مضمون جو ترجمو خاص طور تي ڪورس جي شاگردن لاء تيار ڪيو ويو .
هڪ اوپن سورس ڪالمنر ڊيٽابيس آهي. اهو هڪ بهترين ماحول آهي جتي سوين تجزيه نگار تڪڙو تفصيلي ڊيٽا پڇي سگهن ٿا، ايستائين جو هر روز لکين بلين نوان رڪارڊ داخل ڪيا وڃن ٿا. اهڙي نظام کي سپورٽ ڪرڻ لاءِ انفراسٽرڪچر جي قيمت هر سال $100 جيتري ٿي سگهي ٿي، ۽ ممڪن طور تي اڌ جيڪا استعمال تي منحصر آهي. هڪ نقطي تي، Yandex Metrics کان ClickHouse تنصيب ۾ 10 ٽريلين رڪارڊ شامل هئا. Yandex کان علاوه، ClickHouse پڻ بلومبرگ ۽ Cloudflare سان ڪاميابي حاصل ڪئي.
ٻه سال اڳ گذاريم ڊيٽابيس هڪ مشين استعمال ڪندي، ۽ اهو ٿي ويو مفت ڊيٽابيس سافٽ ويئر مون ڪڏهن ڏٺو آهي. ان وقت کان وٺي، ڊولپرز خاصيتون شامل ڪرڻ بند نه ڪيا آھن، بشمول ڪافڪا، HDFS ۽ ZStandard کمپريشن لاءِ سپورٽ. گذريل سال اهي شامل ڪيا ويا cascading compression طريقن لاء مدد, ۽ ڪوڊنگ ممڪن ٿيو. ٽائيم سيريز ڊيٽا کي ڪمپريس ڪرڻ وقت، گيج ويلز کي ڊيلٽا انڪوڊنگ استعمال ڪندي چڱيءَ طرح دٻجي سگھجي ٿو، پر شمار ڪندڙن لاءِ اھو بھتر ٿيندو ته ڊيلٽا-جي-ڊيلٽا انڪوڊنگ استعمال ڪجي. سٺو ڪمپريشن ClickHouse جي ڪارڪردگي لاء اهم بڻجي چڪو آهي.
ClickHouse 170 ھزار لائينن تي مشتمل آھي C++ ڪوڊ، سواءِ ٽئين پارٽي جي لائبريرين، ۽ ھڪڙو آھي ننڍڙو ورهايل ڊيٽابيس ڪوڊ بيسز مان. مقابلي ۾، SQLite تقسيم کي سپورٽ نٿو ڏئي ۽ 235 هزار لائنون سي ڪوڊ تي مشتمل آهي. هن لکڻ جي طور تي، 207 انجنيئر ڪلڪ ڪيو آهي ڪلڪ هائوس ۾، ۽ ڪمن جي شدت تازو وڌي رهي آهي.
مارچ 2017 ۾، ڪلڪ هائوس شروع ڪيو ترقي جي ٽريڪ کي رکڻ لاء هڪ آسان طريقو آهي. انهن پڻ ٽوڙي ڇڏيو monolithic دستاويزي فائل کي مارڪ ڊائونڊ-بنياد واري فائل جي جوڙجڪ ۾. مسئلا ۽ خاصيتون GitHub ذريعي ٽريڪ ڪيا ويا آهن، ۽ عام طور تي سافٽ ويئر گذريل ڪجهه سالن ۾ تمام گهڻو رسائي لائق ٿي چڪو آهي.
هن آرٽيڪل ۾، مان 2-ڪور پروسيسرز ۽ NVMe اسٽوريج استعمال ڪندي AWS EC36 تي ڪلڪ هائوس ڪلستر جي ڪارڪردگي تي هڪ نظر وجهڻ وارو آهيان.
تازه ڪاري: اصل ۾ هن پوسٽ کي شايع ڪرڻ کان هڪ هفتي بعد، مون ٽيسٽ کي بهتر ترتيب سان ترتيب ڏنو ۽ گهڻو بهتر نتيجا حاصل ڪيو. هي پوسٽ اپڊيٽ ڪئي وئي آهي انهن تبديلين کي ظاهر ڪرڻ لاءِ.
AWS EC2 ڪلستر شروع ڪرڻ
مان هن پوسٽ لاءِ ٽي c5d.9xlarge EC2 مثال استعمال ڪندس. انهن مان هر هڪ تي مشتمل آهي 36 ورچوئل سي پي يوز، 72 GB ريم، 900 GB NVMe SSD اسٽوريج ۽ 10 گيگابٽ نيٽ ورڪ کي سپورٽ ڪري ٿو. انهن جي قيمت $1,962 / ڪلاڪ هر هڪ eu-west-1 علائقي ۾ آهي جڏهن طلب تي هلندي آهي. مان استعمال ڪندس Ubuntu Server 16.04 LTS جيئن آپريٽنگ سسٽم.
فائر وال کي ترتيب ڏنو ويو آهي ته جيئن هر مشين هڪ ٻئي سان بغير ڪنهن پابنديون سان رابطو ڪري سگهي ٿي، ۽ صرف منهنجو IPv4 پتو ڪلستر ۾ SSH طرفان وائيٽ لسٽ ٿيل آهي.
NVMe ڊرائيو آپريشنل تيارگي جي حالت ۾
ڪلڪ هائوس ڪم ڪرڻ لاءِ، مان هر هڪ سرور تي NVMe ڊرائيو تي EXT4 فارميٽ ۾ فائيل سسٽم ٺاهيندس.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chهڪ دفعو هر شي ترتيب ڏني وئي آهي، توهان ڏسي سگهو ٿا مائونٽ پوائنٽ ۽ 783 GB جي جڳهه هر سسٽم تي دستياب آهي.
$ 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% /chڊيٽا سيٽ جيڪو آئون هن ٽيسٽ ۾ استعمال ڪندس هڪ ڊيٽا ڊمپ آهي جيڪو مون 1.1 بلين ٽيڪسي سواري مان ٺاهيو آهي جيڪو نيو يارڪ شهر ۾ ڇهن سالن دوران ورتو ويو آهي. بلاگ تي تفصيل ڏيو ته مون هن ڊيٽا سيٽ کي ڪيئن گڏ ڪيو. اھي AWS S3 ۾ ذخيرو ٿيل آھن، تنھنڪري مان AWS CLI کي پنھنجي رسائي ۽ ڳجھي چاٻين سان ترتيب ڏيندس.
$ sudo apt update
$ sudo apt install awscli
$ aws configureمان ڪلائنٽ جي سمورو درخواست جي حد 100 تائين سيٽ ڪندس ته جيئن فائلون ڊفالٽ سيٽنگن کان تيزيءَ سان ڊائون لوڊ ٿين.
$ aws configure set
default.s3.max_concurrent_requests
100مان AWS S3 مان ٽئڪسي سواري ڊيٽا سيٽ ڊائون لوڊ ڪندس ۽ ان کي پهرين سرور تي NVMe ڊرائيو تي اسٽور ڪندس. هي ڊيٽا سيٽ ~ 104GB GZIP-compressed CSV فارميٽ ۾ آهي.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvھاؤس جي انسٽاليشن تي ڪلڪ ڪريو
مان انسٽال ڪندس OpenJDK ڊسٽريبيوشن جاوا 8 لاءِ جيئن ان کي هلائڻ لاءِ گهربل آهي Apache ZooKeeper، جيڪو ضروري آهي ته ٽنهي مشينن تي ClickHouse جي ورهايل تنصيب لاءِ.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
ان کان پوء مون ماحوليات متغير مقرر ڪيو JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileمان پوءِ استعمال ڪندس Ubuntu جي پيڪيج مينيجمينٽ سسٽم کي انسٽال ڪرڻ لاءِ ClickHouse 18.16.1، Glances ۽ ZooKeeper سڀني ٽن مشينن تي.
$ 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
zookeeperdمان ClickHouse لاءِ ڊاريڪٽري ٺاھيندس ۽ سڀني ٽن سرورن تي ڪجھ ڪنفيگريشن اووررائڊ پڻ ڪندس.
$ 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.confاهي ترتيب ڏنل آهن اوور رائڊ جيڪي مان استعمال ڪندس.
<?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>مان پوءِ هلائيندس ZooKeeper ۽ ClickHouse سرور کي سڀني ٽن مشينن تي.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startClickHouse تي ڊيٽا اپ لوڊ ڪرڻ
پهرين سرور تي مان هڪ ٽرپ ٽيبل ٺاهيندس (trips)، جيڪو لاگ انجڻ استعمال ڪندي ٽيڪسي جي سفرن جي ڊيٽا سيٽ کي محفوظ ڪندو.
$ 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;
مان پوءِ هر هڪ CSV فائلن کي ڪڍي ۽ لوڊ ڪريان ٿو ٽرپ ٽيبل ۾ (trips). هيٺيون مڪمل ڪيو ويو 55 منٽ ۽ 10 سيڪنڊن ۾. هن آپريشن کان پوء، ڊيٽا ڊاريڪٽري جي سائيز 134 GB هئي.
$ 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)درآمد جي رفتار 155 MB غير ڪمپريس ٿيل CSV مواد في سيڪنڊ هئي. مون کي شڪ آهي ته اهو GZIP ڊمپپريشن ۾ رڪاوٽ جي سبب هو. xargs استعمال ڪندي سڀني gzipped فائلن کي متوازي ۾ ان زپ ڪرڻ ۽ پوءِ اڻ زپ ٿيل ڊيٽا کي لوڊ ڪرڻ لاءِ تيز ٿي سگھي ٿو. هيٺ ڏنل بيان آهي جيڪو CSV درآمد جي عمل دوران ٻڌايو ويو هو.
$ 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/23:1Hمان اڳتي وڌڻ کان اڳ اصل CSV فائلن کي حذف ڪري NVMe ڊرائيو تي جاءِ خالي ڪندس.
$ sudo rm -fr /ch/csvڪالمن فارم ۾ تبديل ڪريو
لاگ ڪلڪ هائوس انجڻ ڊيٽا کي قطار تي مبني شڪل ۾ ذخيرو ڪندو. ڊيٽا کي تيزيءَ سان پڇڻ لاءِ، مان ان کي ڪالمنر فارميٽ ۾ تبديل ڪريان ٿو MergeTree انجڻ استعمال ڪندي.
$ clickhouse-client --host=0.0.0.0هيٺيون مڪمل ڪيو ويو 34 منٽ ۽ 50 سيڪنڊن ۾. هن آپريشن کان پوء، ڊيٽا ڊاريڪٽري جي سائيز 237 GB هئي.
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;اھو اھو آھي جيڪو نظر جي ٻاھران آپريشن دوران نظر آيو:
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)آخري ٽيسٽ ۾، ڪيترن ئي ڪالمن کي تبديل ڪيو ويو ۽ ٻيهر حساب ڪيو ويو. مون ڏٺو ته انهن مان ڪجهه فنڪشن هاڻي ڪم نه ڪندا آهن جيئن هن ڊيٽا سيٽ تي توقع ڪئي وئي آهي. هن مسئلي کي حل ڪرڻ لاء، مون غير مناسب افعال کي هٽايو ۽ ڊيٽا کي لوڊ ڪيو بغير وڌيڪ گرينر قسمن ۾ تبديل ڪرڻ جي.
ڪلستر ۾ ڊيٽا جي ورڇ
مان ڊيٽا کي سڀني ٽن ڪلستر نوڊس ۾ ورهائيندس. شروع ڪرڻ لاءِ، هيٺ آئون سڀني ٽن مشينن تي ٽيبل ٺاهيندس.
$ 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);پوء مان پڪ ڪندس ته پهريون سرور ڪلستر ۾ سڀني ٽن نوڊس کي ڏسي سگهي ٿو.
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:
پوء آئون پهرين سرور تي هڪ نئين ٽيبل جي وضاحت ڪندس جيڪا اسڪيما تي ٻڌل آهي trips_mergetree_third ۽ ورهايل انجڻ استعمال ڪري ٿو.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());مان پوءِ ڊيٽا کي نقل ڪندس MergeTree تي ٻڌل ٽيبل مان سڀني ٽن سرورن ڏانهن. هيٺيون 34 منٽ ۽ 44 سيڪنڊن ۾ مڪمل ڪيو ويو.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;مٿين آپريشن کان پوءِ، مون ClickHouse کي 15 منٽ ڏنو ته جيئن وڌ ۾ وڌ اسٽوريج ليول جي نشان کان پري ھلجي. ڊيٽا ڊاريڪٽري ختم ٿي وئي 264 GB، 34 GB ۽ 33 GB ترتيب وار ٽن سرورن تي.
ڪلڪ هائوس ڪلستر ڪارڪردگي جو جائزو
جيڪو مون اڳتي ڏٺو اهو تيز ترين وقت هو جيڪو مون هر سوال کي ٽيبل تي ڪيترائي ڀيرا هلائيندي ڏٺو آهي trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0هيٺيون 2.449 سيڪنڊن ۾ مڪمل ٿيو.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;هيٺيون 0.691 سيڪنڊن ۾ مڪمل ٿيو.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;هيٺيون 0 سيڪنڊن ۾ مڪمل ٿيو.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;هيٺيون 0.983 سيڪنڊن ۾ مڪمل ٿيو.
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;مقابلي لاءِ، مون ساڳيا سوال ڪيا MergeTree تي ٻڌل ٽيبل تي جيڪي صرف پهرين سرور تي رهن ٿا.
ھڪڙي ڪلڪ ھاؤس نوڊ جي ڪارڪردگي جو جائزو
جيڪو مون اڳتي ڏٺو اهو تيز ترين وقت هو جيڪو مون هر سوال کي ٽيبل تي ڪيترائي ڀيرا هلائيندي ڏٺو آهي trips_mergetree_x3.
هيٺيون 0.241 سيڪنڊن ۾ مڪمل ٿيو.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;هيٺيون 0.826 سيڪنڊن ۾ مڪمل ٿيو.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;هيٺيون 1.209 سيڪنڊن ۾ مڪمل ٿيو.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;هيٺيون 1.781 سيڪنڊن ۾ مڪمل ٿيو.
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;نتيجن تي غور
اهو پهريون ڀيرو آهي ته هڪ مفت سي پي يو تي ٻڌل ڊيٽابيس منهنجي تجربن ۾ GPU جي بنياد تي ڊيٽابيس کي ختم ڪرڻ جي قابل هئي. اهو GPU تي ٻڌل ڊيٽابيس ان وقت کان وٺي ٻن ترميمن مان گذري چڪو آهي، پر ڪارڪردگي جيڪا ClickHouse هڪ واحد نوڊ تي پهچائي ٿي، ان جي باوجود تمام متاثر کن آهي.
ساڳي ئي وقت، جڏهن ورهايل انجڻ تي سوال 1 تي عمل ڪندي، مٿي جي قيمت هڪ اعلي معيار جو حڪم آهي. مون کي اميد آهي ته مون هن پوسٽ لاءِ منهنجي تحقيق ۾ ڪجهه وڃايو آهي ڇاڪاڻ ته اهو ڏسڻ سٺو لڳندو ته سوال جا وقت گهٽجي ويندا آهن جيئن آئون ڪلسٽر ۾ وڌيڪ نوڊس شامل ڪريان. بهرحال، اهو عظيم آهي ته جڏهن ٻين سوالن تي عمل ڪندي، ڪارڪردگي تقريبا 2 ڀيرا وڌي وئي.
اهو ڏسڻ ۾ سٺو لڳندو ClickHouse کي الڳ ڪرڻ جي قابل ٿيڻ جي طرف ڪلڪ ڪيو اسٽوريج ۽ ڪمپيوٽ ته جيئن اهي آزاديءَ سان ماپ ڪري سگهن. HDFS سپورٽ، جيڪو گذريل سال شامل ڪيو ويو، ان طرف ھڪڙو قدم ٿي سگھي ٿو. ڪمپيوٽنگ جي لحاظ کان، جيڪڏهن هڪ واحد سوال ڪلستر ۾ وڌيڪ نوڊس شامل ڪري تيز ڪري سگهجي ٿو، ته پوء هن سافٽ ويئر جو مستقبل تمام روشن آهي.
هن پوسٽ پڙهڻ لاء وقت وٺڻ لاء توهان جي مهرباني. مان پيش ڪريان ٿو مشوري، فن تعمير، ۽ مشق ترقي جون خدمتون اتر آمريڪا ۽ يورپ ۾ گراهڪن کي. جيڪڏهن توهان بحث ڪرڻ چاهيندا ته منهنجون تجويزون توهان جي ڪاروبار ۾ ڪيئن مدد ڪري سگهن ٿيون، مهرباني ڪري مون سان رابطو ڪريو ذريعي .
جو ذريعو: www.habr.com