您现在的位置是：首页 > 数据库

当前栏目

ES不香吗，为啥还要ClickHouse？

数据

2023-03-09 22:04:36 时间

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。

图片来自包图网

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 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：

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：陶家龙

出处：zhuanlan.zhihu.com/p/353296392

猜你喜欢

鲜为人知但很有用的 HTML 属性
在 Go 里用 CGO？这 7 个问题你要关注！
数据孤岛是业务效率的无声杀手
9款优秀的去中心化通讯软件 Matrix 的客户端
翻转再翻转！有意思的水平横向溢出滚动
发现 Linux SpaceFM 文件管理器的威力
图像处理工具Python扩展库，你了解吗？
求职数据分析，项目经验该怎么写
自定义计数器小技巧！CSS 实现长按点赞累加动画
在OKR中，我看到了数据驱动业务的未来
2023展望：新的一年将给大数据分析领域带来什么？
过五关！React高频面试题指南
阿里云ADB基于Hudi构建Lakehouse的实践
火山引擎云原生大数据在金融行业的实践
OpenHarmony富设备移植指南（二）—从postmarketOS获取移植资源
《数据成熟度指数》报告：64%的企业领袖认为大多数员工“不懂数据”
OpenHarmony 小型系统兼容性测试指南
肯睿中国（Cloudera）：2023年企业数字战略三大趋势预测
适用于 Linux 的十大命令行游戏
软件开发中的十个认知偏差

zl程序教程