Ang pagsasalin ng artikulo ay partikular na inihanda para sa mga mag-aaral ng kurso .
ay isang open source columnar database. Ito ay isang mahusay na kapaligiran kung saan ang daan-daang mga analyst ay maaaring mabilis na mag-query ng detalyadong data, kahit na sampu-sampung bilyong mga bagong tala ang inilalagay bawat araw. Ang mga gastos sa imprastraktura upang suportahan ang naturang sistema ay maaaring kasing taas ng $100 bawat taon, at posibleng kalahati iyon depende sa paggamit. Sa isang punto, ang pag-install ng ClickHouse mula sa Yandex Metrics ay naglalaman ng 10 trilyong talaan. Bilang karagdagan sa Yandex, natagpuan din ng ClickHouse ang tagumpay sa Bloomberg at Cloudflare.
Dalawang taon na ang nakalipas na ginugol ko mga database gamit ang isang makina, at naging libreng database software na nakita ko na. Simula noon, hindi tumigil ang mga developer sa pagdaragdag ng mga feature, kabilang ang suporta para sa Kafka, HDFS at ZStandard compression. Noong nakaraang taon nagdagdag sila ng suporta para sa mga pamamaraan ng pag-compress ng cascading, at naging posible ang coding. Kapag nag-compress ng data ng time series, ang mga halaga ng gauge ay maaaring mai-compress nang maayos gamit ang delta encoding, ngunit para sa mga counter, mas mainam na gumamit ng delta-by-delta encoding. Ang mahusay na compression ay naging susi sa pagganap ng ClickHouse.
Ang ClickHouse ay binubuo ng 170 libong linya ng C++ code, hindi kasama ang mga third-party na aklatan, at isa sa pinakamaliit na ipinamamahaging database codebase. Sa paghahambing, hindi sinusuportahan ng SQLite ang pamamahagi at binubuo ng 235 libong linya ng C code. Sa pagsulat na ito, 207 na mga inhinyero ang nag-ambag sa ClickHouse, at ang intensity ng mga commit ay tumataas kamakailan.
Noong Marso 2017, nagsimulang magsagawa ang ClickHouse bilang isang madaling paraan upang masubaybayan ang pag-unlad. Pinaghiwa din nila ang monolithic documentation file sa isang Markdown-based na hierarchy ng file. Ang mga isyu at feature ay sinusubaybayan sa pamamagitan ng GitHub, at sa pangkalahatan ang software ay naging mas naa-access sa nakalipas na ilang taon.
Sa artikulong ito, titingnan ko ang pagganap ng isang ClickHouse cluster sa AWS EC2 gamit ang 36-core processor at NVMe storage.
I-UPDATE: Isang linggo pagkatapos ng orihinal na pag-publish ng post na ito, muling pinatakbo ko ang pagsubok na may pinahusay na configuration at nakamit ang mas magagandang resulta. Ang post na ito ay na-update upang ipakita ang mga pagbabagong ito.
Paglulunsad ng AWS EC2 Cluster
Gagamit ako ng tatlong c5d.9xlarge EC2 instance para sa post na ito. Ang bawat isa sa kanila ay naglalaman ng 36 virtual na CPU, 72 GB ng RAM, 900 GB ng NVMe SSD na imbakan at sumusuporta sa 10 Gigabit network. Nagkakahalaga sila ng $1,962/hour bawat isa sa rehiyon ng eu-west-1 kapag tumatakbo on demand. Gagamitin ko ang Ubuntu Server 16.04 LTS bilang operating system.
Ang firewall ay na-configure upang ang bawat makina ay maaaring makipag-usap sa isa't isa nang walang mga paghihigpit, at ang aking IPv4 address lamang ang na-whitelist ng SSH sa cluster.
NVMe drive sa estado ng pagiging handa sa pagpapatakbo
Para gumana ang ClickHouse, gagawa ako ng file system sa EXT4 na format sa isang NVMe drive sa bawat server.
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chKapag na-configure na ang lahat, makikita mo ang mount point at ang 783 GB na espasyong available sa bawat system.
$ 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
ββnvme0n1p1 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% /chAng dataset na gagamitin ko sa pagsubok na ito ay isang data dump na nabuo ko mula sa 1.1 bilyong pagsakay sa taxi na kinuha sa New York City sa loob ng anim na taon. Sa blog mga detalye kung paano ko kinolekta ang set ng data na ito. Naka-store ang mga ito sa AWS S3, kaya iko-configure ko ang AWS CLI gamit ang aking access at mga lihim na key.
$ sudo apt update
$ sudo apt install awscli
$ aws configureItatakda ko ang kasabay na limitasyon ng kahilingan ng kliyente sa 100 para mas mabilis mag-download ang mga file kaysa sa mga default na setting.
$ aws configure set
default.s3.max_concurrent_requests
100Ida-download ko ang dataset ng mga sakay ng taxi mula sa AWS S3 at iimbak ito sa isang NVMe drive sa unang server. Ang dataset na ito ay ~104GB sa GZIP-compressed CSV format.
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvPag-install ng ClickHouse
Ii-install ko ang pamamahagi ng OpenJDK para sa Java 8 dahil kinakailangan itong patakbuhin ang Apache ZooKeeper, na kinakailangan para sa isang ipinamahagi na pag-install ng ClickHouse sa lahat ng tatlong makina.
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
Pagkatapos ay itinakda ko ang variable ng kapaligiran JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileGagamitin ko ang sistema ng pamamahala ng package ng Ubuntu upang i-install ang ClickHouse 18.16.1, mga sulyap at ZooKeeper sa lahat ng tatlong makina.
$ 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
zookeeperdGagawa ako ng direktoryo para sa ClickHouse at gagawa din ako ng ilang pagsasaayos sa lahat ng tatlong server.
$ 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.confIto ang mga pagsasaayos ng pagsasaayos na gagamitin ko.
<?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>Pagkatapos ay patakbuhin ko ang ZooKeeper at ang ClickHouse server sa lahat ng tatlong makina.
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startPag-upload ng data sa ClickHouse
Sa unang server gagawa ako ng trip table (trips), na mag-iimbak ng dataset ng mga biyahe ng taxi gamit ang 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;
Pagkatapos ay i-extract at i-load ko ang bawat isa sa mga CSV file sa isang trip table (trips). Nakumpleto ang mga sumusunod sa loob ng 55 minuto at 10 segundo. Pagkatapos ng operasyong ito, ang laki ng direktoryo ng data ay 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)Ang bilis ng pag-import ay 155 MB ng hindi naka-compress na CSV na nilalaman bawat segundo. Pinaghihinalaan ko na ito ay dahil sa isang bottleneck sa GZIP decompression. Maaaring mas mabilis na i-unzip ang lahat ng mga gzip na file nang magkatulad gamit ang xargs at pagkatapos ay i-load ang na-unzip na data. Nasa ibaba ang isang paglalarawan ng kung ano ang iniulat sa panahon ng proseso ng pag-import ng 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/23:1HMaglalabas ako ng espasyo sa NVMe drive sa pamamagitan ng pagtanggal ng orihinal na mga CSV file bago magpatuloy.
$ sudo rm -fr /ch/csvI-convert sa Column Form
Ang Log ClickHouse engine ay mag-iimbak ng data sa isang row-oriented na format. Upang mag-query ng data nang mas mabilis, kino-convert ko ito sa columnar na format gamit ang MergeTree engine.
$ clickhouse-client --host=0.0.0.0Nakumpleto ang mga sumusunod sa loob ng 34 minuto at 50 segundo. Pagkatapos ng operasyong ito, ang laki ng direktoryo ng data ay 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;Ito ang hitsura ng output ng sulyap sa panahon ng operasyon:
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)Sa huling pagsubok, ilang column ang na-convert at muling nakalkula. Nalaman kong hindi na gumagana ang ilan sa mga function na ito gaya ng inaasahan sa dataset na ito. Upang malutas ang problemang ito, inalis ko ang mga hindi naaangkop na pag-andar at ni-load ang data nang hindi nagko-convert sa mga mas butil na uri.
Pamamahagi ng data sa buong cluster
Ipapamahagi ko ang data sa lahat ng tatlong cluster node. Upang magsimula, sa ibaba ay gagawa ako ng talahanayan sa lahat ng tatlong makina.
$ 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);Pagkatapos ay sisiguraduhin kong makikita ng unang server ang lahat ng tatlong node sa cluster.
SELECT *
FROM system.clusters
WHERE cluster = 'perftest_3shards'
FORMAT Vertical;Row 1:
ββββββ
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:
ββββββ
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:
ββββββ
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:
Pagkatapos ay tutukuyin ko ang isang bagong talahanayan sa unang server na batay sa schema trips_mergetree_third at ginagamit ang Distributed engine.
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());Kokopyahin ko ang data mula sa MergeTree based table sa lahat ng tatlong server. Ang mga sumusunod ay nakumpleto sa loob ng 34 minuto at 44 na segundo.
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;Pagkatapos ng operasyon sa itaas, binigyan ko ang ClickHouse ng 15 minuto upang lumayo mula sa pinakamataas na marka ng antas ng imbakan. Ang mga direktoryo ng data ay naging 264 GB, 34 GB at 33 GB ayon sa pagkakabanggit sa bawat isa sa tatlong server.
Pagsusuri sa pagganap ng cluster ng ClickHouse
Ang susunod kong nakita ay ang pinakamabilis na oras na nakita kong pinapatakbo ang bawat query sa isang table nang maraming beses trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0Nakumpleto ang sumusunod sa loob ng 2.449 segundo.
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;Nakumpleto ang sumusunod sa loob ng 0.691 segundo.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;Nakumpleto ang sumusunod sa loob ng 0 segundo.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;Nakumpleto ang sumusunod sa loob ng 0.983 segundo.
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;Para sa paghahambing, nagpatakbo ako ng parehong mga query sa isang talahanayan na nakabatay sa MergeTree na naninirahan lamang sa unang server.
Pagsusuri ng pagganap ng isang ClickHouse node
Ang susunod kong nakita ay ang pinakamabilis na oras na nakita kong pinapatakbo ang bawat query sa isang table nang maraming beses trips_mergetree_x3.
Nakumpleto ang sumusunod sa loob ng 0.241 segundo.
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;Nakumpleto ang sumusunod sa loob ng 0.826 segundo.
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;Nakumpleto ang sumusunod sa loob ng 1.209 segundo.
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;Nakumpleto ang sumusunod sa loob ng 1.781 segundo.
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;Mga pagninilay sa mga resulta
Ito ang unang pagkakataon na ang isang libreng database na nakabatay sa CPU ay nagtagumpay sa isang database na nakabatay sa GPU sa aking mga pagsubok. Ang database na nakabatay sa GPU ay dumaan sa dalawang rebisyon mula noon, ngunit ang pagganap na naihatid ng ClickHouse sa isang node ay gayunpaman ay napakaganda.
Kasabay nito, kapag nagpapatupad ng Query 1 sa isang distributed engine, ang mga gastos sa overhead ay isang order ng magnitude na mas mataas. Umaasa ako na may napalampas ako sa aking pananaliksik para sa post na ito dahil ito ay magandang makitang bumababa ang mga oras ng query habang nagdaragdag ako ng higit pang mga node sa cluster. Gayunpaman, ito ay mahusay na kapag nagsasagawa ng iba pang mga query, ang pagganap ay tumaas ng humigit-kumulang 2 beses.
Magiging maganda na makita ang ClickHouse na nagbabago tungo sa paghiwalayin ang storage at pag-compute para makapag-scale sila nang nakapag-iisa. Ang suporta sa HDFS, na idinagdag noong nakaraang taon, ay maaaring maging isang hakbang patungo dito. Sa mga tuntunin ng pag-compute, kung ang isang query ay maaaring mapabilis sa pamamagitan ng pagdaragdag ng higit pang mga node sa cluster, kung gayon ang hinaharap ng software na ito ay napakaliwanag.
Salamat sa paglalaan ng oras upang basahin ang post na ito. Nag-aalok ako ng mga serbisyo sa pagkonsulta, arkitektura, at pag-unlad ng pagsasanay sa mga kliyente sa North America at Europe. Kung gusto mong talakayin kung paano makakatulong ang aking mga mungkahi sa iyong negosyo, mangyaring makipag-ugnayan sa akin sa pamamagitan ng .
Pinagmulan: www.habr.com