Traducerea articolului a fost pregătită special pentru studenții cursului .
este o bază de date în coloană open source. Este un mediu grozav în care sute de analiști pot interoga rapid date detaliate, chiar dacă sunt introduse zeci de miliarde de înregistrări noi pe zi. Costurile de infrastructură pentru a susține un astfel de sistem ar putea ajunge până la 100 USD pe an și, potențial, jumătate din aceasta, în funcție de utilizare. La un moment dat, instalarea ClickHouse de la Yandex Metrics conținea 10 trilioane de înregistrări. Pe lângă Yandex, ClickHouse a avut succes și cu Bloomberg și Cloudflare.
Acum doi ani i-am petrecut baze de date folosind o singură mașină și a devenit software-ul gratuit pentru baze de date pe care l-am văzut vreodată. De atunci, dezvoltatorii nu au încetat să adauge funcții, inclusiv suport pentru compresia Kafka, HDFS și ZStandard. Anul trecut au adăugat suport pentru metodele de compresie în cascadă și codificarea a devenit posibilă. La comprimarea datelor din seria temporală, valorile gauge pot fi comprimate bine folosind codificarea delta, dar pentru contoare ar fi mai bine să folosiți codificarea delta cu delta. Compresia bună a devenit cheia performanței ClickHouse.
ClickHouse constă din 170 de mii de linii de cod C++, excluzând bibliotecile terțe și este una dintre cele mai mici baze de coduri de baze de date distribuite. În comparație, SQLite nu acceptă distribuția și constă din 235 de mii de linii de cod C. În momentul scrierii acestui articol, 207 ingineri au contribuit la ClickHouse, iar intensitatea commit-urilor a crescut recent.
În martie 2017, ClickHouse a început să conducă ca o modalitate simplă de a urmări evoluția. De asemenea, au împărțit fișierul de documentație monolitic într-o ierarhie de fișiere bazată pe Markdown. Problemele și caracteristicile sunt urmărite prin GitHub și, în general, software-ul a devenit mult mai accesibil în ultimii câțiva ani.
În acest articol, voi arunca o privire asupra performanței unui cluster ClickHouse pe AWS EC2 folosind procesoare cu 36 de nuclee și stocare NVMe.
UPDATE: La o săptămână după publicarea inițială a acestei postări, am reluat testul cu o configurație îmbunătățită și am obținut rezultate mult mai bune. Această postare a fost actualizată pentru a reflecta aceste modificări.
Lansarea unui cluster AWS EC2
Voi folosi trei instanțe c5d.9xlarge EC2 pentru această postare. Fiecare dintre ele conține 36 de procesoare virtuale, 72 GB de RAM, 900 GB de stocare SSD NVMe și acceptă rețea de 10 Gigabit. Acestea costă 1,962 USD/oră fiecare în regiunea eu-west-1 când rulează la cerere. Voi folosi Ubuntu Server 16.04 LTS ca sistem de operare.
Firewall-ul este configurat astfel încât fiecare mașină să poată comunica între ele fără restricții și numai adresa mea IPv4 este inclusă în lista albă de SSH în cluster.
Unitatea NVMe în stare de pregătire operațională
Pentru ca ClickHouse să funcționeze, voi crea un sistem de fișiere în format EXT4 pe o unitate NVMe pe fiecare dintre servere.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chOdată ce totul este configurat, puteți vedea punctul de montare și cei 783 GB de spațiu disponibil pe fiecare sistem.
$ 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
└─nvme0n1p1 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% /chSetul de date pe care îl voi folosi în acest test este un depozit de date pe care l-am generat din 1.1 miliarde de călătorii cu taxiul efectuate în New York City de-a lungul a șase ani. Pe blog detaliază modul în care am colectat acest set de date. Sunt stocate în AWS S3, așa că voi configura AWS CLI cu cheile mele de acces și secrete.
$ sudo apt update
$ sudo apt install awscli
$ aws configureVoi seta limita de solicitare simultană a clientului la 100, astfel încât fișierele să se descarce mai repede decât setările implicite.
$ aws configure set
default.s3.max_concurrent_requests
100Voi descărca setul de date privind cursele cu taxiul de pe AWS S3 și îl voi stoca pe o unitate NVMe pe primul server. Acest set de date este de ~104 GB în format CSV comprimat în GZIP.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvInstalare ClickHouse
Voi instala distribuția OpenJDK pentru Java 8, deoarece este necesară pentru a rula Apache ZooKeeper, care este necesar pentru o instalare distribuită a ClickHouse pe toate cele trei mașini.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Apoi am setat variabila de mediu JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileApoi voi folosi sistemul de gestionare a pachetelor Ubuntu pentru a instala ClickHouse 18.16.1, Glances și ZooKeeper pe toate cele trei mașini.
$ 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
zookeeperdVoi crea un director pentru ClickHouse și, de asemenea, voi face unele înlocuiri de configurare pe toate cele trei servere.
$ 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.confAcestea sunt suprascrierile de configurare pe care le voi folosi.
<?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>Apoi voi rula ZooKeeper și serverul ClickHouse pe toate cele trei mașini.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startÎncărcarea datelor în ClickHouse
Pe primul server voi crea un tabel de călătorie (trips), care va stoca un set de date de călătorii cu taxiul folosind motorul Log.
$ 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;
Apoi extrag și încărc fiecare dintre fișierele CSV într-un tabel de călătorie (trips). Următoarele au fost finalizate în 55 de minute și 10 secunde. După această operațiune, dimensiunea directorului de date a fost de 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)Viteza de import a fost de 155 MB de conținut CSV necomprimat pe secundă. Bănuiesc că acest lucru s-a datorat unui blocaj în decompresia GZIP. Ar fi fost mai rapid să dezarhivați toate fișierele gzipped în paralel folosind xargs și apoi să încărcați datele dezarhivate. Mai jos este o descriere a ceea ce a fost raportat în timpul procesului de import CSV.
$ 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/23:1HVoi elibera spațiu pe unitatea NVMe ștergând fișierele CSV originale înainte de a continua.
$ sudo rm -fr /ch/csvConvertiți în formularul de coloană
Motorul Log ClickHouse va stoca datele într-un format orientat pe rând. Pentru a interoga mai rapid datele, le convertesc în format de coloană folosind motorul MergeTree.
$ clickhouse-client --host=0.0.0.0Următoarele au fost finalizate în 34 de minute și 50 de secunde. După această operațiune, dimensiunea directorului de date a fost de 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;Iată cum arăta ieșirea privire în timpul operației:
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)În ultimul test, mai multe coloane au fost convertite și recalculate. Am descoperit că unele dintre aceste funcții nu mai funcționează așa cum era de așteptat pe acest set de date. Pentru a rezolva această problemă, am eliminat funcțiile neadecvate și am încărcat datele fără a le converti la tipuri mai granulare.
Distribuția datelor în cluster
Voi distribui datele în toate cele trei noduri de cluster. Pentru început, mai jos voi crea un tabel pe toate cele trei mașini.
$ 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);Apoi mă voi asigura că primul server poate vedea toate cele trei noduri din cluster.
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:
Apoi voi defini un nou tabel pe primul server care se bazează pe schemă trips_mergetree_third și utilizează motorul distribuit.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Apoi voi copia datele din tabelul bazat pe MergeTree pe toate cele trei servere. Următoarele au fost finalizate în 34 de minute și 44 de secunde.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;După operațiunea de mai sus, i-am acordat ClickHouse 15 minute pentru a se îndepărta de marcajul nivelului maxim de stocare. Directoarele de date au ajuns să fie de 264 GB, 34 GB și respectiv 33 GB pe fiecare dintre cele trei servere.
Evaluarea performanței clusterului ClickHouse
Ceea ce am văzut în continuare a fost cel mai rapid timp pe care l-am văzut rulând fiecare interogare pe un tabel de mai multe ori trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Următoarele s-au finalizat în 2.449 de secunde.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Următoarele s-au finalizat în 0.691 de secunde.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Următoarele au fost finalizate în 0 secunde.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Următoarele s-au finalizat în 0.983 de secunde.
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;Pentru comparație, am rulat aceleași interogări pe un tabel bazat pe MergeTree care se află numai pe primul server.
Evaluarea performanței unui nod ClickHouse
Ceea ce am văzut în continuare a fost cel mai rapid timp pe care l-am văzut rulând fiecare interogare pe un tabel de mai multe ori trips_mergetree_x3.
Următoarele s-au finalizat în 0.241 de secunde.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Următoarele s-au finalizat în 0.826 de secunde.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Următoarele s-au finalizat în 1.209 de secunde.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Următoarele s-au finalizat în 1.781 de secunde.
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;Reflecții asupra rezultatelor
Este prima dată când o bază de date gratuită bazată pe CPU a reușit să depășească o bază de date bazată pe GPU în testele mele. Acea bază de date bazată pe GPU a trecut prin două revizuiri de atunci, dar performanța pe care ClickHouse a oferit-o pe un singur nod este totuși foarte impresionantă.
În același timp, atunci când se execută Interogarea 1 pe un motor distribuit, costurile generale sunt cu un ordin de mărime mai mari. Sper că am omis ceva în cercetarea mea pentru această postare, deoarece ar fi plăcut să văd că timpul de interogare scad pe măsură ce adaug mai multe noduri la cluster. Cu toate acestea, este grozav că atunci când executați alte interogări, performanța a crescut de aproximativ 2 ori.
Ar fi plăcut să vedem că ClickHouse evoluează spre a putea separa stocarea și calcularea, astfel încât să poată scala independent. Suportul HDFS, care a fost adăugat anul trecut, ar putea fi un pas în acest sens. În ceea ce privește calculul, dacă o singură interogare poate fi accelerată prin adăugarea mai multor noduri la cluster, atunci viitorul acestui software este foarte luminos.
Vă mulțumim pentru timpul acordat citirii acestei postări. Ofer consultanță, arhitectură și servicii de dezvoltare a practicii clienților din America de Nord și Europa. Dacă doriți să discutați despre modul în care sugestiile mele vă pot ajuta afacerea, vă rugăm să mă contactați prin .
Sursa: www.habr.com