{"id":54918,"date":"2020-01-07T00:00:00","date_gmt":"2020-01-06T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb"},"modified":"2020-02-18T14:02:58","modified_gmt":"2020-02-18T11:02:58","slug":"ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","status":"publish","type":"post","link":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","title":{"rendered":"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><noindex><a rel=\"nofollow\" href=\"https:\/\/clickhouse.yandex\/\">Clickhouse<\/a><\/noindex> \u2014 \u00e9 um sistema de gerenciamento de banco de dados em colunas para processamento anal\u00edtico online (OLAP) de c\u00f3digo aberto, criado pela Yandex. \u00c9 utilizado pela Yandex, CloudFlare, VK.com, Badoo e outros servi\u00e7os em todo o mundo para armazenar realmente grandes volumes de dados (inserindo milhares de linhas por segundo ou petabytes de dados armazenados em disco).<\/p>\n<p>Em um banco de dados convencional, ou \u201cbaseado em linhas\u201d, cujos exemplos incluem MySQL, Postgres, MS SQL Server, os dados s\u00e3o armazenados na seguinte ordem: <\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/398f260de0152baf3cc11d884fa0d52d.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nOs valores que pertencem a uma mesma linha s\u00e3o armazenados fisicamente pr\u00f3ximos. Nos bancos de dados em colunas, os valores de diferentes colunas s\u00e3o armazenados separadamente, e os dados de uma \u00fanica coluna ficam juntos:<\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/938a2ee3d588ac866ec92bb3ea09c253.png\" style=\"display:block;margin: 0 auto;\" \/><noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>Exemplos de bancos de dados em colunas incluem Vertica, Paraccel (Actian Matrix, Amazon Redshift), Sybase IQ, Exasol, Infobright, InfiniDB, MonetDB (VectorWise, Actian Vector), LucidDB, SAP HANA, Google Dremel, Google PowerDrill, Druid, kdb+.<\/p>\n<p>Empresa \u2013 encaminhador de e-mails <noindex><a rel=\"nofollow\" href=\"https:\/\/qwintry.com\/\">Qwintry<\/a><\/noindex> come\u00e7ou a usar o Clickhouse em 2018 para criar relat\u00f3rios e ficou muito impressionada com sua simplicidade, escalabilidade, suporte a SQL e velocidade. A rapidez de opera\u00e7\u00e3o deste banco de dados era quase m\u00e1gica.<\/p>\n<h3>Facilidade<\/h3>\n<p>\nO Clickhouse \u00e9 instalado no Ubuntu com um \u00fanico comando. Se voc\u00ea conhece SQL, pode imediatamente come\u00e7ar a usar o Clickhouse para suas necessidades. No entanto, isso n\u00e3o significa que voc\u00ea pode executar \u00abshow create table\u00bb no MySQL e copiar e colar SQL no Clickhouse. <\/p>\n<p>Em compara\u00e7\u00e3o com o MySQL, existem diferen\u00e7as importantes nos tipos de dados nas defini\u00e7\u00f5es de esquemas de tabelas, por isso, para operar confortavelmente, voc\u00ea ainda precisar\u00e1 de um tempo para modificar as defini\u00e7\u00f5es de esquema de tabelas e estudar os mecanismos de tabela.<\/p>\n<p>O Clickhouse funciona muito bem sem qualquer software adicional, mas se voc\u00ea quiser usar replica\u00e7\u00e3o, precisar\u00e1 instalar o ZooKeeper. A an\u00e1lise do desempenho das consultas mostra resultados excelentes \u2014 as tabelas do sistema cont\u00eam todas as informa\u00e7\u00f5es, e todos os dados podem ser obtidos com o velho e enfadonho SQL.<\/p>\n<h3>Desempenho<\/h3>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/clickhouse.yandex\/benchmark.html#%5B%2522100000000%2522,%5B%2522ClickHouse%2522,%2522Vertica%2522,%2522MySQL%2522%5D,%5B%25220%2522,%25221%2522%5D%5D\">Benchmark<\/a><\/noindex> de compara\u00e7\u00e3o do Clickhouse com Vertica e MySQL em um servidor com a seguinte configura\u00e7\u00e3o: dois soquetes Intel\u00ae Xeon\u00ae CPU E5-2650 v2 @ 2.60GHz; 128 GiB RAM; md RAID-5 em 8 HDD SATA de 6TB, ext4.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/6\/20\/clickhouse-vs-redshift\">Benchmark<\/a><\/noindex> de compara\u00e7\u00e3o do Clickhouse com o armazenamento de dados em nuvem Amazon RedShift.<\/li>\n<li>Trechos do blog <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.cloudflare.com\/how-cloudflare-analyzes-1m-dns-queries-per-second\/\">Cloudflare sobre o desempenho do Clickhouse<\/a><\/noindex>:<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/b6ef9fbad8e8c864a227bcffd97ec0fe.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nO banco de dados ClickHouse possui um design muito simples \u2014 todos os n\u00f3s do cluster t\u00eam a mesma funcionalidade e utilizam apenas o ZooKeeper para coordena\u00e7\u00e3o. Constru\u00edmos um pequeno cluster composto por v\u00e1rios n\u00f3s e realizamos testes, durante os quais descobrimos que o sistema apresenta um desempenho bastante impressionante, que corresponde aos benef\u00edcios alegados em benchmarks de bancos de dados anal\u00edticos. Decidimos analisar mais detalhadamente o conceito que est\u00e1 por tr\u00e1s do ClickHouse. O primeiro obst\u00e1culo para a pesquisa foi a falta de ferramentas e a escassez da comunidade ClickHouse, ent\u00e3o nos aprofundamos no design deste banco de dados para entender como ele funciona.<\/p>\n<p>O ClickHouse n\u00e3o suporta a recep\u00e7\u00e3o de dados diretamente do Kafka, j\u00e1 que \u00e9 apenas um banco de dados, portanto, escrevemos nosso pr\u00f3prio servi\u00e7o de adaptadores na linguagem Go. Ele lia mensagens codificadas em Cap\u2019n Proto do Kafka, as transformava em TSV e as inseria no ClickHouse em pacotes atrav\u00e9s da interface HTTP. Mais tarde, reescrevemos esse servi\u00e7o para usar a biblioteca Go junto com nossa pr\u00f3pria interface ClickHouse para melhorar o desempenho. Ao avaliar o desempenho da recep\u00e7\u00e3o de pacotes, descobrimos algo importante \u2014 o desempenho do ClickHouse depende fortemente do tamanho do pacote, ou seja, da quantidade de linhas inseridas simultaneamente. Para entender por que isso acontece, estudamos como o ClickHouse armazena dados.<\/p>\n<p>O principal mecanismo, ou melhor, a fam\u00edlia de mecanismos para tabelas utilizada no ClickHouse para armazenamento de dados \u00e9 o MergeTree. Este mecanismo \u00e9 conceitualmente semelhante ao algoritmo LSM utilizado no Google BigTable ou no Apache Cassandra, mas evita a constru\u00e7\u00e3o de uma tabela intermedi\u00e1ria em mem\u00f3ria e grava os dados diretamente no disco. Isso proporciona uma excelente capacidade de grava\u00e7\u00e3o, uma vez que cada pacote inserido \u00e9 classificado apenas pela \u2018chave prim\u00e1ria\u2019 primary key, compactado e gravado no disco para formar um segmento. <\/p>\n<p>A aus\u00eancia de tabelas de mem\u00f3ria ou de qualquer conceito de \u201cfrescura\u201d dos dados tamb\u00e9m significa que os dados s\u00f3 podem ser adicionados; a modifica\u00e7\u00e3o ou exclus\u00e3o n\u00e3o \u00e9 suportada pelo sistema. Atualmente, a \u00fanica maneira de remover dados \u00e9 por meses do calend\u00e1rio, uma vez que os segmentos nunca cruzam o final do m\u00eas. A equipe do ClickHouse est\u00e1 trabalhando ativamente para tornar essa fun\u00e7\u00e3o personaliz\u00e1vel. Por outro lado, isso torna a grava\u00e7\u00e3o e a fus\u00e3o de segmentos sem conflitos, portanto, a largura de banda de recep\u00e7\u00e3o escala linearmente com o n\u00famero de inser\u00e7\u00f5es paralelas at\u00e9 que ocorra a satura\u00e7\u00e3o de I\/O ou de n\u00facleos. <br \/>\nNo entanto, essa circunst\u00e2ncia tamb\u00e9m significa que o sistema n\u00e3o \u00e9 adequado para pequenos pacotes, portanto, servi\u00e7os Kafka e insertores s\u00e3o utilizados para o buffer. Al\u00e9m disso, o ClickHouse continua a realizar constantemente a fus\u00e3o de segmentos em segundo plano, de modo que muitas pequenas partes de informa\u00e7\u00f5es ser\u00e3o combinadas e gravadas um n\u00famero maior de vezes, aumentando assim a intensidade da grava\u00e7\u00e3o. Nesse processo, um n\u00famero excessivo de partes n\u00e3o relacionadas causar\u00e1 um throttle agressivo das inser\u00e7\u00f5es at\u00e9 que a fus\u00e3o prossiga. Descobrimos que o melhor compromisso entre a recep\u00e7\u00e3o de dados em tempo real e o desempenho da recep\u00e7\u00e3o \u00e9 aceitar uma quantidade limitada de inser\u00e7\u00f5es por segundo para a tabela.<\/p>\n<p>A chave para o desempenho de leitura de tabelas \u00e9 a indexa\u00e7\u00e3o e a localiza\u00e7\u00e3o dos dados no disco. N\u00e3o importa qu\u00e3o r\u00e1pida seja a manipula\u00e7\u00e3o; quando o mecanismo precisa escanear terabytes de dados do disco e utiliza apenas uma parte deles, isso levar\u00e1 tempo. O ClickHouse \u00e9 um armazenamento em coluna, portanto, cada segmento cont\u00e9m um arquivo para cada coluna com valores classificados para cada linha. Assim, colunas inteiras que n\u00e3o est\u00e3o na consulta podem ser puladas inicialmente, e v\u00e1rias c\u00e9lulas podem ser processadas em paralelo com execu\u00e7\u00e3o vetorizada. Para evitar a varredura completa, cada segmento possui um pequeno arquivo de \u00edndice. <\/p>\n<p>Dado que todas as colunas est\u00e3o ordenadas por 'chave prim\u00e1ria', o arquivo de \u00edndice cont\u00e9m apenas r\u00f3tulos (linhas capturadas) de cada N-\u00e9sima linha, para poder armazen\u00e1-las na mem\u00f3ria mesmo para tabelas muito grandes. Por exemplo, \u00e9 poss\u00edvel configurar o padr\u00e3o para 'marcar cada 8192\u00aa linha', ent\u00e3o a indexa\u00e7\u00e3o 'esparsa' de uma tabela com 1 trilh\u00e3o de linhas, que facilmente cabe na mem\u00f3ria, ocupar\u00e1 apenas 122.070 caracteres. <\/p>\n<h3>Desenvolvimento do sistema<\/h3>\n<p>\nO desenvolvimento e a melhoria do ClickHouse podem ser acompanhados em <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/yandex\/ClickHouse\/pulse\">reposit\u00f3rio do Github<\/a><\/noindex> e verificar que o processo de 'amadurecimento' est\u00e1 ocorrendo a um ritmo impressionante. <\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/19211da28e42178d26dff7623689df71.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Popularidade<\/h3>\n<p>\nParece que a popularidade do ClickHouse est\u00e1 crescendo exponencialmente, especialmente na comunidade de l\u00edngua russa. A confer\u00eancia High Load 2018 (Moscovo, 8-9 de novembro de 2018) mostrou que monstros como vk.com e Badoo usam o ClickHouse, com o qual inserem dados (por exemplo, logs) de dezenas de milhares de servidores ao mesmo tempo. No v\u00eddeo de 40 minutos, <noindex><a rel=\"nofollow\" href=\"https:\/\/www.youtube.com\/watch?v=pbbcMcrQoXw\">Yuri Nasretdinov, da equipe do VKontakte, fala sobre como isso \u00e9 feito<\/a><\/noindex>. Em breve, publicaremos a transcri\u00e7\u00e3o no Habr para facilitar o trabalho com o material.<\/p>\n<h3>\u00c1reas de aplica\u00e7\u00e3o<\/h3>\n<p>\nAp\u00f3s dedicar algum tempo \u00e0 pesquisa, acredito que existem \u00e1reas em que o ClickHouse pode ser \u00fatil ou capaz de substituir completamente outras solu\u00e7\u00f5es mais tradicionais e populares, como MySQL, PostgreSQL, ELK, Google Big Query, Amazon RedShift, TimescaleDB, Hadoop, MapReduce, Pinot e Druid. A seguir, detalhes sobre o uso do ClickHouse para modernizar ou substituir completamente os SGBDs mencionados. <\/p>\n<h3>Aprimorando MySQL e PostgreSQL<\/h3>\n<p>\nRecentemente, substitu\u00edmos parcialmente o MySQL pelo ClickHouse para a plataforma de boletins informativos <noindex><a rel=\"nofollow\" href=\"https:\/\/www.mautic.org\/\">Mautic newsletter<\/a><\/noindex>. O problema era que o MySQL, devido a um design mal planejado, registrava cada e-mail enviado e cada link nesse e-mail com um hash base64, criando uma enorme tabela MySQL (email_stats). Ap\u00f3s enviar apenas 10 milh\u00f5es de e-mails para os assinantes do servi\u00e7o, essa tabela ocupava 150 GB de espa\u00e7o em disco, e o MySQL come\u00e7ava a 'lentar' em consultas simples. Para resolver o problema de espa\u00e7o em disco, utilizamos com sucesso a compacta\u00e7\u00e3o da tabela InnoDB, que a reduziu em 4 vezes. No entanto, ainda n\u00e3o faz sentido armazenar mais de 20-30 milh\u00f5es de e-mails no MySQL apenas para ler o hist\u00f3rico, pois qualquer consulta simples que, por algum motivo, precise realizar uma varredura completa gera swapping e uma grande carga de I\/O, resultando em alertas regulares do Zabbix.<\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/11b3ee4b1a8b7c9457bd3871bd12049f.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nO Clickhouse utiliza dois algoritmos de compress\u00e3o que reduzem o volume de dados em cerca de <noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/11\/21\/compression-in-clickhouse\">3-4 vezes<\/a><\/noindex>, mas neste caso espec\u00edfico, os dados eram particularmente 'compact\u00e1veis'. <\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/d192502073d57967620aa07da0bbfa0c.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h3>Substitui\u00e7\u00e3o do ELK<\/h3>\n<p>\nCom base na experi\u00eancia pessoal, a pilha ELK (ElasticSearch, Logstash e Kibana, neste caso espec\u00edfico o ElasticSearch) requer muito mais recursos para operar do que o necess\u00e1rio para armazenar logs. O ElasticSearch \u00e9 um \u00f3timo mecanismo se voc\u00ea precisa de uma boa pesquisa de texto completo nos logs (e eu n\u00e3o acho que voc\u00ea realmente precise disso), mas fico intrigado sobre por que se tornou o mecanismo padr\u00e3o de fato para registro. Seu desempenho de ingest\u00e3o, em combina\u00e7\u00e3o com o Logstash, nos causava problemas mesmo com cargas relativamente pequenas e exigia cada vez mais mem\u00f3ria e espa\u00e7o em disco. Como banco de dados, o Clickhouse \u00e9 melhor que o ElasticSearch pelos seguintes motivos:<\/p>\n<ul>\n<li>Suporte ao dialeto SQL;<\/li>\n<li>Melhor taxa de compress\u00e3o dos dados armazenados;<\/li>\n<li>Suporte \u00e0 busca por express\u00f5es regulares Regex em vez de busca por texto completo;<\/li>\n<li>Planejamento de consultas aprimorado e maior desempenho geral.<\/li>\n<\/ul>\n<p>\nAtualmente, o maior problema ao comparar o ClickHouse com o ELK \u00e9 a falta de solu\u00e7\u00f5es para descarregamento de logs, bem como a escassez de documenta\u00e7\u00e3o e tutoriais sobre o assunto. Nesse caso, qualquer usu\u00e1rio pode configurar o ELK com o guia da Digital Ocean, o que \u00e9 crucial para a r\u00e1pida ado\u00e7\u00e3o de tecnologias como esta. Existe um motor de banco de dados aqui, mas ainda n\u00e3o h\u00e1 Filebeat para ClickHouse. Sim, ele est\u00e1 presente. <noindex><a rel=\"nofollow\" href=\"https:\/\/www.fluentd.org\/\">fluentd<\/a><\/noindex> e sistema para trabalhar com logs <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/flant\/loghouse\">loghouse<\/a><\/noindex>, existe uma ferramenta <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Altinity\/clicktail\">clicktail<\/a><\/noindex> para inserir dados de arquivos de log no ClickHouse, mas tudo isso leva mais tempo. No entanto, o ClickHouse continua sendo o l\u00edder devido \u00e0 sua simplicidade, portanto at\u00e9 novatos conseguem instal\u00e1-lo facilmente e come\u00e7ar a usar em plena funcionalidade em apenas 10 minutos. <\/p>\n<p>Preferindo solu\u00e7\u00f5es minimalistas, tentei usar o FluentBit, uma ferramenta para coleta de logs com um consumo de mem\u00f3ria muito baixo, junto com o ClickHouse, evitando o uso do Kafka. No entanto, \u00e9 necess\u00e1rio resolver pequenas incompatibilidades, como <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/fluent\/fluent-bit\/issues\/848\">problemas de formata\u00e7\u00e3o de data<\/a><\/noindex>, antes que isso possa ser feito sem uma camada proxy que converta os dados do FluentBit para o ClickHouse.<\/p>\n<p>Como alternativa ao Kibana, \u00e9 poss\u00edvel usar o ClickHouse como backend <noindex><a rel=\"nofollow\" href=\"https:\/\/github.com\/Vertamedia\/clickhouse-grafana\">Grafana<\/a><\/noindex>. Pelo que eu entendi, pode haver problemas de desempenho ao renderizar uma grande quantidade de itens de dados, especialmente com vers\u00f5es mais antigas do Grafana. Na Qwintry, ainda n\u00e3o tentamos isso, mas reclama\u00e7\u00f5es sobre isso ocasionalmente aparecem no canal de suporte do ClickHouse no Telegram. <\/p>\n<h3>Substituto do Google Big Query e Amazon RedShift (solu\u00e7\u00e3o para grandes empresas)<\/h3>\n<p>\nA melhor maneira de usar o BigQuery \u00e9 carregar 1 TB de dados JSON e executar consultas anal\u00edticas sobre eles. O Big Query \u00e9 um excelente produto, cuja escalabilidade \u00e9 dif\u00edcil de superestimar. \u00c9 um software muito mais complexo do que o ClickHouse, que opera em um cluster interno, mas do ponto de vista do cliente, tem muito em comum com o ClickHouse. O BigQuery pode rapidamente \"encarecer\" assim que voc\u00ea passar a pagar por cada SELECT, portanto, \u00e9 uma verdadeira solu\u00e7\u00e3o SaaS com todos os seus pr\u00f3s e contras. <\/p>\n<p>O ClickHouse \u00e9 a melhor escolha quando voc\u00ea executa muitas consultas que s\u00e3o caras em termos de computa\u00e7\u00e3o. Quanto mais consultas SELECT voc\u00ea realiza a cada dia, mais faz sentido substituir o Big Query pelo ClickHouse, pois essa troca pode economizar milhares de d\u00f3lares quando se trata de muitos terabytes de dados processados. Isso n\u00e3o se aplica a dados armazenados, cuja \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 no Big Query \u00e9 bastante barata.<\/p>\n<p>No artigo do cofundador da Altinity, Alexander Zaitsev <noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/2017\/10\/23\/migration-to-clickhouse\">\"A transi\u00e7\u00e3o para o ClickHouse\"<\/a><\/noindex> fala sobre as vantagens dessa migra\u00e7\u00e3o de SGBD.<\/p>\n<h3>Substitui\u00e7\u00e3o do TimescaleDB<\/h3>\n<p>\nTimescaleDB \u00e9 uma extens\u00e3o do PostgreSQL que otimiza o trabalho com s\u00e9ries temporais em um banco de dados tradicional.<noindex><a rel=\"nofollow\" href=\"https:\/\/docs.timescale.com\/v1.0\/introduction\">https:\/\/docs.timescale.com\/v1.0\/introduction<\/a><\/noindex>, <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/zabbix\/blog\/458530\/\">https:\/\/habr.com\/ru\/company\/zabbix\/blog\/458530\/<\/a><\/noindex>). <\/p>\n<p>Embora o ClickHouse n\u00e3o seja um concorrente s\u00e9rio no nicho de s\u00e9ries temporais, sua estrutura em colunas e a execu\u00e7\u00e3o vetorial de consultas o tornam, na maioria das vezes, muito mais r\u00e1pido que o TimescaleDB para o processamento de consultas anal\u00edticas. Al\u00e9m disso, o desempenho da entrada de dados em lotes do ClickHouse \u00e9 cerca de 3 vezes superior, e ele usa 20 vezes menos espa\u00e7o em disco, o que \u00e9 realmente importante para o manuseio de grandes volumes de dados hist\u00f3ricos.<noindex><a rel=\"nofollow\" href=\"https:\/\/www.altinity.com\/blog\/ClickHouse-for-time-series\">https:\/\/www.altinity.com\/blog\/ClickHouse-for-time-series<\/a><\/noindex>.<\/p>\n<p>Ao contr\u00e1rio do ClickHouse, a \u00fanica maneira de economizar um pouco de espa\u00e7o em disco no TimescaleDB \u00e9 usando ZFS ou sistemas de arquivos semelhantes.<\/p>\n<p>As atualiza\u00e7\u00f5es futuras do ClickHouse provavelmente introduzir\u00e3o a compress\u00e3o Delta, tornando-o ainda mais adequado para o processamento e armazenamento de dados de s\u00e9ries temporais. O TimescaleDB pode ser a melhor escolha em compara\u00e7\u00e3o ao ClickHouse 'nu' nas seguintes situa\u00e7\u00f5es:<\/p>\n<ul>\n<li>instala\u00e7\u00f5es pequenas com muito pouca mem\u00f3ria RAM (&lt;3 GB);<\/li>\n<li>um grande n\u00famero de pequenos INSERTs que voc\u00ea n\u00e3o deseja agrupar em grandes fragmentos;<\/li>\n<li>melhor consist\u00eancia, uniformidade e requisitos ACID;<\/li>\n<li>suporte ao PostGIS;<\/li>\n<li>integra\u00e7\u00e3o com tabelas PostgreSQL existentes, pois, essencialmente, o TimescaleDB \u00e9 PostgreSQL.<\/li>\n<\/ul>\n<p><\/p>\n<h3>Concorr\u00eancia com sistemas Hadoop e MapReduce<\/h3>\n<p>\nO Hadoop e outros produtos MapReduce podem realizar muitos c\u00e1lculos complexos, mas geralmente operam com enormes lat\u00eancias. O ClickHouse corrige esse problema, processando terabytes de dados e fornecendo resultados quase instantaneamente. Assim, o ClickHouse \u00e9 muito mais eficiente para realizar investiga\u00e7\u00f5es anal\u00edticas r\u00e1pidas e interativas, o que deve interessar os especialistas em processamento de dados.<\/p>\n<h3>Concorr\u00eancia com Pinot e Druid<\/h3>\n<p>\nOs concorrentes mais pr\u00f3ximos do ClickHouse s\u00e3o produtos open source lineares escal\u00e1veis em colunas, Pinot e Druid. Um excelente trabalho comparativo entre esses sistemas foi publicado no artigo <noindex><a rel=\"nofollow\" href=\"https:\/\/medium.com\/@leventov\/comparison-of-the-open-source-olap-systems-for-big-data-ClickHouse-druid-and-pinot-8e042a5ed1c7\">de Roman Leventov<\/a><\/noindex> de 1\u00ba de fevereiro de 2018. <\/p>\n<p><img decoding=\"async\" alt=\"Usando Clickhouse como uma alternativa ao ELK, Big Query e TimescaleDB\" src=\"\/wp-content\/uploads\/2020\/01\/fe58814aa97b287b70c2f724b72b448a.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nEste artigo precisa de atualiza\u00e7\u00e3o \u2013 afirma que o ClickHouse n\u00e3o suporta opera\u00e7\u00f5es de UPDATE e DELETE, o que n\u00e3o \u00e9 totalmente correto em rela\u00e7\u00e3o \u00e0s \u00faltimas vers\u00f5es.<\/p>\n<p>N\u00e3o temos experi\u00eancia suficiente com esses SGBDs, mas n\u00e3o gosto nem um pouco da complexidade da infraestrutura necess\u00e1ria para rodar o Druid e o Pinot \u2014 \u00e9 uma verdadeira quantidade de \"partes m\u00f3veis\", cercadas por Java de todos os lados.<\/p>\n<p>Druid e Pinot s\u00e3o projetos incubados da Apache, cujo progresso \u00e9 amplamente documentado pela Apache nas p\u00e1ginas de seus projetos no GitHub. O Pinot surgiu na incubadora em outubro de 2018, enquanto o Druid nasceu 8 meses antes \u2014 em fevereiro.<\/p>\n<p>A falta de informa\u00e7\u00f5es sobre como o AFS funciona me levanta algumas perguntas, talvez at\u00e9 tolas. Fico curioso se os autores do Pinot notaram que a Apache Foundation \u00e9 mais inclinada ao Druid e se essa prefer\u00eancia provocou alguma inveja em rela\u00e7\u00e3o ao concorrente? O desenvolvimento do Druid desacelerar\u00e1 enquanto o do Pinot acelerar\u00e1, se os patrocinadores que suportam o primeiro de repente se interessarem pelo segundo?<\/p>\n<h3>Desvantagens do ClickHouse<\/h3>\n<p>\nImaturidade: \u00e9 evidente que ainda \u00e9 uma tecnologia n\u00e3o trivial, mas, de qualquer forma, n\u00e3o h\u00e1 nada parecido em outros SGBDs columnar. <\/p>\n<p>Pequenas inser\u00e7\u00f5es funcionam mal em alta velocidade: as inser\u00e7\u00f5es devem ser agrupadas em grandes chunks, pois o desempenho de inser\u00e7\u00f5es pequenas diminui proporcionalmente ao n\u00famero de colunas em cada linha. \u00c9 assim que o ClickHouse armazena dados no disco \u2014 cada coluna representa 1 arquivo ou mais, ent\u00e3o, para inserir 1 linha com 100 colunas, \u00e9 necess\u00e1rio abrir e gravar pelo menos 100 arquivos. \u00c9 por isso que um intermedi\u00e1rio \u00e9 necess\u00e1rio para bufferizar inser\u00e7\u00f5es (a menos que o pr\u00f3prio cliente fa\u00e7a a bufferiza\u00e7\u00e3o) \u2014 geralmente, isso \u00e9 Kafka ou algum sistema de gerenciamento de filas. Tamb\u00e9m \u00e9 poss\u00edvel usar o mecanismo Buffer table para depois copiar grandes fragmentos de dados para tabelas MergeTree.<\/p>\n<p>As jun\u00e7\u00f5es de tabelas s\u00e3o limitadas \u00e0 mem\u00f3ria RAM do servidor, mas pelo menos elas existem! Por exemplo, o Druid e o Pinot n\u00e3o t\u00eam essas jun\u00e7\u00f5es, pois s\u00e3o dif\u00edceis de implementar diretamente em sistemas distribu\u00eddos que n\u00e3o suportam a movimenta\u00e7\u00e3o de grandes volumes de dados entre n\u00f3s. <\/p>\n<h3>Como resultado, obtemos um servi\u00e7o de \"monitoramento como servi\u00e7o\", automatizado na linha de produ\u00e7\u00e3o de integra\u00e7\u00e3o cont\u00ednua. O desenvolvedor ou testador precisa apenas definir a lista de m\u00e9tricas em um arquivo JSON, e tudo o mais acontece automaticamente. Obtemos um controle de qualidade transparente dos lan\u00e7amentos: todas as notifica\u00e7\u00f5es sobre desempenho, consumo de recursos ou regress\u00f5es arquitet\u00f4nicas.<\/h3>\n<p>\nNos pr\u00f3ximos anos, planejamos usar amplamente o ClickHouse na Qwintry, pois esse SGBD oferece um excelente equil\u00edbrio entre desempenho, baixa sobrecarga, escalabilidade e simplicidade. Estou quase certo de que come\u00e7ar\u00e1 a se espalhar rapidamente assim que a comunidade ClickHouse encontrar mais maneiras de us\u00e1-lo em instala\u00e7\u00f5es pequenas e m\u00e9dias.<\/p>\n<h3>Um pouco de publicidade \ud83d\ude42<\/h3>\n<p>\nObrigado por permanecer conosco. Voc\u00ea gosta dos nossos artigos? Quer ver mais materiais interessantes? Apoie-nos fazendo um pedido ou recomendando para conhecidos. <noindex><a rel=\"nofollow\" href=\"https:\/\/ua-hosting.company\/cloudvps\/nl\">VPS em nuvem para desenvolvedores a partir de $4.99<\/a><\/noindex>, <b>uma alternativa \u00fanica aos servidores entry-level, que criamos para voc\u00ea:<\/b> <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/company\/ua-hosting\/blog\/347386\/\">Toda a verdade sobre VPS (KVM) E5-2697 v3 (6 N\u00facleos) 10GB DDR4 480GB SSD 1Gbps a partir de $19 ou como dividir um servidor corretamente?<\/a><\/noindex> (dispon\u00edveis op\u00e7\u00f5es com RAID1 e RAID10, at\u00e9 24 n\u00facleos e at\u00e9 40GB DDR4).<\/p>\n<p><b>Dell R730xd por 2 vezes mais barato no datacenter Equinix Tier IV em Amsterd\u00e3?<\/b> Somente conosco <b><noindex><a rel=\"nofollow\" href=\"https:\/\/ua-hosting.company\/serversnl\">2 x Intel TetraDeca-Core Xeon 2x E5-2697v3 2.6GHz 14C 64GB DDR4 4x960GB SSD 1Gbps 100TB a partir de $199<\/a><\/noindex> na Holanda! <b>Dell R420 \u2014 2x E5-2430 2.2Ghz 6C 128GB DDR3 2x960GB SSD 1Gbps 100TB \u2014 a partir de $99!<\/b><\/b> Leia sobre <noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/company\/ua-hosting\/blog\/329618\/\">Como construir uma infraestrutura de classe corporativa utilizando servidores Dell R730xd E5-2650 v4 com custo de 9000 euros por centavos?<\/a><\/noindex><br \/>\n<br \/>Fonte: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/ua-hosting\/blog\/483112\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c, \u0441\u043e\u0437\u0434\u0430\u043d\u043d\u0430\u044f \u042f\u043d\u0434\u0435\u043a\u0441\u043e\u043c. \u0415\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 \u042f\u043d\u0434\u0435\u043a\u0441, CloudFlare, VK.com, Badoo \u0438 \u0434\u0440\u0443\u0433\u0438\u0435 \u0441\u0435\u0440\u0432\u0438\u0441\u044b \u043f\u043e \u0432\u0441\u0435\u043c\u0443 \u043c\u0438\u0440\u0443 \u0434\u043b\u044f \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u0438\u0445 \u043e\u0431\u044a\u0435\u043c\u043e\u0432 \u0434\u0430\u043d\u043d\u044b\u0445 (\u0432\u0441\u0442\u0430\u0432\u043a\u0430 \u0442\u044b\u0441\u044f\u0447 \u0441\u0442\u0440\u043e\u043a \u0432 \u0441\u0435\u043a\u0443\u043d\u0434\u0443 \u0438\u043b\u0438 \u043f\u0435\u0442\u0430\u0431\u0430\u0439\u0442\u044b \u0434\u0430\u043d\u043d\u044b\u0445, \u0445\u0440\u0430\u043d\u044f\u0449\u0438\u0445\u0441\u044f \u043d\u0430 \u0434\u0438\u0441\u043a\u0435). \u0412 \u043e\u0431\u044b\u0447\u043d\u043e\u0439, \u00ab\u0441\u0442\u0440\u043e\u043a\u043e\u0432\u043e\u0439\u00bb \u0421\u0423\u0411\u0414, \u043f\u0440\u0438\u043c\u0435\u0440\u0430\u043c\u0438 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-54918","post","type-post","status-publish","format-standard","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.3 - aioseo.com -->\n\t<meta name=\"description\" content=\"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb\" \/>\n\t\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.3\" \/>\n\t\t<meta property=\"og:locale\" content=\"pt_PT\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 Clickhouse \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0437\u0430\u043c\u0435\u043d\u044b ELK, Big Query \u0438 TimescaleDB | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-01-06T21:00:00+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-02-18T11:02:58+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47Uso do ClickHouse como substituto do ELK, Big Query e TimescaleDB | ProHoster","description":"O ClickHouse \u00e9 um sistema de gerenciamento de banco de dados em colunas para processamento online de consultas anal\u00edticas (OLAP) de c\u00f3digo aberto.","canonical_url":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pt_PT","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u0418\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 Clickhouse \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u0437\u0430\u043c\u0435\u043d\u044b ELK, Big Query \u0438 TimescaleDB | ProHoster","og:description":"Clickhouse \u2014 \u044d\u0442\u043e \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432\u0430\u044f \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u0443\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u044f \u0431\u0430\u0437\u0430\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0434\u043b\u044f \u043e\u043d\u043b\u0430\u0439\u043d \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u0430\u043d\u0430\u043b\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432 (OLAP) \u0441 \u043e\u0442\u043a\u0440\u044b\u0442\u044b\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c \u043a\u043e\u0434\u043e\u043c.","og:url":"https:\/\/prohoster.info\/pt\/blog\/administrirovanie\/ispolzovanie-clickhouse-v-kachestve-zameny-elk-big-query-i-timescaledb","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-01-06T21:00:00+00:00","article:modified_time":"2020-02-18T11:02:58+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"54918","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 13:09:54","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 19:55:36","updated":"2026-01-24 13:09:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts\/54918","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/comments?post=54918"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/posts\/54918\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/media?parent=54918"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/categories?post=54918"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pt\/wp-json\/wp\/v2\/tags?post=54918"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}