談到大資料就會聯想到Hadoop、Spark整個生態的技術棧。大家都知道開源大資料元件種類眾多,其中開源OLAP引擎包含Hive、SparkSQL、Presto、HAWQ、ClickHouse、Impala、Kylin等。當前企業對大資料的研究與應用日趨理性,那麼,如何根據業務特點,選擇一個適合自身場景的查詢引擎呢?
百分點在某國家級專案中承擔了日增超5000億級的資料處理與分析任務,叢集的總資料量已接近百萬億。本報告結合百分點在專案中的業務場景,對HAWQ、Presto、ClickHouse做了綜合評測,供大家參考。
百分點面對的業務場景,主體是要解決超大規模資料集的Ad-Hoc查詢問題,並且大多是單表查詢場景。架構團隊在此過程中選取了HAWQ、Presto、ClickHouse進行評測。評測中選取的資料集與SQL來自專案實際業務,我們需要評測維度主要如下:
C.特定格式下的HAWQ、Presto、ClickHouse查詢能力橫向對比。
HAWQ是Hadoop原生SQL查詢引擎,結合了MPP資料庫的關鍵技術優勢和Hadoop的可擴充套件性、便捷性,以及ANSI SQL 標準的支援;具有 MPP(大規模並行處理系統)的效能,比Hadoop生態圈裡的其它SQL 引擎快數倍;具有非常成熟的並行最佳化器等。
Presto是一個分散式的查詢引擎,本身並不儲存資料,但是可以接入多種資料來源,並且支援跨資料來源的級聯查詢。Presto是一個OLAP的工具,擅長對海量資料進行復雜的分析。但是,對於OLTP場景,並不是Presto所擅長,所以不要把Presto當做資料庫來使用。
Presto需要從其他資料來源獲取資料來進行運算分析,它可以連線多種資料來源,包括Hive、RDBMS(Mysql、Oracle、Tidb等)、Kafka、MongoDB、Redis等。
ClickHouse是“戰鬥民族”俄羅斯搜尋巨頭Yandex公司開源的一個極具"戰鬥力"的實時資料分析資料庫,是面向 OLAP 的分散式列式DBMS,圈內人戲稱為“喀秋莎資料庫”。ClickHouse有一個簡稱"CK",與Hadoop、Spark這些巨無霸元件相比,ClickHouse很輕量級,其特點包括:分散式、列式儲存、非同步複製、線性擴充套件、支援資料壓縮和最終資料一致性,其資料量級在PB級別。
2.OLAP引擎環境
資料存放路徑:/data1~12/iplog,一個盤20G,6臺伺服器每臺都是240G,一共1440GB;每臺伺服器12個盤裝載4個分割槽(小時)資料,每個盤裝載4個分割槽的1/12的資料,4個檔案,每個檔案大小5G,2500w條記錄,一條記錄200Byte。
經過對比測試後,考慮資料的壓縮比、資料的插入速度,以及查詢時間這三個維度綜合評估,我們的場景推薦HAWQ採用列式儲存+Gzip5的壓縮方式;如果大家對壓縮沒有非常高的要求,可以按照測試的詳細資料採用其它的組合方式。
HAWQ壓縮測試注意事項:只有當orientation=parquet的時候才能使用gzip進行壓縮,orientation=row的時候才能使用zlib進行壓縮,snappy不支援設定壓縮級別。
HAWQ的插入方式是將資料寫入CSV檔案後,Load到HAWQ表中。
本次評測的是資料Load的過程和最終壓縮比。
可以發現,zlib壓縮級別到5以後,壓縮比的降低就不那麼明顯了。
經過對比測試後,考慮資料的壓縮比、資料的插入速度,以及查詢時間這三個維度綜合評估,我們的場景推薦Presto採用LZ4+ORC方式。
這個結果也與各公司採用的格式一致。
測試方式,透過CSV檔案Load到Hive表,原始資料總量為1440GB。
3.查詢對比測試:HAWQ vs Presto vs ClickHouse
透過對比測試結果可以發現,在相同的資料量查詢SQL情況下,ClickHouse對比HAWQ、Presto有數量級的效能優勢。
由於我們的業務更多是單表的Ad-Hoc查詢和分析,因此本次評測最終採用ClickHouse作為我們的OLAP引擎。
(1) HAWQ對查詢都是全表掃描,如類似Select * from where c1=xxx limit 10查詢,而Presto則對掃描的結果直接返回。
(2) HAWQ查詢會使用到系統快取,而Presto對這方面並沒有特別的最佳化。
表現出的現象就是,在一定的併發度下,HAWQ反而會體現出快取的優勢,而Presto效能則呈現線性下降趨勢。
我們透過新增單機的Worker數量驗證是否提高查詢效率,提高單機的查詢利用率。
單機增加Presto Worker,部署多Worker。
測試結果:
表現為CPU瓶頸,沒有效果。
如下圖,可以發現每個Worker的吞吐也少了一半。
我們透過新增擴容機器並部署Worker,驗證查詢效能影響。
加入新的機器,部署Worker。
測試結果:
表現為效能基本線性增長,受限於資料節點的磁碟IO和網路。
測試橫向擴充套件對查詢效能的影響,每個節點的資料量是相同的,使用相同的SQL分別測試單節點、五節點、十節點的查詢效能。
根據測試結果可以看出,橫向擴充套件後,節點數和資料量等比增加,查詢時間幾乎保持不變。
所以對於ClickHouse我們可以基於單節點的資料量和效能,推斷一定場景下整個叢集的情況。
測試PageCache對查詢效能的影響,首先清除所有快取分別查詢四個SQL,然後再重複執行一次,可以發現,PageCache對第二次查詢的效能提高是影響巨大的。
ClickHouse充分利用了系統快取(PageCache),對查詢有數量級的效能提升作用。
透過上述測試結果和分析圖表,結合我們查詢各元件的開源介紹進行綜合分析,如下:
HAWQ採用基於成本的SQL查詢最佳化器,生成執行計劃;
同時在標準化SQL相容性這方面表現突出(基於TPC-DS進行SQL相容性測試)。
資料儲存直接使用HDFS,與其它SQL on Hadoop引擎不一樣,HAWQ採用自己的資料模型及儲存方式。
在本次對單表的查詢測試中,效能並不理想,並且我們發現對於表查詢類似limit 1語句。
HAWQ也會全表掃描,這個過程讓我們感覺有點詫異。
Presto的綜合能力對比其他SQLon Hadoop引擎還是比較突出的。
我們在測試過程中發現,單節點的掃描速度達5000WRow/S。
Presto是完全基於記憶體的平行計算,對記憶體有一定的要求。
只裝載資料到記憶體一次,其他都是透過記憶體、網路IO來處理,所以在慢速網路下是不適合的,所以它對網路要求也是很高。
Presto只是查詢引擎,不負責資料的底層持久化、裝載策略。
Presto支援豐富的多資料來源,可跨多個資料來源查詢。
另外,在我們測試的版本上沒有本地資料讀取最佳化策略,開源社群裡在新版本上是支援的。
ClickHouse作為戰鬥民族的開源神器,是目前所有開源MPP計算框架中速度最快的。
對比測試的結果表明,ClickHouse在單表的查詢中效能十分優異。
對多表的關聯分析場景,查詢其他報告並不十分理想,本次測試並不涉及,不做評論。
ClickHouse效能很大程度上依賴於系統快取。
對完全非快取,進行磁碟掃描的場景,效能也不是十分突出,二者也有數量級的效能差距。
這也是我們在使用過程中的最佳化點。
最後,以上採用MPP架構的OLAP引擎,隨著併發的提高,查詢效能都出現了線性下降,Presto在這個問題上的尤為明顯。CK由於單次查詢速度快,所以一定程度上掩蓋了這個問題。因此,大家在未來的業務中進行OLAP評估時,也需要將併發作為一個重要的考慮因素。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69965230/viewspace-2679243/,如需轉載,請註明出處,否則將追究法律責任。