大家好，我是D哥
点击关注下方公众号，Java面试资料 都在这里
来源：zhuanlan.zhihu.com/p/353296392
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。
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。
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。
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：
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:7.4.0container_name: elasticsearchenvironment:-xpack.security.enabled=false-discovery.type=single-nodeulimits:memlock:soft: -1hard: -1nofile:soft: 65536hard: 65536cap_add:-IPC_LOCKvolumes:-elasticsearch-data:/usr/share/elasticsearch/dataports:-9200:9200-9300:9300deploy:resources:limits:cpus: '4'memory: 4096Mreservations:memory: 4096Mkibana:container_name: kibanaimage: docker.elastic.co/kibana/kibana:7.4.0environment:-ELASTICSEARCH_HOSTS=http://elasticsearch:9200ports:-5601:5601depends_on:-elasticsearchvolumes: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: clickhouseimage: yandex/clickhouse-servervolumes:-./data/config:/var/lib/clickhouseports:-"8123:8123"-"9000:9000"-"9009:9009"-"9004:9004"ulimits:nproc: 65535nofile:soft: 262144hard: 262144healthcheck:test: ["CMD", "wget", "--spider", "-q", "localhost:8123/ping"]interval: 30stimeout: 5sretries: 3deploy:resources:limits:cpus: '4'memory: 4096Mreservations:memory: 4096Mtabixui:container_name: tabixuiimage: spoonest/clickhouse-tabix-web-clientenvironment:-CH_NAME=dev-CH_HOST=127.0.0.1:8123-CH_LOGIN=defaultports:-"18080:80"depends_on:-clickhousedeploy:resources:limits:cpus: '0.1'memory: 128Mreservations: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：
CREATETABLE default.syslog( application String, hostname String, message String,midString, pid String,priority Int16,rawString,timestamp DateTime('UTC'),version Int16) ENGINE = MergeTree()PARTITIONBY toYYYYMMDD(timestamp)ORDERBYtimestamp 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]# Generaltype = "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]# Generaltype = "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]# Generaltype = "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：
总查询时间的对比如下：
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。
技术交流群
最后，D哥也建了一个技术群，主要探讨一些新的技术和开源项目值不值得去研究及IDEA使用的“骚操作”，有兴趣入群的同学，可长按扫描下方二维码，一定要备注：城市+昵称+技术方向，根据格式备注，可更快被通过且邀请进群。
▲长按扫描
热门推荐：
继续阅读
阅读原文
关键词
性能
节点
日志
分布式
字段