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。

[[410030]]

圖片來自包圖網

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 開發的面向列式存儲的關系型數據庫。ClickHouse 是過去兩年中 OLAP 領域中最熱門的，并于 2016 年開源。

ES 是最為流行的大數據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，許多公司已經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。

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。搜索是大數據領域要解決的一個常見的問題，就是在海量的數據量要如何按照條件找到需要的數據。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，每一個節點(node)可以配制成不同的角色。

如上圖所示：

• Client Node，負責 API 和數據的訪問的節點，不存儲/處理數據。
• Data Node，負責數據的存儲和索引。
• Master Node，管理節點，負責 Cluster 中的節點的協調，不存儲數據。

ClickHouse 是基于 MPP 架構的分布式 ROLAP(關系 OLAP)分析引擎。每個節點都有同等的責任，并負責部分數據處理(不共享任何內容)。

ClickHouse 是一個真正的列式數據庫管理系統(DBMS)。在 ClickHouse 中，數據始終是按列存儲的，包括矢量(向量或列塊)執行的過程。

讓查詢變得更快，最簡單且有效的方法是減少數據掃描范圍和數據傳輸時的大小，而列式存儲和數據壓縮就可以幫助實現上述兩點。

Clickhouse 同時使用了日志合并樹，稀疏索引和 CPU 功能(如 SIMD 單指令多數據)充分發揮了硬件優勢，可實現高效的計算。

Clickhouse 使用 Zookeeper 進行分布式節點之間的協調。

為了支持搜索，Clickhouse 同樣支持布隆過濾器。

查詢對比實戰

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：

https://github.com/gangtao/esvsch 

這個測試的架構如下：

架構主要有四個部分組成：

①ES stack

ES stack 有一個單節點的 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：

version: '3.7' 
 
services: 
  elasticsearch: 
    image: docker.elastic.co/elasticsearch/elasticsearch:7.4.0 
    container_name: elasticsearch 
    environment: 
      - xpack.security.enabled=false 
      - discovery.type=single-node 
    ulimits: 
      memlock: 
        soft: -1 
        hard: -1 
      nofile: 
        soft: 65536 
        hard: 65536 
    cap_add: 
      - IPC_LOCK 
    volumes: 
      - elasticsearch-data:/usr/share/elasticsearch/data 
    ports: 
      - 9200:9200 
      - 9300:9300 
    deploy: 
      resources: 
        limits: 
          cpus: '4' 
          memory: 4096M 
        reservations: 
          memory: 4096M 
 
  kibana: 
    container_name: kibana 
    image: docker.elastic.co/kibana/kibana:7.4.0 
    environment: 
      - ELASTICSEARCH_HOSTS=http://elasticsearch:9200 
    ports: 
      - 5601:5601 
    depends_on: 
      - elasticsearch 
 
volumes: 
  elasticsearch-data: 
    driver: local 

②Clickhouse stack

Clickhouse stack 有一個單節點的 Clickhouse 服務容器和一個 TabixUI 作為 Clickhouse 的客戶端。

部署代碼如下：

version: "3.7" 
services: 
  clickhouse: 
    container_name: clickhouse 
    image: yandex/clickhouse-server 
    volumes: 
      - ./data/config:/var/lib/clickhouse 
    ports: 
      - "8123:8123" 
      - "9000:9000" 
      - "9009:9009" 
      - "9004:9004" 
    ulimits: 
      nproc: 65535 
      nofile: 
        soft: 262144 
        hard: 262144 
    healthcheck: 
      test: ["CMD", "wget", "--spider", "-q", "localhost:8123/ping"] 
      interval: 30s 
      timeout: 5s 
      retries: 3 
    deploy: 
      resources: 
        limits: 
          cpus: '4' 
          memory: 4096M 
        reservations: 
          memory: 4096M 
 
  tabixui: 
    container_name: tabixui 
    image: spoonest/clickhouse-tabix-web-client 
    environment: 
      - CH_NAME=dev 
      - CH_HOST=127.0.0.1:8123 
      - CH_LOGIN=default 
    ports: 
      - "18080:80" 
    depends_on: 
      - clickhouse 
    deploy: 
      resources: 
        limits: 
          cpus: '0.1' 
          memory: 128M 
        reservations: 
          memory: 128M 

③數據導入 stack

數據導入部分使用了 Vector.dev 開發的 vector，該工具和 fluentd 類似，都可以實現數據管道式的靈活的數據導入。

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，我們需要導入數據，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 上創建表。ES 的索引沒有固定模式，所以不需要事先創建索引。

創建表的代碼如下：

CREATE TABLE default.syslog( 
    application String, 
    hostname String, 
    message String, 
    mid String, 
    pid String, 
    priority Int16, 
    raw String, 
    timestamp DateTime('UTC'), 
    version Int16 
) ENGINE = MergeTree() 
    PARTITION BY toYYYYMMDD(timestamp) 
    ORDER BY timestamp 
    TTL timestamp + toIntervalMonth(1); 

創建好表之后，我們就可以啟動 vector，向兩個 stack 寫入數據了。vector 的數據流水線的定義如下：

[sources.in] 
  type = "generator" 
  format = "syslog" 
  interval = 0.01 
  count = 100000 
 
[transforms.clone_message] 
  type = "add_fields" 
  inputs = ["in"] 
  fields.raw = "{{ message }}" 
 
[transforms.parser] 
  # General 
  type = "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] 
  # General 
  type = "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] 
  # General 
  type = "elasticsearch" 
  inputs = ["coercer"] 
  compression = "none"  
  endpoint = "http://host.docker.internal:9200"  
  index = "syslog-%F" 
 
  # Encoding 
 
  # Healthcheck 
  healthcheck.enabled = true 

這里簡單介紹一下這個流水線：

• source.in：生成 syslog 的模擬數據，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：數據類型轉化。
• sinks.out_console：把生成的數據打印到控制臺，供開發調試。
• sinks.out_clickhouse：把生成的數據發送到Clickhouse。
• sinks.out_es：把生成的數據發送到 ES。

運行 Docker 命令，執行該流水線：

docker run \ 
        -v $(mkfile_path)/vector.toml:/etc/vector/vector.toml:ro \ 
        -p 18383:8383 \ 
        timberio/vector:nightly-alpine 

數據導入后，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：

# ES 
{ 
  "query":{ 
    "match_all":{} 
  } 
} 
 
# Clickhouse  
"SELECT * FROM syslog" 

匹配單個字段：

# ES 
{ 
  "query":{ 
    "match":{ 
      "hostname":"for.org" 
    } 
  } 
} 
 
# Clickhouse  
"SELECT * FROM syslog WHERE hostname='for.org'" 

匹配多個字段：

# ES 
{ 
  "query":{ 
    "multi_match":{ 
      "query":"up.com ahmadajmi", 
        "fields":[ 
          "hostname", 
          "application" 
        ] 
    } 
  } 
} 
 
# Clickhouse、 
"SELECT * FROM syslog WHERE hostname='for.org' OR application='ahmadajmi'" 

單詞查找，查找包含特定單詞的字段：

# ES 
{ 
  "query":{ 
    "term":{ 
      "message":"pretty" 
    } 
  } 
} 
 
# Clickhouse 
"SELECT * FROM syslog WHERE lowerUTF8(raw) LIKE '%pretty%'" 

范圍查詢，查找版本大于 2 的記錄：

# ES 
{ 
  "query":{ 
    "range":{ 
      "version":{ 
        "gte":2 
      } 
    } 
  } 
} 
 
# Clickhouse 
"SELECT * FROM syslog WHERE version >= 2" 

查找到存在某字段的記錄：

# ES 
{ 
  "query":{ 
    "exists":{ 
      "field":"application" 
    } 
  } 
} 
 
# Clickhouse 
"SELECT * FROM syslog WHERE application is not NULL" 

ES 是文檔類型的數據庫，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據：

# ES 
{ 
  "query":{ 
    "regexp":{ 
      "hostname":{ 
        "value":"up.*", 
          "flags":"ALL", 
            "max_determinized_states":10000, 
              "rewrite":"constant_score" 
      } 
    } 
  } 
} 
 
# Clickhouse 
"SELECT * FROM syslog WHERE match(hostname, 'up.*')" 

聚合計數，統計某個字段出現的次數：

# ES 
{ 
  "aggs":{ 
    "version_count":{ 
      "value_count":{ 
        "field":"version" 
      } 
    } 
  } 
} 
 
# Clickhouse 
"SELECT count(version) FROM syslog" 

聚合不重復的值，查找所有不重復的字段的個數：

# ES 
{ 
  "aggs":{ 
    "my-agg-name":{ 
      "cardinality":{ 
        "field":"priority" 
      } 
    } 
  } 
} 
 
# Clickhouse 
"SELECT count(distinct(priority)) FROM syslog " 

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

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：

通過測試數據我們可以看出 Clickhouse 在大部分的查詢的性能上都明顯要優于 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 表現異常優秀，充分發揮了列村引擎的優勢。

注意，我的測試并沒有任何優化，對于 Clickhouse 也沒有打開布隆過濾器。可見 Clickhouse 確實是一款非常優秀的數據庫，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，這里只有一些非常基本的查詢，有些查詢可能存在無法用 SQL 表達的情況。

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非常優秀，性能優于 ES，這也解釋了為什么用很多的公司應從 ES 切換到 Clickhouse 之上。

作者：Gang Tao

編輯：陶家龍

出處：zhuanlan.zhihu.com/p/353296392