ES 不香嗎，為啥還要 ClickHouse？

大資料技術前線發表於2023-04-20

來源：

Elasticsearch 是一個實時的分散式搜尋分析引擎，它的底層是構建在Lucene之上的。簡單來說是透過擴充套件Lucene的搜尋能力，使其具有分散式的功能。ES通常會和其它兩個開源元件logstash（日誌採集）和Kibana（儀表盤）一起提供端到端的日誌/搜尋分析的功能，常常被簡稱為ELK。

Clickhouse是俄羅斯搜尋巨頭Yandex開發的面向列式儲存的關係型資料庫。ClickHouse是過去兩年中OLAP領域中最熱門的，並於2016年開源。

ES是最為流行的大資料日誌和搜尋解決方案，但是近幾年來，它的江湖地位受到了一些挑戰，許多公司已經開始把自己的日誌解決方案從ES遷移到了Clickhouse，這裡就包括：攜程，快手等公司。

架構和設計的對比

ES的底層是Lucenc，主要是要解決搜尋的問題。搜尋是大資料領域要解決的一個常見的問題，就是在海量的資料量要如何按照條件找到需要的資料。搜尋的核心技術是倒排索引和布隆過濾器。ES透過分散式技術，利用分片與副本機制，直接解決了叢集下搜尋效能與高可用的問題。

ES 不香嗎，為啥還要 ClickHouse？

ElasticSearch是為分散式設計的，有很好的擴充套件性，在一個典型的分散式配置中，每一個節點（node）可以配製成不同的角色，如下圖所示：

  • Client Node，負責API和資料的訪問的節點，不儲存／處理資料
  • Data Node，負責資料的儲存和索引
  • Master Node， 管理節點，負責Cluster中的節點的協調，不儲存資料。
ES 不香嗎，為啥還要 ClickHouse？

ClickHouse是基於MPP架構的分散式ROLAP（關係OLAP）分析引擎。每個節點都有同等的責任，並負責部分資料處理（不共享任何內容）。ClickHouse 是一個真正的列式資料庫管理系統（DBMS)。在 ClickHouse 中，資料始終是按列儲存的，包括向量（向量或列塊）執行的過程。關注工眾號：碼猿技術專欄，回覆關鍵詞：1111 獲取阿里內部Java效能調優手冊！讓查詢變得更快，最簡單且有效的方法是減少資料掃描範圍和資料傳輸時的大小，而列式儲存和資料壓縮就可以幫助實現上述兩點。Clickhouse同時使用了日誌合併樹，稀疏索引和CPU功能（如SIMD單指令多資料）充分發揮了硬體優勢，可實現高效的計算。Clickhouse 使用Zookeeper進行分散式節點之間的協調。

ES 不香嗎，為啥還要 ClickHouse？

為了支援搜尋，Clickhouse同樣支援布隆過濾器。

查詢對比實戰

為了對比ES和Clickhouse的基本查詢能力的差異，我寫了一些程式碼（）來驗證。

這個測試的架構如下：

ES 不香嗎，為啥還要 ClickHouse？

架構主要有四個部分組成：

ES stack ES stack有一個單節點的Elastic的容器和一個Kibana容器組成，Elastic是被測目標之一，Kibana作為驗證和輔助工具。部署程式碼如下：

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=
    ports:
      - 5601:5601
    depends_on:
      - elasticsearch

volumes:
  elasticsearch-data:
    driver: local

Clickhouse stack Clickhouse stack有一個單節點的Clickhouse服務容器和一個TabixUI作為Clickhouse的客戶端。部署程式碼如下：

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
  • 資料匯入 stack 資料匯入部分使用了Vector.dev開發的vector，該工具和fluentd類似，都可以實現資料管道式的靈活的資料匯入。
  • 測試控制 stack 測試控制我使用了Jupyter，使用了ES和Clickhouse的Python SDK來進行查詢的測試。

用Docker compose啟動ES和Clickhouse的stack後，我們需要匯入資料，我們利用Vector的generator功能，生成syslog，並同時匯入ES和Clickhouse，在這之前，我們需要在Clickhouse上建立表。ES的索引沒有固定模式，所以不需要事先建立索引。關注工眾號：碼猿技術專欄，回覆關鍵詞：1111 獲取阿里內部Java效能調優手冊！

建立表的程式碼如下：

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);

建立好表之後，我們就可以啟動vector，向兩個stack寫入資料了。vector的資料流水線的定義如下：

[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 = "
  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 = "
  index = "syslog-%F"

  # Encoding

  # Healthcheck
  healthcheck.enabled = true

這裡簡單介紹一下這個流水線：

  • 生成syslog的模擬資料，生成10w條，生成間隔和0.01秒
  • transforms.clone_message 把原始訊息複製一份，這樣抽取的資訊同時可以保留原始訊息
  • transforms.parser 使用正規表示式，按照syslog的定義，抽取出application，hostname，message ，mid ，pid ，priority ，timestamp ，version 這幾個欄位
  • transforms.coercer 資料型別轉化
  • sinks.out_console 把生成的資料列印到控制檯，供開發除錯
  • sinks.out_clickhouse 把生成的資料傳送到Clickhouse
  • sinks.out_es 把生成的資料傳送到ES

執行Docker命令，執行該流水線：

docker run \
  -v $(mkfile_path)/vector.toml:/etc/vector/vector.toml:ro \
  -p 18383:8383 \
  timberio/vector:nightly-alpine

資料匯入後，我們針對一下的查詢來做一個對比。ES使用自己的查詢語言來進行查詢，Clickhouse支援SQL，我簡單測試了一些常見的查詢，並對它們的功能和效能做一些比較。

  • 返回所有的記錄
# ES
{
  "query":{
    "match_all":{}
  }
}

# Clickhouse
"SELECT * FROM syslog"
  • 匹配單個欄位
# ES
{
  "query":{
    "match":{
      "hostname":"for.org"
    }
  }
}

# Clickhouse
"SELECT * FROM syslog WHERE hostname='for.org'"
  • 匹配多個欄位
# ES
{
  "query":{
    "multi_match":{
      "query":"up.com ahmadajmi",
        "fields":[
          "hostname",
          "application"
        ]
    }
  }
}

# Clickhouse、
"SELECT * FROM syslog WHERE hostname='for.org' OR application='ahmadajmi'"
  • 單詞查詢，查詢包含特定單詞的欄位
# ES
{
  "query":{
    "term":{
      "message":"pretty"
    }
  }
}

# Clickhouse
"SELECT * FROM syslog WHERE lowerUTF8(raw) LIKE '%pretty%'"
  • 範圍查詢， 查詢版本大於2的記錄
# ES
{
  "query":{
    "range":{
      "version":{
        "gte":2
      }
    }
  }
}

# Clickhouse
"SELECT * FROM syslog WHERE version >= 2"

  • 查詢到存在某欄位的記錄

    ES是文件型別的資料庫，每一個文件的模式不固定，所以會存在某欄位不存在的情況；而Clickhouse對應為欄位為空值

# ES
{
  "query":{
    "exists":{
      "field":"application"
    }
  }
}

# Clickhouse
"SELECT * FROM syslog WHERE application is not NULL"
  • 正規表示式查詢，查詢匹配某個正規表示式的資料
# ES
{
  "query":{
    "regexp":{
      "hostname":{
        "value":"up.*",
          "flags":"ALL",
            "max_determinized_states":10000,
              "rewrite":"constant_score"
      }
    }
  }
}

# Clickhouse
"SELECT * FROM syslog WHERE match(hostname, 'up.*')"
  • 聚合計數，統計某個欄位出現的次數
# ES
{
  "aggs":{
    "version_count":{
      "value_count":{
        "field":"version"
      }
    }
  }
}

# Clickhouse
"SELECT count(version) FROM syslog"
  • 聚合不重複的值，查詢所有不重複的欄位的個數
# ES
{
  "aggs":{
    "my-agg-name":{
      "cardinality":{
        "field":"priority"
      }
    }
  }
}

# Clickhouse
"SELECT count(distinct(priority)) FROM syslog "

我用Python的SDK，對上述的查詢在兩個Stack上各跑10次，然後統計查詢的效能結果。

我們畫出出所有的查詢的響應時間的分佈：

ES 不香嗎，為啥還要 ClickHouse？

總查詢時間的對比如下：

ES 不香嗎，為啥還要 ClickHouse？

透過測試資料我們可以看出Clickhouse在大部分的查詢的效能上都明顯要優於Elastic。在正則查詢（Regex query）和單詞查詢（Term query）等搜尋常見的場景下，也並不遜色。

在聚合場景下，Clickhouse表現異常優秀，充分發揮了列村引擎的優勢。

注意，我的測試並沒有任何最佳化，對於Clickhouse也沒有開啟布隆過濾器。可見Clickhouse確實是一款非常優秀的資料庫，可以用於某些搜尋的場景。當然ES還支援非常豐富的查詢功能，這裡只有一些非常基本的查詢，有些查詢可能存在無法用SQL表達的情況。

總結

本文透過對於一些基本查詢的測試，對比了Clickhouse 和Elasticsearch的功能和效能，測試結果表明，Clickhouse在這些基本場景表現非常優秀，效能優於ES，這也解釋了為什麼用很多的公司應從ES切換到Clickhouse之上。

來源：

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/70027827/viewspace-2947015/，如需轉載，請註明出處，否則將追究法律責任。

相關文章