Redian新闻
>
ES 不香吗,为啥被大厂摒弃而迁移到ClickHouse?

ES 不香吗,为啥被大厂摒弃而迁移到ClickHouse?

公众号新闻

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。

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,如下图所示:
  • 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(https://github.com/gangtao/esvsch)来验证。
这个测试的架构如下:

架构主要有四个部分组成:

  • ES 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
  • Clickhouse 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
  • 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。

  • 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:

  • http://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
# ES{  "query":{    "exists":{      "field":"application"    }  }}
# Clickhouse"SELECT * FROM syslog WHERE application is not NULL"
  • 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。

链接:https://zhuanlan.zhihu.com/p/353296392

(版权归原作者所有,侵删)

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
On Douyin, Chinese Companies Sell Coal at Rock-Bottom Prices活不起了!加拿大三明治飙到40加元一个,网友:吃点别的不香吗?北京中考出分,高分段腰斩!帝都妈妈紧急转轨到这所30年IB校,三年后冲牛剑藤不香吗?诺曼底那块白色的墓碑凡尔赛宫背后有故事chì rè?zhì rè?千词万字“返场赛”来了!明尼周末不无聊|抓住夏天的尾巴去Split Rock Lighthouse State Park看灯塔吧Out of the Blind Box: Chinese Students Can Choose Own RoommatesClickHouse 正在退出开源世界?微软希望将Windows完全迁移到云端德国先搞原子弹,为啥被美国抢了先?旧金山地标Cliff House悬崖小屋,宣布明年年底餐厅重新开业活不起了!加拿大这个品牌的三明治飙到40加元一个,网友:吃点别的不香吗?大胆发言:年轻人坐电动轮椅,为啥被骂?首届欧洲化学奖颁布,荷兰催化领域专家 Bert Weckhuysen 获奖!生活在花海中你好,我是筚(bì)篥( lì)!ICCV 2023 | 将MAE预训练好的Encoder-Decoder整体迁移到目标检测中ClickHouse,自掘坟墓!!??从Snowflake迁移到Databricks,成本下降50%?Snowflake被迫解释Young Chinese Obsess Over MBTI, the American Personality Test景德镇文艺复兴关门:真LiveHouse凉透了,假LiveHouse却赢麻了爆锤全球外资的印度,为啥被西红柿打败了?中国唯一的海上民族:京族,为何从越南迁移到广西生活?比 Spark 快 9 倍,超越 ClickHouse,在大语言模型时代构建全新数据平台餐馆不香吗?这个法拉盛华男太坏了!开宝马X5就是富贵吗?苏格兰阿勒浦(Ullapool),小船倒影全职太太为救重病孩子起诉富豪丈夫,为啥被驳回?购买Powerhouse Museum 《大气记忆》澳大利亚首映门票!参与抽奖有机会赢取价值100澳币礼品包!还在用「共享充电宝」当大怨种?几十块的2万毫安充电宝不香吗!日增320TB数据,从ClickHouse迁移至ByConity后,查询性能十分稳定!顶级做市商!DBC职梦学员收到Citadel Securities (US) 一面邀请!时光里的答案(九十五)周扬青回应与罗志祥复合,网友:一个人搞事业不香吗?蚂蚁为啥被罚70亿?差点制造中国次贷
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。