Përkthimi i artikullit u përgatit posaçërisht për studentët e kursit .
është një bazë të dhënash kolone me burim të hapur. Është një mjedis i mrekullueshëm ku qindra analistë mund të kërkojnë shpejt të dhëna të detajuara, edhe pse dhjetëra miliarda rekorde të reja futen në ditë. Kostot e infrastrukturës për të mbështetur një sistem të tillë mund të jenë deri në 100 dollarë në vit, dhe potencialisht gjysma e asaj në varësi të përdorimit. Në një moment, instalimi i ClickHouse nga Yandex Metrics përmbante 10 trilion rekorde. Përveç Yandex, ClickHouse ka gjetur sukses edhe me Bloomberg dhe Cloudflare.
Para dy vitesh kalova bazat e të dhënave duke përdorur një makinë, dhe u bë softuer falas i bazës së të dhënave që kam parë ndonjëherë. Që atëherë, zhvilluesit nuk kanë ndalur së shtuari veçori, duke përfshirë mbështetjen për kompresimin Kafka, HDFS dhe ZStandard. Vitin e kaluar ata shtuan mbështetje për metodat e ngjeshjes me kaskadë, dhe kodimi u bë i mundur. Kur kompresohen të dhënat e serive kohore, vlerat e matësit mund të kompresohen mirë duke përdorur kodimin delta, por për numëruesit do të ishte më mirë të përdoret kodimi delta-nga-delta. Kompresimi i mirë është bërë çelësi i performancës së ClickHouse.
ClickHouse përbëhet nga 170 mijë rreshta të kodit C++, duke përjashtuar bibliotekat e palëve të treta, dhe është një nga bazat më të vogla të kodeve të shpërndarë të bazës së të dhënave. Në krahasim, SQLite nuk mbështet shpërndarjen dhe përbëhet nga 235 mijë rreshta të kodit C. Deri në këtë shkrim, 207 inxhinierë kanë kontribuar në ClickHouse dhe intensiteti i angazhimeve është rritur kohët e fundit.
Në mars 2017, ClickHouse filloi të kryejë si një mënyrë e thjeshtë për të mbajtur gjurmët e zhvillimit. Ata gjithashtu ndanë skedarin monolit të dokumentacionit në një hierarki skedarësh të bazuar në Markdown. Problemet dhe veçoritë gjurmohen përmes GitHub dhe në përgjithësi softueri është bërë shumë më i aksesueshëm në vitet e fundit.
Në këtë artikull, unë do të hedh një vështrim në performancën e një grupi ClickHouse në AWS EC2 duke përdorur procesorë 36 bërthamash dhe hapësirë ruajtëse NVMe.
PËRDITËSIM: Një javë pasi botova fillimisht këtë postim, unë përsërita testin me një konfigurim të përmirësuar dhe arrita rezultate shumë më të mira. Ky postim është përditësuar për të pasqyruar këto ndryshime.
Nisja e një grupi AWS EC2
Unë do të përdor tre instanca c5d.9xlarge EC2 për këtë postim. Secili prej tyre përmban 36 CPU virtuale, 72 GB RAM, 900 GB memorie NVMe SSD dhe mbështet rrjetin 10 Gigabit. Ata kushtojnë 1,962 dollarë/orë secila në rajonin eu-perëndim-1 kur funksionojnë sipas kërkesës. Unë do të përdor Ubuntu Server 16.04 LTS si sistem operativ.
Muri i zjarrit është konfiguruar në mënyrë që çdo makinë të mund të komunikojë me njëra-tjetrën pa kufizime, dhe vetëm adresa ime IPv4 është në listën e bardhë nga SSH në grup.
Makina NVMe në gjendje gatishmërie operacionale
Që ClickHouse të funksionojë, unë do të krijoj një sistem skedari në formatin EXT4 në një disk NVMe në secilin prej serverëve.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chPasi të jetë konfiguruar gjithçka, mund të shihni pikën e montimit dhe hapësirën prej 783 GB të disponueshme në secilin 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% /chTë dhënat e të dhënave që do të përdor në këtë test është një grumbull i të dhënave që kam krijuar nga 1.1 miliardë udhëtime me taksi të kryera në qytetin e Nju Jorkut gjatë gjashtë viteve. Në blog detaje se si e mblodha këtë grup të dhënash. Ato ruhen në AWS S3, kështu që unë do të konfiguroj AWS CLI me çelësat e mi të aksesit dhe sekret.
$ sudo apt update
$ sudo apt install awscli
$ aws configureDo ta vendos kufirin e kërkesës së njëkohshme të klientit në 100 në mënyrë që skedarët të shkarkohen më shpejt se cilësimet e paracaktuara.
$ aws configure set
default.s3.max_concurrent_requests
100Do të shkarkoj grupin e të dhënave të udhëtimeve me taksi nga AWS S3 dhe do ta ruaj në një makinë NVMe në serverin e parë. Ky grup të dhënash është ~104 GB në formatin CSV të ngjeshur me GZIP.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvInstalimi i ClickHouse
Unë do të instaloj shpërndarjen OpenJDK për Java 8 siç kërkohet për të ekzekutuar Apache ZooKeeper, i cili kërkohet për një instalim të shpërndarë të ClickHouse në të tre makinat.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Pastaj vendosa variablin e mjedisit JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileMë pas do të përdor sistemin e menaxhimit të paketave të Ubuntu për të instaluar ClickHouse 18.16.1, Glances dhe ZooKeeper në të tre makinat.
$ 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
zookeeperdDo të krijoj një direktori për ClickHouse dhe gjithashtu do të bëj disa anulime të konfigurimit në të tre serverët.
$ 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.confKëto janë anulimet e konfigurimit që do të përdor.
<?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>Më pas do të ekzekutoj ZooKeeper dhe serverin ClickHouse në të tre makinat.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startNgarkimi i të dhënave në ClickHouse
Në serverin e parë do të krijoj një tabelë udhëtimi (trips), i cili do të ruajë një grup të dhënash të udhëtimeve me taksi duke përdorur motorin 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;
Më pas ekstraktoj dhe ngarkoj secilin prej skedarëve CSV në një tabelë udhëtimi (trips). E mëposhtme u përfundua në 55 minuta e 10 sekonda. Pas këtij operacioni, madhësia e drejtorisë së të dhënave ishte 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)Shpejtësia e importit ishte 155 MB përmbajtje CSV të pakompresuar për sekondë. Unë dyshoj se kjo ishte për shkak të një pengesë në dekompresimin e GZIP. Mund të ketë qenë më e shpejtë për të zbërthyer paralelisht të gjithë skedarët gzipped duke përdorur xargs dhe më pas të ngarkohen të dhënat e zbërthyera. Më poshtë është një përshkrim i asaj që u raportua gjatë procesit të importit 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/23:1HDo të liroj hapësirë në diskun NVMe duke fshirë skedarët origjinalë CSV përpara se të vazhdoj.
$ sudo rm -fr /ch/csvKonvertoni në formën e kolonës
Motori Log ClickHouse do të ruajë të dhënat në një format të orientuar nga rreshti. Për të kërkuar më shpejt të dhënat, unë i konvertoj ato në format kolone duke përdorur motorin MergeTree.
$ clickhouse-client --host=0.0.0.0Më poshtë u përfundua në 34 minuta e 50 sekonda. Pas këtij operacioni, madhësia e drejtorisë së të dhënave ishte 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;Ja si dukej dalja e shikimit gjatë operacionit:
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)Në testin e fundit, disa kolona u konvertuan dhe u rillogaritën. Zbulova se disa nga këto funksione nuk funksionojnë më siç pritej në këtë grup të dhënash. Për të zgjidhur këtë problem, hoqa funksionet e papërshtatshme dhe ngarkova të dhënat pa u konvertuar në lloje më të grimcuara.
Shpërndarja e të dhënave në të gjithë grupin
Unë do t'i shpërndaj të dhënat në të tre nyjet e grupimit. Për të filluar, më poshtë do të krijoj një tabelë për të tre makinat.
$ 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);Pastaj do të sigurohem që serveri i parë të mund të shohë të tre nyjet në grup.
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:
Pastaj do të përcaktoj një tabelë të re në serverin e parë që bazohet në skemë trips_mergetree_third dhe përdor motorin e shpërndarë.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Më pas do t'i kopjoj të dhënat nga tabela e bazuar në MergeTree në të tre serverët. E mëposhtme u përfundua në 34 minuta e 44 sekonda.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Pas operacionit të mësipërm, i dhashë ClickHouse 15 minuta për t'u larguar nga niveli maksimal i ruajtjes. Drejtoritë e të dhënave përfunduan duke qenë përkatësisht 264 GB, 34 GB dhe 33 GB në secilin nga tre serverët.
Vlerësimi i performancës së grupit të ClickHouse
Ajo që pashë më pas ishte koha më e shpejtë që kam parë duke ekzekutuar çdo pyetje në një tabelë disa herë trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0E mëposhtme përfundoi në 2.449 sekonda.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;E mëposhtme përfundoi në 0.691 sekonda.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;E mëposhtme përfundoi në 0 sekonda.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;E mëposhtme përfundoi në 0.983 sekonda.
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;Për krahasim, unë drejtova të njëjtat pyetje në një tabelë të bazuar në MergeTree që ndodhet vetëm në serverin e parë.
Vlerësimi i performancës së një nyje ClickHouse
Ajo që pashë më pas ishte koha më e shpejtë që kam parë duke ekzekutuar çdo pyetje në një tabelë disa herë trips_mergetree_x3.
E mëposhtme përfundoi në 0.241 sekonda.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;E mëposhtme përfundoi në 0.826 sekonda.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;E mëposhtme përfundoi në 1.209 sekonda.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;E mëposhtme përfundoi në 1.781 sekonda.
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;Reflektime mbi rezultatet
Kjo është hera e parë që një bazë të dhënash falas e bazuar në CPU ishte në gjendje të tejkalonte një bazë të dhënash të bazuar në GPU në testet e mia. Kjo bazë e të dhënave e bazuar në GPU ka kaluar nëpër dy rishikime që atëherë, por performanca që ClickHouse dha në një nyje të vetme është megjithatë shumë mbresëlënëse.
Në të njëjtën kohë, kur ekzekutohet Query 1 në një motor të shpërndarë, kostot e përgjithshme janë një rend i madhësisë më të lartë. Shpresoj të kem humbur diçka në kërkimin tim për këtë postim, sepse do të ishte mirë të shihja që kohët e pyetjeve të zvogëlohen ndërsa shtoj më shumë nyje në grup. Sidoqoftë, është mirë që gjatë ekzekutimit të pyetjeve të tjera, performanca u rrit me rreth 2 herë.
Do të ishte mirë të shihje se ClickHouse evoluon drejt aftësisë për të ndarë ruajtjen dhe llogaritjen në mënyrë që ato të mund të shkallëzohen në mënyrë të pavarur. Mbështetja HDFS, e cila u shtua vitin e kaluar, mund të jetë një hap drejt kësaj. Për sa i përket llogaritjes, nëse një pyetje e vetme mund të përshpejtohet duke shtuar më shumë nyje në grup, atëherë e ardhmja e këtij softueri është shumë e ndritshme.
Faleminderit që gjetët kohë për të lexuar këtë postim. Unë ofroj shërbime të zhvillimit të konsulencës, arkitekturës dhe praktikës për klientët në Amerikën e Veriut dhe Evropë. Nëse dëshironi të diskutoni se si sugjerimet e mia mund të ndihmojnë biznesin tuaj, ju lutem më kontaktoni përmes .
Burimi: www.habr.com