ProHoster > Blogs > Administrācija > 1.1 miljards taksometru braucienu: 108 kodolu ClickHouse klasteris

1.1 miljards taksometru braucienu: 108 kodolu ClickHouse klasteris

Raksta tulkojums tika sagatavots speciāli kursa studentiem Datu inženieris.

1.1 miljards taksometru braucienu: 108 kodolu ClickHouse klasteris

NoklikŔķiniet uz Māja ir atvērtā koda kolonnu datubāze. Tā ir lieliska vide, kurā simtiem analÄ«tiÄ·u var ātri pieprasÄ«t detalizētus datus, pat ja dienā tiek ievadÄ«ti desmitiem miljardu jaunu ierakstu. InfrastruktÅ«ras izmaksas, lai atbalstÄ«tu Ŕādu sistēmu, varētu sasniegt USD 100 10 gadā un, iespējams, uz pusi mazāk, atkarÄ«bā no lietojuma. Vienā brÄ«dÄ« ClickHouse instalācijā no Yandex Metrics bija XNUMX triljoni ierakstu. Papildus Yandex, ClickHouse ir guvusi panākumus arÄ« ar Bloomberg un Cloudflare.

Pirms diviem gadiem es pavadÄ«ju salÄ«dzinoŔā analÄ«ze datu bāzes, izmantojot vienu maŔīnu, un tā kļuva ātrākais bezmaksas datu bāzes programmatÅ«ra, ko es jebkad esmu redzējis. KopÅ” tā laika izstrādātāji nav pārtraukuÅ”i pievienot funkcijas, tostarp atbalstu Kafka, HDFS un ZStandard kompresijai. PagājuÅ”ajā gadā viņi pievienoja atbalstu kaskādes saspieÅ”anas metodēm un delta-no-delta kodÄ“Å”ana kļuva iespējama. Saspiežot laikrindu datus, mērierīču vērtÄ«bas var labi saspiest, izmantojot delta kodējumu, bet skaitÄ«tājiem labāk bÅ«tu izmantot delta-by-delta kodējumu. Laba saspieÅ”ana ir kļuvusi par ClickHouse veiktspējas atslēgu.

ClickHouse sastāv no 170 tÅ«kstoÅ”iem C++ koda rindiņu, neskaitot treÅ”o puÅ”u bibliotēkas, un tā ir viena no mazākajām izplatÄ«tajām datu bāzes kodu bāzēm. SalÄ«dzinājumam, SQLite neatbalsta izplatÄ«Å”anu un sastāv no 235 tÅ«kstoÅ”iem C koda rindiņu.Å Ä« rakstÄ«Å”anas brÄ«dÄ« ClickHouse ir snieguÅ”i ieguldÄ«jumu 207 inženieri, un pēdējā laikā ir palielinājusies saistÄ«bu intensitāte.

2017. gada martā ClickHouse sāka diriģēt izmaiņu žurnāls kā vienkārÅ”u veidu, kā sekot lÄ«dzi attÄ«stÄ«bai. Viņi arÄ« sadalÄ«ja monolÄ«to dokumentācijas failu uz Markdown balstÄ«tā failu hierarhijā. Problēmas un funkcijas tiek izsekotas, izmantojot GitHub, un kopumā programmatÅ«ra pēdējos gados ir kļuvusi daudz pieejamāka.

Å ajā rakstā es apskatÄ«Å”u ClickHouse klastera veiktspēju AWS EC2, izmantojot 36 kodolu procesorus un NVMe krātuvi.

ATJAUNINĀJUMS: nedēļu pēc Ŕīs ziņas sākotnējās publicÄ“Å”anas es atkārtoti veicu testu ar uzlabotu konfigurāciju un sasniedzu daudz labākus rezultātus. Å Ä« ziņa ir atjaunināta, lai atspoguļotu Ŕīs izmaiņas.

AWS EC2 klastera palaiŔana

Å im ierakstam izmantoÅ”u trÄ«s c5d.9xlarge EC2 gadÄ«jumus. Katrs no tiem satur 36 virtuālos procesorus, 72 GB RAM, 900 GB NVMe SSD atmiņas un atbalsta 10 gigabitu tÄ«klu. Tie maksā 1,962 USD stundā katrs eu-west-1 reÄ£ionā, ja tie darbojas pēc pieprasÄ«juma. Kā operētājsistēmu izmantoÅ”u Ubuntu Server 16.04 LTS.

UgunsmÅ«ris ir konfigurēts tā, lai katra maŔīna varētu sazināties viena ar otru bez ierobežojumiem, un tikai mana IPv4 adrese ir iekļauta klastera baltajā sarakstā SSH.

NVMe disks ir darba gatavības stāvoklī

Lai ClickHouse darbotos, es izveidoÅ”u failu sistēmu EXT4 formātā NVMe diskdzinÄ« katrā no serveriem.

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

Kad viss ir konfigurēts, jūs varat redzēt stiprinājuma punktu un 783 GB pieejamo vietu katrā sistēmā.

$ 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
ā””ā”€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

Datu kopa, ko izmantoÅ”u Å”ajā testā, ir datu izgāztuve, ko esmu Ä£enerējis no 1.1 miljarda taksometra braucienu Ņujorkā seÅ”u gadu laikā. Blogā Viens miljards taksometru braucienu Redshift sÄ«ki aprakstÄ«ts, kā es ievācu Å”o datu kopu. Tie tiek glabāti AWS S3, tāpēc es konfigurÄ“Å”u AWS CLI ar savām piekļuves un slepenajām atslēgām.

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

Es iestatÄ«Å”u klienta vienlaicÄ«go pieprasÄ«jumu ierobežojumu lÄ«dz 100, lai faili tiktu lejupielādēti ātrāk nekā noklusējuma iestatÄ«jumi.

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

Es lejupielādÄ“Å”u taksometru braucienu datu kopu no AWS S3 un saglabāŔu to NVMe diskdzinÄ« pirmajā serverÄ«. Å Ä« datu kopa ir aptuveni 104 GB GZIP saspiestā CSV formātā.

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

ClickHouse uzstādīŔana

Es instalÄ“Å”u OpenJDK izplatÄ«Å”anu Java 8, jo tas ir nepiecieÅ”ams, lai palaistu Apache ZooKeeper, kas ir nepiecieÅ”ams izplatÄ«tai ClickHouse instalÄ“Å”anai visās trÄ«s maŔīnās.

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

Tad es iestatīju vides mainīgo JAVA_HOME.

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

Pēc tam es izmantoÅ”u Ubuntu pakotņu pārvaldÄ«bas sistēmu, lai instalētu ClickHouse 18.16.1, glances un ZooKeeper visās trÄ«s iekārtās.

$ 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

Es izveidoÅ”u ClickHouse direktoriju, kā arÄ« veiksim dažas konfigurācijas ignorÄ“Å”anas visos trÄ«s serveros.

$ 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

Å Ä«s ir konfigurācijas ignorÄ“Å”anas iespējas, kuras es izmantoÅ”u.

<?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>

Pēc tam es palaidÄ«Å”u ZooKeeper un ClickHouse serveri visās trÄ«s maŔīnās.

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

Datu augŔupielāde pakalpojumā ClickHouse

Pirmajā serverī es izveidoŔu ceļojumu tabulu (trips), kurā tiks saglabāta taksometru braucienu datu kopa, izmantojot žurnāla programmu.

$ 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;

Pēc tam es izvilku un ielādēju katru no CSV failiem ceļojuma tabulā (trips). Tālākais tika pabeigts 55 minÅ«tēs un 10 sekundēs. Pēc Ŕīs operācijas datu direktorija lielums bija 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)

ImportÄ“Å”anas ātrums bija 155 MB nesaspiesta CSV satura sekundē. Man ir aizdomas, ka tas notika GZIP dekompresijas vājās vietas dēļ. Iespējams, bÅ«tu bijis ātrāk izpakot visus gzip failus paralēli, izmantojot xargs, un pēc tam ielādēt izspiestos datus. Tālāk ir sniegts apraksts par to, kas tika ziņots CSV importÄ“Å”anas procesa laikā.

$ 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

Pirms turpināŔanas es atbrÄ«voÅ”u vietu NVMe diskdzinÄ«, izdzÄ“Å”ot sākotnējos CSV failus.

$ sudo rm -fr /ch/csv

Konvertēt uz kolonnas formu

Log ClickHouse dzinējs saglabās datus rindā orientētā formātā. Lai ātrāk meklētu datus, es tos pārveidoju kolonnu formātā, izmantojot programmu MergeTree.

$ clickhouse-client --host=0.0.0.0

Tālākais tika pabeigts 34 minÅ«tēs un 50 sekundēs. Pēc Ŕīs operācijas datu direktorija lielums bija 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;

Šādi izskatījās skatiena izvade darbības laikā:

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)

Pēdējā testā vairākas kolonnas tika pārveidotas un pārrēķinātas. Es atklāju, ka dažas no Ŕīm funkcijām Å”ajā datu kopā vairs nedarbojas, kā paredzēts. Lai atrisinātu Å”o problēmu, es noņēmu nepiemērotās funkcijas un ielādēju datus, nepārveidojot uz sÄ«kākiem veidiem.

Datu sadale pa klasteru

Es sadalīŔu datus pa visiem trim klastera mezgliem. Lai sāktu, zemāk es izveidoŔu tabulu par visām trim maŔīnām.

$ 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);

Tad es pārliecināŔos, ka pirmais serveris var redzēt visus trÄ«s klastera mezglus.

SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;
Row 1:
ā”€ā”€ā”€ā”€ā”€ā”€
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:
ā”€ā”€ā”€ā”€ā”€ā”€
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:
ā”€ā”€ā”€ā”€ā”€ā”€
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:

Pēc tam es definÄ“Å”u jaunu tabulu pirmajā serverÄ«, kuras pamatā ir shēma trips_mergetree_third un izmanto Distributed dzinēju.

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

Pēc tam es kopÄ“Å”u datus no MergeTree balstÄ«tās tabulas uz visiem trim serveriem. Tālākais tika pabeigts 34 minÅ«tēs un 44 sekundēs.

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

Pēc iepriekÅ” minētās darbÄ«bas es devu ClickHouse 15 minÅ«tes, lai pārvietotos no maksimālā krātuves lÄ«meņa atzÄ«mes. Datu direktoriju apjoms katrā no trim serveriem bija attiecÄ«gi 264 GB, 34 GB un 33 GB.

ClickHouse klastera veiktspējas novērtējums

Nākamais bija ātrākais laiks, kad katrs vaicājums tabulā tika izpildīts vairākas reizes trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

Tālākais tika pabeigts 2.449 sekundēs.

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

Tālākais tika pabeigts 0.691 sekundēs.

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

Tālākais tika pabeigts 0 sekundēs.

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

Tālākais tika pabeigts 0.983 sekundēs.

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;

Salīdzinājumam es izpildīju tos paŔus vaicājumus uz MergeTree balstītā tabulā, kas atrodas tikai pirmajā serverī.

Viena ClickHouse mezgla veiktspējas novērtējums

Nākamais bija ātrākais laiks, kad katrs vaicājums tabulā tika izpildīts vairākas reizes trips_mergetree_x3.

Tālākais tika pabeigts 0.241 sekundēs.

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

Tālākais tika pabeigts 0.826 sekundēs.

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

Tālākais tika pabeigts 1.209 sekundēs.

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

Tālākais tika pabeigts 1.781 sekundēs.

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;

Pārdomas par rezultātiem

Å Ä« ir pirmā reize, kad bezmaksas uz CPU balstÄ«ta datu bāze manos testos spēja pārspēt uz GPU balstÄ«tu datu bāzi. KopÅ” tā laika Ŕī uz GPU balstÄ«tā datu bāze ir piedzÄ«vojusi divas pārskatÄ«Å”anas, taču veiktspēja, ko ClickHouse nodroÅ”ināja vienā mezglā, tomēr ir ļoti iespaidÄ«ga.

Tajā paŔā laikā, izpildot 1. vaicājumu sadalÄ«tā dzinējā, pieskaitāmās izmaksas ir par lielumu augstākas. Es ceru, ka esmu kaut ko palaidis garām savā izpētē par Å”o ziņu, jo bÅ«tu jauki redzēt, ka vaicājumu laiki samazinās, pievienojot klasterim vairāk mezglu. Tomēr lieliski, ka, izpildot citus vaicājumus, veiktspēja palielinājās apmēram 2 reizes.

BÅ«tu jauki redzēt ClickHouse attÄ«stÄ«bu, lai varētu nodalÄ«t krātuvi un aprēķinus, lai tās varētu mērogot neatkarÄ«gi. HDFS atbalsts, kas tika pievienots pagājuÅ”ajā gadā, varētu bÅ«t solis uz to. Runājot par skaitļoÅ”anu, ja vienu vaicājumu var paātrināt, pievienojot klasterim vairāk mezglu, tad Ŕīs programmatÅ«ras nākotne ir ļoti gaiÅ”a.

Paldies, ka veltÄ«jāt laiku Ŕīs ziņas izlasÄ«Å”anai. Piedāvāju konsultāciju, arhitektÅ«ras un prakses attÄ«stÄ«bas pakalpojumus klientiem Ziemeļamerikā un Eiropā. Ja vēlaties apspriest, kā mani ieteikumi var palÄ«dzēt jÅ«su uzņēmumam, lÅ«dzu, sazinieties ar mani pa LinkedIn.

Avots: www.habr.com

Pievieno komentāru