ES 和 Clickhouse 查询能力对比，实践结果根本料不到……

老屁_杭州分汪
60 阅读7分钟
  • 架构和设计的对比
  • 查询对比实战
  • 总结

image.png

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。

image.png

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，如下图所示：

  • 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。

image.png

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。

image.png

为了支持搜索，Clickhouse同样支持布隆过滤器。

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

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（github.com/gangtao/esv…

这个测试的架构如下：

image.png

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： YAML示例
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
> 基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能  
>  
> * 项目地址：<https://github.com/YunaiV/yudao-cloud>  
> * 视频教程：<https://doc.iocoder.cn/video/>  
  
# 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
# ES  
{  
  "query":{  
    "exists":{  
      "field":"application"  
    }  
  }  
}  
  
# Clickhouse  
"SELECT * FROM syslog WHERE application is not NULL"
  • 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：

image.png

总查询时间的对比如下：

image.png

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。

avatar
文章
阅读
粉丝