ClickHouse集群方案测评

本文首发于：行者AI

回合对战数据指标计算，耗时过长，甚至因为单机内存不足无法满足需求，故考虑将原本单节点的单机ClickHouse改为集群 , 采用分布式表来进行相关计算。

1. 环境搭建

1.1 单机方案

ClickHouse实例	CPU	内存	磁盘
ClickHouse	16C	64G	4T , 高IO

1.2 集群方案 3分片1复本

ClickHouse实例	CPU	内存	磁盘
ClickHouse1	16C	64G	4T , 高IO
ClickHouse2	8C	32G	1T , 超高IO
ClickHouse3	8C	32G	1T , 超高IO

2. 方案对比

2.1 写入速度对比

数据量 : 26910101 Rows

方案一 : 单机方案( 全量数据插入单机表 )

ClickHouse实例	写入速度
ClickHouse	26.009 sec ;1.03 million rows/s , 504.78 MB/s

方案二 : 集群方案( 数据写入物理表,分别并行向3台机器物理表写入数据 )

ClickHouse实例	写入速度
ClickHouse1	13.640 sec; 1.97 million rows/s., 320.96 MB/s
ClickHouse2	9.166 sec ; 2.94 million rows/s, 982.03 MB/s
ClickHouse3	9.632 sec; 2.79 million rows/s., 931.00 MB/s

结论 : 写入数据速度和磁盘IO有关 , 集群方案数据写入相比单机方案有显著优势。

2.2 查询对比(主要针对分组查询和关联查询操作)

（1）分布式建表方法

--物理表

CREATE table rd_physical.rd_baseinfo_physical on cluster cluster_3shards_1replicas
(
`appId` String,
`pvpId` String,
`accountId` String,
`userName` String,
`round` Nullable(Int32),
`event` String,
`mode` Nullable(Int32),
`win` Int32,
`country` String,
`timeStamp` String,
`ts` DateTime,
`ds` Date
)
ENGINE = ReplicatedMergeTree('/clickhouse/rd_physical/tables/{shard}/rd_baseinfo_physical', '{replica}')
PARTITION BY (ds)
ORDER BY (appId, accountId, pvpId)
SETTINGS index_granularity = 8192

--逻辑表

CREATE table rd_data.rd_baseinfo on cluster cluster_3shards_1replicas
(
`appId` String,
`pvpId` String,
`accountId` String,
`userName` String,
`round` Nullable(Int32),
`event` String,
`mode` Nullable(Int32),
`win` Int32,
`country` String,
`timeStamp` String,
`ts` DateTime,
`ds` Date
)
ENGINE =Distributed(cluster_3shards_1replicas, rd_physical, rd_baseinfo_physical, cityHash64(accountId))

（2）分组查询

SQL语句 : select count(*) , accountId,pvpId from rd.rd_baseinfo where ds>='2019-12-01' and ds<'2020-01-01' group by accountId ,pvpId ;

单机方案	集群方案
10.177 sec ; 78.81 million rows/s., 2.66 GB/s	6.264 sec ;104.32 million rows/s., 3.46 GB/s

结论 : 集群方案对数据分类查询效率比单机高出25%左右。

（3）关联查询

关联方式	单机方案	集群方案
500万 join 100万	0.946 sec; 0.86 million rows/s., 53.29 MB/s	0.920 sec; 1.09 million rows/s., 75.70 MB/s
1000万 join 100万	0.880 sec; 0.94 million rows/s., 58.80 MB/s	0.921 sec; 1.09 million rows/s., 75.59 MB/s
2000万 join 100万	0.938 sec; 0.87 million rows/s., 53.96 MB/s	0.923 sec; 1.08 million rows/s., 75.41 MB/s
5000万 join 100万	0.940 sec; 0.86 million rows/s., 53.81 MB/s	0.960 sec; 1.04 million rows/s., 72.53 MB/s
1亿 join 100万	1.906 sec; 0.90 million rows/s., 56.56 MB/s	1.135 sec; 880.95 thousand rows/s., 61.34 MB/s.
500万 join 500万	5.141 sec; 1.01 million rows/s., 74.07 MB/s	3.791 sec; 1.32 million rows/s., 91.46 MB/s
1000万 join 500万	5.149 sec; 1.01 million rows/s., 73.92 MB/s	4.127 sec; 1.21 million rows/s., 84.00 MB/s
2000万 join 500万	5.172 sec; 1.00 million rows/s., 73.46 MB/s	4.110 sec; 1.22 million rows/s., 84.36 MB/s
5000万 join 500万	5.096 sec; 1.02 million rows/s., 75.00 MB/s	4.342 sec; 1.15 million rows/s., 79.84 MB/s
1亿 join 500万	6.108 sec; 1.02 million rows/s., 74.75 MB/s	4.362 sec; 1.15 million rows/s., 79.49 MB/s
500万 join 1000万	12.341 sec; 1.16 million rows/s., 85.39 MB/s	7.885 sec; 1.27 million rows/s., 87.61 MB/s
1000万 join 1000万	12.337 sec; 1.16 million rows/s., 85.44 MB/s	7.916 sec; 1.26 million rows/s., 87.27 MB/s
2000万 join 1000万	12.324 sec; 1.17 million rows/s., 85.61 MB/s	7.777 sec; 1.29 million rows/s., 88.84 MB/s
5000万 join 1000万	13.039 sec; 1.14 million rows/s., 87.10 MB/s	8.083 sec; 1.24 million rows/s., 85.46 MB/s
1亿 join 1000万	13.101 sec; 1.13 million rows/s., 86.43 MB/s	8.578 sec; 1.17 million rows/s., 80.53 MB/s

结论 : 小数据量join操作 , 单机方案和集群方案差异很小 ; 大数据量单机方案不如集群方案 , 单机方案还可能会存在内存不足等问题。

3. 其他方面

ClickHouse并发较小 , 官网查询建议100 Queries / second , 单机ClickHouse不适合做业务型高并发查询。ClickHouse集群可以通过chproxy 将并发的查询代理到集群上各分片上去作查询 , 可以极大提高了并发量。

4. 性能测试总结

单机方案写数据的性能上远不如集群方案。

查询方面, 数据量小时的查询单机方案和集群方案相差不明显, 数据量大时集群方案不会存在内存,cup不足等问题,同时查询的效率也高于单机方案。

集群方案相较于单机方案 , 建表略有繁琐 , 分布式表写数据无法实时写入各个分片物理表 , 而会先写入内存然后同步到各个分片,故我们需要向每个分片的物理表同时写入数据。

综上, 目前round和roundData数据量越来越大 ,搭建集群分布式存储数据方案是可行的。

PS：更多技术干货，快关注【公众号 | xingzhe_ai】，与行者一起讨论吧！