ලිපියේ පරිවර්තනය පාඨමාලාවේ සිසුන් සඳහා විශේෂයෙන් සකස් කරන ලදී .
විවෘත මූලාශ්‍ර තීරු දත්ත ගබඩාවකි. දිනකට නව වාර්තා බිලියන දස දහස් ගණනක් ඇතුළත් වන විට පවා, විශ්ලේෂකයින් සිය ගණනකට ඉක්මනින් සවිස්තරාත්මක දත්ත විමසිය හැකි විශිෂ්ට පරිසරයකි. එවැනි පද්ධතියකට සහාය වීම සඳහා යටිතල පහසුකම් පිරිවැය වසරකට ඩොලර් 100ක් තරම් ඉහළ අගයක් විය හැකි අතර භාවිතය අනුව එයින් අඩක් විය හැකිය. එක් අවස්ථාවක, Yandex Metrics වෙතින් ClickHouse ස්ථාපනය වාර්තා ට්‍රිලියන 10 ක් අඩංගු විය. Yandex වලට අමතරව, ClickHouse Bloomberg සහ Cloudflare සමඟද සාර්ථකත්වය සොයාගෙන ඇත.
අවුරුදු දෙකකට කලින් මම වියදම් කළා එක් යන්ත්රයක් භාවිතා කරමින් දත්ත සමුදායන්, සහ එය බවට පත් විය මම දැකපු නිදහස් දත්ත සමුදා මෘදුකාංගයක්. එතැන් සිට, සංවර්ධකයින් Kafka, HDFS සහ ZStandard සම්පීඩනය සඳහා සහය ඇතුළු විශේෂාංග එකතු කිරීම නතර කර නැත. පසුගිය වසරේ ඔවුන් කැස්කැඩින් සම්පීඩන ක්‍රම සඳහා සහය එකතු කරන ලදී, සහ කේතීකරණය හැකි විය. කාල ශ්‍රේණි දත්ත සම්පීඩනය කරන විට, ඩෙල්ටා කේතනය භාවිතයෙන් මැනුම් අගයන් හොඳින් සම්පීඩනය කළ හැක, නමුත් කවුන්ටර සඳහා ඩෙල්ටා-ඩෙල්ටා කේතනය භාවිතා කිරීම වඩා හොඳය. හොඳ සම්පීඩනය ClickHouse හි ක්‍රියාකාරිත්වය සඳහා යතුර වී ඇත.
ClickHouse තුන්වන පාර්ශ්ව පුස්තකාල හැර C++ කේත පේළි 170 කින් සමන්විත වන අතර එය බෙදා හරින ලද කුඩාම දත්ත සමුදා කේත සමුදායන්ගෙන් එකකි. සැසඳීමේදී, SQLite බෙදා හැරීමට සහය නොදක්වන අතර C කේතයේ පේළි 235 කින් සමන්විත වේ.මෙම ලිපිය ලියන විට, ඉන්ජිනේරුවන් 207 ක් ClickHouse වෙත දායක වී ඇති අතර, කැපවීම්වල තීව්‍රතාවය මෑතක සිට වැඩි වෙමින් පවතී.
2017 මාර්තු මාසයේදී ClickHouse පැවැත්වීමට පටන් ගත්තේය සංවර්ධනය නිරීක්ෂණය කිරීමට පහසු ක්රමයක් ලෙස. ඔවුන් මොනොලිතික් ලේඛන ගොනුව මාර්ක්ඩවුන් මත පදනම් වූ ගොනු ධූරාවලියකට ද කඩා දැමූහ. ගැටළු සහ විශේෂාංග GitHub හරහා නිරීක්ෂණය කරනු ලබන අතර, සාමාන්‍යයෙන් මෘදුකාංගය පසුගිය වසර කිහිපය තුළ වඩාත් ප්‍රවේශ විය හැකි බවට පත්ව ඇත.
මෙම ලිපියෙන්, මම 2-core ප්‍රොසෙසර සහ NVMe ආචයනය භාවිතා කරමින් AWS EC36 හි ClickHouse පොකුරක ක්‍රියාකාරිත්වය දෙස බැලීමට යන්නෙමි.
යාවත්කාලීන කිරීම: මෙම පළ කිරීම මුලින් ප්‍රකාශ කිරීමෙන් සතියකට පසු, මම වැඩි දියුණු කළ වින්‍යාසයකින් පරීක්ෂණය නැවත ක්‍රියාත්මක කළ අතර වඩා හොඳ ප්රතිඵල ලබා ගත්තෙමි. මෙම වෙනස්කම් පිළිබිඹු කිරීමට මෙම පළ කිරීම යාවත්කාලීන කර ඇත.
AWS EC2 පොකුරක් දියත් කිරීම
මම මෙම පළ කිරීම සඳහා c5d.9xlarge EC2 අවස්ථා තුනක් භාවිතා කරමි. ඒ සෑම එකක්ම අතථ්‍ය CPU 36 ක්, 72 GB RAM, 900 GB NVMe SSD ආචයනය අඩංගු වන අතර 10 Gigabit ජාලයකට සහය දක්වයි. ඉල්ලුම මත ධාවනය වන විට ඒවා eu-west-1,962 කලාපයේ $1/පැයකට එකකට වැය වේ. මම Ubuntu Server 16.04 LTS මෙහෙයුම් පද්ධතිය ලෙස භාවිතා කරමි.
ෆයර්වෝලය වින්‍යාස කර ඇත්තේ එක් එක් යන්ත්‍රයකට සීමාවකින් තොරව එකිනෙකා සමඟ සන්නිවේදනය කළ හැකි වන පරිදි වන අතර, මගේ IPv4 ලිපිනය පමණක් පොකුරේ SSH විසින් සුදු ලැයිස්තුගත කර ඇත.
NVMe ධාවකය මෙහෙයුම් සුදානම් තත්වයේ
ClickHouse වැඩ කිරීම සඳහා, මම එක් එක් සේවාදායකයේ NVMe ධාවකයක් මත EXT4 ආකෘතියෙන් ගොනු පද්ධතියක් නිර්මාණය කරමි.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chසෑම දෙයක්ම වින්‍යාස කළ පසු, ඔබට සවිකරන ස්ථානය සහ එක් එක් පද්ධතියේ ඇති 783 GB ඉඩ ප්‍රමාණය දැක ගත හැකිය.
$ 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% /chමෙම පරීක්ෂණයේදී මා භාවිතා කරන දත්ත කට්ටලය වසර හයක් පුරා නිව් යෝර්ක් නගරයේ සිදු කරන ලද කුලී රථ බිලියන 1.1කින් මා විසින් ජනනය කරන ලද දත්ත ඩම්ප් එකකි. බ්ලොග් එකේ මම මෙම දත්ත කට්ටලය එකතු කළ ආකාරය විස්තර. ඒවා AWS S3 හි ගබඩා කර ඇත, එබැවින් මම AWS CLI මගේ ප්‍රවේශය සහ රහස් යතුරු සමඟ වින්‍යාස කරමි.
$ sudo apt update
$ sudo apt install awscli
$ aws configureමම සේවාදායකයාගේ සමගාමී ඉල්ලීම් සීමාව 100ට සකසමි එවිට ගොනු පෙරනිමි සැකසුම් වලට වඩා වේගයෙන් බාගත වේ.
$ aws configure set
default.s3.max_concurrent_requests
100මම AWS S3 වෙතින් කුලී රථ ධාවන දත්ත කට්ටලය බාගත කර එය පළමු සේවාදායකයේ NVMe ධාවකයක ගබඩා කරමි. මෙම දත්ත කට්ටලය GZIP-සම්පීඩිත CSV ආකෘතියෙන් ~104GB වේ.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvClickHouse ස්ථාපනය
මම ජාවා 8 සඳහා OpenJDK බෙදාහැරීම ස්ථාපනය කරමි, මන්ද එය Apache ZooKeeper ධාවනය කිරීමට අවශ්‍ය වන අතර, එය යන්ත්‍ර තුනෙහිම ClickHouse බෙදා හැරීමට අවශ්‍ය වේ.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
ඊට පස්සේ මම environment variable එක දැම්මා JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileඉන්පසු මම Ubuntu හි පැකේජ කළමනාකරණ පද්ධතිය භාවිතා කර ක්ලික්හවුස් 18.16.1, බැල්ම සහ ZooKeeper යන්ත්‍ර තුනම ස්ථාපනය කරමි.
$ 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
zookeeperdමම ClickHouse සඳහා ඩිරෙක්ටරියක් සාදන්නම් සහ සේවාදායකයන් තුනේම වින්‍යාස කිරීම් අභිබවා යන්නෙමි.
$ 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.confමේවා මම භාවිතා කරන වින්‍යාස අභිබවා යයි.
<?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>ඉන්පසු මම යන්ත්‍ර තුනේම ZooKeeper සහ ClickHouse සේවාදායකය ධාවනය කරමි.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startClickHouse වෙත දත්ත උඩුගත කිරීම
පළමු සේවාදායකයේ මම චාරිකා වගුවක් සාදන්නෙමි (trips), ලොග් එන්ජිම භාවිතයෙන් කුලී රථ සංචාර වල දත්ත කට්ටලයක් ගබඩා කරනු ඇත.
$ 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;
මම පසුව එක් එක් CSV ගොනු උපුටාගෙන චාරිකා වගුවකට පූරණය කරමි (trips) පහත දැක්වෙන්නේ විනාඩි 55 තත්පර 10 කින් නිම කරන ලදී. මෙම මෙහෙයුමෙන් පසුව, දත්ත නාමාවලියෙහි විශාලත්වය 134 GB විය.
$ 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)ආයාත වේගය තත්පරයකට සම්පීඩිත CSV අන්තර්ගතයේ 155 MB විය. GZIP decompression හි ඇති බාධාවක් නිසා මෙය සිදු වූවක් යැයි මම සැක කරමි. xargs භාවිතයෙන් සමාන්තරව සියලුම gzipped ගොනු unzip කර පසුව unzip කළ දත්ත පූරණය කිරීම වේගවත් විය හැක. CSV ආයාත කිරීමේ ක්‍රියාවලියේදී වාර්තා වූ දේ පිළිබඳ විස්තරයක් පහත දැක්වේ.
$ 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/23:1Hඉදිරියට යාමට පෙර මුල් CSV ගොනු මකා දැමීමෙන් මම NVMe ධාවකයේ ඉඩ නිදහස් කරමි.
$ sudo rm -fr /ch/csvතීරු පෝරමයට පරිවර්තනය කරන්න
Log ClickHouse එන්ජිම පේළි-නැඹුරු ආකෘතියකින් දත්ත ගබඩා කරනු ඇත. දත්ත වේගයෙන් විමසීමට, මම එය MergeTree එන්ජිම භාවිතයෙන් තීරු ආකෘතියට පරිවර්තනය කරමි.
$ clickhouse-client --host=0.0.0.0මිනිත්තු 34 තත්පර 50 කින් පහත සඳහන් දේ නිම කරන ලදී. මෙම මෙහෙයුමෙන් පසුව, දත්ත නාමාවලියෙහි විශාලත්වය 237 GB විය.
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;මෙහෙයුම අතරතුර බැල්ම ප්‍රතිදානය පෙනුනේ මෙයයි:
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)අවසාන පරීක්ෂණයේදී, තීරු කිහිපයක් පරිවර්තනය කර නැවත ගණනය කරන ලදී. මෙම දත්ත කට්ටලයේ අපේක්ෂිත පරිදි මෙම කාර්යයන් සමහරක් තවදුරටත් ක්‍රියා නොකරන බව මට පෙනී ගියේය. මෙම ගැටළුව විසඳීම සඳහා, මම නුසුදුසු කාර්යයන් ඉවත් කර වැඩි කැටිති වර්ග වලට පරිවර්තනය නොකර දත්ත පූරණය කළෙමි.
පොකුරු හරහා දත්ත බෙදා හැරීම
මම පොකුරු නෝඩ් තුනේම දත්ත බෙදාහරින්නෙමි. ආරම්භ කිරීමට, පහත මම යන්ත්‍ර තුනේම වගුවක් සාදන්නෙමි.
$ 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);එවිට පළමු සේවාදායකයට පොකුරේ ඇති නෝඩ් තුනම දැකිය හැකි බව මම සහතික කරමි.
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:
එවිට මම යෝජනා ක්‍රමය මත පදනම් වූ පළමු සේවාදායකයේ නව වගුවක් නිර්වචනය කරමි trips_mergetree_third සහ Distributed එන්ජිම භාවිතා කරයි.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());මම පසුව MergeTree පදනම් වගුවේ දත්ත සේවාදායකයන් තුනටම පිටපත් කරමි. පහත දැක්වෙන්නේ විනාඩි 34 තත්පර 44 කින් නිම කරන ලදී.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;ඉහත මෙහෙයුමෙන් පසුව, මම ClickHouse හට උපරිම ගබඩා මට්ටමේ සලකුණෙන් ඉවත් වීමට මිනිත්තු 15ක් ලබා දුන්නා. එක් එක් සේවාදායකයන් තුනෙන් දත්ත නාමාවලි පිළිවෙලින් 264 GB, 34 GB සහ 33 GB ලෙස අවසන් විය.
ClickHouse පොකුරු කාර්ය සාධනය ඇගයීම
මම ඊළඟට දුටුවේ මේසයක් මත එක් එක් විමසුම කිහිප වතාවක් ධාවනය වන බව මා දුටු වේගවත්ම කාලයයි trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0තත්ත්පර 2.449 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;තත්ත්පර 0.691 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;පහත සඳහන් දේ තත්පර 0කින් නිම විය.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;තත්ත්පර 0.983 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
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;සංසන්දනය කිරීම සඳහා, මම පළමු සේවාදායකයේ පමණක් පවතින MergeTree-පාදක වගුවක එකම විමසුම් ධාවනය කළෙමි.
එක් ClickHouse නෝඩයක කාර්ය සාධන ඇගයීම
මම ඊළඟට දුටුවේ මේසයක් මත එක් එක් විමසුම කිහිප වතාවක් ධාවනය වන බව මා දුටු වේගවත්ම කාලයයි trips_mergetree_x3.
තත්ත්පර 0.241 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;තත්ත්පර 0.826 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;තත්ත්පර 1.209 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;තත්ත්පර 1.781 කින් පහත සඳහන් දේ සම්පූර්ණ විය.
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;ප්රතිඵල පිළිබඳ පරාවර්තන
නොමිලේ CPU මත පදනම් වූ දත්ත සමුදායක් මගේ පරීක්ෂණ වලදී GPU මත පදනම් වූ දත්ත සමුදායක් අභිබවා යාමට හැකි වූ පළමු අවස්ථාව මෙයයි. එම GPU මත පදනම් වූ දත්ත සමුදාය එතැන් සිට සංශෝධන දෙකක් හරහා ගොස් ඇත, නමුත් ClickHouse තනි නෝඩයක් මත ලබා දුන් කාර්ය සාධනය කෙසේ වෙතත් ඉතා ආකර්ෂණීයයි.
ඒ අතරම, බෙදා හරින ලද එන්ජිමක් මත Query 1 ක්‍රියාත්මක කරන විට, පොදු කාර්ය පිරිවැය විශාලත්වයේ අනුපිළිවෙලකි. මම පොකුරට තවත් නෝඩ් එකතු කරන විට විමසුම් වේලාවන් අඩු වීම දැකීම සතුටක් නිසා මෙම පළ කිරීම සඳහා මගේ පර්යේෂණයේදී මට යමක් මග හැරී ඇතැයි මම බලාපොරොත්තු වෙමි. කෙසේ වෙතත්, වෙනත් විමසුම් ක්‍රියාත්මක කරන විට, කාර්ය සාධනය 2 ගුණයකින් පමණ වැඩි වීම විශිෂ්ටයි.
ක්ලික්හවුස් ස්වාධීනව පරිමාණය කළ හැකි වන පරිදි ගබඩා කිරීම සහ ගණනය කිරීම වෙන් කිරීමට හැකි වීම දෙසට පරිණාමය වීම සතුටක්. පසුගිය වසරේ එකතු කරන ලද HDFS සහාය මේ සඳහා පියවරක් විය හැකිය. පරිගණකකරණය සම්බන්ධයෙන් ගත් කල, පොකුරට තවත් නෝඩ් එකතු කිරීමෙන් තනි විමසුමක් වේගවත් කළ හැකි නම්, මෙම මෘදුකාංගයේ අනාගතය ඉතා දීප්තිමත් ය.
මෙම ලිපිය කියවීමට කාලය ගත කිරීම ගැන ඔබට ස්තුතියි. මම උතුරු ඇමරිකාවේ සහ යුරෝපයේ ගනුදෙනුකරුවන්ට උපදේශන, ගෘහ නිර්මාණ ශිල්පය සහ සංවර්ධන සේවා ප්‍රගුණ කරමි. මගේ යෝජනා ඔබේ ව්‍යාපාරයට උදවු කරන්නේ කෙසේදැයි සාකච්ඡා කිරීමට ඔබ කැමති නම්, කරුණාකර මා හරහා සම්බන්ධ වන්න .
මූලාශ්රය: www.habr.com