為什么越來(lái)越多的公司開(kāi)始用Clickhouse取代Elasticsearch？
在一些大數(shù)據(jù)實(shí)時(shí)數(shù)據(jù)服務(wù)中，一般需要將多維度的業(yè)務(wù)數(shù)據(jù)及離線計(jì)算數(shù)據(jù)以準(zhǔn)實(shí)時(shí)查詢的方式提供給業(yè)務(wù)方使用。在存儲(chǔ)系統(tǒng)的選擇上，像Hive這種大數(shù)據(jù)存儲(chǔ)系統(tǒng)又并不太適合進(jìn)行實(shí)時(shí)數(shù)據(jù)查詢，而傳統(tǒng)MySQL這種關(guān)系型數(shù)據(jù)庫(kù)在單表數(shù)據(jù)量龐大的情況下復(fù)雜條件查詢的性能較低，因此針對(duì)此類實(shí)時(shí)大數(shù)據(jù)查詢服務(wù)，一般會(huì)選擇像HBase、Elasticsearch，以及Clickhouse這樣的實(shí)時(shí)分布式存儲(chǔ)系統(tǒng)。在一段時(shí)間以來(lái)，在以上三種存儲(chǔ)系統(tǒng)的中，Elasticsearch以其優(yōu)異的數(shù)據(jù)檢索能力一直保持著比較高的市場(chǎng)占有率，但近年來(lái)它的江湖地位受到了后起之秀——Clickhouse的挑戰(zhàn)。本文主要對(duì)比下Elasticsearch與Clickhouse的不同點(diǎn)及性能差異，以供大家參考。
Elasticsearch 是一個(gè)實(shí)時(shí)的分布式搜索分析引擎，它的底層是構(gòu)建在Lucene之上的。簡(jiǎn)單來(lái)說(shuō)是通過(guò)擴(kuò)展Lucene的搜索能力，使其具有分布式的功能。ES通常會(huì)和其它兩個(gè)開(kāi)源組件logstash（日志采集）和Kibana（儀表盤(pán)）一起提供端到端的日志/搜索分析的功能，常常被簡(jiǎn)稱為ELK。
Clickhouse是俄羅斯搜索巨頭Yandex開(kāi)發(fā)的面向列式存儲(chǔ)的關(guān)系型數(shù)據(jù)庫(kù)。ClickHouse是過(guò)去兩年中OLAP領(lǐng)域中最熱門(mén)的，并于2016年開(kāi)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(lái)，它的江湖地位受到了一些挑戰(zhàn)，許多公司已經(jīng)開(kāi)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(gòu)和設(shè)計(jì)的對(duì)比
ES的底層是Lucenc，主要是要解決搜索的問(wèn)題。搜索是大數(shù)據(jù)領(lǐng)域要解決的一個(gè)常見(jiàn)的問(wèn)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(shù)是倒排索引和布隆過(guò)濾器。ES通過(guò)分布式技術(shù)，利用分片與副本機(jī)制，直接解決了集群下搜索性能與高可用的問(wèn)題。
ElasticSearch是為分布式設(shè)計(jì)的，有很好的擴(kuò)展性，在一個(gè)典型的分布式配置中，每一個(gè)節(jié)點(diǎn)（node）可以配制成不同的角色，如下圖所示：
Client Node，負(fù)責(zé)API和數(shù)據(jù)的訪問(wèn)的節(jié)點(diǎn)，不存儲(chǔ)／處理數(shù)據(jù) Data Node，負(fù)責(zé)數(shù)據(jù)的存儲(chǔ)和索引 Master Node， 管理節(jié)點(diǎn)，負(fù)責(zé)Cluster中的節(jié)點(diǎn)的協(xié)調(diào)，不存儲(chǔ)數(shù)據(jù)。
ClickHouse是基于MPP架構(gòu)的分布式ROLAP（關(guān)系OLAP）分析引擎。每個(gè)節(jié)點(diǎn)都有同等的責(zé)任，并負(fù)責(zé)部分?jǐn)?shù)據(jù)處理（不共享任何內(nèi)容）。ClickHouse 是一個(gè)真正的列式數(shù)據(jù)庫(kù)管理系統(tǒng)（DBMS)。在 ClickHouse 中，數(shù)據(jù)始終是按列存儲(chǔ)的，包括矢量（向量或列塊）執(zhí)行的過(guò)程。讓查詢變得更快，最簡(jiǎn)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(shí)的大小，而列式存儲(chǔ)和數(shù)據(jù)壓縮就可以幫助實(shí)現(xiàn)上述兩點(diǎn)。Clickhouse同時(shí)使用了日志合并樹(shù)，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(shì)，可實(shí)現(xiàn)高效的計(jì)算。Clickhouse 使用Zookeeper進(jìn)行分布式節(jié)點(diǎn)之間的協(xié)調(diào)。
為了支持搜索，Clickhouse同樣支持布隆過(guò)濾器。
查詢對(duì)比實(shí)戰(zhàn)
為了對(duì)比ES和Clickhouse的基本查詢能力的差異，我寫(xiě)了一些代碼（https://github.com/gangtao/esvsch）來(lái)驗(yàn)證。這個(gè)測(cè)試的架構(gòu)如下：
架構(gòu)主要有四個(gè)部分組成：
ES stack ES stack有一個(gè)單節(jié)點(diǎn)的Elastic的容器和一個(gè)Kibana容器組成，Elastic是被測(cè)目標(biāo)之一，Kibana作為驗(yàn)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
Clickhouse stack Clickhouse stack有一個(gè)單節(jié)點(diǎn)的Clickhouse服務(wù)容器和一個(gè)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
數(shù)據(jù)導(dǎo)入 stack 數(shù)據(jù)導(dǎo)入部分使用了Vector.dev開(kāi)發(fā)的vector，該工具和fluentd類似，都可以實(shí)現(xiàn)數(shù)據(jù)管道式的靈活的數(shù)據(jù)導(dǎo)入。 測(cè)試控制 stack 測(cè)試控制我使用了Jupyter，使用了ES和Clickhouse的Python SDK來(lái)進(jìn)行查詢的測(cè)試。
用Docker compose啟動(dòng)ES和Clickhouse的stack后，我們需要導(dǎo)入數(shù)據(jù)，我們利用Vector的generator功能，生成syslog，并同時(shí)導(dǎo)入ES和Clickhouse，在這之前，我們需要在Clickhouse上創(chuàng)建表。ES的索引沒(méi)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(dòng)vector，向兩個(gè)stack寫(xiě)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\d*)>(?P\d) (?P\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\d{3}Z) (?P\w+\.\w+) (?P\w+) (?P\d+) (?PID\d+) - (?P.*)$']
[transforms.coercer]
type = "coercer"
inputs = ["parser"]
types.timestamp = "timestamp"
types.version = "int"
types.priority = "int"
[sinks.out_console]
# General
type = "console"
inputs = ["coercer"]
target = "stdout"
# Encoding
encoding.codec = "json"
[sinks.out_clickhouse]
host = "http://host.docker.internal:8123"
inputs = ["coercer"]
table = "syslog"
type = "clickhouse"
encoding.only_fields = ["application", "hostname", "message", "mid", "pid", "priority", "raw", "timestamp", "version"]
encoding.timestamp_format = "unix"
[sinks.out_es]
# General
type = "elasticsearch"
inputs = ["coercer"]
compression = "none"
endpoint = "http://host.docker.internal:9200"
index = "syslog-%F"
# Encoding
# Healthcheck
healthcheck.enabled = true
這里簡(jiǎn)單介紹一下這個(gè)流水線：
http://source.in 生成syslog的模擬數(shù)據(jù)，生成10w條，生成間隔和0.01秒 transforms.clone_message 把原始消息復(fù)制一份，這樣抽取的信息同時(shí)可以保留原始消息 transforms.parser 使用正則表達(dá)式，按照syslog的定義，抽取出application，hostname，message ，mid ，pid ，priority ，timestamp ，version 這幾個(gè)字段 transforms.coercer 數(shù)據(jù)類型轉(zhuǎn)化 sinks.out_console 把生成的數(shù)據(jù)打印到控制臺(tái)，供開(kāi)發(fā)調(diào)試 sinks.out_clickhouse 把生成的數(shù)據(jù)發(fā)送到Clickhouse sinks.out_es 把生成的數(shù)據(jù)發(fā)送到ES
運(yùn)行Docker命令，執(zhí)行該流水線：
docker?run?\
??-v?$(mkfile_path)/vector.toml:/etc/vector/vector.toml:ro?\
??-p?18383:8383?\
??timberio/vector:nightly-alpine
數(shù)據(jù)導(dǎo)入后，我們針對(duì)一下的查詢來(lái)做一個(gè)對(duì)比。ES使用自己的查詢語(yǔ)言來(lái)進(jìn)行查詢，Clickhouse支持SQL，我簡(jiǎn)單測(cè)試了一些常見(jiàn)的查詢，并對(duì)它們的功能和性能做一些比較。
返回所有的記錄
>?基于微服務(wù)的思想，構(gòu)建在 B2C 電商場(chǎng)景下的項(xiàng)目實(shí)戰(zhàn)。核心技術(shù)棧，是 Spring Boot + Dubbo 。未來(lái)，會(huì)重構(gòu)成 Spring Cloud Alibaba 。
>
>?項(xiàng)目地址：//github.com/YunaiV/onemall>
#?ES
{
??"query":{
????"match_all":{}
??}
}
#?Clickhouse
"SELECT?*?FROM?syslog"
匹配單個(gè)字段
#?ES
{
??"query":{
????"match":{
??????"hostname":"for.org"
????}
??}
}
#?Clickhouse
"SELECT?*?FROM?syslog?WHERE?hostname='for.org'"
匹配多個(gè)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是文檔類型的數(shù)據(jù)庫(kù)，每一個(gè)文檔的模式不固定，所以會(huì)存在某字段不存在的情況；而Clickhouse對(duì)應(yīng)為字段為空值
#?ES
{
??"query":{
????"exists":{
??????"field":"application"
????}
??}
}
#?Clickhouse
"SELECT?*?FROM?syslog?WHERE?application?is?not?NULL"
正則表達(dá)式查詢，查詢匹配某個(gè)正則表達(dá)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(jì)數(shù)，統(tǒng)計(jì)某個(gè)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(fù)的值，查找所有不重復(fù)的字段的個(gè)數(shù)
#?ES
{
??"aggs":{
????"my-agg-name":{
??????"cardinality":{
????????"field":"priority"
??????}
????}
??}
}
#?Clickhouse
"SELECT?count(distinct(priority))?FROM?syslog?"
我用Python的SDK，對(duì)上述的查詢?cè)趦蓚€(gè)Stack上各跑10次，然后統(tǒng)計(jì)查詢的性能結(jié)果。
我們畫(huà)出出所有的查詢的響應(yīng)時(shí)間的分布：
總查詢時(shí)間的對(duì)比如下：
通過(guò)測(cè)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(jiàn)的場(chǎng)景下，也并不遜色。
在聚合場(chǎng)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(shì)。
注意，我的測(cè)試并沒(méi)有任何優(yōu)化，對(duì)于Clickhouse也沒(méi)有打開(kāi)布隆過(guò)濾器。可見(jiàn)Clickhouse確實(shí)是一款非常優(yōu)秀的數(shù)據(jù)庫(kù)，可以用于某些搜索的場(chǎng)景。當(dāng)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(wú)法用SQL表達(dá)的情況。
總結(jié)
本文通過(guò)對(duì)于一些基本查詢的測(cè)試，對(duì)比了Clickhouse 和Elasticsearch的功能和性能，測(cè)試結(jié)果表明，Clickhouse在這些基本場(chǎng)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(yīng)從ES切換到Clickhouse之上。
—————END—————
來(lái)源：zhuanlan.zhihu.com/p/353296392