Straipsnio vertimas buvo parengtas specialiai kurso studentams
Prieš dvejus metus praleidau
„ClickHouse“ sudaro 170 tūkstančių C++ kodo eilučių, neįskaitant trečiųjų šalių bibliotekų, ir yra viena mažiausių paskirstytų duomenų bazių kodų bazių. Palyginimui, SQLite nepalaiko platinimo ir susideda iš 235 tūkstančių C kodo eilučių. Šiuo metu prie ClickHouse prisidėjo 207 inžinieriai, o įsipareigojimų intensyvumas pastaruoju metu auga.
2017 m. kovo mėn. „ClickHouse“ pradėjo diriguoti
Šiame straipsnyje apžvelgsiu ClickHouse klasterio našumą AWS EC2 naudojant 36 branduolių procesorius ir NVMe saugyklą.
ATNAUJINIMAS: praėjus savaitei po šio įrašo paskelbimo iš naujo atlikau testą su patobulinta konfigūracija ir pasiekiau daug geresnių rezultatų. Šis įrašas buvo atnaujintas, kad atspindėtų šiuos pakeitimus.
AWS EC2 klasterio paleidimas
Šiam įrašui naudosiu tris c5d.9xlarge EC2 egzempliorius. Kiekviename iš jų yra 36 virtualūs procesoriai, 72 GB RAM, 900 GB NVMe SSD atminties ir palaiko 10 gigabitų tinklą. Jie kainuoja 1,962 1 USD per valandą eu-west-16.04 regione, kai veikia pagal poreikį. Kaip operacinę sistemą naudosiu Ubuntu Server XNUMX LTS.
Ugniasienė sukonfigūruota taip, kad kiekvienas įrenginys galėtų bendrauti tarpusavyje be apribojimų, o tik mano IPv4 adresas yra įtrauktas į baltąjį SSH sąrašą klasteryje.
NVMe diskas parengties veikti
Kad „ClickHouse“ veiktų, kiekvieno serverio NVMe diske sukursiu failų sistemą EXT4 formatu.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch
Kai viskas bus sukonfigūruota, pamatysite prijungimo tašką ir 783 GB laisvos vietos kiekvienoje sistemoje.
$ 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
Šiame bandyme naudosiu duomenų rinkinį, kurį sukūriau iš 1.1 milijardo važiavimų taksi Niujorke per šešerius metus. Dienoraštyje
$ sudo apt update
$ sudo apt install awscli
$ aws configure
Kliento užklausų vienu metu limitą nustatysiu iki 100, kad failai būtų atsisiunčiami greičiau nei numatytieji nustatymai.
$ aws configure set
default.s3.max_concurrent_requests
100
Atsisiųsiu taksi kelionių duomenų rinkinį iš AWS S3 ir išsaugosiu jį NVMe diske pirmame serveryje. Šis duomenų rinkinys yra ~104 GB GZIP suspaustu CSV formatu.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv
ClickHouse montavimas
Įdiegsiu „Java 8“ skirtą OpenJDK paskirstymą, nes jis reikalingas „Apache ZooKeeper“, kuris reikalingas paskirstytam ClickHouse diegimui visuose trijuose įrenginiuose.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Tada nustatau aplinkos kintamąjį JAVA_HOME
.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile
Tada naudosiu Ubuntu paketų valdymo sistemą, kad įdiegčiau ClickHouse 18.16.1, glances ir ZooKeeper visuose trijuose įrenginiuose.
$ 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
Sukursiu ClickHouse katalogą ir atliksiu kai kuriuos konfigūracijos nepaisymus visuose trijuose serveriuose.
$ 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
Tai yra konfigūracijos nepaisymas, kurį naudosiu.
<?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>
Tada paleisiu ZooKeeper ir ClickHouse serverį visuose trijuose įrenginiuose.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start
Duomenų įkėlimas į ClickHouse
Pirmame serveryje sukursiu kelionių lentelę (trips
), kuriame bus saugomas kelionių taksi duomenų rinkinys naudojant žurnalo variklį.
$ 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;
Tada ištraukiu ir įkeliu kiekvieną CSV failą į kelionės lentelę (trips
). Toliau nurodytas veiksmas buvo atliktas per 55 minutes ir 10 sekundžių. Po šios operacijos duomenų katalogo dydis buvo 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)
Importavimo greitis buvo 155 MB nesuspausto CSV turinio per sekundę. Įtariu, kad tai įvyko dėl GZIP dekompresijos kliūties. Gal būtų buvę greičiau išpakuoti visus gzip failus lygiagrečiai naudojant xargs ir įkelti išpakuotus duomenis. Toliau pateikiamas aprašymas, kas buvo pranešta importuojant 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
Prieš tęsdamas ištrinsiu originalius CSV failus, atlaisvinsiu vietos NVMe diske.
$ sudo rm -fr /ch/csv
Konvertuoti į stulpelio formą
Log ClickHouse variklis saugos duomenis į eilutes orientuotu formatu. Norėdami greičiau pateikti duomenų užklausas, konvertuoju juos į stulpelio formatą naudodamas MergeTree variklį.
$ clickhouse-client --host=0.0.0.0
Toliau seka buvo atlikta per 34 minutes ir 50 sekundžių. Po šios operacijos duomenų katalogo dydis buvo 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;
Štai kaip atrodė žvilgsnio išvestis operacijos metu:
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)
Paskutiniame bandyme keli stulpeliai buvo konvertuoti ir perskaičiuoti. Radau, kad kai kurios iš šių funkcijų šiame duomenų rinkinyje nebeveikia taip, kaip tikėtasi. Norėdami išspręsti šią problemą, pašalinau netinkamas funkcijas ir įkėliau duomenis nekonvertuodamas į smulkesnius tipus.
Duomenų paskirstymas klasteryje
Duomenis paskirstysiu visuose trijuose klasterio mazguose. Norėdami pradėti, žemiau sukursiu lentelę apie visas tris mašinas.
$ 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);
Tada įsitikinsiu, kad pirmasis serveris gali matyti visus tris klasterio mazgus.
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:
Tada pirmame serveryje nustatysiu naują lentelę, pagrįstą schema trips_mergetree_third
ir naudoja paskirstytą variklį.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());
Tada nukopijuosiu duomenis iš MergeTree pagrįstos lentelės į visus tris serverius. Tai buvo atlikta per 34 minutes ir 44 sekundes.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;
Po pirmiau nurodytos operacijos „ClickHouse“ daviau 15 minučių, kad atsitrauktų nuo maksimalaus saugojimo lygio žymos. Duomenų katalogai kiekviename iš trijų serverių buvo atitinkamai 264 GB, 34 GB ir 33 GB.
„ClickHouse“ klasterio našumo įvertinimas
Tai, ką pamačiau vėliau, buvo greičiausias laikas, kai kiekvieną užklausą lentelėje paleidau kelis kartus trips_mergetree_x3
.
$ clickhouse-client --host=0.0.0.0
Šis užbaigtas per 2.449 sek.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;
Šis užbaigtas per 0.691 sek.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;
Toliau nurodytas veiksmas atliktas per 0 sekundės.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;
Šis užbaigtas per 0.983 sek.
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;
Palyginimui, aš vykdžiau tas pačias užklausas MergeTree pagrįstoje lentelėje, kuri yra tik pirmame serveryje.
Vieno ClickHouse mazgo našumo įvertinimas
Tai, ką pamačiau vėliau, buvo greičiausias laikas, kai kiekvieną užklausą lentelėje paleidau kelis kartus trips_mergetree_x3
.
Šis užbaigtas per 0.241 sek.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;
Šis užbaigtas per 0.826 sek.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;
Šis užbaigtas per 1.209 sek.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;
Šis užbaigtas per 1.781 sek.
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;
Apmąstymai apie rezultatus
Tai pirmas kartas, kai mano bandymuose nemokama CPU pagrįsta duomenų bazė sugebėjo pranokti GPU duomenų bazę. Nuo to laiko ta GPU pagrįsta duomenų bazė buvo peržiūrėta du kartus, tačiau „ClickHouse“ našumas viename mazge vis dėlto yra labai įspūdingas.
Tuo pačiu metu, kai vykdoma 1 užklausa paskirstytame variklyje, pridėtinės išlaidos yra daug didesnės. Tikiuosi, kad kai ką praleidau tyrinėdamas šį įrašą, nes būtų malonu, kad užklausų laikas sumažėtų, kai į klasterį įtraukiu daugiau mazgų. Tačiau puiku, kad vykdant kitas užklausas našumas išaugo apie 2 kartus.
Būtų puiku, jei „ClickHouse“ vystytųsi taip, kad galėtų atskirti saugyklą ir skaičiuoti, kad galėtų savarankiškai keisti mastelį. HDFS palaikymas, kuris buvo pridėtas pernai, galėtų būti žingsnis to link. Kalbant apie skaičiavimą, jei vieną užklausą galima paspartinti pridedant daugiau mazgų į klasterį, šios programinės įrangos ateitis yra labai šviesi.
Dėkojame, kad skyrėte laiko perskaityti šį įrašą. Siūlau konsultavimo, architektūros ir praktikos vystymo paslaugas klientams Šiaurės Amerikoje ir Europoje. Jei norite aptarti, kaip mano pasiūlymai gali padėti jūsų verslui, susisiekite su manimi per
Šaltinis: www.habr.com