Elasticsearch VS ClickHouse

語言: CN / TW / HK

Clickhouse 是俄羅斯搜尋巨頭 Yandex 開發的完全列式儲存計算的分析型資料庫。ClickHouse 在這兩年的 OLAP 領域中一直非常熱門,國內網際網路大廠都有大規模使用。

Elasticsearch 是一個近實時的分散式搜尋分析引擎,它的底層儲存完全構建在 Lucene 之上。簡單來說是通過擴充套件 Lucene 的單機搜尋能力,使其具有分散式的搜尋和分析能力。 Elasticsearch 通常會和其它兩個開源元件 Logstash(日誌採集)和 Kibana(儀表盤)一起提供端到端的日誌/搜尋分析的功能,常常被簡稱為 ELK。

Elasticsearch 最擅長的主要是完全搜尋場景(where 過濾後的記錄數較少),在記憶體富裕執行環境下可以展現出非常出色的併發查詢能力。但是在大規模資料的分析場景下(where 過濾後的記錄數較多),ClickHouse 憑藉極致的列存和向量化計算會有更加出色的並發表現,並且查詢支援完備度也更好。

本次實驗將測試 Elasticsearch 和 ClickHouse 對基本查詢的效能差異。

測試架構

測試用到的所有元件都通過 Docker 容器的方式部署在 192.168.1.41 這臺虛擬機器上。 其中 Vector 負責產生資料並寫入 Elasticsearch 和 ClickHouse,Kibana 和 TabixUI 提供了視覺化的操作介面,Juypter 用於執行 Python 測試程式碼。

克隆程式碼

https://github.com/cr7258/clickhouse-lab

建立容器網路

建立一個 Docker 網路,本實驗所有的容器都連線到該網路,容器直接可以通過容器名訪問,Docker Embedded DNS 會負責容器名到 IP 地址的 DNS 解析。

docker network create esvsch

部署 Elasticsearch

通過 docker-compsoe 部署 Elasticsearch,為了方便操作同時部署了Kibana。

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
networks:
  default:
    external:
      name: esvsch

啟動 Elasticsearch 和 Kibana:

cd elastic
docker-compose up -d

瀏覽器輸入 http://192.168.1.41:5601 訪問 Kibana 介面,預設沒有設定使用者名稱密碼,之後可以通過 Dev Tools 介面操作 Elasticsearch:

部署 ClickHouse

通過 docker-compsoe 部署 ClickHouse,為了方便操作同時部署了 TabixUI。

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
    ports:
      - "18080:80"
    depends_on:
      - clickhouse
    deploy:
      resources:
        limits:
          cpus: '0.1'
          memory: 128M
        reservations:
          memory: 128M
networks:
  default:
    external:
      name: esvsch

啟動 ClickHouse 和 TabixUI:

cd clickhouse
docker-compose up -d

瀏覽器輸入 http://192.168.1.41:18080 訪問 TabixUI,建立新連結,自己取一個連結名,地址為 Docker 宿主機:8123,使用者名稱為 default,密碼為空。

初始化表結構

Elasticsearch 有動態對映的功能,當遇到文件中以前未遇到的欄位,Elasticsearch 可以通過動態對映確定欄位的資料型別並自動把新的欄位新增到型別對映。因此對於 Elasticseach 我們不需要事先建立索引。

在 ClickHouse 上我們需要實現建立好表結構:

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);

ALTER TABLE syslog DELETE where raw is not null

通過 Vector 將數匯入 Elasticsearch 和 ClickHouse

Vector 是一個輕量, 超快和開源的可觀察管道構建工具, 可以用於收集,轉換和傳送日誌、指標、事件等內容。

我們使用 Vector 構建 10w 條 syslog 日誌,然後分別輸出到 Elasticsearch 和 ClickHouse。 Vector 的配置檔案如下,我們啟動 Vector 容器時會掛載該檔案到容器的 /etc/vector/vector.toml。

#生成 syslog 的模擬資料,生成 10w 條,生成間隔和 0.01 秒。
[sources.in]
  type = "generator"
  format = "syslog"
  interval = 0.01
  count = 100000

#把原始訊息複製一份,這樣抽取的資訊同時可以保留原始訊息。
[transforms.clone_message]
  type = "add_fields"
  inputs = ["in"]
  fields.raw = "{{ message }}"

#使用正則表示式,按照 syslog 的定義,抽取出 application,hostname,message,mid,pid,priority,timestamp,version 這幾個欄位。
[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>.*)$']

#資料型別轉化
[transforms.coercer]
  type = "coercer"
  inputs = ["parser"]
  types.timestamp = "timestamp"
  types.version = "int"
  types.priority = "int"

#把生成的資料列印到控制檯,供開發除錯。
[sinks.out_console]
  # General
  type = "console"
  inputs = ["coercer"] 
  target = "stdout" 

  # Encoding
  encoding.codec = "json" 
  
#輸入到 ClickHouse
[sinks.out_clickhouse]
  host = "http://clickhouse:8123"
  inputs = ["coercer"]
  table = "syslog"
  type = "clickhouse"
 
  encoding.only_fields = ["application", "hostname", "message", "mid", "pid", "priority", "raw", "timestamp", "version"]
  encoding.timestamp_format = "unix"

#輸出到 Elasticsearch
[sinks.out_es]
  # General
  type = "elasticsearch"
  inputs = ["coercer"]
  compression = "none" 
  endpoint = "http://elasticsearch:9200" 
  index = "syslog-%F"

  # Encoding

  # Healthcheck
  healthcheck.enabled = true

啟動 Vector:

cd vector
make start

啟動 Jupyter Notebook

Jupyter Notebook 是一個開源的 Web 應用程式,允許使用者建立和共享包含程式碼、方程式、視覺化和文字的文件。

啟動 Jupyter:

cd notebook
#構建映象
make docker
#啟動容器
make run

瀏覽器訪問 http://192.168.1.41:8888 登入 Jupter。我事先準備在 Jupyter 上準備了 Python SDK 呼叫 Elaticsearch 和 ClickHouse 的程式碼,大家可以直接點選執行檢視。

其中 Query Tester.ipynb 準備了 Elasticsearch 和 ClickHouse 效能對比的程式碼,Elasticsearch 使用 DSL 語言查詢,ClickHouse 使用 SQL 語言查詢。簡單測試了一些常見的查詢,每個查詢語句分別在 Elasticsearch 和 ClickHouse 上執行 10 次。

查詢所有記錄:

#Elasticsearch
{
  "query":{
    "match_all":{}
  }
}

#ClickHouse 
SELECT * FROM syslog

匹配單個欄位:

#Elasticsearch
{
  "query":{
    "match":{
      "hostname":"for.org"
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE hostname='for.org'

匹配多個欄位:

#Elasticsearch
{
  "query":{
    "multi_match":{
      "query":"up.com ahmadajmi",
        "fields":[
          "hostname",
          "application"
        ]
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE hostname='for.org' OR application='ahmadajmi'

查詢包含特定單詞的欄位:

#Elasticsearch
{
  "query":{
    "term":{
      "message":"pretty"
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE lowerUTF8(raw) LIKE '%pretty%'

範圍查詢,查詢版本大於 2 的記錄:

#Elasticsearch
{
  "query":{
    "range":{
      "version":{
        "gte":2
      }
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE version >= 2

查詢到存在指定欄位的記錄:

#Elasticsearch
{
  "query":{
    "exists":{
      "field":"application"
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE application is not NULL

正則表示式查詢,查詢匹配某個正則表示式的資料:

#Elasticsearch
{
  "query":{
    "regexp":{
      "hostname":{
        "value":"up.*",
          "flags":"ALL",
            "max_determinized_states":10000,
              "rewrite":"constant_score"
      }
    }
  }
}

#ClickHouse 
SELECT * FROM syslog WHERE match(hostname, 'up.*')

統計某個欄位出現的次數:

#Elasticsearch
{
  "aggs":{
    "version_count":{
      "value_count":{
        "field":"version"
      }
    }
  }
}

#ClickHouse 
SELECT count(version) FROM syslog

查詢不重複的欄位的個數:

#Elasticsearch
{
  "aggs":{
    "my-agg-name":{
      "cardinality":{
        "field":"priority"
      }
    }
  }
}

#ClickHouse 
SELECT count(distinct(priority)) FROM syslog

以上查詢語句我們也可以在 Kibana 和 TabixUI 上執行一下看看效果:

執行完 Query Tester.ipynb 指令碼最後會輸出統計圖。

所有的查詢的響應時間的分佈:

總查詢時間的對比:

通過測試資料我們可以看出 ClickHouse 在大部分的查詢的效能上都明顯要優於 Elasticsearch。 在正則查詢(Regex query)和單詞查詢(Term query)等搜尋常見的場景下,也並不遜色。 在聚合場景下,ClickHouse 表現異常優秀,充分發揮了列存引擎的優勢。

參考連結

歡迎關注

分享到: