【推荐】一款足以秒杀流行商业数据库的异域猛禽
欧阳辰 2016-08-20 09:46:00
作者介绍
欧阳辰，超过15年的软件开发和设计经验，目前就职于小米公司，负责小米广告平台的架构研发。曾为微软公司工作10年，担任高级软件开发主管。热爱架构设计和高可用性系统，特别对于大规模互联网软件的开发，具有丰富的理论知识和实践经验。个人公众号：互联居。
今天介绍一个来自俄罗斯的凶猛无比的分析数据库：ClickHouse。
本文内容较长，分为三个部分：走马观花，死而后生，遥指杏花村；第一章，走马观花，初步了解一下基本特性；第二章，死而后生，介绍ClickHouse的技术架构演化的今生前世；第三章，遥指杏花村，介绍一些参考资料，包括一些俄文资料。
第一章 走马观花
俄罗斯的“百度”叫做Yandex，覆盖了俄语搜索超过68%的市场，有俄语的地方就有Yandex；有中文的地方，就有百度么？好像不一定 : )
Yandex在2016年6月15日开源了一个数据分析的数据库，名字叫做ClickHouse，这对保守俄罗斯人来说是个特大事。更让人惊讶的是，这个列式存储数据库的跑分要超过很多流行的商业MPP数据库软件，例如Vertica。如果你没有听过Vertica，那你一定听过 Michael Stonebraker，2014年图灵奖的获得者，PostgreSQL和Ingres发明者（Sybase和SQL Server都是继承 Ingres而来的）, Paradigm4和SciDB的创办者。Michael Stonebraker于2005年创办Vertica公司，后来该公司被HP收购，Vertica成为MPP列式存储商业数据库的代表。
简单的说，ClickHouse作为分析型数据库，有三大特点：一是跑分快， 二是功能多 ，三是文艺范。
1、跑分快： ClickHouse跑分是Vertica的5倍快：
ClickHouse性能超过了市面上大部分的列式存储数据库，相比传统的数据ClickHouse要快100-1000X，ClickHouse还是有非常大的优势：
- 100Million 数据集：
ClickHouse比Vertica约快5倍，比Hive快279倍，比My SQL快801倍
- 1Billion 数据集：
ClickHouse比Vertica约快5倍，MySQL和Hive已经无法完成任务了
2、功能多：ClickHouse支持数据统计分析各种场景
- 支持类SQL查询
- 支持繁多库函数（例如IP转化，URL分析等，预估计算/HyperLoglog等）
- 支持数组(Array)和嵌套数据结构(Nested Data Structure)
- 支持数据库异地复制部署
3、文艺范：目前ClickHouse的限制很多，生来就是为小资服务的
- 目前只支持Ubuntu系统
- 不提供设计和架构文档，设计很神秘的样子，只有开源的C++源码
- 不理睬Hadoop生态，走自己的路
谁在用ClickHouse?
- 由于项目今年6月才开源，因此外部商业应用并不多件，但是开发社区的讨论还是保持热度(主要用俄语）
- 使用ClickHouse的十几个Yandex 项目包括：Yandex数据分析，电子邮件，广告数据分析，用户行为分析等等
- 2012年，欧洲核子研究中心使用ClickHouse保存粒子对撞机产生的大量实验数据，每年的数据存储量都是PB级别，并支持统计分析查询
ClickHouse最大应用
最大的应用来自于Yandex的统计分析服务Yandex.Metrica，类似于谷歌Analytics(GA)，或百度统计，小米统计，帮助网站或移动应用进行数据分析和精细化运营工具，据称Yandex.Metrica为世界上第二大的网站分析平台。ClickHouse在这个应用中，部署了近四百台机器，每天支持200亿的事件和历史总记录超过13万亿条记录，这些记录都存有原始数据（非聚合数据），随时可以使用SQL查询和分析，生成用户报告。
ClickHouse就是快：比Veritca快约5倍
下面是100M数据集的跑分结果：ClickHouse 比Vertia快约5倍，比Hive快279倍，比My SQL 快801倍；虽然对不同的SQL查询，结果不完全一样，但是基本趋势是一致的。ClickHouse跑分有多块？ 举个例子：ClickHouse 1秒，Vertica 5.42秒，Hive 279秒；
ClickHouse是什么，适合什么场景？
到底什么是ClickHouse数据库，场景应用是什么，参考下面说明：
ClickHouse的不完美：
- 不支持Transaction：想快就别想Transaction
- 聚合结果必须小于一台机器的内存大小
- 缺少完整的Update/Delete操作
- 支持有限操作系统
ClickHouse和一些技术的比较
1.商业OLAP数据库
例如：HP Vertica, Actian the Vector,
区别：ClickHouse是开源而且免费的
2.云解决方案
例如：亚马逊RedShift和谷歌的BigQuery
区别：ClickHouse可以使用自己机器部署，无需为云付费
3.Hadoop生态软件
例如：Cloudera Impala, Spark SQL, Facebook Presto , Apache Drill
区别：
- ClickHouse支持实时的高并发系统
- ClckHouse不依赖于Hadoop生态软件和基础
- ClickHouse支持分布式机房的部署
4.开源OLAP数据库
例如：InfiniDB, MonetDB, LucidDB
区别：这些项目的应用的规模较小，并没有应用在大型的互联网服务当中，相比之下，ClickHouse的成熟度和稳定性远远超过这些软件。
5.开源分析，非关系型数据库
例如：Druid , Apache Kylin
区别：ClickHouse可以支持从原始数据的直接查询，ClickHouse支持类SQL语言，提供了传统关系型数据的便利。
第二章 死而后生
ClickHouse设计之初就是为Yandex.Metrika而生，先一起看看Yandex.Metrika数据分析系统的演化过程吧，ClickHouse是第四代的解决方案，经过三次死亡后的产物，涅槃重生的巨兽！
第一阶段：MYISAM (LSM-Tree) (2008-2011)
Yandex.Metrika产品成立于2008年，最开始使用了MyISAM作为存储引擎。熟悉MySQL的同学都知道，这是MySQL的重要存储引擎之一（另外一个是InnoDB)。MyISAM中的实现也是使用LSM-Tree的设计，基本思路就是将对数据的更改hold在内存中，达到指定的threadhold后将该批更改批量写入到磁盘，在批量写入的过程中跟已经存在的数据做rolling merge。
使用MyISAM的方法，刚开始数据量不大，访问请求也不大的时候，这个方法非常有效，特别是对于一些固定的报告生成，效率非常高，系统能够保持很好的系统写能力。
数据格式也是传统的索引结构：一个数据文件+一个索引结构； 索引结构是一个B-Tree结构，叶子节点保持着数据文件的OffSet; 通过Index文件找到数据范围，然后进行数据文件读取；早期的实现是将Index文件装在内存中，数据文件在磁盘当中，或则SSD等。当时7200RPM的硬盘，每秒进行100-200次随机读；SSD硬盘可以支持30000次随机读/每秒。
除了考察MyISAM之外，InnoDB也被考察过。MyISAM的索引和数据是分开的，并且索引是有压缩的，这种方式可以提高内存的使用率。加载更多索引到内存中，而Innodb是索引和数据是紧密捆绑的，没有使用压缩的情况下，InnoDb的大小会比MyISAM体积大很多。当然，InnoDB支持的Transaction也是非常诱人的。
阶段二: Metrage (从2010-现在)
为了解决MyISAM的一些问题，Yandex决定开发Metrage，核心想法来源于统计分析数据的一些特点，统计分析数据的每行数据量都不大，因此可以将多行数据聚合在一起作为处理单位，加快操作速度和系统的吞吐能力。
它有几个特点：
- 数据通过小批量Batch存储
- 支持高强度的写操作（数千行写入/每秒）
- 读数据量非常小
- 读数据操作中Primary Key 的数量有限（<1百万）
- 每一行的数据量很小
整个结构类似于MyISAM的索引，但是数据块中也聚合了一些小粒度的数据，索引放在内存中，数据被整理成块放在磁盘中，并且进行压缩。
该数据结构的优点：
- 数据被压缩成块。 由于存储有序，压缩足够强大，其中使用了快速压缩算法（在2010年使用QuickLZ ，自2011年使用LZ4 ）。
- 采用稀疏索引： 稀疏索引 - 主键值排序后放置于若干个组中，可以节省大量索引空间。 这个索引始终放在内存中。
Metrage在数据量最大的时候，39*2台服务器中存储了大约3万亿行数据，每天机器大约为1千亿的数据。
这个系统有个缺点，数据查询只能进行基于固定的查询模式（否则性能将受到很大影响），因此在设计数据Schema的时候，需要考虑数据查询的性能问题，缺少足够的灵活型。因此这个项目使用了5年后，统计分析的数据都开始迁移到其他的平台系统中了（那时候LevelDB，还没有出现，否则可以使用LevelDB作为Mertage的核心模块）。
阶段三 OLAPServer (2009-2013)
随着Yandex.Metrike的数据量越来越大，数据查询的速度越来越慢，查询相应事件长，系统的CPU和IO资源占用大，因此公司内部尝试了不同的解决方案，其中一个原型方案是OLAPServer。 设计思路就是根据“星型结构”设计一些维度和事实列，通过预先部分聚合数据加快访问的速度，这一套技术用于支持各种报告的生成。
基本的场景如下：
- 支持一个Fact表，包括维度列(Dimension)和指标列（Metrics)，纬度有上百个
- 读取大量行的数据，但是一次查询往往只关注某些列
- 写多读少的场景，报表查询请求量并不大
- 大部分简单查询不超过50毫秒响应时间
- 列的值数据量非常小，通常为整数或者不超过60字节的URL
- 它需要高带宽，同时处理单个请求（高达十亿每秒的行的单个服务器上）
- 查询结果的数据量非常小，通常是数据聚合的结果
- 无需支持事务，数据更新极少，通知只有添加操作
这些场景下，使用列式数据库是非常有效的，从两个方面可以理解：
1. 磁盘I/O的优化
- 作为列式存储，查询只需要访问所关心的列数据
- 列数据放在一起，数据格式类似，非常容易压缩，因此减少I/O数据量
- 输入输出的减少，内存可以腾出更多地方作为Cache
2. CPU
由于数量行数特别大，数据的解压缩和计算将耗费非常多的CPU资源，为了提高CPU的效率，行业中通常是将数据转换成Vector的计算。例如行业比较流行的VectorWise方法。
下面是VectorWise的高层架构示意图，其基本想法就是将压缩的列数据整理成现代CPU容易处理的Vector模式，利用现代CPU的多线程，SIMD(Single Instruction,Multiple Data)，每次处理都是一批Vector数据，极大的提高了处理效率。
市场有非常多的的列式分析型数据库，例如HP Vertica, ParAccel Actian the Matrix, Google PowerDrill , Amazon的RedShift , MetaMarkets Druid等等，这些产品有很多不同的优化实践，有些是专于数据压缩，有些是专于数据聚合，有些是专于扩展性等。
OLAPServer在具体实现过程中，实际上采用的是比较保守的方法，实现的功能也比较有限，但是完全满足当时分析报表的支持。例如，OLAPServer数据类型只支持1-8字节的数据类型，查询只支持固定的模式：
Select keys ,aggregate(columns) from table where condition1 and condition2 .... Group by keys order by columns 。
尽管功能有限，OLAPServer还是满足了当时的分析报表功能，并且性能非常出色。由于设计之处的限制比较多，因此后期的改进过程中成本非常高，例如为了增加更长URL的数据类型，系统改动非常大。在2013年，OLAPServer存储了7280亿行数据，目前这些数据都迁移到ClickHouse了。
第四阶段 ClickHouse（2011-现在）
使用OLAPServer，我们能够可以实时看到一些预先聚合的数据，但是对于一些聚合前的详细数据是无法查询的，随着业务的深入发展，精细化运营对于统计服务提出了更高的要求，后期有大量需求是关于直接查询聚合前的数据。
总体来说，虽然数据聚合带来一些好处，但是也存在以下一些问题。
- 对于基数大的列，聚合的意义不大，例如URL等
- 过多的维度组合会导致组合爆炸
- 用户常常只关心聚合后的数据中的非常一一小部分数据，因此大量聚合预计算是得不偿失的。
- 聚合后的数据，数据修改会非常困难，很难保证存储的逻辑完整性
如果不预先聚合数据，如何保证响应时间是一个大挑战。这意味着，数据库需要支持秒级处理数十亿的行。
近年来，市面上也出现很多列式存储的开源DBMS，包括Cloudera Impala, Spark SQL, Presto, Apache Drill，这些系统虽然都能完成查询的功能，但是速度却无法满足数据统计分析的需求，即使聚合后的性能能够满足，但也缺少灵活度。
因此，Yandex开发了自己的列式分析数据库 ClickHouse，初期主要是满足Yandex.Metrike的统计分析需求，主角要上场了。
ClickHouse实际上来源于内部的几个项目的整合，项目起源起源于2011年左，到2013年的时候，ClickHouse的性能就和Vertica大致相同；2015年12月，ClickHouse的数量已经达到11万亿行，数据表有200多列，主集群的服务器数量也从初期的60台到394台；
整个系统的部署是支持水平扩展的，并且支持多机房部署和备份。虽然它是能够在大型集群操作，它可以被安装在同一服务器上，甚至在虚拟机上。
在最新的性能评测中，ClickHouse比Vertica快约5倍。现在Yandex公司内部有十几个应用系统在使用ClickHouse，场景包括数据存储，查询分析，报表制作等。
ClickHouse的蓝图
关于ClickHouse的下一步发展，公司并没有给出太多规划，因为多数信息还是属于不公开状态，但是从一些公开的信息，我们可以了解到，ClickHouse会向两个方向发展。
1、云计算数据库：
Yandex希望通过ClickHouse促进公司云计算数据库的发展，包括用户可以通过云服务的方式，使用ClickHouse，开源是走向市场的第一步。
2、加强SQL兼容性
为了支持更多的企业用户，目前的查询虽然采用非常近似的SQL语言，但是还有很多地方需要改进，包括和一些商业软件（例如Tableau,Pentaho）的集成无缝使用。
第三章 遥指杏花村
这一部分包括了一些ClickHouse的一些基本信息，帮助大家进入ClickHouse的世界。
1、主页：https://clickhouse.yandex
2、代码：https://github.com/yandex/ClickHouse
3、参考文章：
- Yandex.Metrike的架构演化：
https://habrahabr.ru/company/yandex/blog/273305/（俄文）很棒的文章
- MPP数据库基础架构：
http://vldb.org/pvldb/vol5/p1790_andrewlamb_vldb2012.pdf
http://www.cs.yale.edu/homes/dna/talks/Column_Store_Tutorial_VLDB09.pdf
4、关于Yandex的
Yandex的（纳斯达克股票代码：YNDX）是互联网公司在俄罗斯主导，经营该国最流行的搜索引擎和访问量最大的网站。Yandex的还经营在乌克兰，哈萨克斯坦，白俄罗斯和土耳其。Yandex的的使命是回答任何互联网用户的任何问题（Answer any question Internet users may have)。
最近在学习一些ClickHouse的源代码，还没有理清楚头绪，下次搞清楚逻辑后再和大家介绍一下，这里先纸上谈兵，点到为止了。