ES不香吗,为啥还要ClickHouse? 秒速五厘米 2022-08-30 12:59 125阅读 0赞 点击上方蓝色“石杉的架构笔记”,选择“设为星标” 回复“PDF”获取独家整理的学习资料! ![8d3bf2224bfa42a37e69626490ba284e.png][] **![f92d561d86dbde71180fb9972158fc72.png][]** ![a4e14815bf18d788ac2fbcb9879ff3a3.png][] 长按扫描上方一元购买 ![3394e3f38bcf470bc79ed435041cac5a.png][] “ 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。 ![ded1f4b4a29f5a2479057979d819bcde.png][] 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。 ![dbc91be90a3d73b5739c24316632db30.png][] 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。 ![1fe6fae1a1b908f6efedb930fafca751.png][] 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: ![17f973c5fded1b3d3f40d9dc0dd96405.png][] 架构主要有四个部分组成: **①ES stack** ES 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: - elasticsearch volumes: elasticsearch-data: driver: local **②Clickhouse stack** Clickhouse 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: 128M **③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: ![ff8d4447f21773a4504de6c35488993a.png][] 总查询时间的对比如下: ![4356127784de4ed74b179d229df00694.png][] 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:陶家龙* *出处:zhuanlan.zhihu.com/p/353296392*** ** ![f0e33b66f756b8343aab0bee17d6cb4c.png][] [8d3bf2224bfa42a37e69626490ba284e.png]: /images/20220829/a567027b9e8d4c1babd27e3578b8d113.png [f92d561d86dbde71180fb9972158fc72.png]: /images/20220829/32f022eded234c87b750a19e3f1bda6e.png [a4e14815bf18d788ac2fbcb9879ff3a3.png]: /images/20220829/baae2e81ed4e4e21a5328c72b9ab3f03.png [3394e3f38bcf470bc79ed435041cac5a.png]: /images/20220829/b19a1ca5560e4d4399653957cd708680.png [ded1f4b4a29f5a2479057979d819bcde.png]: /images/20220829/2675a575a29e4fffb8ce512153564a8f.png [dbc91be90a3d73b5739c24316632db30.png]: /images/20220829/3ece78decd064f2f924f4cd53a250fdd.png [1fe6fae1a1b908f6efedb930fafca751.png]: /images/20220829/d942c453f60f4b2bb29a92106203c27c.png [17f973c5fded1b3d3f40d9dc0dd96405.png]: /images/20220829/d2021670f565457a931efeca387f5203.png [ff8d4447f21773a4504de6c35488993a.png]: /images/20220829/ac025ff5d9b74ebaaf8ff2d6e617437f.png [4356127784de4ed74b179d229df00694.png]: /images/20220829/30da1236361e4bcfac0c0e7b2bcdeae4.png [f0e33b66f756b8343aab0bee17d6cb4c.png]: /images/20220829/5e3c5d41c09146cdb23cc051043deb0a.png
还没有评论,来说两句吧...