Översättningen av artikeln förbereddes speciellt för kursens studenter
För två år sedan spenderade jag
ClickHouse består av 170 tusen rader C++-kod, exklusive tredjepartsbibliotek, och är en av de minsta distribuerade databaskodbaserna. Som jämförelse stöder SQLite inte distribution och består av 235 tusen rader C-kod. När detta skrivs har 207 ingenjörer bidragit till ClickHouse, och intensiteten på commits har ökat på senare tid.
I mars 2017 började ClickHouse genomföra
I den här artikeln ska jag ta en titt på prestandan för ett ClickHouse-kluster på AWS EC2 med 36-kärniga processorer och NVMe-lagring.
UPPDATERING: En vecka efter att jag ursprungligen publicerade det här inlägget körde jag om testet med en förbättrad konfiguration och uppnådde mycket bättre resultat. Det här inlägget har uppdaterats för att återspegla dessa ändringar.
Lanserar ett AWS EC2-kluster
Jag kommer att använda tre c5d.9xlarge EC2-instanser för det här inlägget. Var och en av dem innehåller 36 virtuella processorer, 72 GB RAM, 900 GB NVMe SSD-lagring och stöder 10 Gigabit-nätverk. De kostar $1,962 1/timme vardera i eu-west-16.04-regionen när de körs på begäran. Jag kommer att använda Ubuntu Server XNUMX LTS som operativsystem.
Brandväggen är konfigurerad så att varje maskin kan kommunicera med varandra utan begränsningar, och endast min IPv4-adress är vitlistad av SSH i klustret.
NVMe-enhet i driftberedskapsläge
För att ClickHouse ska fungera kommer jag att skapa ett filsystem i EXT4-formatet på en NVMe-enhet på var och en av servrarna.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch
När allt är konfigurerat kan du se monteringspunkten och det tillgängliga utrymmet på 783 GB på varje system.
$ lsblk
NAME 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 -h
Filesystem 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% /ch
Datauppsättningen jag kommer att använda i det här testet är en datadump som jag genererade från 1.1 miljarder taxiturer som tagits i New York City under sex år. På bloggen
$ sudo apt update
$ sudo apt install awscli
$ aws configure
Jag ställer in klientens gräns för samtidiga begäranden till 100 så att filer laddas ned snabbare än standardinställningarna.
$ aws configure set
default.s3.max_concurrent_requests
100
Jag laddar ner datauppsättningen för taxiresor från AWS S3 och lagrar den på en NVMe-enhet på den första servern. Denna datauppsättning är ~104 GB i GZIP-komprimerat CSV-format.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csv
ClickHouse installation
Jag kommer att installera OpenJDK-distributionen för Java 8 eftersom den krävs för att köra Apache ZooKeeper, vilket krävs för en distribuerad installation av ClickHouse på alla tre datorerna.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Sedan ställer jag in miljövariabeln JAVA_HOME
.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile
Jag kommer sedan att använda Ubuntus pakethanteringssystem för att installera ClickHouse 18.16.1, blickar och ZooKeeper på alla tre datorerna.
$ 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
zookeeperd
Jag kommer att skapa en katalog för ClickHouse och även göra vissa konfigurationsöverstyrningar på alla tre servrarna.
$ 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.conf
Det här är konfigurationsöverstyrningarna som jag kommer att använda.
<?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>
Jag kommer sedan att köra ZooKeeper och ClickHouse-servern på alla tre maskiner.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start
Laddar upp data till ClickHouse
På den första servern kommer jag att skapa ett resebord (trips
), som kommer att lagra en datauppsättning av taxiresor med hjälp av loggmotorn.
$ 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;
Jag extraherar sedan och laddar var och en av CSV-filerna till en triptabell (trips
). Följande slutfördes på 55 minuter och 10 sekunder. Efter denna operation var storleken på datakatalogen 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)
Importhastigheten var 155 MB okomprimerat CSV-innehåll per sekund. Jag misstänker att detta berodde på en flaskhals i GZIP-dekompression. Det kan ha varit snabbare att packa upp alla gzippade filer parallellt med hjälp av xargs och sedan ladda upp den uppackade datan. Nedan finns en beskrivning av vad som rapporterades under CSV-importen.
$ sudo glances
ip-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/23:1H
Jag frigör utrymme på NVMe-enheten genom att ta bort de ursprungliga CSV-filerna innan jag fortsätter.
$ sudo rm -fr /ch/csv
Konvertera till kolumnformulär
Log ClickHouse-motorn lagrar data i ett radorienterat format. För att fråga data snabbare konverterar jag den till kolumnformat med hjälp av MergeTree-motorn.
$ clickhouse-client --host=0.0.0.0
Följande slutfördes på 34 minuter och 50 sekunder. Efter denna operation var storleken på datakatalogen 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;
Så här såg blickutgången ut under operationen:
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)
I det senaste testet konverterades flera kolumner och räknades om. Jag upptäckte att vissa av dessa funktioner inte längre fungerar som förväntat på denna datauppsättning. För att lösa detta problem tog jag bort de olämpliga funktionerna och laddade data utan att konvertera till mer granulära typer.
Fördelning av data över klustret
Jag kommer att distribuera data över alla tre klusternoderna. För att börja, nedan kommer jag att skapa en tabell på alla tre maskinerna.
$ clickhouse-client --host=0.0.0.0
CREATE 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);
Sedan ska jag se till att den första servern kan se alla tre noderna i klustret.
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:
Sedan kommer jag att definiera en ny tabell på den första servern som är baserad på schemat trips_mergetree_third
och använder den distribuerade motorn.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());
Jag kommer sedan att kopiera data från den MergeTree-baserade tabellen till alla tre servrarna. Följande slutfördes på 34 minuter och 44 sekunder.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;
Efter operationen ovan gav jag ClickHouse 15 minuter på sig att gå bort från markeringen för maximal lagringsnivå. Datakatalogerna blev 264 GB, 34 GB respektive 33 GB på var och en av de tre servrarna.
ClickHouse-klusterprestandautvärdering
Vad jag såg härnäst var den snabbaste gången jag har sett att varje fråga körs på ett bord flera gånger trips_mergetree_x3
.
$ clickhouse-client --host=0.0.0.0
Följande slutfördes på 2.449 sekunder.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;
Följande slutfördes på 0.691 sekunder.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;
Följande slutfördes på 0 sekunder.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;
Följande slutfördes på 0.983 sekunder.
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;
Som jämförelse körde jag samma frågor på en MergeTree-baserad tabell som enbart finns på den första servern.
Prestandautvärdering av en ClickHouse-nod
Vad jag såg härnäst var den snabbaste gången jag har sett att varje fråga körs på ett bord flera gånger trips_mergetree_x3
.
Följande slutfördes på 0.241 sekunder.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;
Följande slutfördes på 0.826 sekunder.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;
Följande slutfördes på 1.209 sekunder.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;
Följande slutfördes på 1.781 sekunder.
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;
Reflektioner kring resultaten
Detta är första gången som en gratis CPU-baserad databas kunde överträffa en GPU-baserad databas i mina tester. Den GPU-baserade databasen har gått igenom två revisioner sedan dess, men prestandan som ClickHouse levererade på en enda nod är ändå väldigt imponerande.
Samtidigt, när fråga 1 körs på en distribuerad motor, är de overheadkostnaderna en storleksordning högre. Jag hoppas att jag missade något i min forskning för det här inlägget eftersom det skulle vara trevligt att se frågetiderna minska när jag lägger till fler noder i klustret. Det är dock bra att prestanda ökade med cirka 2 gånger när andra frågor körs.
Det skulle vara trevligt att se ClickHouse utvecklas mot att kunna separera lagring och beräkning så att de kan skalas oberoende. HDFS-stöd, som tillkom förra året, kan vara ett steg mot detta. När det gäller datoranvändning, om en enskild fråga kan accelereras genom att lägga till fler noder till klustret, så är framtiden för denna programvara mycket ljus.
Tack för att du tog dig tid att läsa det här inlägget. Jag erbjuder konsult-, arkitektur- och praktikutvecklingstjänster till kunder i Nordamerika och Europa. Om du vill diskutera hur mina förslag kan hjälpa ditt företag, vänligen kontakta mig via
Källa: will.com