揭开 ClickHouse 快的面纱

https://www.jianshu.com/p/f9a54193dc63

背景

其实早在去年我们就已经开始接触并研究clickhouse了，因为当时进行多表关联测试性能并不是特别优秀，所以并没有在线上大范围使用，当时研究的是分布式部署 （感觉分布式会比单机好一些）最后发现性能并不怎么样 而且分布式的sql也有很多限制，不支持单条删除和更新操作、不支持in和join（当时的版本，18.12.14之前），直到前几天看了携程一篇关于clickhouse的文章，将clickhouse的性能描述的神乎其神，再次勾起了我研究的欲望，附携程公众号文章 干货 | 每天十亿级数据更新，秒出查询结果，ClickHouse在携程酒店的应用

测试

开始之前我们先看结果：

1

携程的case

clickhouse 版本：18.12.13

服务器配置：

数据：

测试场景：

根据携程给的一份查询统计数据来看他们基于clickhouse的分析需求90%在500ms内：

1

易企秀测试case

clickhouse 版本：18.12.13

服务器配置：

数据：

测试场景：

单表聚合：

多表关联聚合：

通过对比测试，在配置相当的情况下测试结果差距还是很大的，那么究竟是什么原因造成的呢？该如何进行优化...

过程再现

1

调参

网上有人说通过调大 max_memory_usage 与 max_bytes_before_external_group_by 的值可改善查询性能（主要是处理并发query或单次查询内存约束的）

SET max_memory_usage = 128000000000; #128G，
SET max_memory_usage = 60000000000; #60G，

实际测试这种操作，性能并没有任何影响，但在16C 、68G、普通硬盘环境下的clickhouse调大这两个参数的值性能会有一倍提升。

2

优化建表语句

建表语句：

通过缩小分区数量性能略有提升，但不明显

3

优化SQL

JOIN操作时一定要把数据量小的表放在右边，ClickHouse中无论是Left Join 、Right Join还是Inner Join永远都是拿着右表中的每一条记录到左表中查找该记录是否存在，所以右表必须是小表。

4

优化engine

将普通的mergetree engin 改为特殊的memory engine，性能无任何变化。

memory engine：

5

io 排查

通过测试过程中对硬盘io的监控数据看，clickhouse在计算的过程中基本没有什么io操作，只是在最后一个阶段有1-2s的写io操作，这也侧面印证mergetree的强大。

那么问题来了 ，这些都没有明显改善，那携程的case是怎么快起来的呢？

初步怀疑携程case中的操作并没有使用到全表数据，应该在聚合前加了很多筛选条件，带着疑问邮件了上文的作者，结论如下：

邮件：

携程多表关联聚合的真实case：

6

我们调参后的case

秒查：

结论

1、使用SSD盘比普通盘性能会提升1倍 2、亿级别单表聚合排序最慢2s出结果，普通盘需4秒 3、多表关联需增加过滤条件，将聚合结果控制在千万级别内可秒出 4、join时大表在左小表在右 5、如果不想加where条件，那么可以提前构建大宽表或者预计算 6、按照我们业务量级上面服务器配置减半并不影响性能

其实clickhouse并不需要做什么优化，100个并发内单表分析可随意操作，体验极佳；多表分析需根据实际使用场景针对性优化

普通盘：

认为是对的 坚持下去 就是对的，认为是对的 不去坚持 最后可能就是错的

目前我们实时数仓除了使用clickhouse外，还在使用另外一个秒查引擎，亿级规模场景下分析，这个engine是真的秒查哦 SnappyData（https://www.jianshu.com/p/ccad1333c48d）

近期回顾

1、你可能不知道的Redis用法

2、Spark 设置指定 JDK 的正确姿势

3、玩转HBase百亿级数据扫描

4、一份超详细的 Spark 入门介绍