🥇1.1 बिलियन टैक्सी सवारी: 108-कोर क्लिकहाउस क्लस्टर

लेख का अनुवाद विशेष रूप से पाठ्यक्रम के छात्रों के लिए तैयार किया गया था डाटा इंजीनियर.

क्लिकहाउस एक खुला स्रोत स्तंभ डेटाबेस है। यह एक बेहतरीन वातावरण है जहां सैकड़ों विश्लेषक तुरंत विस्तृत डेटा पूछ सकते हैं, यहां तक कि प्रति दिन अरबों नए रिकॉर्ड भी दर्ज किए जाते हैं। ऐसी प्रणाली का समर्थन करने के लिए बुनियादी ढांचे की लागत प्रति वर्ष $100 तक हो सकती है, और उपयोग के आधार पर संभावित रूप से आधी हो सकती है। एक समय पर, यांडेक्स मेट्रिक्स के क्लिकहाउस इंस्टॉलेशन में 10 ट्रिलियन रिकॉर्ड थे। यांडेक्स के अलावा, क्लिकहाउस को ब्लूमबर्ग और क्लाउडफ्लेयर के साथ भी सफलता मिली है।

दो साल पहले मैंने बिताया था तुलनात्मक विश्लेषण एक मशीन का उपयोग करके डेटाबेस, और यह बन गया सबसे तेज़ मुफ़्त डेटाबेस सॉफ़्टवेयर जो मैंने कभी देखा है। तब से, डेवलपर्स ने काफ्का, एचडीएफएस और जेडस्टैंडर्ड संपीड़न के लिए समर्थन सहित सुविधाओं को जोड़ना बंद नहीं किया है। पिछले वर्ष उन्होंने कैस्केडिंग संपीड़न विधियों के लिए समर्थन जोड़ा, और डेल्टा-से-डेल्टा कोडिंग संभव हो गई. समय श्रृंखला डेटा को संपीड़ित करते समय, डेल्टा एन्कोडिंग का उपयोग करके गेज मानों को अच्छी तरह से संपीड़ित किया जा सकता है, लेकिन काउंटरों के लिए डेल्टा-बाय-डेल्टा एन्कोडिंग का उपयोग करना बेहतर होगा। अच्छा संपीड़न ClickHouse के प्रदर्शन की कुंजी बन गया है।

ClickHouse में तृतीय-पक्ष लाइब्रेरी को छोड़कर, C++ कोड की 170 हजार लाइनें शामिल हैं, और यह सबसे छोटे वितरित डेटाबेस कोडबेस में से एक है। इसकी तुलना में, SQLite वितरण का समर्थन नहीं करता है और इसमें C कोड की 235 हजार लाइनें शामिल हैं। इस लेखन के समय, 207 इंजीनियरों ने ClickHouse में योगदान दिया है, और हाल ही में प्रतिबद्धताओं की तीव्रता बढ़ रही है।

मार्च 2017 में, ClickHouse का संचालन शुरू हुआ बदलाव का विकास पर नज़र रखने का एक आसान तरीका के रूप में। उन्होंने अखंड प्रलेखन फ़ाइल को मार्कडाउन-आधारित फ़ाइल पदानुक्रम में भी तोड़ दिया। मुद्दों और सुविधाओं को GitHub के माध्यम से ट्रैक किया जाता है, और सामान्य तौर पर सॉफ्टवेयर पिछले कुछ वर्षों में बहुत अधिक सुलभ हो गया है।

इस लेख में, मैं 2-कोर प्रोसेसर और NVMe स्टोरेज का उपयोग करके AWS EC36 पर क्लिकहाउस क्लस्टर के प्रदर्शन पर एक नज़र डालने जा रहा हूँ।

अद्यतन: मूल रूप से इस पोस्ट को प्रकाशित करने के एक सप्ताह बाद, मैंने एक बेहतर कॉन्फ़िगरेशन के साथ परीक्षण को दोबारा चलाया और बहुत बेहतर परिणाम प्राप्त किए। इन परिवर्तनों को दर्शाने के लिए इस पोस्ट को अद्यतन किया गया है।

AWS EC2 क्लस्टर लॉन्च करना

मैं इस पोस्ट के लिए तीन c5d.9xlarge EC2 इंस्टेंसेस का उपयोग करूंगा। उनमें से प्रत्येक में 36 वर्चुअल सीपीयू, 72 जीबी रैम, 900 जीबी एनवीएमई एसएसडी स्टोरेज है और 10 गीगाबिट नेटवर्क का समर्थन करता है। मांग पर चलने पर ईयू-वेस्ट-1,962 क्षेत्र में प्रत्येक की कीमत $1/घंटा होती है। मैं ऑपरेटिंग सिस्टम के रूप में उबंटू सर्वर 16.04 एलटीएस का उपयोग करूंगा।

फ़ायरवॉल को कॉन्फ़िगर किया गया है ताकि प्रत्येक मशीन बिना किसी प्रतिबंध के एक-दूसरे के साथ संचार कर सके, और केवल मेरा IPv4 पता क्लस्टर में SSH द्वारा श्वेतसूची में रखा गया है।

एनवीएमई ड्राइव परिचालन तत्परता की स्थिति में है

ClickHouse के काम करने के लिए, मैं प्रत्येक सर्वर पर NVMe ड्राइव पर EXT4 प्रारूप में एक फ़ाइल सिस्टम बनाऊंगा।

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

एक बार सब कुछ कॉन्फ़िगर हो जाने पर, आप माउंट पॉइंट और प्रत्येक सिस्टम पर उपलब्ध 783 जीबी स्थान देख सकते हैं।

$ 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

इस परीक्षण में मैं जिस डेटासेट का उपयोग करूंगा वह एक डेटा डंप है जो मैंने छह वर्षों में न्यूयॉर्क शहर में की गई 1.1 बिलियन टैक्सी यात्राओं से उत्पन्न किया है। ब्लॉग पर रेडशिफ्ट में एक अरब टैक्सी यात्राएँ विवरण कि मैंने यह डेटा सेट कैसे एकत्र किया। वे AWS S3 में संग्रहीत हैं, इसलिए मैं AWS CLI को अपनी पहुंच और गुप्त कुंजियों से कॉन्फ़िगर करूंगा।

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

मैं क्लाइंट की समवर्ती अनुरोध सीमा 100 पर सेट कर दूंगा ताकि फ़ाइलें डिफ़ॉल्ट सेटिंग्स की तुलना में तेज़ी से डाउनलोड हों।

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

मैं AWS S3 से टैक्सी सवारी डेटासेट डाउनलोड करूंगा और इसे पहले सर्वर पर NVMe ड्राइव पर संग्रहीत करूंगा। यह डेटासेट GZIP-संपीड़ित CSV प्रारूप में ~104GB है।

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

क्लिकहाउस इंस्टालेशन

मैं जावा 8 के लिए ओपनजेडीके वितरण स्थापित करूंगा क्योंकि अपाचे ज़ूकीपर को चलाने के लिए यह आवश्यक है, जो तीनों मशीनों पर क्लिकहाउस की वितरित स्थापना के लिए आवश्यक है।

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

फिर मैंने पर्यावरण चर सेट किया JAVA_HOME.

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

फिर मैं तीनों मशीनों पर क्लिकहाउस 18.16.1, ग्लान्स और ज़ूकीपर स्थापित करने के लिए उबंटू के पैकेज प्रबंधन सिस्टम का उपयोग करूंगा।

$ 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

मैं ClickHouse के लिए एक निर्देशिका बनाऊंगा और तीनों सर्वरों पर कुछ कॉन्फ़िगरेशन ओवरराइड भी करूंगा।

$ 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

ये कॉन्फ़िगरेशन ओवरराइड हैं जिनका मैं उपयोग करूंगा।

<?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>

फिर मैं तीनों मशीनों पर ज़ूकीपर और क्लिकहाउस सर्वर चलाऊंगा।

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

ClickHouse पर डेटा अपलोड करना

पहले सर्वर पर मैं एक ट्रिप टेबल बनाऊंगा (trips), जो लॉग इंजन का उपयोग करके टैक्सी यात्राओं का डेटासेट संग्रहीत करेगा।

$ 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;

फिर मैं प्रत्येक CSV फ़ाइल को एक ट्रिप टेबल में निकालता और लोड करता हूँ (trips). निम्नलिखित को 55 मिनट और 10 सेकंड में पूरा किया गया। इस ऑपरेशन के बाद डेटा डायरेक्टरी का आकार 134 जीबी था।

$ 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)

आयात की गति 155 एमबी असम्पीडित सीएसवी सामग्री प्रति सेकंड थी। मुझे संदेह है कि यह GZIP डिकंप्रेशन में एक बाधा के कारण था। xargs का उपयोग करके समानांतर में सभी gzipped फ़ाइलों को अनज़िप करना और फिर अनज़िप किए गए डेटा को लोड करना तेज़ हो सकता था। नीचे सीएसवी आयात प्रक्रिया के दौरान रिपोर्ट की गई बातों का विवरण दिया गया है।

$ 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

जारी रखने से पहले मैं मूल CSV फ़ाइलों को हटाकर NVMe ड्राइव पर स्थान खाली कर दूँगा।

$ sudo rm -fr /ch/csv

कॉलम फॉर्म में कनवर्ट करें

लॉग क्लिकहाउस इंजन पंक्ति-उन्मुख प्रारूप में डेटा संग्रहीत करेगा। डेटा को तेजी से क्वेरी करने के लिए, मैं इसे मर्जट्री इंजन का उपयोग करके स्तंभ प्रारूप में परिवर्तित करता हूं।

$ clickhouse-client --host=0.0.0.0

निम्नलिखित को 34 मिनट और 50 सेकंड में पूरा किया गया। इस ऑपरेशन के बाद डेटा डायरेक्टरी का आकार 237 जीबी था।

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;

ऑपरेशन के दौरान ग्लांस आउटपुट इस तरह दिखता था:

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)

पिछले परीक्षण में, कई स्तंभों को परिवर्तित और पुनर्गणना किया गया था। मैंने पाया कि इनमें से कुछ फ़ंक्शन अब इस डेटासेट पर अपेक्षा के अनुरूप काम नहीं करते हैं। इस समस्या को हल करने के लिए, मैंने अनुपयुक्त फ़ंक्शंस को हटा दिया और डेटा को अधिक विस्तृत प्रकारों में परिवर्तित किए बिना लोड किया।

पूरे क्लस्टर में डेटा का वितरण

मैं डेटा को सभी तीन क्लस्टर नोड्स में वितरित करूंगा। आरंभ करने के लिए, नीचे मैं तीनों मशीनों पर एक तालिका बनाऊंगा।

$ 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);

फिर मैं यह सुनिश्चित करूंगा कि पहला सर्वर क्लस्टर में सभी तीन नोड्स देख सके।

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:

फिर मैं पहले सर्वर पर एक नई तालिका परिभाषित करूंगा जो स्कीमा पर आधारित है trips_mergetree_third और वितरित इंजन का उपयोग करता है।

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

फिर मैं मर्जट्री आधारित तालिका से डेटा को तीनों सर्वरों पर कॉपी कर दूंगा। निम्नलिखित को 34 मिनट और 44 सेकंड में पूरा किया गया।

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

उपरोक्त ऑपरेशन के बाद, मैंने ClickHouse को अधिकतम संग्रहण स्तर चिह्न से दूर जाने के लिए 15 मिनट का समय दिया। तीनों सर्वरों में से प्रत्येक पर डेटा निर्देशिका क्रमशः 264 जीबी, 34 जीबी और 33 जीबी हो गई।

क्लिकहाउस क्लस्टर प्रदर्शन मूल्यांकन

इसके बाद मैंने जो देखा वह सबसे तेज़ समय था जो मैंने प्रत्येक क्वेरी को एक टेबल पर कई बार चलाने में देखा था trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

निम्नलिखित 2.449 सेकंड में पूरा हुआ।

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

निम्नलिखित 0.691 सेकंड में पूरा हुआ।

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

निम्नलिखित 0 सेकंड में पूरा हुआ।

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

निम्नलिखित 0.983 सेकंड में पूरा हुआ।

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;

तुलना के लिए, मैंने वही क्वेरीज़ मर्जट्री-आधारित तालिका पर चलाईं जो पूरी तरह से पहले सर्वर पर मौजूद है।

एक ClickHouse नोड का प्रदर्शन मूल्यांकन

निम्नलिखित 0.241 सेकंड में पूरा हुआ।

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

निम्नलिखित 0.826 सेकंड में पूरा हुआ।

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

निम्नलिखित 1.209 सेकंड में पूरा हुआ।

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

निम्नलिखित 1.781 सेकंड में पूरा हुआ।

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;

परिणामों पर विचार

यह पहली बार है कि एक निःशुल्क सीपीयू-आधारित डेटाबेस मेरे परीक्षणों में जीपीयू-आधारित डेटाबेस से बेहतर प्रदर्शन करने में सक्षम था। तब से उस GPU-आधारित डेटाबेस में दो संशोधन हो चुके हैं, लेकिन ClickHouse ने एक नोड पर जो प्रदर्शन दिया, वह फिर भी बहुत प्रभावशाली है।

उसी समय, वितरित इंजन पर क्वेरी 1 निष्पादित करते समय, ओवरहेड लागत बहुत अधिक होती है। मुझे आशा है कि इस पोस्ट के लिए अपने शोध में मुझसे कुछ छूट गया है क्योंकि यह देखना अच्छा होगा कि जैसे-जैसे मैं क्लस्टर में अधिक नोड्स जोड़ूंगा, क्वेरी का समय कम होता जाएगा। हालाँकि, यह बहुत अच्छा है कि अन्य प्रश्नों को निष्पादित करते समय, प्रदर्शन लगभग 2 गुना बढ़ गया।

यह देखना अच्छा होगा कि क्लिकहाउस भंडारण और गणना को अलग करने में सक्षम हो रहा है ताकि वे स्वतंत्र रूप से स्केल कर सकें। एचडीएफएस समर्थन, जो पिछले साल जोड़ा गया था, इस दिशा में एक कदम हो सकता है। कंप्यूटिंग के संदर्भ में, यदि क्लस्टर में अधिक नोड्स जोड़कर एकल क्वेरी को त्वरित किया जा सकता है, तो इस सॉफ़्टवेयर का भविष्य बहुत उज्ज्वल है।

इस पोस्ट को पढ़ने के लिए समय निकालने के लिए धन्यवाद। मैं उत्तरी अमेरिका और यूरोप में ग्राहकों को परामर्श, वास्तुकला और अभ्यास विकास सेवाएँ प्रदान करता हूँ। यदि आप चर्चा करना चाहते हैं कि मेरे सुझाव आपके व्यवसाय में कैसे मदद कर सकते हैं, तो कृपया मुझसे संपर्क करें लिंक्डइन.

स्रोत: www.habr.com

1.1 बिलियन टैक्सी यात्राएँ: 108-कोर क्लिकहाउस क्लस्टर