ಲೇಖನದ ಅನುವಾದವನ್ನು ಕೋರ್ಸ್ನ ವಿದ್ಯಾರ್ಥಿಗಳಿಗೆ ವಿಶೇಷವಾಗಿ ಸಿದ್ಧಪಡಿಸಲಾಗಿದೆ
ಎರಡು ವರ್ಷಗಳ ಹಿಂದೆ ನಾನು ಕಳೆದೆ
ಕ್ಲಿಕ್ಹೌಸ್ ಥರ್ಡ್-ಪಾರ್ಟಿ ಲೈಬ್ರರಿಗಳನ್ನು ಹೊರತುಪಡಿಸಿ C++ ಕೋಡ್ನ 170 ಸಾವಿರ ಸಾಲುಗಳನ್ನು ಒಳಗೊಂಡಿದೆ ಮತ್ತು ಇದು ಚಿಕ್ಕ ವಿತರಿಸಿದ ಡೇಟಾಬೇಸ್ ಕೋಡ್ಬೇಸ್ಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಹೋಲಿಸಿದರೆ, SQLite ವಿತರಣೆಯನ್ನು ಬೆಂಬಲಿಸುವುದಿಲ್ಲ ಮತ್ತು 235 ಸಾವಿರ ಸಿ ಕೋಡ್ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಬರವಣಿಗೆಯ ಪ್ರಕಾರ, 207 ಎಂಜಿನಿಯರ್ಗಳು ಕ್ಲಿಕ್ಹೌಸ್ಗೆ ಕೊಡುಗೆ ನೀಡಿದ್ದಾರೆ ಮತ್ತು ಕಮಿಟ್ಗಳ ತೀವ್ರತೆಯು ಇತ್ತೀಚೆಗೆ ಹೆಚ್ಚುತ್ತಿದೆ.
ಮಾರ್ಚ್ 2017 ರಲ್ಲಿ, ಕ್ಲಿಕ್ಹೌಸ್ ನಡೆಸಲು ಪ್ರಾರಂಭಿಸಿತು
ಈ ಲೇಖನದಲ್ಲಿ, 2-ಕೋರ್ ಪ್ರೊಸೆಸರ್ಗಳು ಮತ್ತು NVMe ಸಂಗ್ರಹಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು AWS EC36 ನಲ್ಲಿ ಕ್ಲಿಕ್ಹೌಸ್ ಕ್ಲಸ್ಟರ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಾನು ನೋಡೋಣ.
ಅಪ್ಡೇಟ್: ಈ ಪೋಸ್ಟ್ ಅನ್ನು ಮೂಲತಃ ಪ್ರಕಟಿಸಿದ ಒಂದು ವಾರದ ನಂತರ, ನಾನು ಸುಧಾರಿತ ಕಾನ್ಫಿಗರೇಶನ್ನೊಂದಿಗೆ ಪರೀಕ್ಷೆಯನ್ನು ಮರುಪ್ರಾರಂಭಿಸಿದೆ ಮತ್ತು ಉತ್ತಮ ಫಲಿತಾಂಶಗಳನ್ನು ಸಾಧಿಸಿದೆ. ಈ ಬದಲಾವಣೆಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸಲು ಈ ಪೋಸ್ಟ್ ಅನ್ನು ನವೀಕರಿಸಲಾಗಿದೆ.
AWS EC2 ಕ್ಲಸ್ಟರ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸಲಾಗುತ್ತಿದೆ
ನಾನು ಈ ಪೋಸ್ಟ್ಗಾಗಿ ಮೂರು c5d.9xlarge EC2 ನಿದರ್ಶನಗಳನ್ನು ಬಳಸುತ್ತಿದ್ದೇನೆ. ಅವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ 36 ವರ್ಚುವಲ್ CPU ಗಳು, 72 GB RAM, 900 GB NVMe SSD ಸಂಗ್ರಹಣೆ ಮತ್ತು 10 ಗಿಗಾಬಿಟ್ ನೆಟ್ವರ್ಕ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. ಬೇಡಿಕೆಯ ಮೇಲೆ ಚಾಲನೆಯಲ್ಲಿರುವಾಗ ಇಯು-ವೆಸ್ಟ್-1,962 ಪ್ರದೇಶದಲ್ಲಿ ಪ್ರತಿ ಗಂಟೆಗೆ $1 ವೆಚ್ಚವಾಗುತ್ತದೆ. ನಾನು ಉಬುಂಟು ಸರ್ವರ್ 16.04 LTS ಅನ್ನು ಆಪರೇಟಿಂಗ್ ಸಿಸ್ಟಮ್ ಆಗಿ ಬಳಸುತ್ತಿದ್ದೇನೆ.
ಫೈರ್ವಾಲ್ ಅನ್ನು ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ ಆದ್ದರಿಂದ ಪ್ರತಿ ಯಂತ್ರವು ನಿರ್ಬಂಧಗಳಿಲ್ಲದೆ ಪರಸ್ಪರ ಸಂವಹನ ನಡೆಸಬಹುದು ಮತ್ತು ನನ್ನ IPv4 ವಿಳಾಸವನ್ನು ಮಾತ್ರ ಕ್ಲಸ್ಟರ್ನಲ್ಲಿ SSH ನಿಂದ ಶ್ವೇತಪಟ್ಟಿ ಮಾಡಲಾಗಿದೆ.
ಕಾರ್ಯಾಚರಣೆಯ ಸಿದ್ಧತೆ ಸ್ಥಿತಿಯಲ್ಲಿ NVMe ಡ್ರೈವ್
ಕ್ಲಿಕ್ಹೌಸ್ ಕೆಲಸ ಮಾಡಲು, ನಾನು ಪ್ರತಿ ಸರ್ವರ್ಗಳಲ್ಲಿ NVMe ಡ್ರೈವ್ನಲ್ಲಿ EXT4 ಸ್ವರೂಪದಲ್ಲಿ ಫೈಲ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ರಚಿಸುತ್ತೇನೆ.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch
ಎಲ್ಲವನ್ನೂ ಕಾನ್ಫಿಗರ್ ಮಾಡಿದ ನಂತರ, ನೀವು ಮೌಂಟ್ ಪಾಯಿಂಟ್ ಮತ್ತು ಪ್ರತಿ ಸಿಸ್ಟಂನಲ್ಲಿ ಲಭ್ಯವಿರುವ 783 GB ಜಾಗವನ್ನು ನೋಡಬಹುದು.
$ 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
ಈ ಪರೀಕ್ಷೆಯಲ್ಲಿ ನಾನು ಬಳಸಲಿರುವ ಡೇಟಾಸೆಟ್ ಆರು ವರ್ಷಗಳಿಂದ ನ್ಯೂಯಾರ್ಕ್ ನಗರದಲ್ಲಿ ತೆಗೆದ 1.1 ಬಿಲಿಯನ್ ಟ್ಯಾಕ್ಸಿ ರೈಡ್ಗಳಿಂದ ನಾನು ರಚಿಸಿದ ಡೇಟಾ ಡಂಪ್ ಆಗಿದೆ. ಬ್ಲಾಗ್ ನಲ್ಲಿ
$ sudo apt update
$ sudo apt install awscli
$ aws configure
ನಾನು ಕ್ಲೈಂಟ್ನ ಏಕಕಾಲಿಕ ವಿನಂತಿಯ ಮಿತಿಯನ್ನು 100 ಕ್ಕೆ ಹೊಂದಿಸುತ್ತೇನೆ ಇದರಿಂದ ಫೈಲ್ಗಳು ಡೀಫಾಲ್ಟ್ ಸೆಟ್ಟಿಂಗ್ಗಳಿಗಿಂತ ವೇಗವಾಗಿ ಡೌನ್ಲೋಡ್ ಆಗುತ್ತವೆ.
$ aws configure set
default.s3.max_concurrent_requests
100
ನಾನು AWS S3 ನಿಂದ ಟ್ಯಾಕ್ಸಿ ಸವಾರಿ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡುತ್ತೇನೆ ಮತ್ತು ಅದನ್ನು ಮೊದಲ ಸರ್ವರ್ನಲ್ಲಿ NVMe ಡ್ರೈವ್ನಲ್ಲಿ ಸಂಗ್ರಹಿಸುತ್ತೇನೆ. ಈ ಡೇಟಾಸೆಟ್ GZIP-ಸಂಕುಚಿತ CSV ಫಾರ್ಮ್ಯಾಟ್ನಲ್ಲಿ ~104GB ಆಗಿದೆ.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv
ಕ್ಲಿಕ್ಹೌಸ್ ಸ್ಥಾಪನೆ
ನಾನು Java 8 ಗಾಗಿ OpenJDK ವಿತರಣೆಯನ್ನು ಸ್ಥಾಪಿಸುತ್ತೇನೆ ಏಕೆಂದರೆ ಇದು Apache ZooKeeper ಅನ್ನು ರನ್ ಮಾಡಲು ಅಗತ್ಯವಿದೆ, ಇದು ಎಲ್ಲಾ ಮೂರು ಯಂತ್ರಗಳಲ್ಲಿ ಕ್ಲಿಕ್ಹೌಸ್ನ ವಿತರಣೆಯ ಸ್ಥಾಪನೆಗೆ ಅಗತ್ಯವಾಗಿರುತ್ತದೆ.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
ನಂತರ ನಾನು ಪರಿಸರ ವೇರಿಯಬಲ್ ಅನ್ನು ಹೊಂದಿಸಿದೆ JAVA_HOME
.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile
ಎಲ್ಲಾ ಮೂರು ಯಂತ್ರಗಳಲ್ಲಿ ಕ್ಲಿಕ್ಹೌಸ್ 18.16.1, ಗ್ಲಾನ್ಸ್ ಮತ್ತು ಝೂಕೀಪರ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲು ನಾನು ಉಬುಂಟುನ ಪ್ಯಾಕೇಜ್ ಮ್ಯಾನೇಜ್ಮೆಂಟ್ ಸಿಸ್ಟಮ್ ಅನ್ನು ಬಳಸುತ್ತೇನೆ.
$ 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
ನಾನು ಕ್ಲಿಕ್ಹೌಸ್ಗಾಗಿ ಡೈರೆಕ್ಟರಿಯನ್ನು ರಚಿಸುತ್ತೇನೆ ಮತ್ತು ಎಲ್ಲಾ ಮೂರು ಸರ್ವರ್ಗಳಲ್ಲಿ ಕೆಲವು ಕಾನ್ಫಿಗರೇಶನ್ ಅತಿಕ್ರಮಣಗಳನ್ನು ಮಾಡುತ್ತೇನೆ.
$ 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
ಇವುಗಳು ನಾನು ಬಳಸುತ್ತಿರುವ ಕಾನ್ಫಿಗರೇಶನ್ ಅತಿಕ್ರಮಣಗಳಾಗಿವೆ.
<?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>
ನಾನು ನಂತರ ಎಲ್ಲಾ ಮೂರು ಯಂತ್ರಗಳಲ್ಲಿ ZooKeeper ಮತ್ತು ClickHouse ಸರ್ವರ್ ಅನ್ನು ರನ್ ಮಾಡುತ್ತೇನೆ.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start
ಕ್ಲಿಕ್ಹೌಸ್ಗೆ ಡೇಟಾವನ್ನು ಅಪ್ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ
ಮೊದಲ ಸರ್ವರ್ನಲ್ಲಿ ನಾನು ಟ್ರಿಪ್ ಟೇಬಲ್ ಅನ್ನು ರಚಿಸುತ್ತೇನೆ (trips
), ಇದು ಲಾಗ್ ಎಂಜಿನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಟ್ಯಾಕ್ಸಿ ಟ್ರಿಪ್ಗಳ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ.
$ 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;
ನಂತರ ನಾನು ಪ್ರತಿಯೊಂದು CSV ಫೈಲ್ಗಳನ್ನು ಟ್ರಿಪ್ ಟೇಬಲ್ಗೆ ಹೊರತೆಗೆಯುತ್ತೇನೆ ಮತ್ತು ಲೋಡ್ ಮಾಡುತ್ತೇನೆ (trips
) ಕೆಳಗಿನವುಗಳನ್ನು 55 ನಿಮಿಷಗಳು ಮತ್ತು 10 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಯಿತು. ಈ ಕಾರ್ಯಾಚರಣೆಯ ನಂತರ, ಡೇಟಾ ಡೈರೆಕ್ಟರಿಯ ಗಾತ್ರವು 134 GB ಆಗಿತ್ತು.
$ 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)
ಆಮದು ವೇಗವು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ 155 MB ಸಂಕ್ಷೇಪಿಸದ CSV ವಿಷಯವಾಗಿದೆ. ಇದು GZIP ಡಿಕಂಪ್ರೆಷನ್ನಲ್ಲಿನ ಅಡಚಣೆಯಿಂದಾಗಿ ಎಂದು ನಾನು ಅನುಮಾನಿಸುತ್ತೇನೆ. xargs ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸಮಾನಾಂತರವಾಗಿ ಎಲ್ಲಾ ಜಿಜಿಪ್ ಮಾಡಿದ ಫೈಲ್ಗಳನ್ನು ಅನ್ಜಿಪ್ ಮಾಡಲು ಮತ್ತು ನಂತರ ಅನ್ಜಿಪ್ ಮಾಡಲಾದ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡಲು ಇದು ವೇಗವಾಗಿರಬಹುದು. CSV ಆಮದು ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಏನು ವರದಿ ಮಾಡಲಾಗಿದೆ ಎಂಬುದರ ವಿವರಣೆಯನ್ನು ಕೆಳಗೆ ನೀಡಲಾಗಿದೆ.
$ 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
ಮುಂದುವರಿಯುವ ಮೊದಲು ಮೂಲ CSV ಫೈಲ್ಗಳನ್ನು ಅಳಿಸುವ ಮೂಲಕ ನಾನು NVMe ಡ್ರೈವ್ನಲ್ಲಿ ಜಾಗವನ್ನು ಮುಕ್ತಗೊಳಿಸುತ್ತೇನೆ.
$ sudo rm -fr /ch/csv
ಕಾಲಮ್ ಫಾರ್ಮ್ಗೆ ಪರಿವರ್ತಿಸಿ
ಲಾಗ್ ಕ್ಲಿಕ್ಹೌಸ್ ಎಂಜಿನ್ ಡೇಟಾವನ್ನು ಸಾಲು-ಆಧಾರಿತ ಸ್ವರೂಪದಲ್ಲಿ ಸಂಗ್ರಹಿಸುತ್ತದೆ. ಡೇಟಾವನ್ನು ವೇಗವಾಗಿ ಪ್ರಶ್ನಿಸಲು, ನಾನು MergeTree ಎಂಜಿನ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಅದನ್ನು ಸ್ತಂಭಾಕಾರದ ಸ್ವರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸುತ್ತೇನೆ.
$ clickhouse-client --host=0.0.0.0
ಕೆಳಗಿನವುಗಳನ್ನು 34 ನಿಮಿಷಗಳು ಮತ್ತು 50 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಯಿತು. ಈ ಕಾರ್ಯಾಚರಣೆಯ ನಂತರ, ಡೇಟಾ ಡೈರೆಕ್ಟರಿಯ ಗಾತ್ರವು 237 GB ಆಗಿತ್ತು.
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;
ಕಾರ್ಯಾಚರಣೆಯ ಸಮಯದಲ್ಲಿ ಗ್ಲಾನ್ಸ್ ಔಟ್ಪುಟ್ ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:
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)
ಕೊನೆಯ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಹಲವಾರು ಕಾಲಮ್ಗಳನ್ನು ಪರಿವರ್ತಿಸಲಾಗಿದೆ ಮತ್ತು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾಗಿದೆ. ಈ ಡೇಟಾಸೆಟ್ನಲ್ಲಿ ನಿರೀಕ್ಷಿಸಿದಂತೆ ಈ ಕೆಲವು ಕಾರ್ಯಗಳು ಇನ್ನು ಮುಂದೆ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ ಎಂದು ನಾನು ಕಂಡುಕೊಂಡಿದ್ದೇನೆ. ಈ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, ನಾನು ಸೂಕ್ತವಲ್ಲದ ಕಾರ್ಯಗಳನ್ನು ತೆಗೆದುಹಾಕಿದ್ದೇನೆ ಮತ್ತು ಹೆಚ್ಚು ಗ್ರ್ಯಾನ್ಯುಲರ್ ಪ್ರಕಾರಗಳಿಗೆ ಪರಿವರ್ತಿಸದೆ ಡೇಟಾವನ್ನು ಲೋಡ್ ಮಾಡಿದ್ದೇನೆ.
ಕ್ಲಸ್ಟರ್ನಾದ್ಯಂತ ಡೇಟಾ ವಿತರಣೆ
ನಾನು ಎಲ್ಲಾ ಮೂರು ಕ್ಲಸ್ಟರ್ ನೋಡ್ಗಳಲ್ಲಿ ಡೇಟಾವನ್ನು ವಿತರಿಸುತ್ತೇನೆ. ಪ್ರಾರಂಭಿಸಲು, ಕೆಳಗೆ ನಾನು ಎಲ್ಲಾ ಮೂರು ಯಂತ್ರಗಳಲ್ಲಿ ಟೇಬಲ್ ಅನ್ನು ರಚಿಸುತ್ತೇನೆ.
$ 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);
ನಂತರ ಮೊದಲ ಸರ್ವರ್ ಕ್ಲಸ್ಟರ್ನಲ್ಲಿ ಎಲ್ಲಾ ಮೂರು ನೋಡ್ಗಳನ್ನು ನೋಡಬಹುದು ಎಂದು ನಾನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುತ್ತೇನೆ.
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:
ನಂತರ ನಾನು ಸ್ಕೀಮಾವನ್ನು ಆಧರಿಸಿದ ಮೊದಲ ಸರ್ವರ್ನಲ್ಲಿ ಹೊಸ ಟೇಬಲ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುತ್ತೇನೆ trips_mergetree_third
ಮತ್ತು ಡಿಸ್ಟ್ರಿಬ್ಯೂಟೆಡ್ ಎಂಜಿನ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());
ನಾನು ನಂತರ MergeTree ಆಧಾರಿತ ಟೇಬಲ್ನಿಂದ ಡೇಟಾವನ್ನು ಎಲ್ಲಾ ಮೂರು ಸರ್ವರ್ಗಳಿಗೆ ನಕಲಿಸುತ್ತೇನೆ. ಕೆಳಗಿನವುಗಳನ್ನು 34 ನಿಮಿಷಗಳು ಮತ್ತು 44 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಯಿತು.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;
ಮೇಲಿನ ಕಾರ್ಯಾಚರಣೆಯ ನಂತರ, ಗರಿಷ್ಠ ಶೇಖರಣಾ ಮಟ್ಟದ ಮಾರ್ಕ್ನಿಂದ ದೂರ ಸರಿಯಲು ನಾನು ಕ್ಲಿಕ್ಹೌಸ್ಗೆ 15 ನಿಮಿಷಗಳನ್ನು ನೀಡಿದ್ದೇನೆ. ಡೇಟಾ ಡೈರೆಕ್ಟರಿಗಳು ಮೂರು ಸರ್ವರ್ಗಳಲ್ಲಿ ಕ್ರಮವಾಗಿ 264 GB, 34 GB ಮತ್ತು 33 GB ಗಳಾಗಿ ಕೊನೆಗೊಂಡಿವೆ.
ಕ್ಲಿಕ್ಹೌಸ್ ಕ್ಲಸ್ಟರ್ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನ
ನಾನು ಮುಂದೆ ನೋಡಿದ್ದು, ಪ್ರತಿ ಪ್ರಶ್ನೆಯನ್ನು ಮೇಜಿನ ಮೇಲೆ ಹಲವು ಬಾರಿ ಚಲಾಯಿಸುವುದನ್ನು ನಾನು ನೋಡಿದ ವೇಗವಾದ ಸಮಯ trips_mergetree_x3
.
$ clickhouse-client --host=0.0.0.0
ಕೆಳಗಿನವುಗಳನ್ನು 2.449 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;
ಕೆಳಗಿನವುಗಳನ್ನು 0.691 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;
ಕೆಳಗಿನವುಗಳು 0 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಂಡಿವೆ.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;
ಕೆಳಗಿನವುಗಳನ್ನು 0.983 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
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;
ಹೋಲಿಕೆಗಾಗಿ, ಮೊದಲ ಸರ್ವರ್ನಲ್ಲಿ ಮಾತ್ರ ಇರುವ MergeTree-ಆಧಾರಿತ ಟೇಬಲ್ನಲ್ಲಿ ನಾನು ಅದೇ ಪ್ರಶ್ನೆಗಳನ್ನು ಓಡಿಸಿದ್ದೇನೆ.
ಒಂದು ಕ್ಲಿಕ್ಹೌಸ್ ನೋಡ್ನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಮೌಲ್ಯಮಾಪನ
ನಾನು ಮುಂದೆ ನೋಡಿದ್ದು, ಪ್ರತಿ ಪ್ರಶ್ನೆಯನ್ನು ಮೇಜಿನ ಮೇಲೆ ಹಲವು ಬಾರಿ ಚಲಾಯಿಸುವುದನ್ನು ನಾನು ನೋಡಿದ ವೇಗವಾದ ಸಮಯ trips_mergetree_x3
.
ಕೆಳಗಿನವುಗಳನ್ನು 0.241 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;
ಕೆಳಗಿನವುಗಳನ್ನು 0.826 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;
ಕೆಳಗಿನವುಗಳನ್ನು 1.209 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;
ಕೆಳಗಿನವುಗಳನ್ನು 1.781 ಸೆಕೆಂಡುಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಲಾಗಿದೆ.
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;
ಫಲಿತಾಂಶಗಳ ಪ್ರತಿಫಲನಗಳು
ಉಚಿತ CPU-ಆಧಾರಿತ ಡೇಟಾಬೇಸ್ ನನ್ನ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ GPU-ಆಧಾರಿತ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಮೀರಿಸಲು ಸಾಧ್ಯವಾದದ್ದು ಇದೇ ಮೊದಲು. ಆ GPU-ಆಧಾರಿತ ಡೇಟಾಬೇಸ್ ಅಂದಿನಿಂದ ಎರಡು ಪರಿಷ್ಕರಣೆಗಳ ಮೂಲಕ ಸಾಗಿದೆ, ಆದರೆ ಕ್ಲಿಕ್ಹೌಸ್ ಒಂದೇ ನೋಡ್ನಲ್ಲಿ ನೀಡಿದ ಕಾರ್ಯಕ್ಷಮತೆ ಅದೇನೇ ಇದ್ದರೂ ಬಹಳ ಪ್ರಭಾವಶಾಲಿಯಾಗಿದೆ.
ಅದೇ ಸಮಯದಲ್ಲಿ, ವಿತರಿಸಿದ ಎಂಜಿನ್ನಲ್ಲಿ ಕ್ವೆರಿ 1 ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ, ಓವರ್ಹೆಡ್ ವೆಚ್ಚಗಳು ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದಲ್ಲಿರುತ್ತವೆ. ಈ ಪೋಸ್ಟ್ಗಾಗಿ ನನ್ನ ಸಂಶೋಧನೆಯಲ್ಲಿ ನಾನು ಏನನ್ನಾದರೂ ಕಳೆದುಕೊಂಡಿದ್ದೇನೆ ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ ಏಕೆಂದರೆ ನಾನು ಕ್ಲಸ್ಟರ್ಗೆ ಹೆಚ್ಚಿನ ನೋಡ್ಗಳನ್ನು ಸೇರಿಸಿದಾಗ ಪ್ರಶ್ನೆಯ ಸಮಯಗಳು ಕಡಿಮೆಯಾಗುವುದನ್ನು ನೋಡಲು ಸಂತೋಷವಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ಇತರ ಪ್ರಶ್ನೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಾಗ, ಕಾರ್ಯಕ್ಷಮತೆ ಸುಮಾರು 2 ಪಟ್ಟು ಹೆಚ್ಚಾಗಿದೆ.
ಸಂಗ್ರಹಣೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಮತ್ತು ಕಂಪ್ಯೂಟ್ ಮಾಡಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಕ್ಲಿಕ್ಹೌಸ್ ವಿಕಸನಗೊಳ್ಳುವುದನ್ನು ನೋಡಲು ಸಂತೋಷವಾಗುತ್ತದೆ ಆದ್ದರಿಂದ ಅವರು ಸ್ವತಂತ್ರವಾಗಿ ಅಳೆಯಬಹುದು. ಕಳೆದ ವರ್ಷ ಸೇರಿಸಲಾದ HDFS ಬೆಂಬಲವು ಇದರತ್ತ ಒಂದು ಹೆಜ್ಜೆಯಾಗಿರಬಹುದು. ಕಂಪ್ಯೂಟಿಂಗ್ ವಿಷಯದಲ್ಲಿ, ಕ್ಲಸ್ಟರ್ಗೆ ಹೆಚ್ಚಿನ ನೋಡ್ಗಳನ್ನು ಸೇರಿಸುವ ಮೂಲಕ ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದಾದರೆ, ಈ ಸಾಫ್ಟ್ವೇರ್ನ ಭವಿಷ್ಯವು ತುಂಬಾ ಉಜ್ವಲವಾಗಿರುತ್ತದೆ.
ಈ ಪೋಸ್ಟ್ ಅನ್ನು ಓದಲು ಸಮಯ ತೆಗೆದುಕೊಂಡಿದ್ದಕ್ಕಾಗಿ ಧನ್ಯವಾದಗಳು. ನಾನು ಉತ್ತರ ಅಮೆರಿಕಾ ಮತ್ತು ಯುರೋಪ್ನಲ್ಲಿರುವ ಗ್ರಾಹಕರಿಗೆ ಸಲಹಾ, ವಾಸ್ತುಶಿಲ್ಪ ಮತ್ತು ಅಭ್ಯಾಸ ಅಭಿವೃದ್ಧಿ ಸೇವೆಗಳನ್ನು ನೀಡುತ್ತೇನೆ. ನನ್ನ ಸಲಹೆಗಳು ನಿಮ್ಮ ವ್ಯಾಪಾರಕ್ಕೆ ಹೇಗೆ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬುದನ್ನು ಚರ್ಚಿಸಲು ನೀವು ಬಯಸಿದರೆ, ದಯವಿಟ್ಟು ನನ್ನನ್ನು ಈ ಮೂಲಕ ಸಂಪರ್ಕಿಸಿ
ಮೂಲ: www.habr.com