1.1 बिलियन टैक्सी की सवारी: 108-कोर ClickHouse क्लस्टर

डेटा इंजीनियर कोर्स के छात्रों के लिए विशेष रूप से लेख का अनुवाद तैयार किया गया था।

---

ClickHouse एक ओपन सोर्स कॉलम डेटाबेस है। यह एक महान वातावरण है जहां सैकड़ों विश्लेषक प्रतिदिन विस्तृत डेटा का अनुरोध कर सकते हैं, तब भी जब प्रति दिन दसियों अरबों नई प्रविष्टियाँ पेश की जा रही हों। इस तरह की प्रणाली का समर्थन करने के लिए बुनियादी ढांचे की लागत प्रति वर्ष 100 हजार अमेरिकी डॉलर तक पहुंच सकती है, और संभवतः आधे उपयोग के आधार पर बहुत अधिक है। कुछ बिंदु पर, Yandex.Metrica ClickHouse स्थापना में 10 ट्रिलियन प्रविष्टियाँ थीं। यैंडेक्स के अलावा, क्लिकहाउस ने ब्लूमबर्ग और क्लाउडफ्लेयर के साथ भी सफलता प्राप्त की।

दो साल पहले, मैंने एकल मशीन का उपयोग करके डेटाबेस का तुलनात्मक विश्लेषण किया था, और यह सबसे तेज मुक्त डेटाबेस सॉफ्टवेयर बन गया है जिसे मैंने कभी देखा है। तब से, डेवलपर्स ने सुविधाओं को जोड़ना बंद नहीं किया है, जिसमें काफ्का, एचडीएफएस और जेडस्ट्रीम कम्प्रेशन का समर्थन शामिल है। पिछले साल, उन्होंने कैस्केडिंग संपीड़न विधियों के लिए समर्थन जोड़ा, और डेल्टा-डेल्टा एन्कोडिंग संभव हो गया। समय श्रृंखला डेटा को संपीड़ित करते समय, गेज मान डेल्टा कोडिंग का उपयोग करके अच्छी तरह से संपीड़ित किया जा सकता है, लेकिन काउंटरों के लिए डेल्टा-डेल्टा कोडिंग का उपयोग करना बेहतर होगा। अच्छा संपीड़न ClickHouse प्रदर्शन की कुंजी बन गया है।

ClickHouse में C ++ कोड की 170 हजार लाइनें शामिल हैं, तीसरे पक्ष के पुस्तकालयों के अपवाद के साथ, और वितरित डेटाबेस के लिए सबसे छोटे कोड डेटाबेस में से एक है। तुलना के लिए, SQLite वितरण का समर्थन नहीं करता है और सी भाषा में कोड की 235 हजार लाइनें शामिल हैं। इस लेखन के समय, 207 इंजीनियरों ने क्लिकहाउस में योगदान दिया है, और हाल ही में आवागमन की तीव्रता में वृद्धि हुई है।

मार्च 2017 में, ClickHouse ने विकास को ट्रैक करने के लिए एक आसान तरीका के रूप में एक परिवर्तन लॉग शुरू किया। वे एक मार्कोडाउन-आधारित फ़ाइल पदानुक्रम में अखंड दस्तावेज़ फ़ाइल को भी विभाजित करते हैं। समस्याओं और सुविधाओं को गिटहब के माध्यम से ट्रैक किया जाता है, और कुल मिलाकर यह सॉफ्टवेयर पिछले कुछ वर्षों में बहुत अधिक सुलभ हो गया है।

इस लेख में, मैं 36-कोर प्रोसेसर और एक NVM ड्राइव का उपयोग करके AWS EC2 पर ClickHouse क्लस्टर प्रदर्शन पर एक नज़र डालने जा रहा हूं।

अद्यतन: इस पोस्ट के प्रारंभिक प्रकाशन के एक सप्ताह बाद, मैंने एक बेहतर कॉन्फ़िगरेशन के साथ परीक्षण फिर से चलाया और बहुत बेहतर परिणाम प्राप्त किए। इन परिवर्तनों को प्रतिबिंबित करने के लिए इस पोस्ट को अपडेट किया गया है।

AWS EC2 क्लस्टर शुरू करना

मैं इस पोस्ट के लिए c5d.9xlarge EC2 के तीन उदाहरणों का उपयोग करूंगा। उनमें से प्रत्येक में 36 वर्चुअल सीपीयू, 72 जीबी रैम, 900 जीबी का एनवीएमई एसएसडी और 10-गीगाबिट नेटवर्क का समर्थन है। जब मांग पर लॉन्च किया जाता है, तो वे यूरोप-पश्चिम -1 क्षेत्र में $ 1,962 / घंटा खर्च करते हैं। मैं ऑपरेटिंग सिस्टम के रूप में Ubuntu सर्वर 16.04 LTS का उपयोग करूंगा।

फ़ायरवॉल को कॉन्फ़िगर किया गया है ताकि प्रत्येक मशीन प्रतिबंध के बिना एक-दूसरे के साथ संवाद कर सके, और केवल मेरे आईपीवी 4 पते को एसएसएच क्लस्टर में श्वेतसूचीबद्ध किया गया है।

रेडी-टू-यूज़ NVMe

काम करने के लिए ClickHouse के लिए, मैं NVMe ड्राइव में प्रत्येक सर्वर पर एक EXT4 फ़ाइल सिस्टम बनाऊंगा।

$ sudo mkfs -t ext4 /dev/nvme1n1 $ sudo mkdir /ch $ sudo mount /dev/nvme1n1 /ch 

सब कुछ कॉन्फ़िगर होने के बाद, आप प्रत्येक सिस्टम में उपलब्ध माउंट पॉइंट और 783 जीबी स्पेस देख सकते हैं।

 $ lsblk 

 NAME 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 -h 

 Filesystem 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 

इस परीक्षण में मैं जिस डेटासेट का उपयोग करूंगा वह छह साल में न्यूयॉर्क में बनी 1.1 बिलियन टैक्सी की सवारी से उत्पन्न डेटा डंप है। द बिलियन टैक्सी ब्लॉग ऑन द रेडशिफ्ट डिटेल्स में बताया गया है कि कैसे मैंने इस डेटा सेट को इकट्ठा किया। वे एडब्ल्यूएस एस 3 में संग्रहीत हैं, इसलिए मैं अपनी पहुंच और निजी कुंजी का उपयोग करके एडब्ल्यूएस कमांड लाइन इंटरफ़ेस को कॉन्फ़िगर करूंगा।

 $ sudo apt update $ sudo apt install awscli $ aws configure 

मैं एक साथ क्लाइंट अनुरोधों की संख्या पर सीमा को 100 पर सेट कर दूंगा ताकि फाइलें मानक सेटिंग्स की तुलना में तेजी से लोड हो सकें।

 $ aws configure set \ default.s3.max_concurrent_requests \ 100 

मैं AWS S3 से टैक्सी राइड डेटासेट डाउनलोड करूंगा और इसे पहले सर्वर पर NVMe ड्राइव पर सेव करूंगा। यह डेटासेट GZIP-संकुचित CSV प्रारूप में ~ 104 GB है।

 $ sudo mkdir -p /ch/csv $ sudo chown -R ubuntu /ch/csv $ aws s3 sync s3://<bucket>/csv /ch/csv 

क्लिकहाउस स्थापित करें

मैं जावा 8 के लिए OpenJDK वितरण स्थापित करूंगा, क्योंकि यह अपाचे ज़ूकेपर चलाने के लिए आवश्यक है, जो तीनों मशीनों पर ClickHouse की वितरित स्थापना के लिए आवश्यक है।

 $ sudo apt update $ sudo apt install \ openjdk-8-jre \ openjdk-8-jdk-headless 

फिर मैंने JAVA_HOME पर्यावरण चर सेट किया।

 $ sudo vi /etc/profile export JAVA_HOME=/usr $ source /etc/profile 

फिर मैं उबंटू में 18.16.1, तीनों मशीनों पर ग्लूकस और ज़ूकीपर स्थापित करने के लिए पैकेज प्रबंधन प्रणाली का उपयोग करूंगा।

 $ 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 

मैं ClickHouse के लिए एक निर्देशिका बनाऊंगा और तीनों सर्वरों पर कुछ कॉन्फ़िगरेशन ओवरराइड भी करूंगा।

 $ 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 

ये कॉन्फ़िगरेशन ओवरराइड हैं जो मैं उपयोग करूंगा।

 <?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> 

फिर मैं तीनों मशीनों पर ZooKeeper और ClickHouse सर्वर चलाऊंगा।

 $ sudo /etc/init.d/zookeeper start $ sudo service clickhouse-server start 

ClickHouse में डेटा लोड हो रहा है

पहले सर्वर पर, मैं एक यात्रा तालिका बनाऊंगा, जो लॉग इंजन का उपयोग करके टैक्सी की सवारी के डेटा सेट को संग्रहीत करेगा।

 $ 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; 

तब मैं CSV फ़ाइलों में से प्रत्येक को एक ट्रिप टेबल में अनपैक और लोड करता हूं। निम्नलिखित 55 मिनट और 10 सेकंड में किया जाता है। इस ऑपरेशन के बाद, डेटा निर्देशिका का आकार 134 जीबी था।

 $ 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) 

आयात गति 155 एमबी असम्पीडित CSV सामग्री प्रति सेकंड थी। मुझे संदेह है कि यह GZIP विघटन में एक अड़चन के कारण था। हो सकता है कि xzgs का उपयोग करके समानांतर में सभी gzip फ़ाइलों को अनज़िप करना और फिर अनज़िप किए गए डेटा को लोड करना हो। निम्नलिखित CSV आयात प्रक्रिया के दौरान रिपोर्ट की गई जानकारी का विवरण है।

 $ sudo glances 

 ip-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/OR/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 

मैं जारी रखने से पहले स्रोत CSV फ़ाइलों को हटाकर NVMe ड्राइव पर स्थान खाली कर दूंगा।

 $ sudo rm -fr /ch/csv 

कॉलम फॉर्म में बदलें

लॉग क्लिकहाउस इंजन एक पंक्ति-उन्मुख प्रारूप में डेटा संग्रहीत करेगा। तेजी से डेटा का अनुरोध करने के लिए, मैं इसे मर्जट्री इंजन का उपयोग करके कॉलम प्रारूप में परिवर्तित करता हूं।

 $ clickhouse-client --host=0.0.0.0 

निम्नलिखित 34 मिनट और 50 सेकंड में किया जाता है। इस ऑपरेशन के बाद, डेटा निर्देशिका का आकार 237 जीबी था।

 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; 

यह वही है जो लुकअप आउटपुट ऑपरेशन के दौरान दिखता था:

 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/OR/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) 

अंतिम परीक्षण में, कई स्तंभों को परिवर्तित कर दिया गया था। मैंने पाया कि इनमें से कुछ फ़ंक्शंस इस डेटासेट में ठीक से काम नहीं करते हैं। इस समस्या को हल करने के लिए, मैंने अनुचित कार्यों को हटा दिया और रूपांतरण के बिना डेटा को अधिक विस्तृत प्रकारों में डाउनलोड किया।

क्लस्टर डेटा वितरण

मैं क्लस्टर के सभी तीन नोड्स में डेटा वितरित करूंगा। शुरू करने के लिए, मैं सभी तीन मशीनों पर एक तालिका बनाऊंगा।

 $ clickhouse-client --host=0.0.0.0 

 CREATE 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); 

फिर मैं यह सुनिश्चित करूँगा कि पहला सर्वर क्लस्टर में सभी तीन नोड्स देख सकता है।

 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: 

फिर मैं पहले सर्वर पर एक नई तालिका को परिभाषित करूंगा, जो trips_mergetree_third पर आधारित है और डिस्ट्रीब्यूट इंजन का उपयोग करता है।

 CREATE TABLE trips_mergetree_x3 AS trips_mergetree_third ENGINE = Distributed(perftest_3shards, default, trips_mergetree_third, rand()); 

फिर मैं मर्जट्री पर आधारित तालिका से डेटा को तीनों सर्वरों पर कॉपी करूंगा। निम्नलिखित 34 मिनट और 44 सेकंड में किया जाता है।

 INSERT INTO trips_mergetree_x3 SELECT * FROM trips_mergetree; 

उपरोक्त ऑपरेशन के बाद, मैंने अधिकतम भंडारण स्तर के निशान से दूर जाने के लिए क्लिकहाउस को 15 मिनट का समय दिया। डेटा निर्देशिका तीन सर्वरों पर क्रमशः 264 जीबी, 34 जीबी और 33 जीबी तक समाप्त हो गई।

ClickHouse क्लस्टर प्रदर्शन आकलन

अगली बार जो मैंने देखा, वह सबसे तेज समय था जो मैंने प्रत्येक क्वेरी को trips_mergetree_x3 टेबल में कई बार निष्पादित करते समय देखा था।

 $ clickhouse-client --host=0.0.0.0 

2.449 सेकंड में पूरा हुआ।

 SELECT cab_type, count(*) FROM trips_mergetree_x3 GROUP BY cab_type; 

निम्नलिखित 0.691 सेकंड में पूरा हुआ।

 SELECT passenger_count, avg(total_amount) FROM trips_mergetree_x3 GROUP BY passenger_count; 

निम्नलिखित 0. 582 सेकंड में पूरा हुआ।

 SELECT passenger_count, toYear(pickup_date) AS year, count(*) FROM trips_mergetree_x3 GROUP BY passenger_count, year; 

निम्नलिखित 0.983 सेकंड में पूरा हुआ।

 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; 

तुलना के लिए, मैंने मर्जट्री पर आधारित तालिका में समान क्वेरी का प्रदर्शन किया, जो विशेष रूप से पहले सर्वर पर स्थित है।

एक ClickHouse नोड का प्रदर्शन मूल्यांकन

अगली बार जो मैंने देखा, वह सबसे तेज समय था जो मैंने प्रत्येक क्वेरी को trips_mergetree_x3 टेबल में कई बार निष्पादित करते समय देखा था।

निम्नलिखित 0.241 सेकंड में पूरा हो गया है।

 SELECT cab_type, count(*) FROM trips_mergetree GROUP BY cab_type; 

निम्नलिखित 0.826 सेकंड में पूरा हुआ।

 SELECT passenger_count, avg(total_amount) FROM trips_mergetree GROUP BY passenger_count; 

निम्नलिखित 1.209 सेकंड में पूरा होता है।

 SELECT passenger_count, toYear(pickup_date) AS year, count(*) FROM trips_mergetree GROUP BY passenger_count, year; 

निम्नलिखित 1.781 सेकंड में पूरा हुआ।

 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; 

परिणामों पर विचार

यह पहली बार है जब कोई मुफ्त प्रोसेसर-आधारित डेटाबेस मेरे परीक्षणों में GPU डेटाबेस को बेहतर बनाने में सक्षम हुआ है। उस GPU आधारित डेटाबेस में तब से दो संशोधन हुए हैं, लेकिन फिर भी, ClickHouse ने एक नोड पर जो प्रदर्शन दिखाया है, वह बहुत प्रभावशाली है।

एक ही समय में, एक वितरित इंजन पर क्वेरी 1 चलाते समय, ओवरहेड उच्च परिमाण का एक आदेश होता है। मुझे आशा है कि मैं इस पद के लिए अपने शोध में कुछ चूक गया, क्योंकि यह देखना अच्छा होगा कि जब मैं क्लस्टर में अधिक नोड जोड़ता हूं तो क्वेरी समय कैसे घटता है। हालांकि, यह उल्लेखनीय है कि अन्य प्रश्नों को करते समय उत्पादकता लगभग 2 गुना बढ़ जाती है।

यह अच्छा होगा यदि ClickHouse विकसित हो ताकि भंडारण और कंप्यूटिंग को अलग करना संभव हो सके ताकि वे स्वतंत्र रूप से स्केल कर सकें। HDFS समर्थन, जो पिछले साल जोड़ा गया था, इस दिशा में एक कदम हो सकता है। कंप्यूटिंग के लिए, यदि क्लस्टर में अधिक नोड्स जोड़कर एक एकल अनुरोध को तेज किया जा सकता है, तो इस सॉफ्टवेयर का भविष्य बहुत उज्ज्वल होगा।

इस पोस्ट को पढ़ने के लिए समय निकालने के लिए धन्यवाद। मैं उत्तरी अमेरिका और यूरोप में ग्राहकों के लिए परामर्श, वास्तुकला और हाथों की विकास सेवाओं की पेशकश करता हूं। यदि आप इस बात पर चर्चा करना चाहते हैं कि मेरे सुझाव आपके व्यवसाय को कैसे मदद कर सकते हैं, तो मुझे लिंक्डइन के माध्यम से संपर्क करें।