مضمون کا ترجمہ خاص طور پر کورس کے طلباء کے لیے تیار کیا گیا تھا۔ .
ایک اوپن سورس کالم ڈیٹا بیس ہے۔ یہ ایک بہترین ماحول ہے جہاں سینکڑوں تجزیہ کار تیزی سے تفصیلی ڈیٹا سے استفسار کر سکتے ہیں، یہاں تک کہ دسیوں اربوں نئے ریکارڈز روزانہ داخل کیے جاتے ہیں۔ اس طرح کے نظام کو سپورٹ کرنے کے لیے انفراسٹرکچر کی لاگت $100 سالانہ تک ہو سکتی ہے، اور استعمال کے لحاظ سے ممکنہ طور پر نصف۔ ایک موقع پر، Yandex Metrics سے ClickHouse کی تنصیب میں 10 ٹریلین ریکارڈ موجود تھے۔ Yandex کے علاوہ، ClickHouse کو بلومبرگ اور Cloudflare کے ساتھ بھی کامیابی ملی ہے۔
دو سال پہلے میں نے گزارے۔ ایک مشین کا استعمال کرتے ہوئے ڈیٹا بیس، اور یہ بن گیا مفت ڈیٹا بیس سافٹ ویئر جو میں نے کبھی دیکھا ہے۔ تب سے، ڈویلپرز نے کافکا، HDFS اور ZStandard کمپریشن کے لیے سپورٹ سمیت فیچرز شامل کرنا جاری رکھا ہے۔ پچھلے سال انہوں نے جھرن کو کمپریشن کے طریقوں کے لیے سپورٹ شامل کیا، اور کوڈنگ ممکن ہو گئی. ٹائم سیریز کے ڈیٹا کو کمپریس کرتے وقت، ڈیلٹا انکوڈنگ کا استعمال کرتے ہوئے گیج ویلیوز کو اچھی طرح سے کمپریس کیا جا سکتا ہے، لیکن کاؤنٹرز کے لیے ڈیلٹا بائی ڈیلٹا انکوڈنگ کا استعمال کرنا بہتر ہوگا۔ اچھا کمپریشن ClickHouse کی کارکردگی کی کلید بن گیا ہے۔
ClickHouse C++ کوڈ کی 170 ہزار لائنوں پر مشتمل ہے، تیسرے فریق کی لائبریریوں کو چھوڑ کر، اور یہ سب سے چھوٹے تقسیم شدہ ڈیٹا بیس کوڈ بیسز میں سے ایک ہے۔ اس کے مقابلے میں، SQLite ڈسٹری بیوشن کو سپورٹ نہیں کرتا اور C کوڈ کی 235 ہزار لائنوں پر مشتمل ہے۔ اس تحریر کے مطابق، 207 انجینئرز نے ClickHouse میں تعاون کیا ہے، اور کمٹ کی شدت میں حال ہی میں اضافہ ہو رہا ہے۔
مارچ 2017 میں، کلک ہاؤس نے کام کرنا شروع کیا۔ ترقی پر نظر رکھنے کا ایک آسان طریقہ ہے۔ انہوں نے یک سنگی دستاویزات کی فائل کو مارک ڈاؤن پر مبنی فائل کے درجہ بندی میں بھی توڑ دیا۔ مسائل اور خصوصیات کو GitHub کے ذریعے ٹریک کیا جاتا ہے، اور عام طور پر سافٹ ویئر پچھلے کچھ سالوں میں بہت زیادہ قابل رسائی ہو گیا ہے۔
اس مضمون میں، میں 2 کور پروسیسرز اور NVMe اسٹوریج کا استعمال کرتے ہوئے AWS EC36 پر کلک ہاؤس کلسٹر کی کارکردگی پر ایک نظر ڈالنے جا رہا ہوں۔
اپ ڈیٹ: اصل میں اس پوسٹ کو شائع کرنے کے ایک ہفتہ بعد، میں نے بہتر کنفیگریشن کے ساتھ ٹیسٹ دوبارہ کیا اور بہت بہتر نتائج حاصل کیے ہیں۔ ان تبدیلیوں کی عکاسی کرنے کے لیے اس پوسٹ کو اپ ڈیٹ کر دیا گیا ہے۔
AWS EC2 کلسٹر شروع کرنا
میں اس پوسٹ کے لیے تین c5d.9xlarge EC2 مثالیں استعمال کروں گا۔ ان میں سے ہر ایک میں 36 ورچوئل CPUs، 72 GB RAM، 900 GB NVMe SSD اسٹوریج ہے اور 10 گیگا بٹ نیٹ ورک کو سپورٹ کرتا ہے۔ جب مانگ پر چلتے ہیں تو eu-west-1,962 ریجن میں ان کی لاگت $1 فی گھنٹہ ہے۔ میں Ubuntu Server 16.04 LTS کو آپریٹنگ سسٹم کے طور پر استعمال کروں گا۔
فائر وال کو ترتیب دیا گیا ہے تاکہ ہر مشین بغیر کسی پابندی کے ایک دوسرے کے ساتھ بات چیت کر سکے، اور صرف میرا IPv4 پتہ کلسٹر میں SSH کے ذریعے وائٹ لسٹ کیا گیا ہے۔
آپریشنل تیاری کی حالت میں NVMe ڈرائیو
کلک ہاؤس کے کام کرنے کے لیے، میں ہر ایک سرور پر NVMe ڈرائیو پر EXT4 فارمیٹ میں ایک فائل سسٹم بناؤں گا۔
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /chایک بار جب سب کچھ ترتیب دیا جاتا ہے، تو آپ ماؤنٹ پوائنٹ اور ہر سسٹم پر دستیاب 783 GB جگہ دیکھ سکتے ہیں۔
$ 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% /chمیں اس ٹیسٹ میں جو ڈیٹاسیٹ استعمال کروں گا وہ ایک ڈیٹا ڈمپ ہے جو میں نے چھ سالوں میں نیویارک شہر میں کی گئی 1.1 بلین ٹیکسی سواریوں سے تیار کیا ہے۔ بلاگ پر میں نے یہ ڈیٹا سیٹ کیسے جمع کیا اس کی تفصیلات۔ وہ AWS S3 میں محفوظ ہیں، اس لیے میں اپنی رسائی اور خفیہ کلیدوں کے ساتھ AWS CLI کو ترتیب دوں گا۔
$ sudo apt update
$ sudo apt install awscli
$ aws configureمیں کلائنٹ کی ہم وقتی درخواست کی حد کو 100 پر سیٹ کروں گا تاکہ فائلیں پہلے سے طے شدہ ترتیبات سے زیادہ تیزی سے ڈاؤن لوڈ ہوں۔
$ aws configure set
default.s3.max_concurrent_requests
100میں AWS S3 سے ٹیکسی سواریوں کا ڈیٹاسیٹ ڈاؤن لوڈ کروں گا اور اسے پہلے سرور پر NVMe ڈرائیو پر اسٹور کروں گا۔ یہ ڈیٹا سیٹ GZIP-کمپریسڈ CSV فارمیٹ میں ~104GB ہے۔
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvہاؤس انسٹالیشن پر کلک کریں۔
میں جاوا 8 کے لیے اوپن جے ڈی کے ڈسٹری بیوشن انسٹال کروں گا کیونکہ اسے اپاچی زو کیپر چلانے کی ضرورت ہے، جو تینوں مشینوں پر کلک ہاؤس کی تقسیم شدہ تنصیب کے لیے درکار ہے۔
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
پھر میں نے ماحولیاتی متغیر سیٹ کیا۔ JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profileاس کے بعد میں تینوں مشینوں پر ClickHouse 18.16.1، Glances اور ZooKeeper کو انسٹال کرنے کے لیے Ubuntu کا پیکیج مینجمنٹ سسٹم استعمال کروں گا۔
$ 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
zookeeperdمیں ClickHouse کے لیے ایک ڈائرکٹری بناؤں گا اور تینوں سرورز پر کچھ کنفیگریشن اوور رائیڈ بھی کروں گا۔
$ 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.confیہ کنفیگریشن اوور رائیڈز ہیں جو میں استعمال کروں گا۔
<?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>پھر میں تینوں مشینوں پر ZooKeeper اور ClickHouse سرور چلاؤں گا۔
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server startکلک ہاؤس پر ڈیٹا اپ لوڈ کرنا
پہلے سرور پر میں ایک ٹرپ ٹیبل بناؤں گا (trips)، جو لاگ انجن کا استعمال کرتے ہوئے ٹیکسی ٹرپس کا ڈیٹاسیٹ اسٹور کرے گا۔
$ 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;
پھر میں CSV فائلوں میں سے ہر ایک کو نکال کر ٹرپ ٹیبل میں لوڈ کرتا ہوں (trips)۔ مندرجہ ذیل 55 منٹ اور 10 سیکنڈ میں مکمل ہوا۔ اس آپریشن کے بعد ڈیٹا ڈائرکٹری کا سائز 134 جی بی ہو گیا۔
$ 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)درآمد کی رفتار 155 MB غیر کمپریسڈ CSV مواد فی سیکنڈ تھی۔ مجھے شبہ ہے کہ یہ GZIP ڈیکمپریشن میں رکاوٹ کی وجہ سے تھا۔ xargs کا استعمال کرتے ہوئے تمام gzipped فائلوں کو متوازی طور پر ان زپ کرنا اور پھر ان زپ شدہ ڈیٹا کو لوڈ کرنا تیز تر ہوتا۔ ذیل میں CSV درآمدی عمل کے دوران کیا رپورٹ کیا گیا اس کی تفصیل ہے۔
$ 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/23:1Hمیں جاری رکھنے سے پہلے اصل CSV فائلوں کو حذف کر کے NVMe ڈرائیو پر جگہ خالی کروں گا۔
$ sudo rm -fr /ch/csvکالم فارم میں تبدیل کریں۔
لاگ کلک ہاؤس انجن ڈیٹا کو قطار پر مبنی فارمیٹ میں اسٹور کرے گا۔ ڈیٹا کو تیزی سے استفسار کرنے کے لیے، میں اسے MergeTree انجن کا استعمال کرتے ہوئے کالمی فارمیٹ میں تبدیل کرتا ہوں۔
$ clickhouse-client --host=0.0.0.0مندرجہ ذیل 34 منٹ اور 50 سیکنڈ میں مکمل ہوا۔ اس آپریشن کے بعد ڈیٹا ڈائرکٹری کا سائز 237 جی بی ہو گیا۔
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;یہ وہی ہے جو آپریشن کے دوران نظر کی پیداوار کی طرح نظر آتی ہے:
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)آخری ٹیسٹ میں، کئی کالم تبدیل کیے گئے اور دوبارہ گنتی کی گئی۔ میں نے پایا کہ ان میں سے کچھ فنکشنز اب اس ڈیٹاسیٹ پر توقع کے مطابق کام نہیں کرتے ہیں۔ اس مسئلے کو حل کرنے کے لیے، میں نے نامناسب فنکشنز کو ہٹا دیا اور ڈیٹا کو مزید دانے دار اقسام میں تبدیل کیے بغیر لوڈ کیا۔
کلسٹر میں ڈیٹا کی تقسیم
میں ڈیٹا کو تینوں کلسٹر نوڈس میں تقسیم کروں گا۔ شروع کرنے کے لیے، نیچے میں تینوں مشینوں پر ایک ٹیبل بناؤں گا۔
$ 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);پھر میں اس بات کو یقینی بناؤں گا کہ پہلا سرور کلسٹر میں موجود تینوں نوڈس کو دیکھ سکتا ہے۔
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:
پھر میں پہلے سرور پر ایک نئی ٹیبل کی وضاحت کروں گا جو اسکیما پر مبنی ہے۔ trips_mergetree_third اور تقسیم شدہ انجن کا استعمال کرتا ہے۔
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());پھر میں MergeTree پر مبنی ٹیبل سے ڈیٹا کو تینوں سرورز پر کاپی کروں گا۔ مندرجہ ذیل 34 منٹ اور 44 سیکنڈ میں مکمل ہوا۔
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;مندرجہ بالا آپریشن کے بعد، میں نے ClickHouse کو زیادہ سے زیادہ اسٹوریج لیول کے نشان سے دور جانے کے لیے 15 منٹ کا وقت دیا۔ ڈیٹا ڈائریکٹریز تین سرورز میں سے ہر ایک پر بالترتیب 264 GB، 34 GB اور 33 GB ہو گئیں۔
کلک ہاؤس کلسٹر کی کارکردگی کا جائزہ
میں نے اس کے بعد جو دیکھا وہ تیز ترین وقت تھا جب میں نے ہر ایک سوال کو میز پر متعدد بار چلاتے ہوئے دیکھا ہے۔ trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0مندرجہ ذیل 2.449 سیکنڈ میں مکمل ہوا۔
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;مندرجہ ذیل 0.691 سیکنڈ میں مکمل ہوا۔
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;مندرجہ ذیل 0 سیکنڈ میں مکمل ہوا۔
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;مندرجہ ذیل 0.983 سیکنڈ میں مکمل ہوا۔
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;مقابلے کے لیے، میں نے وہی سوالات مرج ٹری پر مبنی ٹیبل پر چلائے جو مکمل طور پر پہلے سرور پر رہتے ہیں۔
ایک کلک ہاؤس نوڈ کی کارکردگی کا جائزہ
میں نے اس کے بعد جو دیکھا وہ تیز ترین وقت تھا جب میں نے ہر ایک سوال کو میز پر متعدد بار چلاتے ہوئے دیکھا ہے۔ trips_mergetree_x3.
مندرجہ ذیل 0.241 سیکنڈ میں مکمل ہوا۔
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;مندرجہ ذیل 0.826 سیکنڈ میں مکمل ہوا۔
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;مندرجہ ذیل 1.209 سیکنڈ میں مکمل ہوا۔
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;مندرجہ ذیل 1.781 سیکنڈ میں مکمل ہوا۔
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;نتائج پر مظاہر
یہ پہلا موقع ہے کہ ایک مفت CPU پر مبنی ڈیٹا بیس میرے ٹیسٹوں میں GPU پر مبنی ڈیٹا بیس کو پیچھے چھوڑنے کے قابل تھا۔ وہ GPU پر مبنی ڈیٹا بیس اس وقت سے اب تک دو نظرثانی سے گزر چکا ہے، لیکن کلک ہاؤس نے ایک ہی نوڈ پر جو کارکردگی پیش کی ہے وہ بہت متاثر کن ہے۔
ایک ہی وقت میں، تقسیم شدہ انجن پر استفسار 1 پر عمل کرتے وقت، اوور ہیڈ لاگت ایک ترتیب سے زیادہ ہوتی ہے۔ مجھے امید ہے کہ میں نے اس پوسٹ کے لیے اپنی تحقیق میں کچھ کھو دیا ہے کیونکہ یہ دیکھ کر اچھا لگے گا کہ استفسار کے اوقات کم ہوتے ہیں کیونکہ میں کلسٹر میں مزید نوڈس شامل کرتا ہوں۔ تاہم، یہ بہت اچھا ہے کہ دیگر سوالات پر عمل کرتے وقت، کارکردگی میں تقریباً 2 گنا اضافہ ہوا۔
یہ دیکھنا اچھا ہوگا کہ ClickHouse اسٹوریج اور کمپیوٹ کو الگ کرنے کے قابل ہونے کی طرف تیار ہوتا ہے تاکہ وہ آزادانہ طور پر اسکیل کرسکیں۔ ایچ ڈی ایف ایس سپورٹ، جسے پچھلے سال شامل کیا گیا تھا، اس جانب ایک قدم ہو سکتا ہے۔ کمپیوٹنگ کے لحاظ سے، اگر کلسٹر میں مزید نوڈس شامل کرکے ایک سوال کو تیز کیا جاسکتا ہے، تو اس سافٹ ویئر کا مستقبل بہت روشن ہے۔
اس پوسٹ کو پڑھنے کے لیے وقت نکالنے کے لیے آپ کا شکریہ۔ میں شمالی امریکہ اور یورپ کے گاہکوں کو مشاورت، فن تعمیر، اور مشق کی ترقی کی خدمات پیش کرتا ہوں۔ اگر آپ اس بات پر بات کرنا چاہتے ہیں کہ میری تجاویز آپ کے کاروبار میں کس طرح مدد کر سکتی ہیں، تو براہ کرم مجھ سے بذریعہ رابطہ کریں۔ .
ماخذ: www.habr.com