ES不香嗎，為啥還要ClickHouse？
Elasticsearch 是一個實時的分布式搜索分析引擎，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，使其具有分布式的功能。
圖片來自包圖網
ES 通常會和其它兩個開源組件 Logstash(日志采集)和 Kibana(儀表盤)一起提供端到端的日志/搜索分析的功能，常常被簡稱為 ELK。
Clickhouse 是俄羅斯搜索巨頭 Yandex 開發(fā)的面向列式存儲的關系型數(shù)據(jù)庫。ClickHouse 是過去兩年中 OLAP 領域中最熱門的，并于 2016 年開源。
ES 是最為流行的大數(shù)據(jù)日志和搜索解決方案，但是近幾年來，它的江湖地位受到了一些挑戰(zhàn)，許多公司已經開始把自己的日志解決方案從 ES 遷移到了 Clickhouse，這里就包括：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(shù)據(jù)領域要解決的一個常見的問題，就是在海量的數(shù)據(jù)量要如何按照條件找到需要的數(shù)據(jù)。搜索的核心技術是倒排索引和布隆過濾器。
ES 通過分布式技術，利用分片與副本機制，直接解決了集群下搜索性能與高可用的問題。
ElasticSearch 是為分布式設計的，有很好的擴展性，在一個典型的分布式配置中，每一個節(jié)點(node)可以配制成不同的角色。
如上圖所示：
- Client Node，負責 API 和數(shù)據(jù)的訪問的節(jié)點，不存儲/處理數(shù)據(jù)。
- Data Node，負責數(shù)據(jù)的存儲和索引。
- Master Node，管理節(jié)點，負責 Cluster 中的節(jié)點的協(xié)調，不存儲數(shù)據(jù)。
ClickHouse 是基于 MPP 架構的分布式 ROLAP(關系 OLAP)分析引擎。每個節(jié)點都有同等的責任，并負責部分數(shù)據(jù)處理(不共享任何內容)。
ClickHouse 是一個真正的列式數(shù)據(jù)庫管理系統(tǒng)(DBMS)。在 ClickHouse 中，數(shù)據(jù)始終是按列存儲的，包括矢量(向量或列塊)執(zhí)行的過程。
讓查詢變得更快，最簡單且有效的方法是減少數(shù)據(jù)掃描范圍和數(shù)據(jù)傳輸時的大小，而列式存儲和數(shù)據(jù)壓縮就可以幫助實現(xiàn)上述兩點。
Clickhouse 同時使用了日志合并樹，稀疏索引和 CPU 功能(如 SIMD 單指令多數(shù)據(jù))充分發(fā)揮了硬件優(yōu)勢，可實現(xiàn)高效的計算。
Clickhouse 使用 Zookeeper 進行分布式節(jié)點之間的協(xié)調。
為了支持搜索，Clickhouse 同樣支持布隆過濾器。
查詢對比實戰(zhàn)
為了對比 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(jié)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(jié)點的 Clickhouse 服務容器和一個 TabixUI 作為 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(shù)據(jù)導入 stack
數(shù)據(jù)導入部分使用了 Vector.dev 開發(fā)的 vector，該工具和 fluentd 類似，都可以實現(xiàn)數(shù)據(jù)管道式的靈活的數(shù)據(jù)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 啟動 ES 和 Clickhouse 的 stack 后，我們需要導入數(shù)據(jù)，我們利用 Vector 的 generator 功能，生成 syslog，并同時導入 ES 和 Clickhouse。
在這之前，我們需要在 Clickhouse 上創(chuàng)建表。ES 的索引沒有固定模式，所以不需要事先創(chuàng)建索引。
創(chuàng)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(chuàng)建好表之后，我們就可以啟動 vector，向兩個 stack 寫入數(shù)據(jù)了。vector 的數(shù)據(jù)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
這里簡單介紹一下這個流水線：
- source.in：生成 syslog 的模擬數(shù)據(jù)，生成 10w 條，生成間隔和 0.01 秒。
- transforms.clone_message：把原始消息復制一份，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(shù)據(jù)類型轉化。
- sinks.out_console：把生成的數(shù)據(jù)打印到控制臺，供開發(fā)調試。
- sinks.out_clickhouse：把生成的數(shù)據(jù)發(fā)送到Clickhouse。
- sinks.out_es：把生成的數(shù)據(jù)發(fā)送到 ES。
運行 Docker 命令，執(zhí)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(shù)據(jù)導入后，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，并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 hostname='for.org'"
匹配多個字段：
- # 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%'"
范圍查詢，查找版本大于 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(shù)據(jù)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 對應為字段為空值。
正則表達式查詢，查詢匹配某個正則表達式的數(shù)據(jù)：
- # 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(shù)，統(tǒng)計某個字段出現(xiàn)的次數(shù)：
- # ES
- {
- "aggs":{
- "version_count":{
- "value_count":{
- "field":"version"
- }
- }
- }
- }
- # Clickhouse
- "SELECT count(version) FROM syslog"
聚合不重復的值，查找所有不重復的字段的個數(shù)：
- # 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，然后統(tǒng)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布：
總查詢時間的對比如下：
通過測試數(shù)據(jù)我們可以看出 Clickhouse 在大部分的查詢的性能上都明顯要優(yōu)于 Elastic。
在正則查詢(Regex query)和單詞查詢(Term query)等搜索常見的場景下，也并不遜色。
在聚合場景下，Clickhouse 表現(xiàn)異常優(yōu)秀，充分發(fā)揮了列村引擎的優(yōu)勢。
注意，我的測試并沒有任何優(yōu)化，對于 Clickhouse 也沒有打開布隆過濾器。可見 Clickhouse 確實是一款非常優(yōu)秀的數(shù)據(jù)庫，可以用于某些搜索的場景。
當然 ES 還支持非常豐富的查詢功能，這里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
本文通過對于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(xiàn)非常優(yōu)秀，性能優(yōu)于 ES，這也解釋了為什么用很多的公司應從 ES 切換到 Clickhouse 之上。
作者：Gang Tao
編輯：陶家龍
出處：zhuanlan.zhihu.com/p/353296392
