1.1 ਬਿਲੀਅਨ ਟੈਕਸੀ ਯਾਤਰਾਵਾਂ: 108-ਕੋਰ ਕਲਿਕਹਾਊਸ ਕਲੱਸਟਰ

ਲੇਖ ਦਾ ਅਨੁਵਾਦ ਕੋਰਸ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਵਿਸ਼ੇਸ਼ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਡਾਟਾ ਇੰਜੀਨੀਅਰ.

ਕਲਿਕਹਾouseਸ ਇੱਕ ਓਪਨ ਸੋਰਸ ਕਾਲਮਨਰ ਡੇਟਾਬੇਸ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਵਧੀਆ ਮਾਹੌਲ ਹੈ ਜਿੱਥੇ ਸੈਂਕੜੇ ਵਿਸ਼ਲੇਸ਼ਕ ਤੇਜ਼ੀ ਨਾਲ ਵਿਸਤ੍ਰਿਤ ਡੇਟਾ ਦੀ ਪੁੱਛਗਿੱਛ ਕਰ ਸਕਦੇ ਹਨ, ਭਾਵੇਂ ਕਿ ਪ੍ਰਤੀ ਦਿਨ ਅਰਬਾਂ ਨਵੇਂ ਰਿਕਾਰਡ ਦਰਜ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੀ ਲਾਗਤ ਪ੍ਰਤੀ ਸਾਲ $100 ਤੱਕ ਵੱਧ ਹੋ ਸਕਦੀ ਹੈ, ਅਤੇ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਵਰਤੋਂ ਦੇ ਆਧਾਰ 'ਤੇ ਅੱਧੀ ਹੈ। ਇੱਕ ਬਿੰਦੂ 'ਤੇ, Yandex Metrics ਤੋਂ ClickHouse ਇੰਸਟਾਲੇਸ਼ਨ ਵਿੱਚ 10 ਟ੍ਰਿਲੀਅਨ ਰਿਕਾਰਡ ਸਨ। Yandex ਤੋਂ ਇਲਾਵਾ, ClickHouse ਨੂੰ ਬਲੂਮਬਰਗ ਅਤੇ ਕਲਾਉਡਫਲੇਅਰ ਨਾਲ ਵੀ ਸਫਲਤਾ ਮਿਲੀ ਹੈ।

ਦੋ ਸਾਲ ਪਹਿਲਾਂ ਮੈਂ ਬਿਤਾਏ ਤੁਲਨਾਤਮਕ ਵਿਸ਼ਲੇਸ਼ਣ ਇੱਕ ਮਸ਼ੀਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੇਟਾਬੇਸ, ਅਤੇ ਇਹ ਬਣ ਗਿਆ ਸਭ ਤੋਂ ਤੇਜ ਮੁਫਤ ਡਾਟਾਬੇਸ ਸਾਫਟਵੇਅਰ ਜੋ ਮੈਂ ਕਦੇ ਦੇਖਿਆ ਹੈ। ਉਦੋਂ ਤੋਂ, ਡਿਵੈਲਪਰਾਂ ਨੇ ਕਾਫਕਾ, HDFS ਅਤੇ ZStandard ਕੰਪਰੈਸ਼ਨ ਲਈ ਸਮਰਥਨ ਸਮੇਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਜੋੜਨਾ ਬੰਦ ਨਹੀਂ ਕੀਤਾ ਹੈ। ਪਿਛਲੇ ਸਾਲ ਉਹਨਾਂ ਨੇ ਕੈਸਕੇਡਿੰਗ ਕੰਪਰੈਸ਼ਨ ਵਿਧੀਆਂ ਲਈ ਸਮਰਥਨ ਜੋੜਿਆ, ਅਤੇ ਡੈਲਟਾ ਤੋਂ ਡੈਲਟਾ ਕੋਡਿੰਗ ਸੰਭਵ ਹੋ ਗਈ। ਟਾਈਮ ਸੀਰੀਜ਼ ਡੇਟਾ ਨੂੰ ਸੰਕੁਚਿਤ ਕਰਨ ਵੇਲੇ, ਗੇਜ ਮੁੱਲਾਂ ਨੂੰ ਡੈਲਟਾ ਏਨਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸੰਕੁਚਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਪਰ ਕਾਊਂਟਰਾਂ ਲਈ ਡੈਲਟਾ-ਬਾਈ-ਡੈਲਟਾ ਏਨਕੋਡਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਿਹਤਰ ਹੋਵੇਗਾ। ਚੰਗੀ ਸੰਕੁਚਨ ਕਲਿਕਹਾਊਸ ਦੇ ਪ੍ਰਦਰਸ਼ਨ ਦੀ ਕੁੰਜੀ ਬਣ ਗਈ ਹੈ.

ਕਲਿਕਹਾਊਸ ਵਿੱਚ ਤੀਜੀ-ਧਿਰ ਲਾਇਬ੍ਰੇਰੀਆਂ ਨੂੰ ਛੱਡ ਕੇ, C++ ਕੋਡ ਦੀਆਂ 170 ਹਜ਼ਾਰ ਲਾਈਨਾਂ ਹਨ, ਅਤੇ ਇਹ ਸਭ ਤੋਂ ਛੋਟੇ ਵੰਡੇ ਗਏ ਡੇਟਾਬੇਸ ਕੋਡਬੇਸ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸਦੇ ਮੁਕਾਬਲੇ, SQLite ਵੰਡ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸ ਵਿੱਚ C ਕੋਡ ਦੀਆਂ 235 ਹਜ਼ਾਰ ਲਾਈਨਾਂ ਹਨ। ਇਸ ਲਿਖਤ ਦੇ ਰੂਪ ਵਿੱਚ, 207 ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਕਲਿਕਹਾਊਸ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਇਆ ਹੈ, ਅਤੇ ਕਮਿਟ ਦੀ ਤੀਬਰਤਾ ਹਾਲ ਹੀ ਵਿੱਚ ਵਧ ਰਹੀ ਹੈ।

ਮਾਰਚ 2017 ਵਿੱਚ, ਕਲਿਕਹਾਊਸ ਨੇ ਸੰਚਾਲਨ ਕਰਨਾ ਸ਼ੁਰੂ ਕੀਤਾ ਲੌਗ ਬਦਲੋ ਵਿਕਾਸ 'ਤੇ ਨਜ਼ਰ ਰੱਖਣ ਦਾ ਇੱਕ ਆਸਾਨ ਤਰੀਕਾ ਹੈ। ਉਹਨਾਂ ਨੇ ਮਾਰਕਡਾਊਨ-ਅਧਾਰਿਤ ਫਾਈਲ ਲੜੀ ਵਿੱਚ ਮੋਨੋਲੀਥਿਕ ਦਸਤਾਵੇਜ਼ ਫਾਈਲ ਨੂੰ ਵੀ ਤੋੜ ਦਿੱਤਾ। ਮੁੱਦਿਆਂ ਅਤੇ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ GitHub ਦੁਆਰਾ ਟਰੈਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਆਮ ਤੌਰ 'ਤੇ ਪਿਛਲੇ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਸੌਫਟਵੇਅਰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪਹੁੰਚਯੋਗ ਹੋ ਗਿਆ ਹੈ।

ਇਸ ਲੇਖ ਵਿੱਚ, ਮੈਂ 2-ਕੋਰ ਪ੍ਰੋਸੈਸਰਾਂ ਅਤੇ NVMe ਸਟੋਰੇਜ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ AWS EC36 'ਤੇ ਇੱਕ ਕਲਿਕਹਾਊਸ ਕਲੱਸਟਰ ਦੇ ਪ੍ਰਦਰਸ਼ਨ 'ਤੇ ਇੱਕ ਨਜ਼ਰ ਮਾਰਨ ਜਾ ਰਿਹਾ ਹਾਂ।

ਅੱਪਡੇਟ: ਅਸਲ ਵਿੱਚ ਇਸ ਪੋਸਟ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਤੋਂ ਇੱਕ ਹਫ਼ਤੇ ਬਾਅਦ, ਮੈਂ ਇੱਕ ਸੁਧਾਰੀ ਹੋਈ ਸੰਰਚਨਾ ਦੇ ਨਾਲ ਟੈਸਟ ਨੂੰ ਦੁਬਾਰਾ ਸ਼ੁਰੂ ਕੀਤਾ ਅਤੇ ਬਹੁਤ ਵਧੀਆ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਇਹਨਾਂ ਤਬਦੀਲੀਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਇਸ ਪੋਸਟ ਨੂੰ ਅੱਪਡੇਟ ਕੀਤਾ ਗਿਆ ਹੈ।

ਇੱਕ AWS EC2 ਕਲੱਸਟਰ ਲਾਂਚ ਕਰਨਾ

ਮੈਂ ਇਸ ਪੋਸਟ ਲਈ ਤਿੰਨ c5d.9xlarge EC2 ਉਦਾਹਰਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗਾ। ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ 36 ਵਰਚੁਅਲ CPU, 72 GB RAM, 900 GB NVMe SSD ਸਟੋਰੇਜ ਅਤੇ 10 ਗੀਗਾਬਾਈਟ ਨੈੱਟਵਰਕ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਮੰਗ 'ਤੇ ਚੱਲਦੇ ਹਨ ਤਾਂ eu-west-1,962 ਖੇਤਰ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਕੀਮਤ $1/ਘੰਟਾ ਹੈ। ਮੈਂ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਵਜੋਂ ਉਬੰਟੂ ਸਰਵਰ 16.04 LTS ਦੀ ਵਰਤੋਂ ਕਰਾਂਗਾ।

ਫਾਇਰਵਾਲ ਨੂੰ ਕੌਂਫਿਗਰ ਕੀਤਾ ਗਿਆ ਹੈ ਤਾਂ ਕਿ ਹਰੇਕ ਮਸ਼ੀਨ ਬਿਨਾਂ ਕਿਸੇ ਪਾਬੰਦੀ ਦੇ ਇੱਕ ਦੂਜੇ ਨਾਲ ਸੰਚਾਰ ਕਰ ਸਕੇ, ਅਤੇ ਸਿਰਫ਼ ਮੇਰਾ IPv4 ਪਤਾ ਕਲੱਸਟਰ ਵਿੱਚ SSH ਦੁਆਰਾ ਵਾਈਟਲਿਸਟ ਕੀਤਾ ਗਿਆ ਹੈ।

NVMe ਡਰਾਈਵ ਸੰਚਾਲਨ ਤਿਆਰੀ ਅਵਸਥਾ ਵਿੱਚ

ਕਲਿਕਹਾਊਸ ਦੇ ਕੰਮ ਕਰਨ ਲਈ, ਮੈਂ ਹਰੇਕ ਸਰਵਰ 'ਤੇ NVMe ਡਰਾਈਵ 'ਤੇ EXT4 ਫਾਰਮੈਟ ਵਿੱਚ ਇੱਕ ਫਾਈਲ ਸਿਸਟਮ ਬਣਾਵਾਂਗਾ।

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

ਇੱਕ ਵਾਰ ਸਭ ਕੁਝ ਸੰਰਚਿਤ ਹੋ ਜਾਣ 'ਤੇ, ਤੁਸੀਂ ਮਾਊਂਟ ਪੁਆਇੰਟ ਅਤੇ ਹਰੇਕ ਸਿਸਟਮ 'ਤੇ ਉਪਲਬਧ 783 GB ਸਪੇਸ ਦੇਖ ਸਕਦੇ ਹੋ।

$ 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

ਮੈਂ ਇਸ ਟੈਸਟ ਵਿੱਚ ਜੋ ਡੇਟਾਸੈਟ ਵਰਤਾਂਗਾ ਉਹ ਇੱਕ ਡੇਟਾ ਡੰਪ ਹੈ ਜੋ ਮੈਂ ਛੇ ਸਾਲਾਂ ਵਿੱਚ ਨਿਊਯਾਰਕ ਸਿਟੀ ਵਿੱਚ ਲਈਆਂ ਗਈਆਂ 1.1 ਬਿਲੀਅਨ ਟੈਕਸੀ ਸਵਾਰੀਆਂ ਤੋਂ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਬਲੌਗ 'ਤੇ ਰੈੱਡਸ਼ਿਫਟ ਵਿੱਚ ਇੱਕ ਬਿਲੀਅਨ ਟੈਕਸੀ ਯਾਤਰਾਵਾਂ ਮੈਂ ਇਸ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ ਇਸ ਬਾਰੇ ਵੇਰਵੇ। ਉਹ AWS S3 ਵਿੱਚ ਸਟੋਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਇਸਲਈ ਮੈਂ AWS CLI ਨੂੰ ਆਪਣੀ ਪਹੁੰਚ ਅਤੇ ਗੁਪਤ ਕੁੰਜੀਆਂ ਨਾਲ ਕੌਂਫਿਗਰ ਕਰਾਂਗਾ।

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

ਮੈਂ ਕਲਾਇੰਟ ਦੀ ਸਮਕਾਲੀ ਬੇਨਤੀ ਸੀਮਾ ਨੂੰ 100 'ਤੇ ਸੈਟ ਕਰਾਂਗਾ ਤਾਂ ਕਿ ਫਾਈਲਾਂ ਡਿਫੌਲਟ ਸੈਟਿੰਗਾਂ ਨਾਲੋਂ ਤੇਜ਼ੀ ਨਾਲ ਡਾਊਨਲੋਡ ਹੋਣ।

$ aws configure set 
    default.s3.max_concurrent_requests 
    100

ਮੈਂ AWS S3 ਤੋਂ ਟੈਕਸੀ ਰਾਈਡ ਡੇਟਾਸੈਟ ਨੂੰ ਡਾਊਨਲੋਡ ਕਰਾਂਗਾ ਅਤੇ ਇਸਨੂੰ ਪਹਿਲੇ ਸਰਵਰ 'ਤੇ NVMe ਡਰਾਈਵ 'ਤੇ ਸਟੋਰ ਕਰਾਂਗਾ। ਇਹ ਡੇਟਾਸੈਟ GZIP-ਸੰਕੁਚਿਤ CSV ਫਾਰਮੈਟ ਵਿੱਚ ~104GB ਹੈ।

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

ਘਰ ਦੀ ਸਥਾਪਨਾ 'ਤੇ ਕਲਿੱਕ ਕਰੋ

ਮੈਂ ਜਾਵਾ 8 ਲਈ ਓਪਨਜੇਡੀਕੇ ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਨੂੰ ਸਥਾਪਿਤ ਕਰਾਂਗਾ ਕਿਉਂਕਿ ਇਹ ਅਪਾਚੇ ਜ਼ੂਕੀਪਰ ਨੂੰ ਚਲਾਉਣ ਲਈ ਲੋੜੀਂਦਾ ਹੈ, ਜੋ ਕਿ ਸਾਰੀਆਂ ਤਿੰਨ ਮਸ਼ੀਨਾਂ 'ਤੇ ਕਲਿਕਹਾਊਸ ਦੀ ਵੰਡੀ ਸਥਾਪਨਾ ਲਈ ਲੋੜੀਂਦਾ ਹੈ।

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

ਫਿਰ ਮੈਂ ਵਾਤਾਵਰਣ ਵੇਰੀਏਬਲ ਸੈੱਟ ਕੀਤਾ JAVA_HOME.

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

ਫਿਰ ਮੈਂ ਤਿੰਨੋਂ ਮਸ਼ੀਨਾਂ 'ਤੇ ਕਲਿਕਹਾਊਸ 18.16.1, ਗਲੇਂਸ ਅਤੇ ਜ਼ੂਕੀਪਰ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਲਈ ਉਬੰਟੂ ਦੇ ਪੈਕੇਜ ਪ੍ਰਬੰਧਨ ਸਿਸਟਮ ਦੀ ਵਰਤੋਂ ਕਰਾਂਗਾ।

$ 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

ਮੈਂ ਕਲਿਕਹਾਊਸ ਲਈ ਇੱਕ ਡਾਇਰੈਕਟਰੀ ਬਣਾਵਾਂਗਾ ਅਤੇ ਸਾਰੇ ਤਿੰਨ ਸਰਵਰਾਂ 'ਤੇ ਕੁਝ ਸੰਰਚਨਾ ਓਵਰਰਾਈਡ ਵੀ ਕਰਾਂਗਾ।

$ 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

ਇਹ ਸੰਰਚਨਾ ਓਵਰਰਾਈਡ ਹਨ ਜੋ ਮੈਂ ਵਰਤਾਂਗਾ.

<?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>

ਮੈਂ ਫਿਰ ਜ਼ੂਕੀਪਰ ਅਤੇ ਕਲਿਕਹਾਊਸ ਸਰਵਰ ਨੂੰ ਤਿੰਨੋਂ ਮਸ਼ੀਨਾਂ 'ਤੇ ਚਲਾਵਾਂਗਾ।

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

ਕਲਿਕਹਾਊਸ 'ਤੇ ਡਾਟਾ ਅੱਪਲੋਡ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ

ਪਹਿਲੇ ਸਰਵਰ 'ਤੇ ਮੈਂ ਇੱਕ ਟ੍ਰਿਪ ਟੇਬਲ ਬਣਾਵਾਂਗਾ (trips), ਜੋ ਲੌਗ ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਟੈਕਸੀ ਯਾਤਰਾਵਾਂ ਦਾ ਡੇਟਾਸੈਟ ਸਟੋਰ ਕਰੇਗਾ।

$ 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;

ਮੈਂ ਫਿਰ ਹਰੇਕ CSV ਫਾਈਲਾਂ ਨੂੰ ਇੱਕ ਟ੍ਰਿਪ ਟੇਬਲ ਵਿੱਚ ਐਕਸਟਰੈਕਟ ਅਤੇ ਲੋਡ ਕਰਦਾ ਹਾਂ (trips). ਹੇਠ ਲਿਖਿਆਂ ਨੂੰ 55 ਮਿੰਟ ਅਤੇ 10 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਕਾਰਵਾਈ ਤੋਂ ਬਾਅਦ, ਡੇਟਾ ਡਾਇਰੈਕਟਰੀ ਦਾ ਆਕਾਰ 134 ਜੀ.ਬੀ.

$ 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)

ਆਯਾਤ ਗਤੀ ਪ੍ਰਤੀ ਸਕਿੰਟ 155 MB ਅਣਕੰਪਰੈੱਸਡ CSV ਸਮੱਗਰੀ ਸੀ। ਮੈਨੂੰ ਸ਼ੱਕ ਹੈ ਕਿ ਇਹ GZIP ਡੀਕੰਪ੍ਰੇਸ਼ਨ ਵਿੱਚ ਇੱਕ ਰੁਕਾਵਟ ਦੇ ਕਾਰਨ ਸੀ। xargs ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਾਰੀਆਂ gzipped ਫਾਈਲਾਂ ਨੂੰ ਸਮਾਨਾਂਤਰ ਵਿੱਚ ਅਨਜ਼ਿਪ ਕਰਨਾ ਅਤੇ ਫਿਰ ਅਨਜ਼ਿਪ ਕੀਤੇ ਡੇਟਾ ਨੂੰ ਲੋਡ ਕਰਨਾ ਤੇਜ਼ ਹੋ ਸਕਦਾ ਹੈ। ਹੇਠਾਂ CSV ਆਯਾਤ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਕੀ ਰਿਪੋਰਟ ਕੀਤਾ ਗਿਆ ਸੀ ਇਸਦਾ ਵਰਣਨ ਹੈ।

$ 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

ਮੈਂ ਜਾਰੀ ਰੱਖਣ ਤੋਂ ਪਹਿਲਾਂ ਮੂਲ CSV ਫਾਈਲਾਂ ਨੂੰ ਮਿਟਾ ਕੇ NVMe ਡਰਾਈਵ 'ਤੇ ਜਗ੍ਹਾ ਖਾਲੀ ਕਰਾਂਗਾ।

$ sudo rm -fr /ch/csv

ਕਾਲਮ ਫਾਰਮ ਵਿੱਚ ਬਦਲੋ

ਲੌਗ ਕਲਿਕਹਾਊਸ ਇੰਜਣ ਇੱਕ ਕਤਾਰ-ਮੁਖੀ ਫਾਰਮੈਟ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਸਟੋਰ ਕਰੇਗਾ। ਡਾਟਾ ਤੇਜ਼ੀ ਨਾਲ ਪੁੱਛਗਿੱਛ ਕਰਨ ਲਈ, ਮੈਂ ਇਸਨੂੰ MergeTree ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕਾਲਮ ਫਾਰਮੈਟ ਵਿੱਚ ਬਦਲਦਾ ਹਾਂ।

$ clickhouse-client --host=0.0.0.0

ਹੇਠ ਲਿਖਿਆਂ ਨੂੰ 34 ਮਿੰਟ ਅਤੇ 50 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਸੀ। ਇਸ ਕਾਰਵਾਈ ਤੋਂ ਬਾਅਦ, ਡੇਟਾ ਡਾਇਰੈਕਟਰੀ ਦਾ ਆਕਾਰ 237 ਜੀ.ਬੀ.

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;

ਓਪਰੇਸ਼ਨ ਦੌਰਾਨ ਨਜ਼ਰ ਆਉਟਪੁੱਟ ਇਸ ਤਰ੍ਹਾਂ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ:

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)

ਪਿਛਲੇ ਟੈਸਟ ਵਿੱਚ, ਕਈ ਕਾਲਮਾਂ ਨੂੰ ਬਦਲਿਆ ਗਿਆ ਸੀ ਅਤੇ ਮੁੜ ਗਣਨਾ ਕੀਤੀ ਗਈ ਸੀ। ਮੈਂ ਦੇਖਿਆ ਕਿ ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਫੰਕਸ਼ਨ ਹੁਣ ਇਸ ਡੇਟਾਸੈਟ 'ਤੇ ਉਮੀਦ ਅਨੁਸਾਰ ਕੰਮ ਨਹੀਂ ਕਰਦੇ ਹਨ। ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਮੈਂ ਅਣਉਚਿਤ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਹੈ ਅਤੇ ਹੋਰ ਗ੍ਰੈਨਿਊਲਰ ਕਿਸਮਾਂ ਵਿੱਚ ਪਰਿਵਰਤਿਤ ਕੀਤੇ ਬਿਨਾਂ ਡਾਟਾ ਲੋਡ ਕੀਤਾ ਹੈ।

ਕਲੱਸਟਰ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵੰਡ

ਮੈਂ ਸਾਰੇ ਤਿੰਨ ਕਲੱਸਟਰ ਨੋਡਾਂ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਵੰਡਾਂਗਾ। ਸ਼ੁਰੂ ਕਰਨ ਲਈ, ਹੇਠਾਂ ਮੈਂ ਤਿੰਨਾਂ ਮਸ਼ੀਨਾਂ 'ਤੇ ਇੱਕ ਸਾਰਣੀ ਬਣਾਵਾਂਗਾ।

$ 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);

ਫਿਰ ਮੈਂ ਇਹ ਯਕੀਨੀ ਬਣਾਵਾਂਗਾ ਕਿ ਪਹਿਲਾ ਸਰਵਰ ਕਲੱਸਟਰ ਵਿੱਚ ਸਾਰੇ ਤਿੰਨ ਨੋਡਾਂ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹੈ.

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:

ਫਿਰ ਮੈਂ ਪਹਿਲੇ ਸਰਵਰ 'ਤੇ ਇੱਕ ਨਵੀਂ ਸਾਰਣੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਾਂਗਾ ਜੋ ਸਕੀਮਾ 'ਤੇ ਅਧਾਰਤ ਹੈ trips_mergetree_third ਅਤੇ ਡਿਸਟਰੀਬਿਊਟਿਡ ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

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

ਮੈਂ ਫਿਰ MergeTree ਅਧਾਰਤ ਟੇਬਲ ਤੋਂ ਸਾਰੇ ਤਿੰਨ ਸਰਵਰਾਂ 'ਤੇ ਡੇਟਾ ਦੀ ਨਕਲ ਕਰਾਂਗਾ। ਹੇਠ ਲਿਖਿਆਂ ਨੂੰ 34 ਮਿੰਟ ਅਤੇ 44 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਕੀਤਾ ਗਿਆ ਸੀ।

INSERT INTO trips_mergetree_x3
    SELECT * FROM trips_mergetree;

ਉਪਰੋਕਤ ਕਾਰਵਾਈ ਤੋਂ ਬਾਅਦ, ਮੈਂ ਕਲਿਕਹਾਊਸ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਸਟੋਰੇਜ ਪੱਧਰ ਦੇ ਨਿਸ਼ਾਨ ਤੋਂ ਦੂਰ ਜਾਣ ਲਈ 15 ਮਿੰਟ ਦਿੱਤੇ। ਡਾਟਾ ਡਾਇਰੈਕਟਰੀਆਂ ਤਿੰਨਾਂ ਸਰਵਰਾਂ ਵਿੱਚੋਂ ਹਰੇਕ 'ਤੇ ਕ੍ਰਮਵਾਰ 264 GB, 34 GB ਅਤੇ 33 GB ਹੋ ਗਈਆਂ।

ਕਲਿਕਹਾਊਸ ਕਲੱਸਟਰ ਪ੍ਰਦਰਸ਼ਨ ਮੁਲਾਂਕਣ

ਜੋ ਮੈਂ ਅੱਗੇ ਦੇਖਿਆ ਉਹ ਸਭ ਤੋਂ ਤੇਜ਼ ਸਮਾਂ ਸੀ ਜਦੋਂ ਮੈਂ ਹਰੇਕ ਪੁੱਛਗਿੱਛ ਨੂੰ ਕਈ ਵਾਰ ਟੇਬਲ 'ਤੇ ਚਲਾਉਂਦੇ ਦੇਖਿਆ ਹੈ trips_mergetree_x3.

$ clickhouse-client --host=0.0.0.0

ਅੱਗੇ 2.449 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 0.691 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 0 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 0.983 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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;

ਤੁਲਨਾ ਕਰਨ ਲਈ, ਮੈਂ MergeTree-ਅਧਾਰਿਤ ਟੇਬਲ 'ਤੇ ਉਹੀ ਸਵਾਲ ਚਲਾਏ ਜੋ ਸਿਰਫ਼ ਪਹਿਲੇ ਸਰਵਰ 'ਤੇ ਰਹਿੰਦਾ ਹੈ।

ਇੱਕ ਕਲਿਕਹਾਊਸ ਨੋਡ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਮੁਲਾਂਕਣ

ਜੋ ਮੈਂ ਅੱਗੇ ਦੇਖਿਆ ਉਹ ਸਭ ਤੋਂ ਤੇਜ਼ ਸਮਾਂ ਸੀ ਜਦੋਂ ਮੈਂ ਹਰੇਕ ਪੁੱਛਗਿੱਛ ਨੂੰ ਕਈ ਵਾਰ ਟੇਬਲ 'ਤੇ ਚਲਾਉਂਦੇ ਦੇਖਿਆ ਹੈ trips_mergetree_x3.

ਅੱਗੇ 0.241 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 0.826 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 1.209 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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

ਅੱਗੇ 1.781 ਸਕਿੰਟਾਂ ਵਿੱਚ ਪੂਰਾ ਹੋਇਆ।

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;

ਨਤੀਜਿਆਂ 'ਤੇ ਪ੍ਰਤੀਬਿੰਬ

ਇਹ ਪਹਿਲੀ ਵਾਰ ਹੈ ਜਦੋਂ ਇੱਕ ਮੁਫਤ CPU- ਅਧਾਰਤ ਡੇਟਾਬੇਸ ਮੇਰੇ ਟੈਸਟਾਂ ਵਿੱਚ ਇੱਕ GPU- ਅਧਾਰਤ ਡੇਟਾਬੇਸ ਨੂੰ ਪਛਾੜਣ ਦੇ ਯੋਗ ਸੀ। ਉਹ GPU- ਅਧਾਰਤ ਡੇਟਾਬੇਸ ਉਦੋਂ ਤੋਂ ਦੋ ਸੰਸ਼ੋਧਨਾਂ ਵਿੱਚੋਂ ਲੰਘਿਆ ਹੈ, ਪਰ ਇੱਕ ਸਿੰਗਲ ਨੋਡ 'ਤੇ ਕਲਿਕਹਾਊਸ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਕਾਰਗੁਜ਼ਾਰੀ ਫਿਰ ਵੀ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ.

ਇਸ ਦੇ ਨਾਲ ਹੀ, ਜਦੋਂ ਇੱਕ ਡਿਸਟ੍ਰੀਬਿਊਟਿਡ ਇੰਜਣ 'ਤੇ ਕਿਊਰੀ 1 ਨੂੰ ਐਗਜ਼ੀਕਿਊਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਓਵਰਹੈੱਡ ਲਾਗਤਾਂ ਦੀ ਮਾਤਰਾ ਵੱਧ ਹੁੰਦੀ ਹੈ। ਮੈਨੂੰ ਉਮੀਦ ਹੈ ਕਿ ਮੈਂ ਇਸ ਪੋਸਟ ਲਈ ਆਪਣੀ ਖੋਜ ਵਿੱਚ ਕੁਝ ਗੁਆ ਲਿਆ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦੇਖਣਾ ਚੰਗਾ ਹੋਵੇਗਾ ਕਿ ਪੁੱਛਗਿੱਛ ਦੇ ਸਮੇਂ ਨੂੰ ਘੱਟ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਮੈਂ ਕਲੱਸਟਰ ਵਿੱਚ ਹੋਰ ਨੋਡ ਜੋੜਦਾ ਹਾਂ। ਹਾਲਾਂਕਿ, ਇਹ ਬਹੁਤ ਵਧੀਆ ਹੈ ਕਿ ਜਦੋਂ ਹੋਰ ਪੁੱਛਗਿੱਛਾਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹੋਏ, ਪ੍ਰਦਰਸ਼ਨ ਲਗਭਗ 2 ਗੁਣਾ ਵਧ ਗਿਆ ਹੈ.

ਇਹ ਦੇਖਣਾ ਚੰਗਾ ਲੱਗੇਗਾ ਕਿ ਕਲਿਕਹਾਊਸ ਸਟੋਰੇਜ ਅਤੇ ਗਣਨਾ ਨੂੰ ਵੱਖ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣ ਵੱਲ ਵਿਕਸਿਤ ਹੋ ਰਿਹਾ ਹੈ ਤਾਂ ਜੋ ਉਹ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਸਕੇਲ ਕਰ ਸਕਣ। HDFS ਸਮਰਥਨ, ਜੋ ਕਿ ਪਿਛਲੇ ਸਾਲ ਜੋੜਿਆ ਗਿਆ ਸੀ, ਇਸ ਵੱਲ ਇੱਕ ਕਦਮ ਹੋ ਸਕਦਾ ਹੈ। ਕੰਪਿਊਟਿੰਗ ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਜੇਕਰ ਇੱਕ ਸਿੰਗਲ ਪੁੱਛਗਿੱਛ ਨੂੰ ਕਲੱਸਟਰ ਵਿੱਚ ਹੋਰ ਨੋਡ ਜੋੜ ਕੇ ਤੇਜ਼ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਸ ਸਾਫਟਵੇਅਰ ਦਾ ਭਵਿੱਖ ਬਹੁਤ ਉਜਵਲ ਹੈ।

ਇਸ ਪੋਸਟ ਨੂੰ ਪੜ੍ਹਨ ਲਈ ਸਮਾਂ ਕੱਢਣ ਲਈ ਤੁਹਾਡਾ ਧੰਨਵਾਦ। ਮੈਂ ਉੱਤਰੀ ਅਮਰੀਕਾ ਅਤੇ ਯੂਰਪ ਵਿੱਚ ਗਾਹਕਾਂ ਨੂੰ ਸਲਾਹ, ਆਰਕੀਟੈਕਚਰ, ਅਤੇ ਅਭਿਆਸ ਵਿਕਾਸ ਸੇਵਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹਾਂ। ਜੇਕਰ ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਚਰਚਾ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ ਕਿ ਮੇਰੇ ਸੁਝਾਅ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਦੀ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਮੇਰੇ ਨਾਲ ਸੰਪਰਕ ਕਰੋ ਸਬੰਧਤ.

ਸਰੋਤ: www.habr.com