🥇1.1 अब्ज टॅक्सी राइड्स: 108-कोर क्लिकहाऊस क्लस्टर

लेखाचा अनुवाद विशेषतः अभ्यासक्रमाच्या विद्यार्थ्यांसाठी तयार केला होता डेटा अभियंता.

क्लिकहाऊस एक मुक्त स्रोत स्तंभीय डेटाबेस आहे. हे एक उत्तम वातावरण आहे जिथे शेकडो विश्लेषक त्वरीत तपशीलवार डेटाची क्वेरी करू शकतात, जरी दररोज कोट्यवधी नवीन रेकॉर्ड प्रविष्ट केले जातात. अशा प्रणालीला समर्थन देण्यासाठी पायाभूत सुविधांचा खर्च दरवर्षी $100 इतका जास्त असू शकतो आणि वापरावर अवलंबून निम्मा. एका क्षणी, यांडेक्स मेट्रिक्सच्या क्लिकहाऊस इंस्टॉलेशनमध्ये 10 ट्रिलियन रेकॉर्ड होते. यांडेक्स व्यतिरिक्त, क्लिकहाऊसला ब्लूमबर्ग आणि क्लाउडफ्लेअरसह देखील यश मिळाले आहे.

दोन वर्षांपूर्वी मी खर्च केला तुलनात्मक विश्लेषण एक मशीन वापरून डेटाबेस, आणि ते बनले सर्वात गतिमान मी कधीही पाहिलेले मोफत डेटाबेस सॉफ्टवेअर. तेव्हापासून, विकासकांनी काफ्का, HDFS आणि ZStandard कॉम्प्रेशनसाठी समर्थनासह वैशिष्ट्ये जोडणे सुरू ठेवले आहे. गेल्या वर्षी त्यांनी कॅस्केडिंग कॉम्प्रेशन पद्धतींसाठी समर्थन जोडले, आणि डेल्टा पासून डेल्टा कोडिंग शक्य झाले. टाइम सीरीज डेटा संकुचित करताना, डेल्टा एन्कोडिंग वापरून गेज मूल्ये चांगल्या प्रकारे संकुचित केली जाऊ शकतात, परंतु काउंटरसाठी डेल्टा-बाय-डेल्टा एन्कोडिंग वापरणे चांगले होईल. क्लिकहाऊसच्या कार्यक्षमतेसाठी चांगले कॉम्प्रेशन ही गुरुकिल्ली बनली आहे.

क्लिकहाऊसमध्ये तृतीय-पक्ष लायब्ररी वगळून, C++ कोडच्या 170 हजार ओळींचा समावेश आहे आणि सर्वात लहान वितरित डेटाबेस कोडबेसपैकी एक आहे. तुलनेत, SQLite वितरणास समर्थन देत नाही आणि C कोडच्या 235 हजार ओळींचा समावेश आहे. या लेखनानुसार, 207 अभियंत्यांनी ClickHouse मध्ये योगदान दिले आहे, आणि कमिटची तीव्रता अलीकडे वाढत आहे.

मार्च 2017 मध्ये, क्लिकहाऊस आयोजित करण्यास सुरुवात झाली चेंजलॉग विकासाचा मागोवा ठेवण्याचा एक सोपा मार्ग म्हणून. त्यांनी मार्कडाउन-आधारित फाइल पदानुक्रमात मोनोलिथिक दस्तऐवजीकरण फाइल देखील तोडली. GitHub द्वारे समस्या आणि वैशिष्ट्यांचा मागोवा घेतला जातो आणि सर्वसाधारणपणे सॉफ्टवेअर गेल्या काही वर्षांत अधिक प्रवेशयोग्य बनले आहे.

या लेखात, मी 2-कोर प्रोसेसर आणि NVMe स्टोरेज वापरून AWS EC36 वरील क्लिकहाऊस क्लस्टरच्या कामगिरीवर एक नजर टाकणार आहे.

अद्यतन: मूळत: हे पोस्ट प्रकाशित केल्यानंतर एका आठवड्यानंतर, मी सुधारित कॉन्फिगरेशनसह चाचणी पुन्हा केली आणि बरेच चांगले परिणाम प्राप्त केले. हे बदल प्रतिबिंबित करण्यासाठी हे पोस्ट अद्यतनित केले गेले आहे.

AWS EC2 क्लस्टर लाँच करत आहे

मी या पोस्टसाठी तीन c5d.9xlarge EC2 उदाहरणे वापरणार आहे. त्या प्रत्येकामध्ये 36 आभासी CPU, 72 GB RAM, 900 GB NVMe SSD स्टोरेज आणि 10 Gigabit नेटवर्कला सपोर्ट आहे. मागणीनुसार चालत असताना त्यांची किंमत eu-west-1,962 प्रदेशात प्रत्येकी $1/तास आहे. मी ऑपरेटिंग सिस्टम म्हणून उबंटू सर्व्हर 16.04 LTS वापरणार आहे.

फायरवॉल कॉन्फिगर केले आहे जेणेकरून प्रत्येक मशीन निर्बंधांशिवाय एकमेकांशी संवाद साधू शकेल आणि फक्त माझा IPv4 पत्ता क्लस्टरमध्ये SSH द्वारे व्हाइटलिस्ट केला आहे.

ऑपरेशनल रेडिनेस स्थितीत NVMe ड्राइव्ह

क्लिकहाऊस कार्य करण्यासाठी, मी प्रत्येक सर्व्हरवरील NVMe ड्राइव्हवर EXT4 स्वरूपात फाइल प्रणाली तयार करेन.

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

एकदा सर्वकाही कॉन्फिगर केल्यावर, तुम्ही प्रत्येक सिस्टमवर माउंट पॉइंट आणि 783 GB जागा उपलब्ध पाहू शकता.

$ 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

मी या चाचणीमध्ये वापरत असलेला डेटासेट हा एक डेटा डंप आहे जो मी न्यूयॉर्क शहरात सहा वर्षांत घेतलेल्या 1.1 अब्ज टॅक्सी राइड्समधून तयार केला आहे. ब्लॉगवर रेडशिफ्टमध्ये एक अब्ज टॅक्सी ट्रिप मी हा डेटा संच कसा गोळा केला याचे तपशील. ते AWS S3 मध्ये संग्रहित आहेत, म्हणून मी माझ्या प्रवेश आणि गुप्त की सह AWS CLI कॉन्फिगर करेन.

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

मी क्लायंटची समवर्ती विनंती मर्यादा 100 वर सेट करेन जेणेकरून फायली डीफॉल्ट सेटिंग्जपेक्षा जलद डाउनलोड होतील.

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

मी AWS S3 वरून टॅक्सी राइड्स डेटासेट डाउनलोड करेन आणि पहिल्या सर्व्हरवरील NVMe ड्राइव्हवर संग्रहित करेन. हा डेटासेट GZIP-संकुचित CSV फॉरमॅटमध्ये ~104GB आहे.

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

घर स्थापना क्लिक करा

मी Java 8 साठी OpenJDK वितरण स्थापित करेन कारण ते Apache ZooKeeper चालवण्यासाठी आवश्यक आहे, जे तीनही मशीनवर क्लिकहाऊसच्या वितरित स्थापनेसाठी आवश्यक आहे.

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

मग मी पर्यावरण व्हेरिएबल सेट केले JAVA_HOME.

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

त्यानंतर मी तिन्ही मशीनवर क्लिकहाऊस 18.16.1, ग्लान्सेस आणि झूकीपर स्थापित करण्यासाठी उबंटूची पॅकेज व्यवस्थापन प्रणाली वापरेन.

$ 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

मी क्लिकहाऊससाठी एक निर्देशिका तयार करेन आणि तिन्ही सर्व्हरवर काही कॉन्फिगरेशन ओव्हरराइड देखील करेन.

$ 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

हे कॉन्फिगरेशन ओव्हरराइड्स आहेत जे मी वापरणार आहे.

<?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>

त्यानंतर मी तिन्ही मशीनवर ZooKeeper आणि ClickHouse सर्व्हर चालवीन.

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

ClickHouse वर डेटा अपलोड करत आहे

पहिल्या सर्व्हरवर मी एक ट्रिप टेबल तयार करेन (trips), जे लॉग इंजिन वापरून टॅक्सी ट्रिपचा डेटासेट संचयित करेल.

$ 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;

मी नंतर प्रत्येक CSV फाइल्स ट्रिप टेबलमध्ये काढतो आणि लोड करतो (trips). खालील 55 मिनिटे 10 सेकंदात पूर्ण झाले. या ऑपरेशननंतर, डेटा निर्देशिकेचा आकार 134 जीबी होता.

$ 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 गती 155 MB असंपीडित CSV सामग्री प्रति सेकंद होती. मला शंका आहे की हे GZIP डीकंप्रेशनमधील अडथळ्यामुळे झाले आहे. xargs वापरून सर्व gzipped फाइल्स समांतरपणे अनझिप करणे आणि नंतर अनझिप केलेला डेटा लोड करणे जलद झाले असते. खाली CSV आयात प्रक्रियेदरम्यान काय नोंदवले गेले त्याचे वर्णन आहे.

$ 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

मी सुरू ठेवण्यापूर्वी मूळ CSV फाइल्स हटवून NVMe ड्राइव्हवर जागा मोकळी करेन.

$ sudo rm -fr /ch/csv

कॉलम फॉर्ममध्ये रूपांतरित करा

लॉग क्लिकहाऊस इंजिन पंक्ती-ओरिएंटेड फॉरमॅटमध्ये डेटा संचयित करेल. डेटा जलद क्वेरी करण्यासाठी, मी MergeTree इंजिन वापरून स्तंभीय स्वरूपात रूपांतरित करतो.

$ clickhouse-client --host=0.0.0.0

खालील 34 मिनिटे 50 सेकंदात पूर्ण झाले. या ऑपरेशननंतर, डेटा निर्देशिकेचा आकार 237 जीबी होता.

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 दरम्यान ग्लान्स आउटपुट असे दिसते:

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)

शेवटच्या चाचणीत, अनेक स्तंभ रूपांतरित आणि पुनर्गणना करण्यात आले. मला आढळले की यापैकी काही कार्ये या डेटासेटवर अपेक्षेप्रमाणे कार्य करत नाहीत. या समस्येचे निराकरण करण्यासाठी, मी अयोग्य कार्ये काढली आणि अधिक दाणेदार प्रकारांमध्ये रूपांतरित न करता डेटा लोड केला.

संपूर्ण क्लस्टरमध्ये डेटाचे वितरण

मी सर्व तीन क्लस्टर नोड्समध्ये डेटा वितरित करेन. सुरू करण्यासाठी, खाली मी तिन्ही मशीनवर एक टेबल तयार करेन.

$ 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);

मग मी खात्री करून घेईन की पहिला सर्व्हर क्लस्टरमधील तीनही नोड पाहू शकेल.

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:

मग मी स्कीमावर आधारित पहिल्या सर्व्हरवर एक नवीन टेबल परिभाषित करेन trips_mergetree_third आणि वितरित इंजिन वापरते.

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

त्यानंतर मी MergeTree आधारित टेबलमधील डेटा तिन्ही सर्व्हरवर कॉपी करेन. खालील 34 मिनिटे आणि 44 सेकंदात पूर्ण झाले.

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

वरील ऑपरेशननंतर, मी क्लिकहाऊसला कमाल स्टोरेज पातळी चिन्हापासून दूर जाण्यासाठी 15 मिनिटे दिली. प्रत्येक तीन सर्व्हरवर डेटा निर्देशिका अनुक्रमे 264 GB, 34 GB आणि 33 GB झाल्या.

क्लिकहाऊस क्लस्टर कार्यप्रदर्शन मूल्यमापन

मी पुढे जे पाहिले ते मी प्रत्येक क्वेरी अनेक वेळा टेबलवर चालवताना पाहिलेली सर्वात वेगवान वेळ होती trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

खालील 2.449 सेकंदात पूर्ण झाले.

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

खालील 0.691 सेकंदात पूर्ण झाले.

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

खालील ०.५८२ सेकंदात पूर्ण झाले.

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

खालील 0.983 सेकंदात पूर्ण झाले.

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;

तुलनेसाठी, मी फक्त पहिल्या सर्व्हरवर असलेल्या MergeTree-आधारित टेबलवर समान क्वेरी चालवल्या.

एका क्लिकहाऊस नोडचे कार्यप्रदर्शन मूल्यमापन

खालील 0.241 सेकंदात पूर्ण झाले.

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

खालील 0.826 सेकंदात पूर्ण झाले.

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

खालील 1.209 सेकंदात पूर्ण झाले.

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

खालील 1.781 सेकंदात पूर्ण झाले.

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;

परिणामांचे प्रतिबिंब

माझ्या चाचण्यांमध्ये मोफत CPU-आधारित डेटाबेस GPU-आधारित डेटाबेसला मागे टाकण्याची ही पहिलीच वेळ आहे. तो GPU-आधारित डेटाबेस तेव्हापासून दोन आवर्तनांमधून गेला आहे, परंतु क्लिकहाऊसने एकाच नोडवर दिलेली कामगिरी तरीही खूप प्रभावी आहे.

त्याच वेळी, वितरित इंजिनवर क्वेरी 1 कार्यान्वित करताना, ओव्हरहेड खर्च अधिक परिमाणाचा क्रम असतो. मला आशा आहे की या पोस्टसाठी माझ्या संशोधनात काहीतरी चुकले आहे कारण क्लस्टरमध्ये अधिक नोड्स जोडल्यामुळे क्वेरीच्या वेळा कमी होत असल्याचे पाहणे चांगले होईल. तथापि, हे छान आहे की इतर क्वेरी कार्यान्वित करताना, कामगिरी सुमारे 2 पट वाढली.

क्लिकहाऊस वेगळे स्टोरेज आणि गणना करण्यास सक्षम होण्याच्या दिशेने विकसित होत आहे हे पाहून आनंद होईल जेणेकरून ते स्वतंत्रपणे स्केल करू शकतील. एचडीएफएस समर्थन, जे मागील वर्षी जोडले गेले होते, हे या दिशेने एक पाऊल असू शकते. कॉम्प्युटिंगच्या बाबतीत, क्लस्टरमध्ये अधिक नोड्स जोडून एकाच क्वेरीला गती दिली जाऊ शकते, तर या सॉफ्टवेअरचे भविष्य खूप उज्ज्वल आहे.

ही पोस्ट वाचण्यासाठी वेळ दिल्याबद्दल धन्यवाद. मी उत्तर अमेरिका आणि युरोपमधील ग्राहकांना सल्ला, आर्किटेक्चर आणि सराव विकास सेवा ऑफर करतो. माझ्या सूचना तुमच्या व्यवसायाला कशी मदत करू शकतात यावर तुम्हाला चर्चा करायची असल्यास, कृपया माझ्याशी संपर्क साधा संलग्न.

स्त्रोत: www.habr.com

1.1 अब्ज टॅक्सी ट्रिप: 108-कोर क्लिकहाऊस क्लस्टर