文章的翻译是专门为课程的学生准备的 .
是一个开源的柱状数据库。 这是一个很棒的环境，即使每天输入数百亿条新记录，数百名分析师也可以快速查询详细数据。 支持此类系统的基础设施成本每年可能高达 100 美元，根据使用情况，可能会减半。 Yandex Metrica 的 ClickHouse 安装一度包含 10 万亿条记录。 除了 Yandex 之外，ClickHouse 还在 Bloomberg 和 Cloudflare 上取得了成功。
两年前我花了 使用一台机器的数据库，它变成了 我见过的免费数据库软件。 从那时起，开发人员就没有停止添加功能，包括对 Kafka、HDFS 和 ZStandard 压缩的支持。 去年他们增加了对级联压缩方法的支持，并且 编码成为可能。 在压缩时间序列数据时，使用delta编码可以很好地压缩gauge值，但对于计数器来说，使用delta-by-delta编码会更好。 良好的压缩成为ClickHouse性能的关键。
ClickHouse 由 170 万行 C++ 代码（不包括第三方库）组成，是最小的分布式数据库代码库之一。 相比之下，SQLite不支持分布式，由235万行C代码组成，截至本文撰写时，已经有207名工程师为ClickHouse做出了贡献，并且最近提交的强度一直在增加。
2017年XNUMX月，ClickHouse开始进行 作为跟踪开发的简单方法。 他们还将整体文档文件分解为基于 Markdown 的文件层次结构。 问题和功能通过 GitHub 进行跟踪，总体而言，该软件在过去几年中变得更加易于访问。
在本文中，我将了解使用 2 核处理器和 NVMe 存储的 AWS EC36 上的 ClickHouse 集群的性能。
更新：最初发布这篇文章一周后，我使用改进的配置重新运行了测试，并取得了更好的结果。 这篇文章已更新以反映这些更改。
启动 AWS EC2 集群
我将在本文中使用三个 c5d.9xlarge EC2 实例。 每个都包含 36 个虚拟 CPU、72 GB RAM、900 GB NVMe SSD 存储并支持 10 Gigabit 网络。 在 eu-west-1,962 区域，按需运行时，每台的费用为 1 美元/小时。 我将使用 Ubuntu Server 16.04 LTS 作为操作系统。
配置了防火墙，使得每台机器都可以不受限制地互相通信，并且集群中只有我的IPv4地址被SSH列入白名单。
NVMe 驱动器处于操作就绪状态
为了使 ClickHouse 正常工作，我将在每台服务器上的 NVMe 驱动器上创建一个 EXT4 格式的文件系统。
$ sudo mkfs -t ext4 /dev/nvme1n1
$ sudo mkdir /ch
$ sudo mount /dev/nvme1n1 /ch配置完所有内容后，您可以看到安装点和每个系统上的 783 GB 可用空间。
$ 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% /ch我将在本次测试中使用的数据集是我根据纽约市六年来 1.1 亿次出租车行程生成的数据转储。 在博客上 详细说明了我如何收集该数据集。 它们存储在 AWS S3 中，因此我将使用我的访问密钥和密钥配置 AWS CLI。
$ sudo apt update
$ sudo apt install awscli
$ aws configure我将客户端的并发请求限制设置为 100，以便文件下载速度比默认设置更快。
$ aws configure set
default.s3.max_concurrent_requests
100我将从 AWS S3 下载出租车行程数据集并将其存储在第一台服务器上的 NVMe 驱动器上。 该数据集采用 GZIP 压缩的 CSV 格式，大小约为 104GB。
$ sudo mkdir -p /ch/csv
$ sudo chown -R ubuntu /ch/csv
$ aws s3 sync s3://<bucket>/csv /ch/csvClickHouse安装
我将安装 Java 8 的 OpenJDK 发行版，因为它是运行 Apache ZooKeeper 所必需的，而 Apache ZooKeeper 是在所有三台计算机上分布式安装 ClickHouse 所必需的。
$ sudo apt update
$ sudo apt install
openjdk-8-jre
openjdk-8-jdk-headless
然后我设置环境变量 JAVA_HOME.
$ sudo vi /etc/profile
export JAVA_HOME=/usr
$ source /etc/profile然后，我将使用 Ubuntu 的包管理系统在所有三台机器上安装 ClickHouse 18.16.1、glances 和 ZooKeeper。
$ 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
zookeeperd我将为 ClickHouse 创建一个目录，并在所有三台服务器上进行一些配置覆盖。
$ 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.conf这些是我将使用的配置覆盖。
<?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>然后，我将在所有三台计算机上运行 ZooKeeper 和 ClickHouse 服务器。
$ sudo /etc/init.d/zookeeper start
$ sudo service clickhouse-server start上传数据到ClickHouse
在第一台服务器上，我将创建一个行程表（trips），它将使用日志引擎存储出租车行程的数据集。
$ 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;
然后，我提取每个 CSV 文件并将其加载到行程表中（trips）。 以下内容用时55分10秒完成。 执行此操作后，数据目录的大小为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)未压缩 CSV 内容的导入速度为每秒 155 MB。 我怀疑这是由于 GZIP 解压缩的瓶颈造成的。 使用 xargs 并行解压缩所有 gzip 压缩文件，然后加载解压缩的数据可能会更快。 以下是 CSV 导入过程中报告的内容的描述。
$ 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/23:1H在继续之前，我将通过删除原始 CSV 文件来释放 NVMe 驱动器上的空间。
$ sudo rm -fr /ch/csv转换为列形式
Log ClickHouse 引擎将以面向行的格式存储数据。 为了更快地查询数据，我使用 MergeTree 引擎将其转换为柱状格式。
$ clickhouse-client --host=0.0.0.0以下耗时34分50秒完成。 执行此操作后，数据目录的大小为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;这是操作过程中扫视输出的样子：
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)在上次测试中，转换并重新计算了几列。 我发现其中一些函数在此数据集上不再按预期工作。 为了解决这个问题，我删除了不适当的函数并加载了数据，而没有转换为更细粒度的类型。
数据在集群中的分布
我将在所有三个集群节点上分发数据。 首先，下面我将在所有三台机器上创建一个表。
$ 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);然后我将确保第一台服务器可以看到集群中的所有三个节点。
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:
然后我将在第一台服务器上定义一个基于该架构的新表 trips_mergetree_third 并使用分布式引擎。
CREATE TABLE trips_mergetree_x3
AS trips_mergetree_third
ENGINE = Distributed(perftest_3shards,
default,
trips_mergetree_third,
rand());然后，我会将数据从基于 MergeTree 的表复制到所有三台服务器。 以下耗时34分44秒完成。
INSERT INTO trips_mergetree_x3
SELECT * FROM trips_mergetree;经过上述操作后，我给了 ClickHouse 15 分钟的时间来远离最大存储级别标记。 三台服务器上的数据目录最终分别为 264 GB、34 GB 和 33 GB。
ClickHouse集群性能评估
接下来我看到的是我所见过的在表上多次运行每个查询的最快时间 trips_mergetree_x3.
$ clickhouse-client --host=0.0.0.0以下任务用时 2.449 秒完成。
SELECT cab_type, count(*)
FROM trips_mergetree_x3
GROUP BY cab_type;以下任务用时 0.691 秒完成。
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree_x3
GROUP BY passenger_count;以下在 0 秒内完成。
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree_x3
GROUP BY passenger_count,
year;以下任务用时 0.983 秒完成。
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;为了进行比较，我在仅驻留在第一台服务器上的基于 MergeTree 的表上运行了相同的查询。
单个ClickHouse节点性能评估
接下来我看到的是我所见过的在表上多次运行每个查询的最快时间 trips_mergetree_x3.
以下任务用时 0.241 秒完成。
SELECT cab_type, count(*)
FROM trips_mergetree
GROUP BY cab_type;以下任务用时 0.826 秒完成。
SELECT passenger_count,
avg(total_amount)
FROM trips_mergetree
GROUP BY passenger_count;以下任务用时 1.209 秒完成。
SELECT passenger_count,
toYear(pickup_date) AS year,
count(*)
FROM trips_mergetree
GROUP BY passenger_count,
year;以下任务用时 1.781 秒完成。
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;对结果的思考
在我的测试中，这是第一次基于 CPU 的免费数据库的性能优于基于 GPU 的数据库。 此后，基于 GPU 的数据库经历了两次修订，但 ClickHouse 在单个节点上提供的性能仍然非常令人印象深刻。
同时，在分布式引擎上执行查询1时，开销成本要高出一个数量级。 我希望我在这篇文章的研究中遗漏了一些东西，因为当我向集群添加更多节点时，如果看到查询时间减少，那就太好了。 不过，很高兴的是，在执行其他查询时，性能提高了大约 2 倍。
很高兴看到 ClickHouse 朝着能够分离存储和计算的方向发展，以便它们可以独立扩展。 去年添加的 HDFS 支持可能是朝着这个目标迈出的一步。 在计算方面，如果可以通过向集群添加更多节点来加速单个查询，那么这个软件的未来是非常光明的。
感谢您花时间阅读这篇文章。 我为北美和欧洲的客户提供咨询、架构和实践开发服务。 如果您想讨论我的建议如何帮助您的业务，请通过以下方式与我联系 .
来源： habr.com