Elasticsearch 是一個實時的分布式搜索分析引擎，它的底層是構建在Lucene之上的。簡單來說是通過擴展Lucene的搜索能力，使其具有分布式的功能。ES通常會和其它兩個開源組件logstash（日志采集）和Kibana（儀表盤）一起提供端到端的日志/搜索分析的功能，常常被簡稱為ELK。

Clickhouse是俄羅斯搜索巨頭Yandex開發(fā)的面向列式存儲的關系型數(shù)據(jù)庫。ClickHouse是過去兩年中OLAP領域中最熱門的，并于2016年開源。

ES是最為流行的大數(shù)據(jù)日志和搜索解決方案，但是近幾年來，它的江湖地位受到了一些挑戰(zhàn)，許多公司已經(jīng)開始把自己的日志解決方案從ES遷移到了Clickhouse，這里就包括：攜程，快手等公司。

一、架構和設計的對比

ES的底層是Lucenc，主要是要解決搜索的問題。搜索是大數(shù)據(jù)領域要解決的一個常見的問題，就是在海量的數(shù)據(jù)量要如何按照條件找到需要的數(shù)據(jù)。搜索的核心技術是倒排索引和布隆過濾器。ES通過分布式技術，利用分片與副本機制，直接解決了集群下搜索性能與高可用的問題。

ElasticSearch是為分布式設計的，有很好的擴展性，在一個典型的分布式配置中，每一個節(jié)點（node）可以配制成不同的角色，如下圖所示：

Client Node，負責API和數(shù)據(jù)的訪問的節(jié)點，不存儲／處理數(shù)據(jù)。

Data Node，負責數(shù)據(jù)的存儲和索引。

Master Node，管理節(jié)點，負責Cluster中的節(jié)點的協(xié)調，不存儲數(shù)據(jù)。

Client Node，負責API和數(shù)據(jù)的訪問的節(jié)點，不存儲／處理數(shù)據(jù)。

Data Node，負責數(shù)據(jù)的存儲和索引。

Master Node，管理節(jié)點，負責Cluster中的節(jié)點的協(xié)調，不存儲數(shù)據(jù)。

展開全文

ClickHouse是基于MPP架構的分布式ROLAP（關系OLAP）分析引擎。每個節(jié)點都有同等的責任，并負責部分數(shù)據(jù)處理（不共享任何內容）。ClickHouse 是一個真正的列式數(shù)據(jù)庫管理系統(tǒng)（DBMS)。

在 ClickHouse 中，數(shù)據(jù)始終是按列存儲的，包括矢量（向量或列塊）執(zhí)行的過程。讓查詢變得更快，最簡單且有效的方法是減少數(shù)據(jù)掃描范圍和數(shù)據(jù)傳輸時的大小，而列式存儲和數(shù)據(jù)壓縮就可以幫助實現(xiàn)上述兩點。Clickhouse同時使用了日志合并樹，稀疏索引和CPU功能（如SIMD單指令多數(shù)據(jù)）充分發(fā)揮了硬件優(yōu)勢，可實現(xiàn)高效的計算。Clickhouse 使用Zookeeper進行分布式節(jié)點之間的協(xié)調。

為了支持搜索，Clickhouse同樣支持布隆過濾器。

二、查詢對比實戰(zhàn)

為了對比ES和Clickhouse的基本查詢能力的差異，我寫了一些代碼來驗證。

這個測試的架構如下：

架構主要包括四個部分。

1、ES stack

ES stack有一個單節(jié)點的Elastic的容器和一個Kibana容器組成，Elastic是被測目標之一，Kibana作為驗證和輔助工具。部署代碼如下：

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: 4096M

kibana:container_name: kibanaimage: docker.elastic.co/kibana/kibana:7.4.0environment:- ELASTICSEARCH_HOSTS=http://elasticsearch:9200ports:- 5601:5601depends_on:- elasticsearch

volumes:elasticsearch-data:driver: local

2、Clickhouse stack

Clickhouse stack有一個單節(jié)點的Clickhouse服務容器和一個TabixUI作為Clickhouse的客戶端。部署代碼如下：

tabixui: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

3、數(shù)據(jù)導入 stack

數(shù)據(jù)導入部分使用了Vector.dev開發(fā)的vector，該工具和fluentd類似，都可以實現(xiàn)數(shù)據(jù)管道式的靈活的數(shù)據(jù)導入。

4、測試控制 stack

測試控制我使用了Jupyter，使用了ES和Clickhouse的Python SDK來進行查詢的測試。

用Docker compose啟動ES和Clickhouse的stack后，我們需要導入數(shù)據(jù)，我們利用Vector的generator功能，生成syslog，并同時導入ES和Clickhouse，在這之前，我們需要在Clickhouse上創(chuàng)建表。ES的索引沒有固定模式，所以不需要事先創(chuàng)建索引。

創(chuàng)建表的代碼如下：

創(chuàng)建好表之后，我們就可以啟動vector，向兩個stack寫入數(shù)據(jù)了。vector的數(shù)據(jù)流水線的定義如下：

[transforms.clone_message]type = "add_fields"inputs = ["in"]fields.raw = "{{ message }}"

[transforms.parser]# Generaltype = "regex_parser"inputs = ["clone_message"]field = "message" # optional, defaultpatterns = ['^(?Ppriority\d*)(?Pversion\d) (?Ptimestamp\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\d{3}Z) (?Phostname\w+\.\w+) (?Papplication\w+) (?Ppid\d+) (?PmidID\d+) - (?Pmessage.*)$']

[transforms.coercer]type = "coercer"inputs = ["parser"]types.timestamp = "timestamp"types.version = "int"types.priority = "int"

[sinks.out_console]# Generaltype = "console"inputs = ["coercer"] target = "stdout" # Encodingencoding.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# Healthcheckhealthcheck.enabled = true

這里簡單介紹一下這個流水線：

http://source.in 生成syslog的模擬數(shù)據(jù)，生成10w條，生成間隔和0.01秒。

transforms.clone_message 把原始消息復制一份，這樣抽取的信息同時可以保留原始消息。

transforms.parser 使用正則表達式，按照syslog的定義，抽取出application，hostname，message ，mid ，pid ，priority ，timestamp ，version 這幾個字段。

transforms.coercer 數(shù)據(jù)類型轉化。

sinks.out_console 把生成的數(shù)據(jù)打印到控制臺，供開發(fā)調試。

sinks.out_clickhouse 把生成的數(shù)據(jù)發(fā)送到Clickhouse。

sinks.out_es 把生成的數(shù)據(jù)發(fā)送到ES。

運行Docker命令，執(zhí)行該流水線：

數(shù)據(jù)導入后，我們針對一下的查詢來做一個對比。ES使用自己的查詢語言來進行查詢，Clickhouse支持SQL，我簡單測試了一些常見的查詢，并對它們的功能和性能做一些比較。

返回所有的記錄

匹配單個字段

匹配多個字段

單詞查找，查找包含特定單詞的字段

范圍查詢， 查找版本大于2的記錄

查找到存在某字段的記錄

ES是文檔類型的數(shù)據(jù)庫，每一個文檔的模式不固定，所以會存在某字段不存在的情況；而Clickhouse對應為字段為空值

正則表達式查詢，查詢匹配某個正則表達式的數(shù)據(jù)

聚合計數(shù)，統(tǒng)計某個字段出現(xiàn)的次數(shù)

聚合不重復的值，查找所有不重復的字段的個數(shù)

我用Python的SDK，對上述的查詢在兩個Stack上各跑10次，然后統(tǒng)計查詢的性能結果。

我們畫出出所有的查詢的響應時間的分布：

總查詢時間的對比如下：

通過測試數(shù)據(jù)我們可以看出Clickhouse在大部分的查詢的性能上都明顯要優(yōu)于Elastic。在正則查詢（Regex query）和單詞查詢（Term query）等搜索常見的場景下，也并不遜色。

在聚合場景下，Clickhouse表現(xiàn)異常優(yōu)秀，充分發(fā)揮了列村引擎的優(yōu)勢。

我的測試并沒有任何優(yōu)化，對于Clickhouse也沒有打開布隆過濾器?？梢奀lickhouse確實是一款非常優(yōu)秀的數(shù)據(jù)庫，可以用于某些搜索的場景。當然ES還支持非常豐富的查詢功能，這里只有一些非?；镜牟樵儯行┎樵兛赡艽嬖跓o法用SQL表達的情況。

三、總結

本文通過對于一些基本查詢的測試，對比了Clickhouse 和Elasticsearch的功能和性能，測試結果表明，Clickhouse在這些基本場景表現(xiàn)非常優(yōu)秀，性能優(yōu)于ES，這也解釋了為什么有很多的公司應從ES切換到Clickhouse之上。

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

了解下大型企業(yè)是如何建設 DevOps、BizDevOps、AIOps、SRE的，10月26-27日，GOPS 全球運維大會 2023 · 上海站，期待與您共同成長~

數(shù)字化浪潮，數(shù)據(jù)中心場景下的數(shù)字孿生該如何探索與實踐 “高效運維”公 眾號誠邀廣大技術人員投稿投稿郵箱： jiachen@greatops.net，或添加聯(lián)系人微信：greatops1118。

點個“在看”，一年不宕機