開源分析數據庫ClickHouse以快著稱,真的如此嗎?我們通過對比測試來驗證一下。
ClickHouse vs Oracle
先用ClickHouse(簡稱CH)、Oracle數據庫(簡稱ORA)一起在相同的軟硬件環境下做對比測試。測試基準使用國際廣泛認可的TPC-H,針對8張表,完成22條SQL語句定義的計算需求(Q1到Q22)。測試採用單機12線程,數據總規模100G。TPC-H對應的SQL都比較長,這裏就不詳細列出了。
Q1是簡單的單表遍歷計算分組彙總,對比測試結果如下:
CH計算Q1的表現要好於ORA,說明CH的列式存儲做得不錯,單表遍歷速度很快。而ORA主要喫虧在使用了行式存儲,明顯要慢得多了。
但是,如果我們加大計算複雜度,CH的表現怎麼樣呢?繼續看TPC-H的Q2、Q3、Q7,測試結果如下:
計算變得複雜之後,CH性能出現了明顯的下降。Q2涉及數據量較少,列存作用不大,CH性能和ORA幾乎一樣。Q3數據量較大,CH佔了列存的便宜後超過了ORA。Q7數據也較大,但是計算複雜,CH性能還不如ORA。
做複雜計算快不快,主要看性能優化引擎做的好不好。CH的列存佔據了巨大的存儲優勢,但竟然被ORA用行式存儲趕上,這說明CH的算法優化能力遠不如ORA。
TPC-H的Q8是更復雜一些的計算,子查詢中有多表連接,CH跑了2000多秒還沒有出結果,應該是卡死了,ORA跑了192秒。Q9在Q8的子查詢中增加了like,CH直接報內存不足的錯誤了,ORA跑了234秒。其它還有些複雜運算是CH跑不出來的,就沒法做個總體比較了。
CH和ORA都基於SQL語言,但是ORA能優化出來的語句,CH卻跑不出來,更證明CH的優化引擎能力比較差。
坊間傳說,CH只擅長做單表遍歷運算,有關聯運算時甚至跑不過MySQL,看來並非虛妄胡說。想用CH的同學要掂量一下了,這種場景到底能有多大的適應面?
esProc SPL登場
開源esProc SPL也是以高性能作爲宣傳點,那麼我們再來比較一下。
仍然是跑TPC-H來看 :
Q2、Q3、Q7這些較複雜的運算,SPL比CH和ORA跑的都快。CH跑不出結果的Q8、Q9,SPL分別跑了37秒和68秒,也比ORA快。原因在於SPL可以採用更優的算法,其計算複雜度低於被ORA優化過的SQL,更遠低於CH執行的SQL,再加上列存,最終是用Java開發的SPL跑贏了C++實現的CH和ORA。
大概可以得到結論,esProc SPL無論做簡單計算,還是複雜計算性能都非常好。
不過,Q1這種簡單運算,CH比SPL還是略勝了一籌。似乎可以進一步證明前面的結論,即CH特別擅長簡單遍歷運算。
且慢,SPL還有祕密武器。
SPL的企業版中提供了列式遊標機制,我們再來對比測試一下:在8億條數據量下,做最簡單的分組彙總計算,對比SPL(使用列式遊標)和CH的性能。(採用的機器配置比前面做TPC-H測試時略低,因此測出的結果不同,不過這裏主要看相對值。)
簡單分組彙總對應CH的SQL語句是:
SQL1:
SELECT mod(id, 100) AS Aid, max(amount) AS Amax FROM test.t GROUP BY mod(id, 100)
這個測試的結果是下圖這樣:
SPL使用列式遊標機制之後,簡單遍歷分組計算的性能也和CH一樣了。如果在TPC-H的Q1測試中也使用列式遊標,SPL也會達到和CH同樣的性能。
測試過程中發現,8億條數據存成文本格式佔用磁盤15G,在CH中佔用5.4G,SPL佔用8G。說明CH和SPL都採用了壓縮存儲,CH的壓縮比更高些,也進一步證明CH的存儲引擎做得確實不錯。不過,SPL也可以達到和CH同樣的性能,這說明SPL存儲引擎和算法優化做得都比較好,高性能計算能力更加均衡。
當前版本的SPL是用Java寫的,Java讀數後生成用於計算的對象的速度很慢,而用C++開發的CH則沒有這個問題。對於複雜的運算,讀數時間佔比不高,Java生成對象慢造成的拖累還不明顯;而對於簡單的遍歷運算,讀數時間佔比很高,所以前面測試中SPL就會比CH更慢。列式遊標優化了讀數方案,不再生成一個個小對象,使對象生成次數大幅降低,這時候就能把差距拉回來了。單純從存儲本身看,SPL和CH相比並沒有明顯的優劣之分。
接下來再看常規TopN的對比測試,CH的SQL是:
SQL2:
SELECT * FROM test.t ORDER BY amount DESC LIMIT 100
對比測試結果是這樣的:
單看CH的SQL2,常規TopN的計算方法是全排序後取出前N條數據。數據量很大時,如果真地做全排序,性能會非常差。SQL2的測試結果說明,CH應該和SPL一樣做了優化,沒有全排序,所以兩者性能都很快,SPL稍快一些。
也就是說,無論簡單運算還是複雜運算,esProc SPL都能更勝一籌。
進一步的差距
差距還不止於此。
正如前面所說,CH和ORA使用SQL語言,都是基於關係模型的,所以都面臨SQL優化的問題。TPC-H測試證明,ORA能優化的一些場景CH卻優化不了,甚至跑不出結果。那麼,如果面對一些ORA也不會優化的計算,CH就更不會優化了。比如說我們將SQL1的簡單分組彙總,改爲兩種分組彙總結果再連接,CH的SQL寫出來大致是這樣:
SQL3:
SELECT * FROM ( SELECT mod(id, 100) AS Aid, max(amount) AS Amax FROM test.t GROUP BY mod(id, 100) ) A JOIN ( SELECT floor(id / 200000) AS Bid, min(amount) AS Bmin FROM test.t GROUP BY floor(id / 200000) ) B ON A.Aid = B.Bid
這種情況下,對比測試的結果是CH的計算時間翻倍,SPL則不變:
這是因爲SPL不僅使用了列式遊標,還使用了遍歷複用機制,能在一次遍歷過程中計算出多種分組結果,可以減少很多硬盤訪問量。CH使用的SQL無法寫出這樣的運算,只能靠CH自身的優化能力了。而CH算法優化能力又很差,其優化引擎在這個測試中沒有起作用,只能遍歷兩次,所以性能下降了一倍。
SPL實現遍歷複用的代碼很簡單,大致是這樣:
A | B | |
1 | =file("topn.ctx").open().cursor@mv(id,amount) | |
2 | cursor A1 | =A2.groups(id%100:Aid;max(amount):Amax) |
3 | cursor | =A3.groups(id\200000:Bid;min(amount):Bmin) |
4 | =A2.join@i(Aid,A3:Bid,Bid,Bmin) |
再將SQL2常規TopN計算,調整爲分組後求組內TopN。對應SQL是:
SQL4:
SELECT gid, groupArray(100)(amount) AS amount FROM ( SELECT mod(id, 10) AS gid, amount FROM test.topn ORDER BY gid ASC, amount DESC ) AS a GROUP BY gid
這個分組TopN測試的對比結果是下面這樣的:
CH做分組TopN計算比常規TopN慢了42倍,說明CH在這種情況下很可能做了排序動作。也就是說,情況複雜化之後,CH的優化引擎又不起作用了。與SQL不同,SPL把TopN看成是一種聚合運算,和sum、count這類運算的計算邏輯是一樣的,都只需要對原數據遍歷一次。這樣,分組求組內TopN就和分組求和、計數一樣了,可以避免排序計算。因此,SPL計算分組TopN比CH快了22倍。
而且,SPL計算分組TopN的代碼也不復雜:
A | |
1 | =file("topn.ctx").open().cursor@mv(id,amount) |
2 | =A1.groups(id%10:gid;top(10;-amount)).news(#2;gid,~.amount) |
不只是跑得快
再來看看電商系統中常見的漏斗運算。SPL的代碼依然很簡潔:
A | B | |
1 | =["etype1","etype2","etype3"] | =file("event.ctx").open() |
2 | =B1.cursor(id,etime,etype;etime>=date("2021-01-10") && etime | |
3 | =A2.group(id).(~.sort(etime)) | =A3.new(~.select@1(etype==A1(1)):first,~:all).select(first) |
4 | =B3.(A1.(t=if(#==1,t1=first.etime,if(t,all.select@1(etype==A1.~ && etime>t && etime | |
5 | =A4.groups(;count(~(1)):STEP1,count(~(2)):STEP2,count(~(3)):STEP3) |
CH的SQL無法實現這樣的計算,我們以ORA爲例看看三步漏斗的SQL寫法:
with e1 as ( select gid,1 as step1,min(etime) as t1 from T where etime>= to_date('2021-01-10', 'yyyy-MM-dd') and etime= to_date('2021-01-10', 'yyyy-MM-dd') and e2.etime t1 and e2.etime < t1 + 7 and eventtype='eventtype2' and … group by 1 ), with e3 as ( select gid,1 as step3,min(e2.t1) as t1,min(e3.etime) as t3 from T as e3 inner join e2 on e3.gid = e2.gid where e3.etime>= to_date('2021-01-10', 'yyyy-MM-dd') and e3.etime t2 and e3.etime < t1 + 7 and eventtype='eventtype3' and … group by 1 ) select sum(step1) as step1, sum(step2) as step2, sum(step3) as step3 from e1 left join e2 on e1.gid = e2.gid left join e3 on e2.gid = e3.gid
ORA 的SQL寫出來要三十多行,理解起來有相當的難度。而且這段代碼和漏斗的步驟數量相關,每增加一步數就要再增加一段子查詢。相比之下,SPL就簡單得多,處理任意步驟數都是這段代碼。
這種複雜的SQL,寫出來都很費勁,性能優化更無從談起。
而CH的SQL還遠不如ORA,基本上寫不出這麼複雜的邏輯,只能在外部寫C++代碼實現。也就是說,這種情況下只能利用CH的存儲引擎。雖然用C++在外部計算有可能獲得很好的性能,但開發成本非常高。類似的例子還有很多,CH都無法直接實現。
總結一下:CH計算某些簡單場景(比如單表遍歷)確實很快,和SPL的性能差不多。但是,高性能計算不能只看簡單情況快不快,還要權衡各種場景。對於複雜運算而言,SPL不僅性能遠超CH,代碼編寫也簡單很多。SPL能覆蓋高性能數據計算的全場景,可以說是完勝CH。