వ్యాసం యొక్క అనువాదం కోర్సు యొక్క విద్యార్థుల కోసం ప్రత్యేకంగా తయారు చేయబడింది .
ఓపెన్ సోర్స్ కాలమ్ డేటాబేస్. రోజుకు పదివేల కోట్ల కొత్త రికార్డులు నమోదు చేయబడినప్పటికీ, వందలాది మంది విశ్లేషకులు వివరణాత్మక డేటాను త్వరగా ప్రశ్నించగలిగే గొప్ప వాతావరణం ఇది. అటువంటి వ్యవస్థకు మద్దతు ఇవ్వడానికి మౌలిక సదుపాయాల ఖర్చులు సంవత్సరానికి $100 వరకు ఉండవచ్చు మరియు వినియోగాన్ని బట్టి దానిలో సగం ఉండవచ్చు. ఒక సమయంలో, Yandex Metrica నుండి క్లిక్హౌస్ ఇన్‌స్టాలేషన్ 10 ట్రిలియన్ రికార్డులను కలిగి ఉంది. యాండెక్స్‌తో పాటు, క్లిక్హౌస్ బ్లూమ్‌బెర్గ్ మరియు క్లౌడ్‌ఫ్లేర్‌తో కూడా విజయాన్ని సాధించింది.
రెండు సంవత్సరాల క్రితం నేను గడిపాను ఒక యంత్రాన్ని ఉపయోగించి డేటాబేస్, మరియు అది మారింది నేను చూసిన ఉచిత డేటాబేస్ సాఫ్ట్‌వేర్. అప్పటి నుండి, డెవలపర్‌లు కాఫ్కా, HDFS మరియు ZStandard కంప్రెషన్‌కు మద్దతుతో సహా ఫీచర్‌లను జోడించడం కొనసాగించారు. గత సంవత్సరం వారు క్యాస్కేడింగ్ కంప్రెషన్ పద్ధతులకు మద్దతుని జోడించారు మరియు కోడింగ్ సాధ్యమైంది. సమయ శ్రేణి డేటాను కంప్రెస్ చేస్తున్నప్పుడు, డెల్టా ఎన్‌కోడింగ్‌ని ఉపయోగించి గేజ్ విలువలను బాగా కుదించవచ్చు, అయితే కౌంటర్‌ల కోసం డెల్టా-బై-డెల్టా ఎన్‌కోడింగ్‌ను ఉపయోగించడం ఉత్తమం. క్లిక్హౌస్ పనితీరుకు మంచి కుదింపు కీలకంగా మారింది.
ClickHouse థర్డ్-పార్టీ లైబ్రరీలను మినహాయించి, C++ కోడ్ యొక్క 170 వేల లైన్లను కలిగి ఉంది మరియు పంపిణీ చేయబడిన అతి చిన్న డేటాబేస్ కోడ్‌బేస్‌లలో ఇది ఒకటి. పోల్చి చూస్తే, SQLite పంపిణీకి మద్దతు ఇవ్వదు మరియు 235 వేల లైన్ల C కోడ్‌ను కలిగి ఉంది. ఈ రచన ప్రకారం, 207 ఇంజనీర్లు ClickHouseకి సహకరించారు మరియు కమిట్‌ల తీవ్రత ఇటీవల పెరుగుతోంది.
మార్చి 2017లో, క్లిక్హౌస్ నిర్వహించడం ప్రారంభించింది అభివృద్ధిని ట్రాక్ చేయడానికి సులభమైన మార్గం. వారు ఏకశిలా డాక్యుమెంటేషన్ ఫైల్‌ను మార్క్‌డౌన్ ఆధారిత ఫైల్ క్రమానుగతంగా విభజించారు. సమస్యలు మరియు ఫీచర్‌లు GitHub ద్వారా ట్రాక్ చేయబడతాయి మరియు సాధారణంగా సాఫ్ట్‌వేర్ గత కొన్ని సంవత్సరాలలో మరింత అందుబాటులోకి వచ్చింది.
ఈ కథనంలో, నేను 2-కోర్ ప్రాసెసర్‌లు మరియు NVMe నిల్వను ఉపయోగించి AWS EC36లో క్లిక్హౌస్ క్లస్టర్ పనితీరును పరిశీలించబోతున్నాను.
అప్‌డేట్: వాస్తవానికి ఈ పోస్ట్‌ను ప్రచురించిన వారం తర్వాత, నేను మెరుగైన కాన్ఫిగరేషన్‌తో పరీక్షను మళ్లీ నిర్వహించాను మరియు మెరుగైన ఫలితాలను సాధించాను. ఈ మార్పులను ప్రతిబింబించేలా ఈ పోస్ట్ నవీకరించబడింది.
AWS EC2 క్లస్టర్‌ని ప్రారంభిస్తోంది
నేను ఈ పోస్ట్ కోసం మూడు c5d.9xlarge EC2 ఉదాహరణలను ఉపయోగిస్తాను. వాటిలో ప్రతి ఒక్కటి 36 వర్చువల్ CPUలు, 72 GB RAM, 900 GB NVMe SSD నిల్వను కలిగి ఉంది మరియు 10 గిగాబిట్ నెట్‌వర్క్‌కు మద్దతు ఇస్తుంది. eu-వెస్ట్-1,962 ప్రాంతంలో డిమాండ్‌పై నడుస్తున్నప్పుడు వాటి ధర ఒక్కో గంటకు $1. నేను ఉబుంటు సర్వర్ 16.04 LTSని ఆపరేటింగ్ సిస్టమ్‌గా ఉపయోగిస్తాను.
ప్రతి యంత్రం పరిమితులు లేకుండా పరస్పరం సంభాషించుకునేలా ఫైర్‌వాల్ కాన్ఫిగర్ చేయబడింది మరియు క్లస్టర్‌లోని SSH ద్వారా నా IPv4 చిరునామా మాత్రమే వైట్‌లిస్ట్ చేయబడింది.
కార్యాచరణ సంసిద్ధత స్థితిలో NVMe డ్రైవ్
ClickHouse పని చేయడానికి, నేను ప్రతి సర్వర్‌లోని NVMe డ్రైవ్‌లో EXT4 ఫార్మాట్‌లో ఫైల్ సిస్టమ్‌ను సృష్టిస్తాను.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chప్రతిదీ కాన్ఫిగర్ చేసిన తర్వాత, మీరు ప్రతి సిస్టమ్‌లో మౌంట్ పాయింట్ మరియు 783 GB ఖాళీని చూడవచ్చు.
$ 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% /chఈ పరీక్షలో నేను ఉపయోగించబోయే డేటాసెట్ అనేది న్యూయార్క్ నగరంలో ఆరు సంవత్సరాలలో తీసిన 1.1 బిలియన్ టాక్సీ రైడ్‌ల నుండి నేను రూపొందించిన డేటా డంప్. బ్లాగులో నేను ఈ డేటా సెట్‌ని ఎలా సేకరించాను అనే వివరాలు. అవి AWS S3లో నిల్వ చేయబడ్డాయి, కాబట్టి నేను AWS CLIని నా యాక్సెస్ మరియు రహస్య కీలతో కాన్ఫిగర్ చేస్తాను.
$ sudo apt update
$ sudo apt install awscli
$ aws configureనేను క్లయింట్ యొక్క ఏకకాల అభ్యర్థన పరిమితిని 100కి సెట్ చేస్తాను, తద్వారా ఫైల్‌లు డిఫాల్ట్ సెట్టింగ్‌ల కంటే వేగంగా డౌన్‌లోడ్ అవుతాయి.
$ aws configure set
default.s3.max_concurrent_requests
100నేను AWS S3 నుండి టాక్సీ రైడ్స్ డేటాసెట్‌ను డౌన్‌లోడ్ చేస్తాను మరియు మొదటి సర్వర్‌లోని NVMe డ్రైవ్‌లో నిల్వ చేస్తాను. ఈ డేటాసెట్ GZIP-కంప్రెస్డ్ CSV ఫార్మాట్‌లో ~104GB.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvక్లిక్హౌస్ ఇన్‌స్టాలేషన్
నేను Java 8 కోసం OpenJDK డిస్ట్రిబ్యూషన్‌ని ఇన్‌స్టాల్ చేస్తాను, ఇది Apache ZooKeeperని అమలు చేయడానికి అవసరం, ఇది మూడు మెషీన్లలో ClickHouse యొక్క డిస్ట్రిబ్యూటెడ్ ఇన్‌స్టాలేషన్ కోసం అవసరం.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
అప్పుడు నేను ఎన్విరాన్మెంట్ వేరియబుల్ సెట్ చేసాను JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileమూడు మెషీన్లలో క్లిక్హౌస్ 18.16.1, గ్లాన్స్ మరియు జూకీపర్‌ని ఇన్‌స్టాల్ చేయడానికి నేను ఉబుంటు యొక్క ప్యాకేజీ మేనేజ్‌మెంట్ సిస్టమ్‌ని ఉపయోగిస్తాను.
$ 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
zookeeperdనేను ClickHouse కోసం డైరెక్టరీని సృష్టిస్తాను మరియు మూడు సర్వర్‌లలో కొన్ని కాన్ఫిగరేషన్ ఓవర్‌రైడ్‌లను కూడా చేస్తాను.
$ 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.confఇవి నేను ఉపయోగించబోయే కాన్ఫిగరేషన్ ఓవర్‌రైడ్‌లు.
<?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>నేను మూడు మెషీన్లలో ZooKeeper మరియు ClickHouse సర్వర్‌ని అమలు చేస్తాను.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startక్లిక్‌హౌస్‌కి డేటాను అప్‌లోడ్ చేస్తోంది
మొదటి సర్వర్‌లో నేను ట్రిప్ టేబుల్‌ని సృష్టిస్తాను (trips), ఇది లాగ్ ఇంజిన్‌ని ఉపయోగించి టాక్సీ ట్రిప్‌ల డేటాసెట్‌ను నిల్వ చేస్తుంది.
$ 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;
నేను ప్రతి CSV ఫైల్‌లను సంగ్రహించి, ట్రిప్ టేబుల్‌లోకి లోడ్ చేస్తాను (trips) కిందిది 55 నిమిషాల 10 సెకన్లలో పూర్తయింది. ఈ ఆపరేషన్ తర్వాత, డేటా డైరెక్టరీ పరిమాణం 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)దిగుమతి వేగం సెకనుకు 155 MB కంప్రెస్ చేయని CSV కంటెంట్. ఇది GZIP డికంప్రెషన్‌లో అడ్డంకి కారణంగా జరిగిందని నేను అనుమానిస్తున్నాను. xargsని ఉపయోగించి అన్ని gzipped ఫైల్‌లను సమాంతరంగా అన్జిప్ చేసి, ఆపై అన్జిప్ చేయబడిన డేటాను లోడ్ చేయడం వేగంగా జరిగి ఉండవచ్చు. CSV దిగుమతి ప్రక్రియ సమయంలో నివేదించబడిన వాటి యొక్క వివరణ క్రింద ఉంది.
$ 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/23:1Hనేను కొనసాగడానికి ముందు అసలు CSV ఫైల్‌లను తొలగించడం ద్వారా NVMe డ్రైవ్‌లో స్థలాన్ని ఖాళీ చేస్తాను.
$ sudo rm -fr /ch/csvకాలమ్ ఫారమ్‌కి మార్చండి
లాగ్ క్లిక్హౌస్ ఇంజిన్ డేటాను వరుస-ఆధారిత ఆకృతిలో నిల్వ చేస్తుంది. డేటాను వేగంగా ప్రశ్నించడానికి, నేను MergeTree ఇంజిన్‌ని ఉపయోగించి దాన్ని నిలువు ఆకృతికి మారుస్తాను.
$ clickhouse-client --host=0.0.0.0కిందిది 34 నిమిషాల 50 సెకన్లలో పూర్తయింది. ఈ ఆపరేషన్ తర్వాత, డేటా డైరెక్టరీ పరిమాణం 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;ఆపరేషన్ సమయంలో గ్లాన్స్ అవుట్‌పుట్ ఇలా ఉంది:
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)చివరి పరీక్షలో, అనేక నిలువు వరుసలు మార్చబడ్డాయి మరియు తిరిగి లెక్కించబడ్డాయి. ఈ డేటాసెట్‌లో ఆశించిన విధంగా ఈ ఫంక్షన్‌లలో కొన్ని ఇకపై పని చేయవని నేను కనుగొన్నాను. ఈ సమస్యను పరిష్కరించడానికి, నేను అనుచితమైన ఫంక్షన్‌లను తీసివేసాను మరియు మరిన్ని గ్రాన్యులర్ రకాలకు మార్చకుండా డేటాను లోడ్ చేసాను.
క్లస్టర్ అంతటా డేటా పంపిణీ
నేను మూడు క్లస్టర్ నోడ్‌లలో డేటాను పంపిణీ చేస్తాను. ప్రారంభించడానికి, క్రింద నేను మూడు మెషీన్‌లపై పట్టికను సృష్టిస్తాను.
$ 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);అప్పుడు మొదటి సర్వర్ క్లస్టర్‌లోని మూడు నోడ్‌లను చూడగలదని నేను నిర్ధారిస్తాను.
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:
అప్పుడు నేను స్కీమాపై ఆధారపడిన మొదటి సర్వర్‌లో కొత్త పట్టికను నిర్వచిస్తాను trips_mergetree_third మరియు డిస్ట్రిబ్యూటెడ్ ఇంజిన్‌ని ఉపయోగిస్తుంది.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());నేను మెర్జ్‌ట్రీ ఆధారిత పట్టిక నుండి డేటాను మూడు సర్వర్‌లకు కాపీ చేస్తాను. కిందిది 34 నిమిషాల 44 సెకన్లలో పూర్తయింది.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;పై ఆపరేషన్ తర్వాత, గరిష్ట నిల్వ స్థాయి మార్క్ నుండి దూరంగా వెళ్లడానికి నేను ClickHouseకి 15 నిమిషాల సమయం ఇచ్చాను. డేటా డైరెక్టరీలు మూడు సర్వర్‌లలో వరుసగా 264 GB, 34 GB మరియు 33 GBగా ముగిశాయి.
క్లిక్హౌస్ క్లస్టర్ పనితీరు మూల్యాంకనం
ప్రతి ప్రశ్నను టేబుల్‌పై అనేకసార్లు అమలు చేయడం నేను చూసిన అత్యంత వేగవంతమైన సమయం తర్వాత నేను చూసాను trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0కిందిది 2.449 సెకన్లలో పూర్తయింది.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;కిందిది 0.691 సెకన్లలో పూర్తయింది.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;కిందిది 0 సెకన్లలో పూర్తయింది.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;కిందిది 0.983 సెకన్లలో పూర్తయింది.
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;పోలిక కోసం, నేను మొదటి సర్వర్‌లో మాత్రమే ఉండే MergeTree-ఆధారిత పట్టికలో అదే ప్రశ్నలను అమలు చేసాను.
ఒక ClickHouse నోడ్ యొక్క పనితీరు మూల్యాంకనం
ప్రతి ప్రశ్నను టేబుల్‌పై అనేకసార్లు అమలు చేయడం నేను చూసిన అత్యంత వేగవంతమైన సమయం తర్వాత నేను చూసాను trips_mergetree_x3.
కిందిది 0.241 సెకన్లలో పూర్తయింది.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;కిందిది 0.826 సెకన్లలో పూర్తయింది.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;కిందిది 1.209 సెకన్లలో పూర్తయింది.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;కిందిది 1.781 సెకన్లలో పూర్తయింది.
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;ఫలితాలపై ప్రతిబింబాలు
ఉచిత CPU-ఆధారిత డేటాబేస్ నా పరీక్షల్లో GPU-ఆధారిత డేటాబేస్‌ను అధిగమించడం ఇదే మొదటిసారి. ఆ GPU-ఆధారిత డేటాబేస్ అప్పటి నుండి రెండు పునర్విమర్శల ద్వారా వెళ్ళింది, అయితే క్లిక్హౌస్ ఒకే నోడ్‌లో అందించిన పనితీరు చాలా ఆకట్టుకుంటుంది.
అదే సమయంలో, పంపిణీ చేయబడిన ఇంజిన్‌లో క్వెరీ 1ని అమలు చేస్తున్నప్పుడు, ఓవర్‌హెడ్ ఖర్చులు అధిక పరిమాణంలో ఉంటాయి. నేను క్లస్టర్‌కి మరిన్ని నోడ్‌లను జోడించినప్పుడు ప్రశ్న సమయాలు తగ్గడం చూడటం ఆనందంగా ఉంటుంది కాబట్టి ఈ పోస్ట్ కోసం నా పరిశోధనలో నేను ఏదో మిస్ అయ్యానని ఆశిస్తున్నాను. అయినప్పటికీ, ఇతర ప్రశ్నలను అమలు చేస్తున్నప్పుడు, పనితీరు సుమారు 2 రెట్లు పెరిగింది.
నిల్వ మరియు గణనను వేరు చేయగలిగేందుకు క్లిక్హౌస్ అభివృద్ధి చెందడం చూడటం ఆనందంగా ఉంటుంది, తద్వారా అవి స్వతంత్రంగా స్కేల్ చేయగలవు. గత సంవత్సరం జోడించిన HDFS మద్దతు దీనికి ఒక అడుగు కావచ్చు. కంప్యూటింగ్ పరంగా, క్లస్టర్‌కు మరిన్ని నోడ్‌లను జోడించడం ద్వారా ఒకే ప్రశ్నను వేగవంతం చేయగలిగితే, ఈ సాఫ్ట్‌వేర్ భవిష్యత్తు చాలా ప్రకాశవంతమైనది.
ఈ పోస్ట్ చదవడానికి సమయాన్ని వెచ్చించినందుకు ధన్యవాదాలు. నేను ఉత్తర అమెరికా మరియు యూరప్‌లోని క్లయింట్‌లకు కన్సల్టింగ్, ఆర్కిటెక్చర్ మరియు ప్రాక్టీస్ డెవలప్‌మెంట్ సేవలను అందిస్తాను. నా సూచనలు మీ వ్యాపారానికి ఎలా సహాయపడతాయో మీరు చర్చించాలనుకుంటే, దయచేసి దీని ద్వారా నన్ను సంప్రదించండి .
మూలం: www.habr.com