🥇1.1 बिलियन ट्याक्सी सवारी: 108-कोर क्लिकहाउस क्लस्टर

लेखको अनुवाद पाठ्यक्रमका विद्यार्थीहरूको लागि विशेष गरी तयार गरिएको थियो डाटा इन्जिनियर.

क्लिकहाउस खुला स्रोत स्तम्भ डाटाबेस हो। यो एक उत्कृष्ट वातावरण हो जहाँ सयौं विश्लेषकहरूले द्रुत रूपमा विस्तृत डेटा क्वेरी गर्न सक्छन्, प्रति दिन अरबौं नयाँ रेकर्डहरू प्रविष्ट गर्दा पनि। यस्तो प्रणालीलाई समर्थन गर्न पूर्वाधार लागत प्रति वर्ष $ 100 को रूपमा उच्च हुन सक्छ, र सम्भावित रूपमा प्रयोगको आधारमा आधा। एक बिन्दुमा, Yandex Metrica बाट ClickHouse स्थापनामा 10 ट्रिलियन रेकर्डहरू थिए। यान्डेक्सको अतिरिक्त, क्लिकहाउसले ब्लूमबर्ग र क्लाउडफ्लेयरसँग पनि सफलता पाएको छ।

दुई वर्षअघि बिताएँ तुलनात्मक विश्लेषण डाटाबेस एक मेसिन प्रयोग गरेर, र यो भयो सबैभन्दा छिटो नि: शुल्क डाटाबेस सफ्टवेयर मैले देखेको छु। त्यसबेलादेखि, विकासकर्ताहरूले काफ्का, HDFS र ZStandard कम्प्रेसनको लागि समर्थन सहित सुविधाहरू थप्न जारी राखेका छन्। गत वर्ष तिनीहरूले क्यास्केडिंग कम्प्रेसन विधिहरूको लागि समर्थन थपे, र डेल्टा-बाट-डेल्टा कोडिङ सम्भव भयो। समय श्रृंखला डेटा कम्प्रेस गर्दा, गेज मानहरू डेल्टा एन्कोडिङ प्रयोग गरेर राम्रोसँग कम्प्रेस गर्न सकिन्छ, तर काउन्टरहरूको लागि डेल्टा-द्वारा-डेल्टा सङ्केतन प्रयोग गर्नु राम्रो हुनेछ। राम्रो कम्प्रेसन क्लिकहाउसको प्रदर्शनको लागि कुञ्जी भएको छ।

ClickHouse तेस्रो-पक्ष पुस्तकालयहरू बाहेक, C++ कोडको 170 हजार लाइनहरू समावेश गर्दछ, र सबैभन्दा सानो वितरित डाटाबेस कोडबेसहरू मध्ये एक हो। तुलनामा, SQLite ले वितरणलाई समर्थन गर्दैन र C कोडको 235 हजार लाइनहरू समावेश गर्दछ। यो लेखनको रूपमा, 207 इन्जिनियरहरूले ClickHouse मा योगदान दिएका छन्, र कमिटहरूको तीव्रता हालै बढिरहेको छ।

मार्च 2017 मा, क्लिकहाउसले सञ्चालन गर्न थाल्यो लग परिवर्तन गर्नुहोस् विकासको ट्रयाक राख्नको लागि सजिलो तरिकाको रूपमा। तिनीहरूले मार्कडाउन-आधारित फाइल पदानुक्रममा मोनोलिथिक कागजात फाइललाई पनि तोडेका छन्। मुद्दाहरू र सुविधाहरू GitHub मार्फत ट्र्याक गरिन्छ, र सामान्यतया सफ्टवेयर पछिल्ला केही वर्षहरूमा धेरै पहुँचयोग्य भएको छ।

यस लेखमा, म 2-कोर प्रोसेसरहरू र NVMe भण्डारण प्रयोग गरेर AWS EC36 मा क्लिकहाउस क्लस्टरको प्रदर्शनलाई हेर्न जाँदैछु।

अद्यावधिक: मूल रूपमा यो पोस्ट प्रकाशित गरेको एक हप्ता पछि, मैले सुधारिएको कन्फिगरेसनको साथ परीक्षण पुन: प्राप्त गरें र धेरै राम्रो परिणामहरू प्राप्त गरें। यी परिवर्तनहरू प्रतिबिम्बित गर्न यो पोस्ट अद्यावधिक गरिएको छ।

AWS EC2 क्लस्टर सुरु गर्दै

म यस पोस्टको लागि तीन c5d.9xlarge EC2 उदाहरणहरू प्रयोग गर्नेछु। तिनीहरूमध्ये प्रत्येकमा 36 भर्चुअल CPU, 72 GB RAM, 900 GB NVMe SSD भण्डारण र 10 Gigabit नेटवर्क समर्थन गर्दछ। तिनीहरूको लागत $1,962/घण्टा प्रत्येक eu-west-1 क्षेत्र मा जब माग मा चलिरहेको छ। म Ubuntu Server 16.04 LTS लाई अपरेटिङ सिस्टमको रूपमा प्रयोग गर्नेछु।

फायरवाल कन्फिगर गरिएको छ ताकि प्रत्येक मेसिनले एकअर्कासँग प्रतिबन्ध बिना सञ्चार गर्न सक्छ, र केवल मेरो IPv4 ठेगानालाई क्लस्टरमा SSH द्वारा श्वेतसूचीमा राखिएको छ।

NVMe ड्राइभ परिचालन तयारी अवस्थामा

क्लिकहाउसले काम गर्नको लागि, म प्रत्येक सर्भरमा NVMe ड्राइभमा EXT4 ढाँचामा फाइल प्रणाली सिर्जना गर्नेछु।

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

एकपटक सबै कुरा कन्फिगर भएपछि, तपाइँ प्रत्येक प्रणालीमा माउन्ट पोइन्ट र 783 GB ठाउँ उपलब्ध देख्न सक्नुहुन्छ।

$ 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

मैले यस परीक्षणमा प्रयोग गर्ने डेटासेट भनेको छ वर्षको अवधिमा न्यूयोर्क शहरमा लिइएको १.१ बिलियन ट्याक्सी सवारीबाट उत्पन्न गरेको डाटा डम्प हो। ब्लगमा Redshift मा एक अरब ट्याक्सी यात्रा मैले यो डेटा सेट कसरी सङ्कलन गरें भन्ने विवरण। तिनीहरू AWS S3 मा भण्डारण गरिएका छन्, त्यसैले म मेरो पहुँच र गोप्य कुञ्जीहरूसँग AWS CLI कन्फिगर गर्नेछु।

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

म ग्राहकको समवर्ती अनुरोध सीमा 100 मा सेट गर्नेछु ताकि फाइलहरू पूर्वनिर्धारित सेटिङहरू भन्दा छिटो डाउनलोड होस्।

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

म AWS S3 बाट ट्याक्सी राइड डेटासेट डाउनलोड गर्नेछु र यसलाई पहिलो सर्भरमा रहेको NVMe ड्राइभमा भण्डारण गर्नेछु। यो डेटासेट GZIP-कम्प्रेस गरिएको CSV ढाँचामा ~104GB छ।

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

हाउस स्थापना क्लिक गर्नुहोस्

म Java 8 को लागि OpenJDK वितरण स्थापना गर्नेछु किनकि यो Apache ZooKeeper चलाउन आवश्यक छ, जुन सबै तीन मेसिनहरूमा ClickHouse को वितरित स्थापनाको लागि आवश्यक छ।

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

त्यसपछि मैले वातावरण चर सेट गरें JAVA_HOME.

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

म त्यसपछि क्लिकहाउस 18.16.1, Glances र ZooKeeper सबै तीन मेसिनहरूमा स्थापना गर्न Ubuntu को प्याकेज व्यवस्थापन प्रणाली प्रयोग गर्नेछु।

$ 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

म क्लिकहाउसको लागि डाइरेक्टरी सिर्जना गर्नेछु र सबै तीन सर्भरहरूमा केही कन्फिगरेसन ओभरराइडहरू पनि गर्नेछु।

$ 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

यी कन्फिगरेसन ओभरराइडहरू हुन् जुन म प्रयोग गर्नेछु।

<?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>

म त्यसपछि सबै तीन मेसिनहरूमा ZooKeeper र ClickHouse सर्भर चलाउनेछु।

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

ClickHouse मा डाटा अपलोड गर्दै

पहिलो सर्भरमा म यात्रा तालिका सिर्जना गर्नेछु (trips), जसले लग इन्जिन प्रयोग गरेर ट्याक्सी यात्राहरूको डेटासेट भण्डार गर्नेछ।

$ 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;

त्यसपछि मैले प्रत्येक CSV फाइलहरूलाई ट्रिप टेबलमा निकालेर लोड गर्छु (trips)। निम्न 55 मिनेट र 10 सेकेन्डमा पूरा भयो। यो सञ्चालन पछि, डाटा डाइरेक्टरी को आकार 134 GB थियो।

$ 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 गति प्रति सेकेन्ड असम्पीडित CSV सामग्रीको 155 MB थियो। मलाई शंका छ कि यो GZIP decompression मा एक बाधा को कारण थियो। xargs प्रयोग गरेर सबै gzipped फाइलहरू समानान्तरमा अनजिप गर्न र त्यसपछि अनजिप गरिएको डाटा लोड गर्न छिटो भएको हुन सक्छ। तल CSV आयात प्रक्रियाको क्रममा के रिपोर्ट गरिएको थियो भनेर वर्णन गरिएको छ।

$ 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

म जारी राख्नु अघि मूल CSV फाइलहरू मेटाएर NVMe ड्राइभमा ठाउँ खाली गर्नेछु।

$ sudo rm -fr /ch/csv

स्तम्भ फारममा रूपान्तरण गर्नुहोस्

लग क्लिकहाउस इन्जिनले पङ्क्ति-उन्मुख ढाँचामा डेटा भण्डारण गर्नेछ। छिटो डाटा क्वेरी गर्न, म यसलाई MergeTree इन्जिन प्रयोग गरेर स्तम्भ ढाँचामा रूपान्तरण गर्छु।

$ clickhouse-client --host=0.0.0.0

निम्न 34 मिनेट 50 सेकेन्डमा पूरा भयो। यो सञ्चालन पछि, डाटा डाइरेक्टरी को आकार 237 GB थियो।

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;

यो अपरेशनको समयमा झलक आउटपुट जस्तो देखिन्थ्यो:

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)

पछिल्लो परीक्षणमा, धेरै स्तम्भहरू रूपान्तरण र पुन: गणना गरियो। मैले फेला पारे कि यी मध्ये केहि प्रकार्यहरूले अब यो डेटासेटमा अपेक्षित रूपमा काम गर्दैनन्। यो समस्या समाधान गर्न, मैले अनुपयुक्त प्रकार्यहरू हटाएँ र थप दानेदार प्रकारहरूमा रूपान्तरण नगरी डाटा लोड गरें।

क्लस्टर भर डाटा वितरण

म सबै तीन क्लस्टर नोडहरूमा डाटा वितरण गर्नेछु। सुरु गर्नको लागि, तल म सबै तीन मेसिनहरूमा तालिका सिर्जना गर्नेछु।

$ 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);

त्यसपछि म निश्चित गर्नेछु कि पहिलो सर्भरले क्लस्टरमा सबै तीन नोडहरू देख्न सक्छ।

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:

त्यसपछि म स्किमामा आधारित पहिलो सर्भरमा नयाँ तालिका परिभाषित गर्नेछु trips_mergetree_third र वितरित इन्जिन प्रयोग गर्दछ।

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

म त्यसपछि MergeTree आधारित तालिकाबाट सबै तीन सर्भरहरूमा डाटा प्रतिलिपि गर्नेछु। निम्न 34 मिनेट र 44 सेकेन्डमा पूरा भयो।

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

माथिको अपरेशन पछि, मैले क्लिकहाउसलाई अधिकतम भण्डारण स्तर चिन्हबाट टाढा जान 15 मिनेट दिएँ। प्रत्येक तीन सर्भरमा डाटा डाइरेक्टरीहरू क्रमशः २६४ जीबी, ३४ जीबी र ३३ जीबी भएको थियो।

क्लिकहाउस क्लस्टर कार्यसम्पादन मूल्याङ्कन

मैले अर्को के देखेँ त्यो सबैभन्दा छिटो समय हो जुन मैले टेबलमा प्रत्येक क्वेरी धेरै पटक चलाएको देखेको छु trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

निम्न 2.449 सेकेन्डमा पूरा भयो।

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

निम्न 0.691 सेकेन्डमा पूरा भयो।

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

निम्न ०.५८२ सेकेन्डमा पूरा भयो।

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

निम्न 0.983 सेकेन्डमा पूरा भयो।

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;

तुलनाको लागि, मैले मर्जट्री-आधारित तालिकामा उही प्रश्नहरू चलाएँ जुन पहिलो सर्भरमा मात्र रहन्छ।

एक क्लिकहाउस नोडको प्रदर्शन मूल्याङ्कन

निम्न 0.241 सेकेन्डमा पूरा भयो।

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

निम्न 0.826 सेकेन्डमा पूरा भयो।

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

निम्न 1.209 सेकेन्डमा पूरा भयो।

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

निम्न 1.781 सेकेन्डमा पूरा भयो।

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;

परिणामहरूमा प्रतिबिम्ब

यो पहिलो पटक हो कि एक नि: शुल्क CPU-आधारित डाटाबेसले मेरो परीक्षणहरूमा GPU-आधारित डाटाबेसलाई बाहिर निकाल्न सक्षम भएको थियो। त्यो GPU-आधारित डाटाबेस त्यसबेलादेखि दुईवटा संशोधनहरू मार्फत गएको छ, तर क्लिकहाउसले एकल नोडमा डेलिभर गरेको प्रदर्शन तैपनि धेरै प्रभावशाली छ।

एकै समयमा, वितरित इन्जिनमा क्वेरी 1 कार्यान्वयन गर्दा, ओभरहेड लागतहरू उच्च परिमाणको आदेश हो। मलाई आशा छ कि मैले यस पोष्टको लागि मेरो अनुसन्धानमा केहि छुटेको छु किनभने मैले क्लस्टरमा थप नोडहरू थप्दा क्वेरी समय घटेको देख्दा राम्रो हुनेछ। यद्यपि, यो राम्रो छ कि अन्य प्रश्नहरू कार्यान्वयन गर्दा, प्रदर्शन लगभग 2 गुणा बढ्यो।

क्लिकहाउस अलग्गै भण्डारण र गणना गर्न सक्षम हुने दिशामा विकसित भएको हेर्न पाउँदा राम्रो हुनेछ ताकि तिनीहरू स्वतन्त्र रूपमा मापन गर्न सकून्। HDFS समर्थन, जुन गत वर्ष थपिएको थियो, यसतर्फ एक कदम हुन सक्छ। कम्प्युटिङको सन्दर्भमा, यदि क्लस्टरमा थप नोडहरू थपेर एउटै प्रश्नलाई गति दिन सकिन्छ भने, यो सफ्टवेयरको भविष्य धेरै उज्ज्वल छ।

यो पोस्ट पढ्नको लागि समय दिनुभएकोमा धन्यवाद। म उत्तरी अमेरिका र युरोपका ग्राहकहरूलाई परामर्श, वास्तुकला, र अभ्यास विकास सेवाहरू प्रदान गर्दछु। यदि तपाइँ मेरो सुझावहरूले तपाइँको व्यवसायलाई कसरी मद्दत गर्न सक्छ भनेर छलफल गर्न चाहनुहुन्छ भने, कृपया मलाई मार्फत सम्पर्क गर्नुहोस् LinkedIn.

स्रोत: www.habr.com

1.1 बिलियन ट्याक्सी यात्राहरू: 108-कोर क्लिकहाउस क्लस्टर