比ES更霸道的产品：ClickHouse-技术圈
技术圈首页
程序员
解决方案
聚合短信
APP下载
登录
注册
首页
文章详情
比ES更霸道的产品：ClickHouse
架构师修行之路
354
2021-07-18 23:24
“ Elasticsearch 是一个实时的分布式搜索分析引擎，它的底层是构建在 Lucene 之上的。简单来说是通过扩展 Lucene 的搜索能力，使其具有分布式的功能。ES 通常会和其它两个开源组件 Logstash（日志采集）和 Kibana（仪表盘）一起提供端到端的日志/搜索分析的功能，常常被简称为 ELK。Clickhouse 是俄罗斯搜索巨头 Yandex 开发的面向列式存储的关系型数据库。ClickHouse 是过去两年中 OLAP 领域中最热门的，并于 2016 年开源。ES 是最为流行的大数据日志和搜索解决方案，但是近几年来，它的江湖地位受到了一些挑战，许多公司已经开始把自己的日志解决方案从 ES 迁移到了 Clickhouse，这里就包括：携程，快手等公司。架构和设计的对比ES 的底层是 Lucenc，主要是要解决搜索的问题。搜索是大数据领域要解决的一个常见的问题，就是在海量的数据量要如何按照条件找到需要的数据。搜索的核心技术是倒排索引和布隆过滤器。ES 通过分布式技术，利用分片与副本机制，直接解决了集群下搜索性能与高可用的问题。ElasticSearch 是为分布式设计的，有很好的扩展性，在一个典型的分布式配置中，每一个节点（node）可以配制成不同的角色。如上图所示：Client Node，负责 API 和数据的访问的节点，不存储／处理数据。Data Node，负责数据的存储和索引。Master Node，管理节点，负责 Cluster 中的节点的协调，不存储数据。ClickHouse 是基于 MPP 架构的分布式 ROLAP（关系 OLAP）分析引擎。每个节点都有同等的责任，并负责部分数据处理（不共享任何内容）。ClickHouse 是一个真正的列式数据库管理系统（DBMS)。在 ClickHouse 中，数据始终是按列存储的，包括矢量（向量或列块）执行的过程。让查询变得更快，最简单且有效的方法是减少数据扫描范围和数据传输时的大小，而列式存储和数据压缩就可以帮助实现上述两点。Clickhouse 同时使用了日志合并树，稀疏索引和 CPU 功能（如 SIMD 单指令多数据）充分发挥了硬件优势，可实现高效的计算。Clickhouse 使用 Zookeeper 进行分布式节点之间的协调。为了支持搜索，Clickhouse 同样支持布隆过滤器。查询对比实战为了对比 ES 和 Clickhouse 的基本查询能力的差异，我写了一些代码来验证：https://github.com/gangtao/esvsch这个测试的架构如下：架构主要有四个部分组成：①ES stackES stack 有一个单节点的 Elastic 的容器和一个 Kibana 容器组成，Elastic 是被测目标之一，Kibana 作为验证和辅助工具。部署代码如下：version: '3.7'services: elasticsearch: image: docker.elastic.co/elasticsearch/elasticsearch:7.4.0 container_name: elasticsearch environment: - xpack.security.enabled=false - discovery.type=single-node ulimits: memlock: soft: -1 hard: -1 nofile: soft: 65536 hard: 65536 cap_add: - IPC_LOCK volumes: - elasticsearch-data:/usr/share/elasticsearch/data ports: - 9200:9200 - 9300:9300 deploy: resources: limits: cpus: '4' memory: 4096M reservations: memory: 4096M kibana: container_name: kibana image: docker.elastic.co/kibana/kibana:7.4.0 environment: - ELASTICSEARCH_HOSTS=http://elasticsearch:9200 ports: - 5601:5601 depends_on: - elasticsearchvolumes: elasticsearch-data: driver: local②Clickhouse stackClickhouse stack 有一个单节点的 Clickhouse 服务容器和一个 TabixUI 作为 Clickhouse 的客户端。部署代码如下：version: "3.7"services: clickhouse: container_name: clickhouse image: yandex/clickhouse-server volumes: - ./data/config:/var/lib/clickhouse ports: - "8123:8123" - "9000:9000" - "9009:9009" - "9004:9004" ulimits: nproc: 65535 nofile: soft: 262144 hard: 262144 healthcheck: test: ["CMD", "wget", "--spider", "-q", "localhost:8123/ping"] interval: 30s timeout: 5s retries: 3 deploy: resources: limits: cpus: '4' memory: 4096M reservations: memory: 4096M tabixui: container_name: tabixui image: spoonest/clickhouse-tabix-web-client environment: - CH_NAME=dev - CH_HOST=127.0.0.1:8123 - CH_LOGIN=default ports: - "18080:80" depends_on: - clickhouse deploy: resources: limits: cpus: '0.1' memory: 128M reservations: memory: 128M③数据导入 stack数据导入部分使用了 Vector.dev 开发的 vector，该工具和 fluentd 类似，都可以实现数据管道式的灵活的数据导入。④测试控制 stack测试控制我使用了 Jupyter，使用了 ES 和 Clickhouse 的 Python SDK 来进行查询的测试。用 Docker compose 启动 ES 和 Clickhouse 的 stack 后，我们需要导入数据，我们利用 Vector 的 generator 功能，生成 syslog，并同时导入 ES 和 Clickhouse。在这之前，我们需要在 Clickhouse 上创建表。ES 的索引没有固定模式，所以不需要事先创建索引。创建表的代码如下：CREATE TABLE default.syslog( application String, hostname String, message String, mid String, pid String, priority Int16, raw String, timestamp DateTime('UTC'), version Int16) ENGINE = MergeTree() PARTITION BY toYYYYMMDD(timestamp) ORDER BY timestamp TTL timestamp + toIntervalMonth(1);创建好表之后，我们就可以启动 vector，向两个 stack 写入数据了。vector 的数据流水线的定义如下：[sources.in] type = "generator" format = "syslog" interval = 0.01 count = 100000[transforms.clone_message] type = "add_fields" inputs = ["in"] fields.raw = "{{ message }}"[transforms.parser] # General type = "regex_parser" inputs = ["clone_message"] field = "message" # optional, default patterns = ['^<(?P<priority>\d*)>(?P<version>\d) (?P<timestamp>\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\d{3}Z) (?P<hostname>\w+\.\w+) (?P<application>\w+) (?P<pid>\d+) (?P<mid>ID\d+) - (?P<message>.*)$'][transforms.coercer] type = "coercer" inputs = ["parser"] types.timestamp = "timestamp" types.version = "int" types.priority = "int"[sinks.out_console] # General type = "console" inputs = ["coercer"] target = "stdout" # Encoding encoding.codec = "json" [sinks.out_clickhouse] host = "http://host.docker.internal:8123" inputs = ["coercer"] table = "syslog" type = "clickhouse" encoding.only_fields = ["application", "hostname", "message", "mid", "pid", "priority", "raw", "timestamp", "version"] encoding.timestamp_format = "unix"[sinks.out_es] # General type = "elasticsearch" inputs = ["coercer"] compression = "none" endpoint = "http://host.docker.internal:9200" index = "syslog-%F" # Encoding # Healthcheck healthcheck.enabled = true这里简单介绍一下这个流水线：source.in：生成 syslog 的模拟数据，生成 10w 条，生成间隔和 0.01 秒。transforms.clone_message：把原始消息复制一份，这样抽取的信息同时可以保留原始消息。transforms.parser：使用正则表达式，按照 syslog 的定义，抽取出 application，hostname，message，mid，pid，priority，timestamp，version 这几个字段。transforms.coercer：数据类型转化。sinks.out_console：把生成的数据打印到控制台，供开发调试。sinks.out_clickhouse：把生成的数据发送到Clickhouse。sinks.out_es：把生成的数据发送到 ES。运行 Docker 命令，执行该流水线：docker run \ -v $(mkfile_path)/vector.toml:/etc/vector/vector.toml:ro \ -p 18383:8383 \ timberio/vector:nightly-alpine数据导入后，我们针对一下的查询来做一个对比。ES 使用自己的查询语言来进行查询，Clickhouse 支持 SQL，我简单测试了一些常见的查询，并对它们的功能和性能做一些比较。返回所有的记录：# ES{ "query":{ "match_all":{} }}# Clickhouse "SELECT * FROM syslog"匹配单个字段：# ES{ "query":{ "match":{ "hostname":"for.org" } }}# Clickhouse "SELECT * FROM syslog WHERE hostname='for.org'"匹配多个字段：# ES{ "query":{ "multi_match":{ "query":"up.com ahmadajmi", "fields":[ "hostname", "application" ] } }}# Clickhouse、"SELECT * FROM syslog WHERE hostname='for.org' OR application='ahmadajmi'"单词查找，查找包含特定单词的字段：# ES{ "query":{ "term":{ "message":"pretty" } }}# Clickhouse"SELECT * FROM syslog WHERE lowerUTF8(raw) LIKE '%pretty%'"范围查询，查找版本大于 2 的记录：# ES{ "query":{ "range":{ "version":{ "gte":2 } } }}# Clickhouse"SELECT * FROM syslog WHERE version >= 2"查找到存在某字段的记录：# ES{ "query":{ "exists":{ "field":"application" } }}# Clickhouse"SELECT * FROM syslog WHERE application is not NULL"ES 是文档类型的数据库，每一个文档的模式不固定，所以会存在某字段不存在的情况；而 Clickhouse 对应为字段为空值。正则表达式查询，查询匹配某个正则表达式的数据：# ES{ "query":{ "regexp":{ "hostname":{ "value":"up.*", "flags":"ALL", "max_determinized_states":10000, "rewrite":"constant_score" } } }}# Clickhouse"SELECT * FROM syslog WHERE match(hostname, 'up.*')"聚合计数，统计某个字段出现的次数：# ES{ "aggs":{ "version_count":{ "value_count":{ "field":"version" } } }}# Clickhouse"SELECT count(version) FROM syslog"聚合不重复的值，查找所有不重复的字段的个数：# ES{ "aggs":{ "my-agg-name":{ "cardinality":{ "field":"priority" } } }}# Clickhouse"SELECT count(distinct(priority)) FROM syslog "我用 Python 的 SDK，对上述的查询在两个 Stack 上各跑 10 次，然后统计查询的性能结果。我们画出出所有的查询的响应时间的分布：总查询时间的对比如下：通过测试数据我们可以看出 Clickhouse 在大部分的查询的性能上都明显要优于 Elastic。在正则查询（Regex query）和单词查询（Term query）等搜索常见的场景下，也并不逊色。在聚合场景下，Clickhouse 表现异常优秀，充分发挥了列村引擎的优势。注意，我的测试并没有任何优化，对于 Clickhouse 也没有打开布隆过滤器。可见 Clickhouse 确实是一款非常优秀的数据库，可以用于某些搜索的场景。当然 ES 还支持非常丰富的查询功能，这里只有一些非常基本的查询，有些查询可能存在无法用 SQL 表达的情况。总结本文通过对于一些基本查询的测试，对比了 Clickhouse 和 Elasticsearch 的功能和性能。测试结果表明，Clickhouse 在这些基本场景表现非常优秀，性能优于 ES，这也解释了为什么用很多的公司应从 ES 切换到 Clickhouse 之上。作者：Gang Tao编辑： 51CTO技术栈 | 陶家龙出处：zhuanlan.zhihu.com/p/353296392END35 张图带你 MySQL 调优颠覆认知——Redis会遇到的15个「坑」，你踩过几个？
收藏
×
添加附言
附加内容, 使用此功能的话, 会给所有参加过讨论的人发送提醒.
关闭
提交
回复数量: 0
暂无评论~~
请注意单词拼写，以及中英文排版，参考此页
支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`, 更多语法请见这里 Markdown 语法
支持表情，见 Emoji cheat sheet
@name 会链接到用户页面，并会通知他
上传图片, 支持拖拽和剪切板黏贴上传, 格式限制 - jp(e)g, png, gif
Ctrl+Enter
下载APP
架构师修行之路
441
文章
获赞
关注TA
NEW
点击空白处退出提示