Преводот на статијата е подготвен специјално за студентите на курсот
Пред две години потрошив
ClickHouse се состои од 170 илјади линии C++ код, со исклучок на библиотеки од трети страни, и е една од најмалите дистрибуирани бази на кодови на бази на податоци. За споредба, SQLite не поддржува дистрибуција и се состои од 235 илјади линии C код. До моментот на пишување, 207 инженери придонесоа за ClickHouse, а интензитетот на обврските неодамна се зголемува.
Во март 2017 година, ClickHouse започна да спроведува
Во оваа статија, ќе ги разгледам перформансите на кластерот ClickHouse на AWS EC2 со помош на процесори со 36 јадра и складирање NVMe.
АЖУРИРАЊЕ: Една недела откако првично го објавив овој пост, повторно го извршив тестот со подобрена конфигурација и постигнав многу подобри резултати. Оваа објава е ажурирана за да ги одразува овие промени.
Лансирање на AWS EC2 кластер
Ќе користам три примероци на c5d.9xlarge EC2 за овој пост. Секој од нив содржи 36 виртуелни процесори, 72 GB RAM, 900 GB складирање на NVMe SSD и поддржува 10 гигабитна мрежа. Тие чинат по 1,962 долари/час во регионот eu-west-1 кога работат на барање. Ќе користам Ubuntu Server 16.04 LTS како оперативен систем.
Заштитниот ѕид е конфигуриран така што секоја машина може да комуницира меѓу себе без ограничувања, а само мојата IPv4 адреса е ставена на белата листа од SSH во кластерот.
NVMe погон во состојба на оперативна подготвеност
За да работи ClickHouse, ќе создадам датотечен систем во формат EXT4 на NVMe диск на секој од серверите.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch
Откако сè ќе се конфигурира, можете да ја видите точката на монтирање и 783 GB простор достапни на секој систем.
$ 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
Базата на податоци што ќе ја користам во овој тест е депонија на податоци што ја создадов од 1.1 милијарда возења со такси направени во Њујорк во текот на шест години. На блогот
$ sudo apt update
$ sudo apt install awscli
$ aws configure
Ќе го поставам лимитот за истовремени барања на клиентот на 100, така што датотеките се преземаат побрзо од стандардните поставки.
$ aws configure set
default.s3.max_concurrent_requests
100
Ќе ја преземам базата на податоци за возење такси од AWS S3 и ќе ја складирам на NVMe погон на првиот сервер. Оваа база на податоци е ~104 GB во GZIP-компресиран CSV формат.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv
Инсталација на ClickHouse
Ќе ја инсталирам дистрибуцијата OpenJDK за Java 8 како што е потребна за да се стартува Apache ZooKeeper, што е потребно за дистрибуирана инсталација на ClickHouse на сите три машини.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Потоа ја поставив променливата на околината JAVA_HOME
.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile
Потоа ќе го користам системот за управување со пакети на Ubuntu за да инсталирам ClickHouse 18.16.1, Glances и ZooKeeper на сите три машини.
$ 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
Ќе создадам директориум за ClickHouse, а исто така ќе направам некои отфрлања на конфигурацијата на сите три сервери.
$ 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
Ова се отфрлањата на конфигурацијата што ќе ги користам.
<?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>
Потоа ќе ги стартувам ZooKeeper и серверот ClickHouse на сите три машини.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start
Поставување податоци во ClickHouse
На првиот сервер ќе создадам табела за патување (trips
), кој ќе складира база на податоци од патувања со такси користејќи го моторот Log.
$ 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;
Потоа ја извлекувам и вчитувам секоја од CSV-датотеките во табела за патување (trips
). Следното беше завршено за 55 минути и 10 секунди. По оваа операција, големината на директориумот со податоци беше 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)
Брзината на увоз беше 155 MB некомпресирана CSV содржина во секунда. Се сомневам дека ова се должи на тесно грло во декомпресија на GZIP. Можеби беше побрзо да ги отпакувате сите gzipped датотеки паралелно со помош на xargs и потоа да ги вчитате отпакуваните податоци. Подолу е опис на она што беше пријавено за време на процесот на увоз на 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
Ќе ослободам простор на уредот NVMe со бришење на оригиналните CSV-датотеки пред да продолжам.
$ sudo rm -fr /ch/csv
Конвертирај во форма на колона
Моторот Log ClickHouse ќе складира податоци во формат ориентиран кон ред. За побрзо пребарување на податоците, ги претворам во колонообразен формат користејќи го моторот MergeTree.
$ clickhouse-client --host=0.0.0.0
Следното беше комплетирано за 34 минути и 50 секунди. По оваа операција, големината на директориумот со податоци беше 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;
Еве како изгледаше излезот со поглед за време на операцијата:
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)
Во последниот тест, неколку колони беа конвертирани и повторно пресметани. Открив дека некои од овие функции повеќе не работат како што се очекуваше на оваа база на податоци. За да го решам овој проблем, ги отстранив несоодветните функции и ги вчитав податоците без да ги претворам во повеќе грануларни типови.
Дистрибуција на податоци низ кластерот
Ќе ги дистрибурам податоците низ сите три јазли на кластерот. За почеток, подолу ќе создадам табела за сите три машини.
$ 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);
Потоа ќе се уверам дека првиот сервер може да ги види сите три јазли во кластерот.
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:
Потоа ќе дефинирам нова табела на првиот сервер што се базира на шемата trips_mergetree_third
и го користи Distributed моторот.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());
Потоа ќе ги копирам податоците од табелата базирана на MergeTree на сите три сервери. Следното беше комплетирано за 34 минути и 44 секунди.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;
По горенаведената операција, му дадов на ClickHouse 15 минути да се оддалечи од ознаката за максимално ниво на складирање. Директориумите со податоци завршија со 264 GB, 34 GB и 33 GB соодветно на секој од трите сервери.
Оценка на перформансите на кластерот ClickHouse
Она што го видов следно беше најбрзото време што сум го видел да го извршува секое барање на маса повеќе пати trips_mergetree_x3
.
$ clickhouse-client --host=0.0.0.0
Следното заврши за 2.449 секунди.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;
Следното заврши за 0.691 секунди.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;
Следното заврши за 0 секунди.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;
Следното заврши за 0.983 секунди.
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;
За споредба, ги истрчав истите прашања на табела базирана на MergeTree која се наоѓа само на првиот сервер.
Евалуација на перформансите на еден ClickHouse јазол
Она што го видов следно беше најбрзото време што сум го видел да го извршува секое барање на маса повеќе пати trips_mergetree_x3
.
Следното заврши за 0.241 секунди.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;
Следното заврши за 0.826 секунди.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;
Следното заврши за 1.209 секунди.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;
Следното заврши за 1.781 секунди.
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;
Размислувања за резултатите
Ова е првпат бесплатната база на податоци базирана на процесорот да може да ја надмине базата на податоци базирана на графички процесор во моите тестови. Оттогаш, таа база на податоци базирана на графички процесор помина низ две ревизии, но перформансите што ги испорача ClickHouse на еден јазол е сепак многу импресивен.
Во исто време, при извршувањето на барањето 1 на дистрибуиран мотор, режиските трошоци се по ред поголеми. Се надевам дека пропуштив нешто во моето истражување за оваа објава затоа што би било убаво да се видат времињата на барањата се намалуваат додека додавам повеќе јазли во кластерот. Сепак, одлично е што при извршување на други прашања, перформансите се зголемија за околу 2 пати.
Би било убаво да се види како ClickHouse еволуира кон тоа да може да одвои складиште и да пресметува за да можат да се размеруваат независно. Поддршката за HDFS, која беше додадена минатата година, може да биде чекор кон ова. Во однос на пресметките, ако едно барање може да се забрза со додавање на повеќе јазли во кластерот, тогаш иднината на овој софтвер е многу светла.
Ви благодариме што одвоивте време да го прочитате овој пост. Нудам консултантски услуги, архитектура и развојни услуги за пракса на клиенти во Северна Америка и Европа. Ако сакате да разговарате за тоа како моите предлози можат да му помогнат на вашиот бизнис, ве молиме контактирајте ме преку
Извор: www.habr.com