Elasticsearch 不香吗,为啥还要 ClickHouse?


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。
1.jpeg

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。
2.jpg

如上图所示:
  • 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。
3.jpg

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,我写了一些代码来验证:
https://github.com/gangtao/esvsch

这个测试的架构如下:
4.jpeg

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:
ersion: '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:
  • 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  
{  
"query":{  
"exists":{  
"field":"application"  
}  
}  
}  

# Clickhouse  
"SELECT * FROM syslog WHERE application is not NULL"

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。

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:
5.jpg

总查询时间的对比如下:
6.jpg

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。

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

0 个评论

要回复文章请先登录注册