🥇Переезжаем на ClickHouse: 3 года спустя

Три года назад Виктор Тарнавский и Алексей Миловидов из Яндекса на сцене Yüksek Yük++ söyledi, какой ClickHouse хороший, и как он не тормозит. А на соседней сцене был Alexander Zaitsev с rapor о переезде на Tıklama Evi с другой аналитической СУБД и с выводом, что Tıklama Evi, конечно, хороший, но не очень удобный. Когда в 2016 году компания LifeStreet, в которой тогда работал Александр, переводила мультипетабайтовую аналитическую систему на Tıklama Evi, это была увлекательная «дорога из желтого кирпича», полная неведомых опасностей — Tıklama Evi тогда напоминал минное поле.

Üç yıl sonra Tıklama Evi стал гораздо лучше — за это время Александр основал компанию Altinity, которая не только помогает переезжать на Tıklama Evi десяткам проектов, но и совершенствует сам продукт вместе с коллегами из Яндекса. Сейчас Tıklama Evi все еще не беззаботная прогулка, но уже и не минное поле.

Александр занимается распределенными системами с 2003 года, разрабатывал крупные проекты на MySQL, Oracle и Vertica. На прошедшей Yüksek Yük++ 2019 Александр, один из пионеров использования Tıklama Evi, рассказал, что сейчас из себя представляет эта СУБД. Мы узнаем про основные особенности Tıklama Evi: чем он отличается от других систем и в каких случаях его эффективнее использовать. На примерах рассмотрим свежие и проверенные проектами практики по построению систем на Tıklama Evi.

Ретроспектива: что было 3 года назад

Три года назад мы переводили компанию LifeStreet üzerinde Tıklama Evi с другой аналитической базы данных, и миграция аналитики рекламной сети выглядела так:

Июнь 2016. В Açık kaynak göründü Tıklama Evi и стартовал наш проект;
Ağustos. Kavramın ispatı: большая рекламная сеть, инфраструктура и 200-300 терабайт данных;
Октябрь. Первые продакшн-данные;
Декабрь. Полная продуктовая нагрузка — 10-50 миллиардов событий в день.
Июнь 2017. Успешный переезд пользователей на Tıklama Evi, 2,5 петабайт данных на кластере из 60-ти серверов.

В процессе миграции росло понимание, что Tıklama Evi — это хорошая система, с которой приятно работать, но это внутренний проект компании Яндекс. Поэтому есть нюансы: Яндекс сначала будет заниматься собственными внутренними заказчиками и только потом — сообществом и нуждами внешних пользователей, а ClickHouse не дотягивал тогда до уровня энтерпрайза по многим функциональным областям. Поэтому в марте 2017 года мы основали компанию Altinity, чтобы сделать Tıklama Evi ещё быстрее и удобнее не только для Яндекса, но и для других пользователей. И теперь мы:

Обучаем и помогаем строить решения на Tıklama Evi так, чтобы заказчики не набивали шишки, и чтобы решение в итоге работало;
Обеспечиваем 24/7 поддержку Tıklama Evi-инсталляций;
Разрабатываем собственные экосистемные проекты;
Активно коммитим в сам Tıklama Evi, отвечая на запросы пользователей, которые хотят видеть те или иные фичи.

И конечно, мы помогаем с переездом на Tıklama Evi с MySQL, Vertica, Kehanet, Yeşil erik, Redshift и других систем. Мы участвовали в самых разных переездах, и они все были успешными.

Зачем вообще переезжать на Tıklama Evi

Yavaşlamıyor! Bunun ana nedeni budur. Tıklama Evi — очень быстрая база данных для разных сценариев:

Случайные цитаты людей, которые долго работают с Tıklama Evi.

Ölçeklenebilirlik. На какой-то другой БД можно добиться неплохой производительности на одной железке, но Tıklama Evi можно масштабировать не только вертикально, но и горизонтально, просто добавляя сервера. Все работает не так гладко, как хотелось бы, но работает. Можно наращивать систему вместе с ростом бизнеса. Это важно, что мы не ограничены решением сейчас и всегда есть потенциал для развития.

Портируемость. Нет привязки к чему-то одному. Например, с Amazon Kırmızıya Kaydırma тяжело куда-то переехать. А Tıklama Evi можно поставить себе на ноутбук, сервер, задеплоить в облако, уйти в Kubernetes — нет ограничений на эксплуатацию инфраструктуры. Это удобно для всех, и это большое преимущество, которым не могут похвастаться многие другие похожие БД.

Esneklik. Tıklama Evi не останавливается на чем-то одном, например, на Яндекс.Метрике, а развивается и используется во всё большем и большем количестве разных проектов и индустрий. Его можно расширять, добавляя новые возможности для решения новых задач. Например, считается, что хранить логи в БД — моветон, поэтому для этого придумали Elasticsearch. Но, благодаря гибкости Tıklama Evi, в нём тоже можно хранить логи, и часто это даже лучше, чем в Elasticsearch - içinde Tıklama Evi для этого требуется в 10 раз меньше железа.

Ücretsiz Açık Kaynak. Не нужно ни за что платить. Не нужно договариваться о разрешении поставить систему себе на ноутбук или сервер. Нет скрытых платежей. При этом никакая другая Open Source технология баз данных не может конкурировать по скорости с Tıklama Evi. MySQL, MariaDB, Greenplum — все они гораздо медленнее.

Сообщество, драйв и eğlence. içinde Tıklama Evi отличное сообщество: митапы, чаты и Алексей Миловидов, который нас всех заряжает своей энергией и оптимизмом.

Переезд на ClickHouse

Чтобы переходить на Tıklama Evi с чего-то, нужны всего лишь три вещи:

Понимать ограничения Tıklama Evi и для чего он не подходит.
Использовать преимущества технологии и ее самые сильные стороны.
Экспериментировать. Даже понимая как работает Tıklama Evi, не всегда возможно предугадать, когда он будет быстрее, когда медленней, когда лучше, а когда хуже. Поэтому пробуйте.

Проблема переезда

Есть только одно «но»: если переезжаете на Tıklama Evi с чего-то другого, то обычно что-то идет не так. Мы привыкли к каким-то практикам и вещам, которые работают в любимой БД. Например, любой человек, работающий с SQL-базами данных, считает обязательными такой набор функций:

транзакции;
констрейнты;
tutarlılık;
indisleri;
UPDATE/DELETE;
NULLs;
миллисекунды;
автоматические приведения типов;
множественные джойны;
произвольные партиции;
средства управления кластером.

Набор-то обязательный, но три года назад в Tıklama Evi не было ни одной из этих функций! Сейчас из нереализованного осталось меньше половины: транзакции, констрейнты, Consistency, миллисекунды и приведение типов.

И главное — то, что в Tıklama Evi некоторые стандартные практики и подходы не работают или работают не так, как мы привыкли. Всё, что появляется в Tıklama Evi, соответствует «ClickHouse way», т.е. функции отличаются от других БД. Например:

Индексы не выбирают, а пропускают.
UPDATE/DELETE не синхронные, а асинхронные.
Множественные джойны есть, но планировщика запросов нет. Как они тогда выполняются, вообще не очень понятно людям из мира БД.

Сценарии ClickHouse

В 1960 году американский математик венгерского происхождения Wigner E. P. написал статью «The unreasonable effectiveness of mathematics in the natural sciences» («Непостижимая эффективность математики в естественных науках») о том, что окружающий мир почему-то хорошо описывается математическими законами. Математика — абстрактная наука, а физические законы, выраженные в математической форме не тривиальны, и Wigner E. P. подчеркнул, что это очень странно.

С моей точки зрения, Tıklama Evi — такая же странность. Переформулируя Вигнера, можно сказать так: поразительна непостижимая эффективность Tıklama Evi в самых разнообразных аналитических приложениях!

Например, возьмем Real-Time Data Warehouse, в который данные грузятся практически непрерывно. Мы хотим получать от него запросы с секундной задержкой. Пожалуйста — используем Tıklama Evi, потому что для этого сценария он и был разработан. Tıklama Evi именно так и используется не только в веб, но и в маркетинговой и финансовой аналитике, AdTech, а также в Fraud detection. В Real-time Data Warehouse используется сложная структурированная схема типа «звезда» или «снежинка», много таблиц с JOIN (иногда множественными), а данные обычно хранятся и меняются в каких-то системах.

Возьмем другой сценарий — Zaman serisi: мониторинг устройств, сетей, статистика использования, интернет вещей. Здесь мы встречаемся с упорядоченными по времени достаточно простыми событиями. Tıklama Evi для этого не был изначально разработан, но хорошо себя показал, поэтому крупные компании используют Tıklama Evi как хранилище для мониторинговой информации. Чтобы изучить, подходит ли Tıklama Evi для time-series, мы сделали бенчмарк на основе подхода и результатах AkışDB и Zaman çizelgesiDB — специализированных Zaman serisi баз данных. ÇıktıO Tıklama Evi, даже без оптимизации под такие задачи, выигрывает и на чужом поле:

В Zaman serisi обычно используется узкая таблица — несколько маленьких колонок. С мониторинга может приходить очень много данных, — миллионы записей в секунду, — и обычно они поступают маленькими вставками (gerçek zaman стримингом). Поэтому нужен другой сценарий вставки, а сами запросы — со своей некоторой спецификой.

Log Yönetimi. Сбор логов в БД — это обычно плохо, но в Tıklama Evi это можно делать с некоторыми комментариями, как описано выше. Многие компании используют Tıklama Evi именно для этого. В этом случае используется плоская широкая таблица, где мы храним логи целиком (например, в виде JSON), либо нарезаем на части. Данные загружаются обычно большими батчами (файлами), а ищем по какому-нибудь полю.

Для каждой из этих функций обычно используются специализированные БД. Tıklama Evi один может делать это всё и настолько хорошо, что обгоняет их по производительности. Давайте теперь подробно рассмотрим Zaman serisi сценарий, и как правильно «готовить» Tıklama Evi под этот сценарий.

Zaman serisi

В настоящий момент это основной сценарий, для которого Tıklama Evi считается стандартным решением. Zaman serisi — это набор упорядоченных во времени событий, представляющих изменения какого-то процесса во времени. Например, это может быть частота сердцебиений за день или количество процессов в системе. Всё, что дает временные тики с какими-то измерениями – это Zaman serisi:

Больше всего такого рода событий приходит из мониторинга. Это может быть не только мониторинг веба, но и реальных устройств: автомобилей, промышленных систем, IOT, производств или беспилотных такси, в багажник которых Яндекс уже сейчас кладет Tıklama Evi-сервер.

Например, есть компании, которые собирают данные с судов. Каждые несколько секунд датчики с контейнеровоза отправляют сотни различных измерений. Инженеры их изучают, строят модели и пытаются понять, насколько эффективно используется судно, потому что контейнеровоз не должен простаивать ни секунды. Любой простой — это потеря денег, поэтому важно спрогнозировать маршрут так, чтобы стоянки были минимальными.

Сейчас наблюдается рост специализированных БД, которые измеряют Zaman serisi. Sitede DB-Motorlar каким-то образом ранжируются разные базы данных, и их можно посмотреть по типам:

Самый быстрорастущий тип — time-series. Также растут графовые БД, но time-series растут быстрее последние несколько лет. Типичные представители БД этого семейства — это AkışDB, Prometheus, KDB, Zaman çizelgesiDB (построенная на PostgreSQL), решения от Amazon. Tıklama Evi здесь тоже может быть использован, и он используется. Приведу несколько публичных примеров.

Один из пионеров — компания CloudFlare (CDN-провайдер). Они мониторят свой CDN sayesinde Tıklama Evi (DNS-запросы, HTTP-запросы) с громадной нагрузкой — 6 миллионов событий в секунду. Все идет через Kafka, отправляется в Tıklama Evi, который предоставляет возможность в реальном времени видеть дашборды событий в системе.

Comcast — один из лидеров телекоммуникаций в США: интернет, цифровое телевидение, телефония. Они создали аналогичную систему управления CDN içinde Açık Kaynak proje Apache Traffic Control для работы со своими огромными данными. Tıklama Evi используется как бэкенд для аналитики.

Perkon встроили Tıklama Evi внутрь своего PMM, чтобы хранить мониторинг различных MySQL.

Belirli gereksinimler

К time-series базам данных есть свои специфические требования.

Быстрая вставка со многих агентов. Мы должны очень быстро вставить данные со многих потоков. Tıklama Evi хорошо это делает, потому что у него все вставки не блокирующие. Любой eklemek — это новый файл на диске, а маленькие вставки можно буферизовать тем или иным способом. В Tıklama Evi лучше вставлять данные большими пакетами, а не по одной строчке.
Гибкая схема. Zaman serisi мы обычно не знаем структуру данных до конца. Можно построить систему мониторинга для конкретного приложения, но тогда ее трудно использовать для другого приложения. Для этого нужна более гибкая схема. Tıklama Evi, позволяет это сделать, даже несмотря на то, что это строго типизированная база.
Эффективное хранение и «забывание» данных. Обычно в Zaman serisi гигантский объем данных, поэтому их надо хранить максимально эффективно. Например, у AkışDB хорошая компрессия — это его основная фишка. Но кроме хранения, нужно еще уметь и «забывать» старые данные и делать какой-нибудь altörnekleme — автоматический подсчет агрегатов.
Быстрые запросы агрегированных данных. Иногда интересно посмотреть последние 5 минут с точностью до миллисекунд, но на месячных данных минутная или секундная гранулярность может быть не нужна — достаточно общей статистики. Поддержка такого рода необходима, иначе запрос за 3 месяца будет выполняться очень долго даже в Tıklama Evi.
Запросы типа «last point, as of». Это типичные для Zaman serisi запросы: смотрим последнее измерение или состояние системы в момент времени t. Для БД это не очень приятные запросы, но их тоже надо уметь выполнять.
«Склеивание» временных рядов. Zaman serisi — это временной ряд. Если есть два временных ряда, то их часто нужно соединять и коррелировать. Не на всех БД это удобно делать, особенно, с невыравненными временными рядами: здесь — одни временные засечки, там — другие. Можно считать средние, но вдруг там все равно будет дырка, поэтому непонятно.

Давайте посмотрим, как эти требования выполняются в Tıklama Evi.

düzen

В Tıklama Evi схему для Zaman serisi можно сделать разными способами, в зависимости от степени регулярности данных. Можно построить систему на регулярных данных, когда мы знаем все метрики заранее. Например, так сделал CloudFlare с мониторингом CDN — это хорошо оптимизированная система. Можно построить более общую систему, которая мониторит всю инфраструктуру, разные сервисы. В случае нерегулярных данных, мы не знаем заранее, что мониторим — и, наверное, это наболее общий случай.

Регулярные данные. Колонки. Схема простая – колонки с нужными типами:

CREATE TABLE cpu (
  created_date Date DEFAULT today(),  
  created_at DateTime DEFAULT now(),  
  time String,  
  tags_id UInt32,  /* join to dim_tag */
  usage_user Float64,  
  usage_system Float64,  
  usage_idle Float64,  
  usage_nice Float64,  
  usage_iowait Float64,  
  usage_irq Float64,  
  usage_softirq Float64,  
  usage_steal Float64,  
  usage_guest Float64,  
  usage_guest_nice Float64
) ENGINE = MergeTree(created_date, (tags_id, created_at), 8192);

Это обычная таблица, которая мониторит какую-то активность по загрузке системы (kullanıcı, sistem, boş, güzel). Просто и удобно, но не гибко. Если хотим более гибкую схему, то можно использовать массивы.

Нерегулярные данные. Массивы:

CREATE TABLE cpu_alc (
  created_date Date,  
  created_at DateTime,  
  time String,  
  tags_id UInt32,  
  metrics Nested(
    name LowCardinality(String),  
    value Float64
  )
) ENGINE = MergeTree(created_date, (tags_id, created_at), 8192);

SELECT max(metrics.value[indexOf(metrics.name,'usage_user')]) FROM ...

Yapı İç içe — это два массива: metrics.name и metrics.value. Здесь можно хранить такие произвольные мониторинговые данные, как массив названий и массив измерений при каждом событии. Для дальнейшей оптимизации вместо одной такой структуры можно сделать несколько. Например, одну — для şamandıra-значение, другую — для int-значение, потому что int хочется хранить эффективнее.

Но к такой структуре сложнее обращаться. Придется использовать специальную конструкцию, через специальные функции вытаскивать значения сначала индекса, а потом массива:

SELECT max(metrics.value[indexOf(metrics.name,'usage_user')]) FROM ...

Но это все равно работает достаточно быстро. Другой способ хранения нерегулярных данных – по строкам.

Нерегулярные данные. Строки. В этом традиционном способе без массивов хранятся сразу названия и значения. Если с одного устройства приходит сразу 5 000 измерений — генерируется 5 000 строк в БД:

CREATE TABLE cpu_rlc (
  created_date Date,  
  created_at DateTime,  
  time String,  
  tags_id UInt32,  
  metric_name LowCardinality(String),  
  metric_value Float64
) ENGINE = MergeTree(created_date, (metric_name, tags_id, created_at), 8192);


SELECT 
    maxIf(metric_value, metric_name = 'usage_user'),
    ... 
FROM cpu_r
WHERE metric_name IN ('usage_user', ...)

Tıklama Evi с этим справляется — у него есть специальные расширения Tıklama Evi SQL. Örneğin, maxIf — специальная функция, которая считает максимум по метрике при выполнении какого-то условия. Можно в одном запросе написать несколько таких выражений и сразу посчитать значение для нескольких метрик.

Сравним три подхода:

Ayrıntılar

Здесь я добавил «Размер данных на диске» для некоторого тестового набора данных. В случае с колонками у нас самый маленький размер данных: максимальное сжатие, максимальная скорость запросов, но мы платим тем, что должны все сразу зафиксировать.

В случае с массивами всё чуть хуже. Данные все равно хорошо сжимаются, и можно хранить нерегулярную схему. Но Tıklama Evi — колоночная база данных, а когда мы начинаем хранить все в массиве, то она превращается в строковую, и мы платим за гибкость эффективностью. На любую операцию придется прочитать весь массив в память, после этого найти в нем нужный элемент — а если массив растет, то скорость деградирует.

В одной из компаний, которая использует такой подход (например, Uber), массивы нарезаются на кусочки из 128 элементов. Данные нескольких тысяч метрик объемом в 200 ТБ данных/в день хранятся не в одном массиве, а в из 10 или 30 массивах со специальной логикой для хранения.

Максимально простой подход — со строками. Но данные плохо сжимаются, размер таблицы получается большой, да ещё когда запросы идут по нескольким метрикам, то ClickHouse работает неоптимально.

Гибридная схема

Предположим, что мы выбрали схему с массивом. Но если мы знаем, что большинство наших дашбордов показывают только метрики user и system, мы можем дополнительно из массива на уровне таблицы материализовать эти метрики в колонки таким образом:

CREATE TABLE cpu_alc (
  created_date Date,  
  created_at DateTime,  
  time String,  
  tags_id UInt32,  
  metrics Nested(
    name LowCardinality(String),  
    value Float64
  ),
  usage_user Float64 
             MATERIALIZED metrics.value[indexOf(metrics.name,'usage_user')],
  usage_system Float64 
             MATERIALIZED metrics.value[indexOf(metrics.name,'usage_system')]
) ENGINE = MergeTree(created_date, (tags_id, created_at), 8192);

При вставке Tıklama Evi автоматически их посчитает. Так можно совместить приятное с полезным: схема гибкая и общая, но самые часто используемые колонки мы вытащили. Замечу, что это не потребовало менять вставку и ETL, который продолжает вставлять в таблицу массивы. Мы просто сделали TABLOYU DEĞİŞTİR, добавили пару колонок и получилась гибридная и более быстрая схема, которой можно сразу начинать пользоваться.

Кодеки и компрессия

için Zaman serisi важно, насколько хорошо вы упаковываете данные, потому что массив информации может быть очень большой. В Tıklama Evi есть набор средств для достижения эффекта компрессии 1:10, 1:20, а иногда и больше. Это значит, что неупакованные данные объемом 1 ТБ на диске занимают 50-100 ГБ. Меньший размер — это хорошо, данные быстрее можно прочитать и обработать.

Для достижения высокого уровня компрессии, Tıklama Evi поддерживает следующие кодеки:

Пример таблицы:

CREATE TABLE benchmark.cpu_codecs_lz4 (
    created_date Date DEFAULT today(), 
    created_at DateTime DEFAULT now() Codec(DoubleDelta, LZ4), 
    tags_id UInt32, 
    usage_user Float64 Codec(Gorilla, LZ4), 
    usage_system Float64 Codec(Gorilla, LZ4), 
    usage_idle Float64 Codec(Gorilla, LZ4), 
    usage_nice Float64 Codec(Gorilla, LZ4), 
    usage_iowait Float64 Codec(Gorilla, LZ4), 
    usage_irq Float64 Codec(Gorilla, LZ4), 
    usage_softirq Float64 Codec(Gorilla, LZ4), 
    usage_steal Float64 Codec(Gorilla, LZ4), 
    usage_guest Float64 Codec(Gorilla, LZ4), 
    usage_guest_nice Float64 Codec(Gorilla, LZ4), 
    additional_tags String DEFAULT ''
)
ENGINE = MergeTree(created_date, (tags_id, created_at), 8192);

Здесь мы определяем кодек DoubleDelta в одном случае, во втором — Goril, и обязательно добавляем еще LZ4 компрессию. В результате размер данных на диске сильно уменьшается:

Здесь показано, сколько места занимают одни и те же данные, но при использовании разных кодеков и компрессий:

в GZIP’ованном файле на диске;
в ClickHouse без кодеков, но с ZSTD-компрессией;
в ClickHouse c кодеками и компрессией LZ4 и ZSTD.

Видно, что таблицы с кодеками занимают гораздо меньше места.

Boyutu konularda

daha az önemli değil выбрать правильный тип данных:

Во всех примерах выше я использовал Şamandıra64. Но если бы мы выбрали Şamandıra32, то это было бы даже лучше. Это хорошо продемонстрировали ребята из Перконы в статье по ссылке выше. Важно использовать максимально компактный тип, подходящий под задачу: даже в меньшей степени для размера на диске, чем для скорости запросов. Tıklama Evi очень к этому чувствителен.

Если вы можете использовать int32 yerine int64, то ожидайте почти двукратное увеличение производительности. Данные занимают меньше памяти, и вся «арифметика» работает гораздо быстрее. Tıklama Evi внутри себя — очень строго типизированная система, он максимально использует все возможности, которые предоставляют современные системы.

Агрегация и Materialized Views

Агрегация и материализованные представления позволяют сделать агрегаты на разные случаи жизни:

Например, у вас могут быть не агрегированные исходные данные, и на них можно навесить различные материализованные представления с автоматическим суммированием через специальный движок SummingMergeTree (SMT). SMT — это специальная агрегирующая структура данных, которая считает агрегаты автоматически. В базу данных вставляются сырые данные, они автоматически агрегируются, и сразу по ним можно использовать дашборды.

TTL — «забываем» старые данные

Как «забывать» данные, которые больше не нужны? Tıklama Evi умеет это. При создании таблиц можно указать TTL выражения: например, что минутные данные храним один день, дневные — 30 дней, а недельные или месячные не трогаем никогда:

CREATE TABLE aggr_by_minute
…
TTL time + interval 1 day

CREATE TABLE aggr_by_day
…
TTL time + interval 30 day

CREATE TABLE aggr_by_week
…
/* no TTL */

Çok katmanlı — разделяем данные по дискам

Развивая эту идею, данные можно хранить в Tıklama Evi в разных местах. Предположим, горячие данные за последнюю неделю хотим хранить на очень быстром локальном SSD, а более исторические данные складываем в другое место. В Tıklama Evi сейчас это возможно:

Можно сконфигурировать политику хранения (depolama politikası) так, что Tıklama Evi будет автоматически перекладывать данные по достижению некоторых условий в другое хранилище.

Но и это еще не все. На уровне конкретной таблицы можно определить правила, когда именно по времени данные переходят на холодное хранение. Например, 7 дней данные лежат на очень быстром диске, а все, что старше, переносится на медленный. Это хорошо тем, что позволяет систему держать на максимальной производительности, при этом контролируя расходы и не тратя средства на холодные данные:

CREATE TABLE 
... 
TTL date + INTERVAL 7 DAY TO VOLUME 'cold_volume', 
    date + INTERVAL 180 DAY DELETE

Benzersiz özellikler Tıklama Evi

Почти во всём в Tıklama Evi есть такие «изюминки», но они нивелируются эксклюзивом — тем, чего нет в других БД. Например, вот некоторые из уникальных функций Tıklama Evi:

Diziler. Tıklama Evi очень хорошая поддержка для массивов, а также возможность выполнять на них сложные вычисления.
Агрегирующие структуры данных. Это одна из «киллер-фич» Tıklama Evi. Несмотря на то, что ребята из Яндекса говорят, что мы не хотим агрегировать данные, все агрегируют в Tıklama Evi, потому что это быстро и удобно.
Материализованные представления. Вместе с агрегирующими структурами данных материализованные представления позволяют делать удобную gerçek zaman агрегацию.
ClickHouse SQL. Это расширение языка SQL с некоторыми дополнительными и эксклюзивными фичами, которые есть только в Tıklama Evi. Раньше это было как бы с одной стороны расширение, а с другой стороны — недостаток. Сейчас почти все недостатки по сравнению с SQL92 мы убрали, теперь это только расширение.
Lambda–выражения. Есть ли они ещё в какой-нибудь базе данных?
ML-поддержка. Это есть в разных БД, в каких-то лучше, в каких-то хуже.
açık kaynak. Мы можем расширять Tıklama Evi вместе. Сейчас в Tıklama Evi около 500 контрибьюторов, и это число постоянно растет.

Хитрые запросы

В Tıklama Evi есть много различных способов сделать одно и то же. Например, можно тремя различными способами вернуть последнее значение из таблицы для işlemci (есть еще и четвертый, но он ещё экзотичнее).

Первый показывает, как удобно делать в Tıklama Evi запросы, когда вы хотите проверять, что tanımlama grubu содержится в подзапросе. Это то, чего мне лично очень не хватало в других БД. Если я хочу что-то сравнить с подзапросом, то в других БД с ним можно сравнивать только скаляр, а для нескольких колонок надо писать JOIN. Tıklama Evi можно использовать tuple:

SELECT *
  FROM cpu 
 WHERE (tags_id, created_at) IN 
    (SELECT tags_id, max(created_at)
        FROM cpu 
        GROUP BY tags_id)

Второй способ делает то же самое, но использует агрегатную функцию argMax:

SELECT 
    argMax(usage_user), created_at),
    argMax(usage_system), created_at),
...
 FROM cpu

В Tıklama Evi есть несколько десятков агрегатных функций, а если использовать комбинаторы, то по законам комбинаторики их получится около тысячи. ArgMax — одна из функций, которая считает максимальное значение: запрос возвращает значение usage_user, на котором достигается максимальное значение create_at:

SELECT now() as created_at,
       cpu.*
  FROM (SELECT DISTINCT tags_id from cpu) base 
  ASOF LEFT JOIN cpu USING (tags_id, created_at)

ASOF JOIN — «склеивание» рядов c разным временем. Это уникальная функция для баз данных, которая есть ещё только в kdb+. Если есть два временных ряда с разным временем, ASOF JOIN позволяет их сместить и склеить в одном запросе. Для каждого значения в одном временном ряду находится ближайшее значение в другом, и они возвращаются на одной строчек:

Analitik Fonksiyonlar

standartta SQL-2003 можно писать так:

SELECT origin,
       timestamp,
       timestamp -LAG(timestamp, 1) OVER (PARTITION BY origin ORDER BY timestamp) AS duration,
       timestamp -MIN(timestamp) OVER (PARTITION BY origin ORDER BY timestamp) AS startseq_duration,
       ROW_NUMBER() OVER (PARTITION BY origin ORDER BY timestamp) AS sequence,
       COUNT() OVER (PARTITION BY origin ORDER BY timestamp) AS nb
  FROM mytable
ORDER BY origin, timestamp;

В Tıklama Evi так нельзя — он не поддерживает стандарт SQL-2003 и, наверное, никогда не будет это делать. Вместо этого в Tıklama Evi принято писать так:

Я обещал лямбды – вот они!

Это аналог аналитического запроса в стандарте SQL-2003: он считает разницу между двумя timestamp, duration, порядковый номер — всё, что обычно мы считаем аналитическими функциями. В Tıklama Evi мы их считаем через массивы: сначала сворачиваем данные в массив, после этого на массиве делаем всё, что хотим, а потом разворачиваем обратно. Это не очень удобно, требует любви к функциональному программированию, как минимум, но это очень гибко.

Özel Özellikler

Кроме того в Tıklama Evi много специализированных функций. Например, как определить, сколько сессий проходит одновременно? Типичная задача для мониторинга – определить максимальную загрузку одним запросом. В Tıklama Evi есть специальная функция для этой цели:

Вообще, для многих целей в ClickHouse есть специальные функции:

runningDifference, runningAccumulate, neighbor;
sumMap(key, value);
timeSeriesGroupSum(uid, timestamp, value);
timeSeriesGroupRateSum(uid, timestamp, value);
skewPop, skewSamp, kurtPop, kurtSamp;
WITH FILL / WITH TIES;
simpleLinearRegression, stochasticLinearRegression.

Это не полный список функций, всего их 500-600. Хинт: все функции в Tıklama Evi есть в системной таблице (не все документированы, но все интересны):

select * from system.functions order by name

Tıklama Evi сам в себе хранит много информации о себе, в том числе log tables, sorgu_log, лог трассировки, лог операции с блоками данных (part_log), лог метрик, и системный лог, который он обычно пишет на диск. Лог метрик – это Zaman serisi в Tıklama Evi на самом Tıklama Evi: БД сама для себя может играть роль Zaman serisi баз данных, таким образом «пожирая» самого себя.

Это тоже уникальная вещь — раз мы хорошо делаем работу для Zaman serisi, почему не можем сами в себе хранить всё, что нужно? Нам не нужен Prometheus, мы храним всё в себе. Подключили grafana и сами себя мониторим. Однако, если Tıklama Evi упадет, то мы не увидим, — почему, — поэтому обычно так не делают.

Большой кластер или много маленьких Tıklama Evi

Что лучше — один большой кластер или много маленьких ClickHouse? Традиционный подход к DWH — это большой кластер, в котором выделяются схемы под каждое приложение. Мы пришли к администратору БД — дайте нам схему, и нам её выдали:

В Tıklama Evi можно сделать это по-другому. Можно каждому приложению сделать свой собственный Tıklama Evi:

Нам больше не нужен большой монструозный DWH и несговорчивые админы. Мы можем каждому приложению выдать свой собственный Tıklama Evi, и разработчик может это сделать сам, так как Tıklama Evi очень просто устанавливается и не требует сложного администрирования:

Но если у нас много Tıklama Evi, и надо часто его ставить, то хочется этот процесс автоматизировать. Для этого можно, например, используем Kubernetes и tıklama evi-оператор. В Kubernetes ClickHouse можно поставить «по щелчку»: я могу нажать кнопку, запустить манифест и база готова. Можно сразу же создать схему, начать туда грузить метрики, и через 5 минут у меня уже готов дашборд grafana. Настолько все просто!

Sonuç?

Bu durumda, Tıklama Evi - Bu:

Hızla. Это всем известно.
Sadece. Немного спорно, но я считаю, что тяжело в учении, легко в бою. Если понять, как Tıklama Evi работает, дальше все очень просто.
Evrensel olarak. Он подходит для разных сценариев: DWH, Time Series, Log Storage. Но это не OLTP база данных, поэтому не пытайтесь сделать там короткие вставки и чтения.
Ilginç biçimde. Наверное, тот, кто работает с Tıklama Evi, пережил много интересных минут в хорошем и плохом смысле. Например, вышел новый релиз, все перестало работать. Или когда вы бились над задачей два дня, но после вопроса в Телеграм-чате задача решилась за две минуты. Или как на конференции на докладе Леши Миловидова скриншот из Tıklama Evi сломал трансляцию Yüksek Yük++. Такого рода вещи происходят постоянно и делают нашу жизнь с Tıklama Evi яркой и интересной!

Презетацию можно посмотреть burada.

Долгожданная встреча разработчиков высоконагруженных систем на Yüksek Yük++ состоится 9 и 10 ноября в Сколково. Наконец это будет офлайн-конференция (хоть и с соблюдением всех мер предосторожности), так как энергию HighLoad++ невозможно упаковать в онлайн.

Для конференции мы находим и показываем вам кейсы о максимальных возможностях технологий: HighLoad++ был, есть и будет единственным местом, где можно за два дня узнать, как устроены Facebook, Яндекс, ВКонтакте, Google и Amazon.

Проводя наши встречи без перерыва с 2007 года, в этом году мы встретимся в 14-й раз. За это время конференция выросла в 10 раз, в прошлом году ключевое событие отрасли собрало 3339 участника, 165 спикеров докладов и митапов, а одновременно шло 16 треков.
В прошлом году для вас было 20 автобусов, 5280 литров чая и кофе, 1650 литров морсов и 10200 бутылочек воды. А ещё 2640 килограммов еды, 16 000 тарелок и 25 000 стаканчиков. Кстати, на деньги, вырученные от переработанной бумаги, мы посадили 100 саженцев дуба 🙂

Билеты купить можно burada, получить новости о конференции — burada, а поговорить — во всех соцсетях: Telegram, Facebook, Vkontakte и Twitter.

Kaynak: habr.com

ClickHouse'a geçiş: 3 yıl sonra