ES 不香吗，为啥被大厂摒弃而迁移到ClickHouse？

  • Linksla

    2023-05-08 09:30:24
  • IT综合
  • 转载

前言

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。

图片

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。

图片

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。

图片

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（https://github.com/gangtao/esvsch）来验证。
这个测试的架构如下：

图片

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：


    

    
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\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.[
"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：

        • http://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：

                          图片

                          总查询时间的对比如下：

                          图片

                          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。

                          来源：https://zhuanlan.zhihu.com/p/353296392


                          请使用浏览器的分享功能分享到微信等