ES 不香嗎,爲啥還要 ClickHouse?
Elasticsearch 是一個實時的分佈式搜索分析引擎,它的底層是構建在 Lucene 之上的。簡單來說是通過擴展 Lucene 的搜索能力,使其具有分佈式的功能。
ES 通常會和其它兩個開源組件 Logstash(日誌採集)和 Kibana(儀表盤)一起提供端到端的日誌 / 搜索分析的功能,常常被簡稱爲 ELK。
Clickhouse 是俄羅斯搜索巨頭 Yandex 開發的面向列式存儲的關係型數據庫。ClickHouse 是過去兩年中 OLAP 領域中最熱門的,並於 2016 年開源。
ES 是最爲流行的大數據日誌和搜索解決方案,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,這裏就包括:攜程,快手等公司。
架構和設計的對比
ES 的底層是 Lucenc,主要是要解決搜索的問題。搜索是大數據領域要解決的一個常見的問題,就是在海量的數據量要如何按照條件找到需要的數據。搜索的核心技術是倒排索引和布隆過濾器。
ES 通過分佈式技術,利用分片與副本機制,直接解決了集羣下搜索性能與高可用的問題。
ElasticSearch 是爲分佈式設計的,有很好的擴展性,在一個典型的分佈式配置中,每一個節點(node)可以配製成不同的角色。
如上圖所示:
-
**Client Node,**負責 API 和數據的訪問的節點,不存儲/處理數據。
-
**Data Node,**負責數據的存儲和索引。
-
**Master Node,**管理節點,負責 Cluster 中的節點的協調,不存儲數據。
ClickHouse 是基於 MPP 架構的分佈式 ROLAP(關係 OLAP)分析引擎。每個節點都有同等的責任,並負責部分數據處理(不共享任何內容)。
ClickHouse 是一個真正的列式數據庫管理系統(DBMS)。在 ClickHouse 中,數據始終是按列存儲的,包括矢量(向量或列塊)執行的過程。
讓查詢變得更快,最簡單且有效的方法是減少數據掃描範圍和數據傳輸時的大小,而列式存儲和數據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 單指令多數據)充分發揮了硬件優勢,可實現高效的計算。
Clickhouse 使用 Zookeeper 進行分佈式節點之間的協調。
爲了支持搜索,Clickhouse 同樣支持布隆過濾器。
查詢對比實戰
爲了對比 ES 和 Clickhouse 的基本查詢能力的差異,我寫了一些代碼來驗證:
https://github.com/gangtao/esvsch
這個測試的架構如下:
架構主要有四個部分組成:
①ES 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 作爲驗證和輔助工具。
部署代碼如下:
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=http://elasticsearch:9200
ports:
- 5601:5601
depends_on:
- elasticsearch
volumes:
elasticsearch-data:
driver: local
②Clickhouse stack
Clickhouse stack 有一個單節點的 Clickhouse 服務容器和一個 TabixUI 作爲 Clickhouse 的客戶端。
部署代碼如下:
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
③數據導入 stack
數據導入部分使用了 Vector.dev 開發的 vector,該工具和 fluentd 類似,都可以實現數據管道式的靈活的數據導入。
④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 啓動 ES 和 Clickhouse 的 stack 後,我們需要導入數據,我們利用 Vector 的 generator 功能,生成 syslog,並同時導入 ES 和 Clickhouse。
在這之前,我們需要在 Clickhouse 上創建表。ES 的索引沒有固定模式,所以不需要事先創建索引。
創建表的代碼如下:
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);
創建好表之後,我們就可以啓動 vector,向兩個 stack 寫入數據了。vector 的數據流水線的定義如下:
[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 = "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
這裏簡單介紹一下這個流水線:
-
source.in:生成 syslog 的模擬數據,生成 10w 條,生成間隔和 0.01 秒。
-
transforms.clone_message:把原始消息複製一份,這樣抽取的信息同時可以保留原始消息。
-
transforms.parser:使用正則表達式,按照 syslog 的定義,抽取出 application,hostname,message,mid,pid,priority,timestamp,version 這幾個字段。
-
transforms.coercer:數據類型轉化。
-
sinks.out_console:把生成的數據打印到控制檯,供開發調試。
-
sinks.out_clickhouse:把生成的數據發送到 Clickhouse。
-
sinks.out_es:把生成的數據發送到 ES。
運行 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
數據導入後,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 支持 SQL,我簡單測試了一些常見的查詢,並對它們的功能和性能做一些比較。
返回所有的記錄:
# ES
{
"query":{
"match_all":{}
}
}
# Clickhouse
"SELECT * FROM syslog"
匹配單個字段:
# ES
{
"query":{
"match":{
"hostname":"for.org"
}
}
}
# Clickhouse
"SELECT * FROM syslog WHERE host
匹配多個字段:
# ES
{
"query":{
"multi_match":{
"query":"up.com ahmadajmi",
"fields":[
"hostname",
"application"
]
}
}
}
# Clickhouse、
"SELECT * FROM syslog WHERE host
單詞查找,查找包含特定單詞的字段:
# ES
{
"query":{
"term":{
"message":"pretty"
}
}
}
# Clickhouse
"SELECT * FROM syslog WHERE lowerUTF8(raw) LIKE '%pretty%'"
範圍查詢,查找版本大於 2 的記錄:
# ES
{
"query":{
"range":{
"version":{
"gte":2
}
}
}
}
# Clickhouse
"SELECT * FROM syslog WHERE version >= 2"
查找到存在某字段的記錄:
# ES
{
"query":{
"exists":{
"field":"application"
}
}
}
# Clickhouse
"SELECT * FROM syslog WHERE application is not NULL"
ES 是文檔類型的數據庫,每一個文檔的模式不固定,所以會存在某字段不存在的情況;而 Clickhouse 對應爲字段爲空值。
正則表達式查詢,查詢匹配某個正則表達式的數據:
# 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,統計某個字段出現的次數:
# ES
{
"aggs":{
"version_count":{
"value_count":{
"field":"version"
}
}
}
}
# Clickhouse
"SELECT count(version) FROM syslog"
聚合不重複的值,查找所有不重複的字段的個數:
# 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,然後統計查詢的性能結果。
我們畫出出所有的查詢的響應時間的分佈:
總查詢時間的對比如下:
通過測試數據我們可以看出 Clickhouse 在大部分的查詢的性能上都明顯要優於 Elastic。
在正則查詢(Regex query)和單詞查詢(Term query)等搜索常見的場景下,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優化,對於 Clickhouse 也沒有打開布隆過濾器。可見 Clickhouse 確實是一款非常優秀的數據庫,可以用於某些搜索的場景。
當然 ES 還支持非常豐富的查詢功能,這裏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
本文通過對於一些基本查詢的測試,對比了 Clickhouse 和 Elasticsearch 的功能和性能。
測試結果表明,Clickhouse 在這些基本場景表現非常優秀,性能優於 ES,這也解釋了爲什麼用很多的公司應從 ES 切換到 Clickhouse 之上。
_作者:_Gang Tao
編輯:陶家龍
出處:zhuanlan.zhihu.com/p/353296392
本文由 Readfog 進行 AMP 轉碼,版權歸原作者所有。
來源:https://mp.weixin.qq.com/s/sycaORIoHvizdt8ICd9RNQ