De vertaling van het artikel is speciaal gemaakt voor de studenten van de cursus .
is een open source kolomvormige database. Het is een geweldige omgeving waar honderden analisten snel gedetailleerde gegevens kunnen opvragen, zelfs als er tientallen miljarden nieuwe records per dag worden ingevoerd. De infrastructuurkosten ter ondersteuning van een dergelijk systeem kunnen oplopen tot $100 per jaar, en mogelijk de helft daarvan, afhankelijk van het gebruik. Op een gegeven moment bevatte de ClickHouse-installatie van Yandex Metrics 10 biljoen records. Naast Yandex heeft ClickHouse ook succes geboekt met Bloomberg en Cloudflare.
Twee jaar geleden heb ik doorgebracht databases met behulp van één machine, en dat werd het gratis databasesoftware die ik ooit heb gezien. Sindsdien zijn ontwikkelaars niet gestopt met het toevoegen van functies, waaronder ondersteuning voor Kafka-, HDFS- en ZStandard-compressie. Vorig jaar hebben ze ondersteuning toegevoegd voor trapsgewijze compressiemethoden, en coderen werd mogelijk. Bij het comprimeren van tijdreeksgegevens kunnen meterwaarden goed worden gecomprimeerd met behulp van delta-codering, maar voor tellers zou het beter zijn om delta-voor-delta-codering te gebruiken. Goede compressie is de sleutel geworden tot de prestaties van ClickHouse.
ClickHouse bestaat uit 170 regels C++-code, exclusief bibliotheken van derden, en is een van de kleinste gedistribueerde databasecodebases. Ter vergelijking: SQLite ondersteunt geen distributie en bestaat uit 235 regels code C. Op het moment van schrijven hebben 207 technici bijgedragen aan ClickHouse, en de intensiteit van de commits is de laatste tijd toegenomen.
In maart 2017 begon ClickHouse met dirigeren als een gemakkelijke manier om de ontwikkeling bij te houden. Ze hebben ook het monolithische documentatiebestand opgedeeld in een op Markdown gebaseerde bestandshiΓ«rarchie. Problemen en functies worden bijgehouden via GitHub, en over het algemeen is de software de afgelopen jaren veel toegankelijker geworden.
In dit artikel ga ik kijken naar de prestaties van een ClickHouse-cluster op AWS EC2 met behulp van 36-coreprocessors en NVMe-opslag.
UPDATE: Een week nadat ik dit bericht oorspronkelijk had gepubliceerd, heb ik de test opnieuw uitgevoerd met een verbeterde configuratie en heb ik veel betere resultaten behaald. Dit bericht is bijgewerkt om deze wijzigingen weer te geven.
Lancering van een AWS EC2-cluster
Ik zal voor dit bericht drie c5d.9xlarge EC2-instanties gebruiken. Elk van hen bevat 36 virtuele CPU's, 72 GB RAM, 900 GB NVMe SSD-opslag en ondersteunt een 10 Gigabit-netwerk. Ze kosten elk $ 1,962/uur in de regio eu-west-1 als ze op aanvraag worden uitgevoerd. Ik gebruik Ubuntu Server 16.04 LTS als besturingssysteem.
De firewall is zo geconfigureerd dat elke machine zonder beperkingen met elkaar kan communiceren, en alleen mijn IPv4-adres wordt door SSH in het cluster op de witte lijst gezet.
NVMe-schijf in operationele gereedheidsstatus
Om ClickHouse te laten werken, zal ik een bestandssysteem in het EXT4-formaat maken op een NVMe-schijf op elk van de servers.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chZodra alles is geconfigureerd, kunt u het koppelpunt en de 783 GB beschikbare ruimte op elk systeem zien.
$ lsblkNAME 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
ββnvme0n1p1 259:2 0 8G 0 part /
nvme1n1 259:0 0 838.2G 0 disk /ch$ df -hFilesystem 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% /chDe dataset die ik in deze test zal gebruiken, is een datadump die ik heb gegenereerd op basis van 1.1 miljard taxiritten in New York City gedurende zes jaar. Op de blog details over hoe ik deze dataset heb verzameld. Ze worden opgeslagen in AWS S3, dus ik zal de AWS CLI configureren met mijn toegangs- en geheime sleutels.
$ sudo apt update
$ sudo apt install awscli
$ aws configureIk stel de limiet voor gelijktijdige verzoeken van de client in op 100, zodat bestanden sneller worden gedownload dan de standaardinstellingen.
$ aws configure set
default.s3.max_concurrent_requests
100Ik download de dataset voor taxiritten van AWS S3 en sla deze op een NVMe-schijf op de eerste server op. Deze dataset is ~104 GB in GZIP-gecomprimeerd CSV-formaat.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvClickHouse-installatie
Ik zal de OpenJDK-distributie voor Java 8 installeren omdat deze vereist is om Apache ZooKeeper uit te voeren, wat vereist is voor een gedistribueerde installatie van ClickHouse op alle drie de machines.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Vervolgens stel ik de omgevingsvariabele in JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileIk zal dan het pakketbeheersysteem van Ubuntu gebruiken om ClickHouse 18.16.1, blikken en ZooKeeper op alle drie de machines te installeren.
$ 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
zookeeperdIk zal een map voor ClickHouse maken en ook enkele configuratie-overschrijvingen uitvoeren op alle drie de servers.
$ 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.confDit zijn de configuratieoverschrijvingen die ik ga gebruiken.
<?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>Vervolgens zal ik ZooKeeper en de ClickHouse-server op alle drie de machines draaien.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startGegevens uploaden naar ClickHouse
Op de eerste server zal ik een triptabel maken (trips), dat een dataset van taxiritten opslaat met behulp van de Log-engine.
$ 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;
Vervolgens extraheer ik elk CSV-bestand en laad ik het in een triptabel (trips). Het volgende werd voltooid in 55 minuten en 10 seconden. Na deze bewerking was de grootte van de gegevensdirectory 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)De importsnelheid was 155 MB ongecomprimeerde CSV-inhoud per seconde. Ik vermoed dat dit te wijten was aan een knelpunt in de GZIP-decompressie. Het was misschien sneller geweest om alle gzipte bestanden parallel uit te pakken met behulp van xargs en vervolgens de uitgepakte gegevens te laden. Hieronder vindt u een beschrijving van wat er is gerapporteerd tijdens het CSV-importproces.
$ sudo glancesip-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/23:1HIk maak ruimte vrij op de NVMe-schijf door de originele CSV-bestanden te verwijderen voordat ik verder ga.
$ sudo rm -fr /ch/csvConverteren naar kolomformulier
De Log ClickHouse-engine slaat gegevens op in een rij-georiΓ«nteerd formaat. Om gegevens sneller op te vragen, converteer ik deze naar kolomformaat met behulp van de MergeTree-engine.
$ clickhouse-client --host=0.0.0.0Het volgende werd voltooid in 34 minuten en 50 seconden. Na deze bewerking was de grootte van de gegevensdirectory 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;Zo zag de blikuitvoer eruit tijdens de operatie:
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)In de laatste test zijn verschillende kolommen geconverteerd en opnieuw berekend. Ik ontdekte dat sommige van deze functies niet meer werken zoals verwacht op deze dataset. Om dit probleem op te lossen, heb ik de ongepaste functies verwijderd en de gegevens geladen zonder ze naar gedetailleerdere typen te converteren.
Verdeling van gegevens over het cluster
Ik zal de gegevens over alle drie de clusterknooppunten verdelen. Om te beginnen zal ik hieronder een tabel maken op alle drie de machines.
$ clickhouse-client --host=0.0.0.0CREATE 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);Dan zorg ik ervoor dat de eerste server alle drie de knooppunten in het cluster kan zien.
SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;Row 1:
ββββββ
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:
ββββββ
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:
ββββββ
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:
Vervolgens definieer ik een nieuwe tabel op de eerste server die is gebaseerd op het schema trips_mergetree_third en maakt gebruik van de gedistribueerde engine.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Vervolgens kopieer ik de gegevens van de op MergeTree gebaseerde tabel naar alle drie de servers. Het volgende werd voltooid in 34 minuten en 44 seconden.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Na de bovenstaande operatie gaf ik ClickHouse 15 minuten de tijd om van het maximale opslagniveau af te komen. De gegevensmappen waren uiteindelijk respectievelijk 264 GB, 34 GB en 33 GB op elk van de drie servers.
Evaluatie van ClickHouse-clusterprestaties
Wat ik vervolgens zag, was de snelste tijd die ik heb gezien toen ik elke query meerdere keren in een tabel uitvoerde trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Het volgende werd voltooid in 2.449 seconden.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Het volgende werd voltooid in 0.691 seconden.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Het volgende werd voltooid in 0 seconden.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Het volgende werd voltooid in 0.983 seconden.
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;Ter vergelijking heb ik dezelfde queries uitgevoerd op een MergeTree-gebaseerde tabel die uitsluitend op de eerste server staat.
Prestatie-evaluatie van één ClickHouse-knooppunt
Wat ik vervolgens zag, was de snelste tijd die ik heb gezien toen ik elke query meerdere keren in een tabel uitvoerde trips_mergetree_x3.
Het volgende werd voltooid in 0.241 seconden.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Het volgende werd voltooid in 0.826 seconden.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Het volgende werd voltooid in 1.209 seconden.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Het volgende werd voltooid in 1.781 seconden.
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;Reflecties op de resultaten
Dit is de eerste keer dat een gratis CPU-gebaseerde database in mijn tests beter presteerde dan een GPU-gebaseerde database. Die GPU-gebaseerde database heeft sindsdien twee revisies ondergaan, maar de prestaties die ClickHouse op één knooppunt leverde, zijn niettemin zeer indrukwekkend.
Tegelijkertijd zijn de overheadkosten bij het uitvoeren van Query 1 op een gedistribueerde engine een orde van grootte hoger. Ik hoop dat ik iets heb gemist in mijn onderzoek voor dit bericht, omdat het leuk zou zijn om de querytijden te zien afnemen naarmate ik meer knooppunten aan het cluster toevoeg. Het is echter geweldig dat bij het uitvoeren van andere query's de prestaties ongeveer verdubbelen.
Het zou leuk zijn om te zien dat ClickHouse evolueert naar de mogelijkheid om opslag en rekenkracht te scheiden, zodat ze onafhankelijk kunnen schalen. HDFS-ondersteuning, die vorig jaar werd toegevoegd, zou een stap in de richting hiervan kunnen zijn. Op computergebied: als een enkele zoekopdracht kan worden versneld door meer knooppunten aan het cluster toe te voegen, ziet de toekomst van deze software er zeer rooskleurig uit.
Bedankt dat je de tijd hebt genomen om dit bericht te lezen. Ik bied advies-, architectuur- en praktijkontwikkelingsdiensten aan klanten in Noord-Amerika en Europa. Als u wilt bespreken hoe mijn suggesties uw bedrijf kunnen helpen, neem dan contact met mij op via .
Bron: www.habr.com