การแปลบทความจัดทำขึ้นเฉพาะสำหรับนักศึกษาของหลักสูตร .
เป็นฐานข้อมูลเรียงเป็นแนวแบบโอเพ่นซอร์ส เป็นสภาพแวดล้อมที่ยอดเยี่ยมที่นักวิเคราะห์หลายร้อยคนสามารถสืบค้นข้อมูลโดยละเอียดได้อย่างรวดเร็ว แม้ว่าจะมีการป้อนบันทึกใหม่หลายหมื่นล้านรายการต่อวันก็ตาม ต้นทุนโครงสร้างพื้นฐานเพื่อรองรับระบบดังกล่าวอาจสูงถึง 100 ดอลลาร์สหรัฐฯ ต่อปี และอาจครึ่งหนึ่งขึ้นอยู่กับการใช้งาน จนถึงจุดหนึ่ง การติดตั้ง ClickHouse จาก Yandex Metrics มีบันทึก 10 ล้านล้านรายการ นอกจาก Yandex แล้ว ClickHouse ยังประสบความสำเร็จกับ Bloomberg และ Cloudflare อีกด้วย
สองปีที่แล้วฉันใช้เวลา ฐานข้อมูลโดยใช้เครื่องเดียวก็กลายเป็น ซอฟต์แวร์ฐานข้อมูลฟรีที่ฉันเคยเห็น ตั้งแต่นั้นมา นักพัฒนาก็ไม่หยุดเพิ่มฟีเจอร์ต่างๆ รวมถึงการรองรับการบีบอัด Kafka, HDFS และ ZStandard ปีที่แล้วพวกเขาเพิ่มการรองรับวิธีการบีบอัดแบบเรียงซ้อนและ การเขียนโค้ดก็เป็นไปได้ เมื่อบีบอัดข้อมูลอนุกรมเวลา ค่าเกจสามารถบีบอัดได้ดีโดยใช้การเข้ารหัสแบบเดลต้า แต่สำหรับตัวนับ ควรใช้การเข้ารหัสแบบเดลต้าต่อเดลต้าจะดีกว่า การบีบอัดที่ดีกลายเป็นกุญแจสำคัญในประสิทธิภาพของ ClickHouse
ClickHouse ประกอบด้วยโค้ด C++ 170 บรรทัด ไม่รวมไลบรารีของบุคคลที่สาม และเป็นหนึ่งในโค้ดเบสฐานข้อมูลแบบกระจายที่เล็กที่สุด ในการเปรียบเทียบ SQLite ไม่รองรับการกระจายและประกอบด้วยโค้ด C 235 บรรทัด ในขณะที่เขียนนี้ วิศวกร 207 คนได้มีส่วนร่วมใน ClickHouse และความเข้มข้นของการกระทำได้เพิ่มขึ้นเมื่อเร็ว ๆ นี้
ในเดือนมีนาคม 2017 ClickHouse ได้เริ่มดำเนินการ เป็นวิธีง่ายๆ ในการติดตามการพัฒนา พวกเขายังแยกไฟล์เอกสารขนาดใหญ่ออกเป็นลำดับชั้นไฟล์ตาม Markdown ปัญหาและฟีเจอร์ต่างๆ ได้รับการติดตามผ่าน GitHub และโดยทั่วไปซอฟต์แวร์นี้สามารถเข้าถึงได้มากขึ้นในช่วงไม่กี่ปีที่ผ่านมา
ในบทความนี้ ฉันจะดูประสิทธิภาพของคลัสเตอร์ ClickHouse บน AWS EC2 โดยใช้โปรเซสเซอร์ 36-core และพื้นที่จัดเก็บ NVMe
อัปเดต: หนึ่งสัปดาห์หลังจากเผยแพร่โพสต์นี้ครั้งแรก ฉันได้รันการทดสอบใหม่ด้วยการกำหนดค่าที่ได้รับการปรับปรุงและได้ผลลัพธ์ที่ดีขึ้นมาก โพสต์นี้ได้รับการอัปเดตเพื่อสะท้อนถึงการเปลี่ยนแปลงเหล่านี้
การเปิดตัวคลัสเตอร์ AWS EC2
ฉันจะใช้อินสแตนซ์ EC5 c9d.2xlarge สามอินสแตนซ์สำหรับโพสต์นี้ แต่ละตัวประกอบด้วย CPU เสมือน 36 ตัว, RAM 72 GB, ที่เก็บข้อมูล NVMe SSD ขนาด 900 GB และรองรับเครือข่าย 10 Gigabit โดยมีค่าใช้จ่าย 1,962 เหรียญสหรัฐต่อชั่วโมงในภูมิภาค eu-west-1 เมื่อทำงานตามความต้องการ ฉันจะใช้ Ubuntu Server 16.04 LTS เป็นระบบปฏิบัติการ
ไฟร์วอลล์ได้รับการกำหนดค่าเพื่อให้แต่ละเครื่องสามารถสื่อสารกันโดยไม่มีข้อจำกัด และมีเพียงที่อยู่ IPv4 ของฉันเท่านั้นที่ได้รับอนุญาตโดย SSH ในคลัสเตอร์
การขับเคลื่อน NVMe ในสถานะความพร้อมในการปฏิบัติงาน
เพื่อให้ ClickHouse ทำงานได้ ฉันจะสร้างระบบไฟล์ในรูปแบบ EXT4 บนไดรฟ์ NVMe บนเซิร์ฟเวอร์แต่ละเครื่อง
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chเมื่อกำหนดค่าทุกอย่างแล้ว คุณจะเห็นจุดเชื่อมต่อและพื้นที่ว่าง 783 GB ในแต่ละระบบ
$ 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% /chชุดข้อมูลที่ฉันจะใช้ในการทดสอบนี้คือการถ่ายโอนข้อมูลที่ฉันสร้างขึ้นจากการนั่งแท็กซี่ 1.1 พันล้านครั้งในนิวยอร์กซิตี้ในช่วงหกปี บนบล็อก รายละเอียดวิธีที่ฉันรวบรวมชุดข้อมูลนี้ สิ่งเหล่านี้ถูกจัดเก็บไว้ใน AWS S3 ดังนั้นฉันจะกำหนดค่า AWS CLI ด้วยการเข้าถึงและคีย์ลับของฉัน
$ sudo apt update
$ sudo apt install awscli
$ aws configureฉันจะตั้งค่าขีดจำกัดคำขอพร้อมกันของลูกค้าเป็น 100 เพื่อให้ดาวน์โหลดไฟล์ได้เร็วกว่าการตั้งค่าเริ่มต้น
$ aws configure set
default.s3.max_concurrent_requests
100ฉันจะดาวน์โหลดชุดข้อมูลการนั่งแท็กซี่จาก AWS S3 และจัดเก็บไว้ในไดรฟ์ NVMe บนเซิร์ฟเวอร์เครื่องแรก ชุดข้อมูลนี้มีขนาด ~104GB ในรูปแบบ CSV ที่บีบอัดโดย GZIP
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvการติดตั้งคลิกเฮาส์
ฉันจะติดตั้งการกระจาย OpenJDK สำหรับ Java 8 เนื่องจากจำเป็นต้องรัน Apache ZooKeeper ซึ่งจำเป็นสำหรับการติดตั้ง ClickHouse แบบกระจายบนเครื่องทั้งสามเครื่อง
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
จากนั้นฉันก็ตั้งค่าตัวแปรสภาพแวดล้อม JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileจากนั้นฉันจะใช้ระบบการจัดการแพ็คเกจของ Ubuntu เพื่อติดตั้ง ClickHouse 18.16.1, เหลือบมอง และ ZooKeeper บนเครื่องทั้งสามเครื่อง
$ 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
zookeeperdฉันจะสร้างไดเร็กทอรีสำหรับ ClickHouse และทำการแทนที่การกำหนดค่าบางอย่างบนเซิร์ฟเวอร์ทั้งสามเครื่องด้วย
$ 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.confนี่คือการแทนที่การกำหนดค่าที่ฉันจะใช้
<?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>จากนั้นฉันจะเรียกใช้ ZooKeeper และเซิร์ฟเวอร์ ClickHouse บนเครื่องทั้งสามเครื่อง
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startการอัพโหลดข้อมูลเข้า ClickHouse
ในเซิร์ฟเวอร์แรก ฉันจะสร้างตารางการเดินทาง (trips) ซึ่งจะจัดเก็บชุดข้อมูลการเดินทางรถแท็กซี่โดยใช้ Log Engine
$ 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;
จากนั้นฉันจะแยกและโหลดไฟล์ CSV แต่ละไฟล์ลงในตารางการเดินทาง (trips). ต่อไปนี้เสร็จสิ้นภายใน 55 นาที 10 วินาที หลังจากการดำเนินการนี้ ขนาดของไดเร็กทอรีข้อมูลคือ 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)ความเร็วในการนำเข้าคือ 155 MB ของเนื้อหา CSV ที่ไม่มีการบีบอัดต่อวินาที ฉันสงสัยว่านี่เป็นเพราะปัญหาคอขวดในการบีบอัด GZIP มันอาจจะเร็วกว่าในการแตกไฟล์ gzip ทั้งหมดพร้อมกันโดยใช้ xargs แล้วโหลดข้อมูลที่แตกออกมา ด้านล่างนี้คือคำอธิบายของสิ่งที่รายงานระหว่างกระบวนการนำเข้า 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/23:1Hฉันจะเพิ่มพื้นที่ว่างในไดรฟ์ NVMe ด้วยการลบไฟล์ CSV ต้นฉบับก่อนดำเนินการต่อ
$ sudo rm -fr /ch/csvแปลงเป็นรูปแบบคอลัมน์
กลไก Log ClickHouse จะจัดเก็บข้อมูลในรูปแบบแถว เพื่อให้สืบค้นข้อมูลได้เร็วขึ้น ฉันแปลงเป็นรูปแบบคอลัมน์โดยใช้กลไก MergeTree
$ clickhouse-client --host=0.0.0.0ต่อไปนี้จะเสร็จสิ้นภายใน 34 นาที 50 วินาที หลังจากการดำเนินการนี้ ขนาดของไดเร็กทอรีข้อมูลคือ 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;นี่คือลักษณะของเอาต์พุตแบบเหลือบมองระหว่างการดำเนินการ:
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)ในการทดสอบครั้งล่าสุด มีการแปลงและคำนวณหลายคอลัมน์ใหม่ ฉันพบว่าฟังก์ชันบางอย่างไม่ทำงานตามที่คาดไว้ในชุดข้อมูลนี้อีกต่อไป เพื่อแก้ไขปัญหานี้ ฉันจึงลบฟังก์ชันที่ไม่เหมาะสมออกและโหลดข้อมูลโดยไม่แปลงเป็นประเภทที่ละเอียดมากขึ้น
การกระจายข้อมูลทั่วทั้งคลัสเตอร์
ฉันจะกระจายข้อมูลไปยังโหนดคลัสเตอร์ทั้งสามโหนด ในการเริ่มต้น ด้านล่างฉันจะสร้างตารางบนเครื่องทั้งสามเครื่อง
$ 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);จากนั้นฉันจะตรวจสอบให้แน่ใจว่าเซิร์ฟเวอร์แรกสามารถมองเห็นโหนดทั้งสามในคลัสเตอร์ได้
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:
จากนั้นฉันจะกำหนดตารางใหม่บนเซิร์ฟเวอร์แรกที่ยึดตามสคีมา trips_mergetree_third และใช้เครื่องยนต์แบบกระจาย
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());จากนั้นฉันจะคัดลอกข้อมูลจากตารางที่ใช้ MergeTree ไปยังเซิร์ฟเวอร์ทั้งสามเครื่อง ต่อไปนี้จะเสร็จสิ้นภายใน 34 นาที 44 วินาที
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;หลังจากการดำเนินการข้างต้น ฉันให้เวลา ClickHouse 15 นาทีเพื่อย้ายออกจากเครื่องหมายระดับการจัดเก็บสูงสุด ไดเร็กทอรีข้อมูลมีขนาด 264 GB, 34 GB และ 33 GB ตามลำดับในแต่ละเซิร์ฟเวอร์ทั้งสามเครื่อง
การประเมินประสิทธิภาพของคลัสเตอร์ ClickHouse
สิ่งที่ฉันเห็นต่อไปคือเวลาที่เร็วที่สุดที่ฉันเคยเห็นการเรียกใช้แต่ละแบบสอบถามบนโต๊ะหลายครั้ง trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0ต่อไปนี้เสร็จสิ้นใน 2.449 วินาที
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;ต่อไปนี้เสร็จสิ้นใน 0.691 วินาที
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;ต่อไปนี้เสร็จใน 0 วินาที
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;ต่อไปนี้เสร็จสิ้นใน 0.983 วินาที
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;สำหรับการเปรียบเทียบ ฉันเรียกใช้แบบสอบถามเดียวกันบนตารางที่ใช้ MergeTree ซึ่งอยู่บนเซิร์ฟเวอร์เครื่องแรกเท่านั้น
การประเมินประสิทธิภาพของโหนด ClickHouse หนึ่งโหนด
สิ่งที่ฉันเห็นต่อไปคือเวลาที่เร็วที่สุดที่ฉันเคยเห็นการเรียกใช้แต่ละแบบสอบถามบนโต๊ะหลายครั้ง trips_mergetree_x3.
ต่อไปนี้เสร็จสิ้นใน 0.241 วินาที
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;ต่อไปนี้เสร็จสิ้นใน 0.826 วินาที
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;ต่อไปนี้เสร็จสิ้นใน 1.209 วินาที
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;ต่อไปนี้เสร็จสิ้นใน 1.781 วินาที
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;ภาพสะท้อนเกี่ยวกับผลลัพธ์
นี่เป็นครั้งแรกที่ฐานข้อมูลที่ใช้ CPU ฟรีสามารถทำได้ดีกว่าฐานข้อมูลที่ใช้ GPU ในการทดสอบของฉัน ฐานข้อมูลที่ใช้ GPU นั้นได้ผ่านการแก้ไขสองครั้งตั้งแต่นั้นมา แต่ประสิทธิภาพที่ ClickHouse ส่งมอบบนโหนดเดียวนั้นยังคงน่าประทับใจมาก
ในเวลาเดียวกัน เมื่อดำเนินการสืบค้น 1 บนกลไกแบบกระจาย ต้นทุนค่าโสหุ้ยจะมีลำดับความสำคัญสูงกว่า ฉันหวังว่าฉันจะพลาดบางสิ่งบางอย่างในการค้นคว้าของฉันสำหรับโพสต์นี้ เพราะมันคงจะดีถ้าเวลาการสืบค้นลดลงในขณะที่ฉันเพิ่มโหนดให้กับคลัสเตอร์ อย่างไรก็ตาม เป็นเรื่องดีที่เมื่อดำเนินการค้นหาอื่นๆ ประสิทธิภาพจะเพิ่มขึ้นประมาณ 2 เท่า
คงจะดีไม่น้อยหาก ClickHouse พัฒนาไปสู่ความสามารถในการแยกพื้นที่เก็บข้อมูลและการคำนวณเพื่อให้สามารถปรับขนาดได้อย่างอิสระ การสนับสนุน HDFS ซึ่งเพิ่มเข้ามาเมื่อปีที่แล้วอาจเป็นก้าวสำคัญในเรื่องนี้ ในแง่ของการคำนวณ หากสามารถเร่งการสืบค้นเพียงรายการเดียวได้โดยการเพิ่มโหนดเพิ่มเติมให้กับคลัสเตอร์ อนาคตของซอฟต์แวร์นี้ก็สดใสมาก
ขอบคุณที่สละเวลาอ่านโพสต์นี้ ฉันเสนอบริการให้คำปรึกษา สถาปัตยกรรม และการพัฒนาการปฏิบัติแก่ลูกค้าในอเมริกาเหนือและยุโรป หากคุณต้องการหารือว่าข้อเสนอแนะของฉันสามารถช่วยธุรกิจของคุณได้อย่างไร โปรดติดต่อฉันผ่านทาง .
ที่มา: will.com