અને પુનઃગણતરી કરવામાં આવી હતી. મને જાણવા મળ્યું કે આમાંના કેટલાક કાર્યો હવે આ ડેટાસેટ પર અપેક્ષા મુજબ કામ કરતા નથી. આ સમસ્યાને ઉકેલવા માટે, મેં અયોગ્ય કાર્યોને દૂર કર્યા અને વધુ દાણાદાર પ્રકારોમાં રૂપાંતર કર્યા વિના ડેટા લોડ કર્યો.

સમગ્ર ક્લસ્ટરમાં ડેટાનું વિતરણ

હું ત્રણેય ક્લસ્ટર નોડ્સમાં ડેટાનું વિતરણ કરીશ. શરૂ કરવા માટે, નીચે હું ત્રણેય મશીનો પર એક ટેબલ બનાવીશ.

$ 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);

પછી હું ખાતરી કરીશ કે પ્રથમ સર્વર ક્લસ્ટરમાંના ત્રણેય નોડ્સ જોઈ શકે છે.

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:

પછી હું પ્રથમ સર્વર પર એક નવું ટેબલ વ્યાખ્યાયિત કરીશ જે સ્કીમા પર આધારિત છે trips_mergetree_third અને વિતરિત એન્જિનનો ઉપયોગ કરે છે.

CREATE TABLE trips_mergetree_x3
    AS trips_mergetree_third
    ENGINE = Distributed(perftest_3shards,
                         default,
                         trips_mergetree_third,
                         rand());

ત્યારપછી હું MergeTree આધારિત ટેબલમાંથી ડેટાને ત્રણેય સર્વર પર કોપી કરીશ. નીચેનું 34 મિનિટ અને 44 સેકન્ડમાં પૂર્ણ થયું.

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

ઉપરોક્ત કામગીરી પછી, મેં ક્લિકહાઉસને મહત્તમ સંગ્રહ સ્તરના ચિહ્નથી દૂર જવા માટે 15 મિનિટનો સમય આપ્યો. ડેટા ડિરેક્ટરીઓ ત્રણ સર્વરમાંથી દરેક પર અનુક્રમે 264 GB, 34 GB અને 33 GB ની થઈ.

ક્લિકહાઉસ ક્લસ્ટર પ્રદર્શન મૂલ્યાંકન

મેં આગળ જે જોયું તે સૌથી ઝડપી સમય હતો જ્યારે મેં દરેક ક્વેરી ટેબલ પર ઘણી વખત ચલાવતા જોયો છે trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

નીચેનું 2.449 સેકન્ડમાં પૂર્ણ થયું.

SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;

નીચેનું 0.691 સેકન્ડમાં પૂર્ણ થયું.

SELECT passenger_count,
       avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;

નીચેનું 0 સેકન્ડમાં પૂર્ણ થયું.

SELECT passenger_count,
       toYear(pickup_date) AS year,
       count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
         year;

નીચેનું 0.983 સેકન્ડમાં પૂર્ણ થયું.

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;

સરખામણી માટે, મેં મર્જટ્રી-આધારિત ટેબલ પર સમાન ક્વેરીઝ ચલાવી છે જે ફક્ત પ્રથમ સર્વર પર રહે છે.

એક ક્લિકહાઉસ નોડનું પ્રદર્શન મૂલ્યાંકન

મેં આગળ જે જોયું તે સૌથી ઝડપી સમય હતો જ્યારે મેં દરેક ક્વેરી ટેબલ પર ઘણી વખત ચલાવતા જોયો છે trips_mergetree_x3.

નીચેનું 0.241 સેકન્ડમાં પૂર્ણ થયું.

SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;

નીચેનું 0.826 સેકન્ડમાં પૂર્ણ થયું.

SELECT passenger_count,
       avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;

નીચેનું 1.209 સેકન્ડમાં પૂર્ણ થયું.

SELECT passenger_count,
       toYear(pickup_date) AS year,
       count(*)
FROM trips_mergetree
GROUP BY passenger_count,
         year;

નીચેનું 1.781 સેકન્ડમાં પૂર્ણ થયું.

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;

પરિણામો પર પ્રતિબિંબ

આ પ્રથમ વખત છે જ્યારે મફત CPU-આધારિત ડેટાબેઝ મારા પરીક્ષણોમાં GPU-આધારિત ડેટાબેઝને પાછળ રાખી શક્યું હતું. તે GPU-આધારિત ડેટાબેઝ ત્યારથી બે પુનરાવર્તનોમાંથી પસાર થયું છે, પરંતુ ક્લિકહાઉસે એક નોડ પર જે પ્રદર્શન કર્યું છે તે ખૂબ પ્રભાવશાળી છે.

તે જ સમયે, જ્યારે ડિસ્ટ્રિબ્યુટેડ એન્જિન પર ક્વેરી 1 એક્ઝિક્યુટ કરવામાં આવે છે, ત્યારે ઓવરહેડ ખર્ચ વધુ તીવ્રતાનો ઓર્ડર છે. હું આશા રાખું છું કે આ પોસ્ટ માટે મારા સંશોધનમાં હું કંઈક ચૂકી ગયો છું કારણ કે હું ક્લસ્ટરમાં વધુ નોડ્સ ઉમેરું છું તેમ ક્વેરીનો સમય ઓછો થતો જોવાનું સરસ રહેશે. જો કે, તે મહાન છે કે જ્યારે અન્ય ક્વેરીઝ એક્ઝિક્યુટ કરતી વખતે, કામગીરીમાં લગભગ 2 ગણો વધારો થયો હતો.

ક્લિકહાઉસને અલગ સ્ટોરેજ અને કમ્પ્યુટ કરવા માટે સક્ષમ બનવા તરફ વિકસિત જોવાનું સરસ રહેશે જેથી તેઓ સ્વતંત્ર રીતે સ્કેલ કરી શકે. HDFS સપોર્ટ, જે ગયા વર્ષે ઉમેરવામાં આવ્યો હતો, તે આ તરફ એક પગલું હોઈ શકે છે. કમ્પ્યુટિંગની દ્રષ્ટિએ, જો ક્લસ્ટરમાં વધુ નોડ્સ ઉમેરીને એક જ ક્વેરી ઝડપી કરી શકાય છે, તો આ સોફ્ટવેરનું ભવિષ્ય ખૂબ જ ઉજ્જવળ છે.

આ પોસ્ટ વાંચવા માટે સમય આપવા બદલ આભાર. હું ઉત્તર અમેરિકા અને યુરોપના ગ્રાહકોને કન્સલ્ટિંગ, આર્કિટેક્ચર અને પ્રેક્ટિસ ડેવલપમેન્ટ સેવાઓ પ્રદાન કરું છું. જો તમે ચર્ચા કરવા માંગતા હોવ કે મારા સૂચનો તમારા વ્યવસાયને કેવી રીતે મદદ કરી શકે છે, તો કૃપા કરીને મારા દ્વારા સંપર્ક કરો LinkedIn.

સોર્સ: www.habr.com