关于dba:ClickHouse-挺快esProc-SPL-更快

开源剖析数据库 ClickHouse 以快著称，真的如此吗？咱们通过比照测试来验证一下。

先用 ClickHouse（简称 CH）、Oracle 数据库（简称 ORA）一起在雷同的软硬件环境下做比照测试。测试基准应用国内宽泛认可的 TPC-H，针对 8 张表，实现 22 条 SQL 语句定义的计算需要（Q1 到 Q22）。测试采纳单机 12 线程，数据总规模 100G。TPC- H 对应的 SQL 都比拟长，这里就不具体列出了。

Q1 是简略的单表遍历计算分组汇总，比照测试后果如下：

CH 计算 Q1 的体现要好于 ORA，阐明 CH 的列式存储做得不错，单表遍历速度很快。而 ORA 次要吃亏在应用了行式存储，显著要慢得多了。

然而，如果咱们加大计算复杂度，CH 的体现怎么样呢？持续看 TPC- H 的 Q2、Q3、Q7，测试后果如下：

计算变得复杂之后，CH 性能呈现了显著的降落。Q2 波及数据量较少，列存作用不大，CH 性能和 ORA 简直一样。Q3 数据量较大，CH 占了列存的便宜后超过了 ORA。Q7 数据也较大，然而计算简单，CH 性能还不如 ORA。

做简单计算快不快，次要看性能优化引擎做的好不好。CH 的列存占据了微小的存储劣势，但居然被 ORA 用行式存储赶上，这阐明 CH 的算法优化能力远不如 ORA。

TPC- H 的 Q8 是更简单一些的计算，子查问中有多表连贯，CH 跑了 2000 多秒还没有出后果，应该是卡死了，ORA 跑了 192 秒。Q9 在 Q8 的子查问中减少了 like，CH 间接报内存不足的谬误了，ORA 跑了 234 秒。其它还有些简单运算是 CH 跑不进去的，就没法做个总体比拟了。

CH 和 ORA 都基于 SQL 语言，然而 ORA 能优化进去的语句，CH 却跑不进去，更证实 CH 的优化引擎能力比拟差。

坊间传说，CH 只善于做单表遍历运算，有关联运算时甚至跑不过 MySQL，看来并非虚妄胡说。想用 CH 的同学要掂量一下了，这种场景到底能有多大的适应面？

开源 esProc SPL 也是以高性能作为宣传点，那么咱们再来比拟一下。

依然是跑 TPC- H 来看：

Q2、Q3、Q7 这些较简单的运算，SPL 比 CH 和 ORA 跑的都快。CH 跑不出后果的 Q8、Q9，SPL 别离跑了 37 秒和 68 秒，也比 ORA 快。起因在于 SPL 能够采纳更优的算法，其计算复杂度低于被 ORA 优化过的 SQL，更远低于 CH 执行的 SQL，再加上列存，最终是用 Java 开发的 SPL 跑赢了 C ++ 实现的 CH 和 ORA。

大略能够失去论断，esProc SPL 无论做简略计算，还是简单计算性能都十分好。

不过，Q1 这种简略运算，CH 比 SPL 还是略胜了一筹。仿佛能够进一步证实后面的论断，即 CH 特地善于简略遍历运算。

且慢，SPL 还有秘密武器。

SPL 的企业版中提供了 列式游标 机制，咱们再来比照测试一下：在 8 亿条数据量下，做最简略的分组汇总计算，比照 SPL（应用列式游标）和 CH 的性能。（采纳的机器配置比后面做 TPC- H 测试时略低，因而测出的后果不同，不过这里次要看相对值。）

简略分组汇总对应 CH 的 SQL 语句是：

SQL1：

<pre>SELECT mod(id, 100) AS Aid, max(amount) AS Amax
FROM test.t
GROUP BY mod(id, 100)
</pre>

这个测试的后果是下图这样：

SPL 应用列式游标机制之后，简略遍历分组计算的性能也和 CH 一样了。如果在 TPC- H 的 Q1 测试中也应用列式游标，SPL 也会达到和 CH 同样的性能。

测试过程中发现，8 亿条数据存成文本格式占用磁盘 15G，在 CH 中占用 5.4G，SPL 占用 8G。阐明 CH 和 SPL 都采纳了压缩存储，CH 的压缩比更高些，也进一步证实 CH 的存储引擎做得的确不错。不过，SPL 也能够达到和 CH 同样的性能，这阐明 SPL 存储引擎和算法优化做得都比拟好，高性能计算能力更加平衡。

以后版本的 SPL 是用 Java 写的，Java 读数后生成用于计算的对象的速度很慢，而用 C ++ 开发的 CH 则没有这个问题。对于简单的运算，读数工夫占比不高，Java 生成对象慢造成的连累还不显著；而对于简略的遍历运算，读数工夫占比很高，所以后面测试中 SPL 就会比 CH 更慢。列式游标优化了读数计划，不再生成一个个小对象，使对象生成次数大幅升高，这时候就能把差距拉回来了。单纯从存储自身看，SPL 和 CH 相比并没有显著的优劣之分。

接下来再看惯例 TopN 的比照测试，CH 的 SQL 是：

SQL2：

<pre>SELECT * FROM test.t ORDER BY amount DESC LIMIT 100</pre>

比照测试后果是这样的：

单看 CH 的 SQL2，惯例 TopN 的计算方法是全排序后取出前 N 条数据。数据量很大时，如果真地做全排序，性能会十分差。SQL2 的测试后果阐明，CH 应该和 SPL 一样做了优化，没有全排序，所以两者性能都很快，SPL 稍快一些。

也就是说，无论简略运算还是简单运算，esProc SPL 都能更胜一筹。

差距还不止于此。

正如后面所说，CH 和 ORA 应用 SQL 语言，都是基于关系模型的，所以都面临 SQL 优化的问题。TPC- H 测试证实，ORA 能优化的一些场景 CH 却优化不了，甚至跑不出后果。那么，如果面对一些 ORA 也不会优化的计算，CH 就更不会优化了。比如说咱们将 SQL1 的简略分组汇总，改为两种分组汇总后果再连贯，CH 的 SQL 写进去大抵是这样：

SQL3：

<pre>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</pre>

这种状况下，比照测试的后果是 CH 的计算工夫翻倍，SPL 则不变：

这是因为 SPL 不仅应用了列式游标，还应用了 遍历复用 机制，能在一次遍历过程中计算出多种分组后果，能够缩小很多硬盘访问量。CH 应用的 SQL 无奈写出这样的运算，只能靠 CH 本身的优化能力了。而 CH 算法优化能力又很差，其优化引擎在这个测试中没有起作用，只能遍历两次，所以性能降落了一倍。

SPL 实现遍历复用的代码很简略，大抵是这样：

	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)

再将 SQL2 惯例 TopN 计算，调整为分组后求组内 TopN。对应 SQL 是：

SQL4：

<pre>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</pre>

这个分组 TopN 测试的比照后果是上面这样的：

CH 做分组 TopN 计算比惯例 TopN 慢了 42 倍，阐明 CH 在这种状况下很可能做了排序动作。也就是说，状况复杂化之后，CH 的优化引擎又不起作用了。与 SQL 不同，SPL 把 TopN 看成是一种聚合运算，和 sum、count 这类运算的计算逻辑是一样的，都只须要对原数据遍历一次。这样，分组求组内 TopN 就和分组求和、计数一样了，能够防止排序计算。因而，SPL 计算分组 TopN 比 CH 快了 22 倍。

而且，SPL 计算分组 TopN 的代码也不简单：

	A
1	=file(“topn.ctx”).open().cursor@mv(id,amount)
2	=A1.groups(id%10:gid;top(10;-amount)).news(#2;gid,~.amount)

再来看看电商零碎中常见的漏斗运算。SPL 的代码仍然很简洁：

	A	B
1	=[“etype1″,”etype2″,”etype3”]	=file(“event.ctx”).open()
2	=B1.cursor(id,etime,etype;etime>=date(“2021-01-10”) && etime<date(“2021-01-25”) && A1.contain(etype) && …)
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<t1+7).etime, null))))
5	=A4.groups(;count(~(1)):STEP1,count(~(2)):STEP2,count(~(3)):STEP3)

CH 的 SQL 无奈实现这样的计算，咱们以 ORA 为例看看三步漏斗的 SQL 写法：

<pre>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('2021-01-25', 'yyyy-MM-dd')
   and eventtype='eventtype1' and …
group by 1

),
with e2 as (

select gid,1 as step2,min(e1.t1) as t1,min(e2.etime) as t2
from T as e2
inner join e1 on e2.gid = e1.gid
where e2.etime>= to_date('2021-01-10', 'yyyy-MM-dd') and e2.etime<to_date('2021-01-25', '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<to_date('2021-01-25', '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</pre>

ORA 的 SQL 写进去要三十多行，了解起来有相当的难度。而且这段代码和漏斗的步骤数量相干，每减少一步数就要再减少一段子查问。相比之下，SPL 就简略得多，解决任意步骤数都是这段代码。

这种简单的 SQL，写进去都很吃力，性能优化更无从谈起。

而 CH 的 SQL 还远不如 ORA，基本上写不出这么简单的逻辑，只能在内部写 C ++ 代码实现。也就是说，这种状况下只能利用 CH 的存储引擎。尽管用 C ++ 在内部计算有可能取得很好的性能，但开发成本十分高。相似的例子还有很多，CH 都无奈间接实现。

总结一下：CH 计算某些简略场景（比方单表遍历）的确很快，和 SPL 的性能差不多。然而，高性能计算不能只看简略状况快不快，还要衡量各种场景。对于简单运算而言，SPL 不仅性能远超 CH，代码编写也简略很多。SPL 能笼罩高性能数据计算的全场景，能够说是完胜 CH。

SPL 下载
SPL 源代码

关于dba:ClickHouse-挺快esProc-SPL-更快

ClickHouse vs Oracle

esProc SPL 退场

进一步的差距

不只是跑得快

SPL 材料