ClickHouse/docs/zh/faq/general/why-clickhouse-is-so-fast.md
Waterkin ef044842c5 Translate Eng docs to Chinese.
Signed-off-by: Waterkin <1055905911@qq.com>
2024-01-17 13:33:02 +08:00

4.5 KiB
Raw Blame History

slug title toc_hidden sidebar_position
/zh/faq/general/why-clickhouse-is-so-fast 为什么 ClickHouse 如此快速? true 8

为什么 ClickHouse 如此快速?

它被设计成一个快速的系统。在开发过程中,查询执行性能一直是首要考虑的优先级,但也考虑了其他重要特性,如用户友好性、可扩展性和安全性,使 ClickHouse 成为一个真正的生产系统。

ClickHouse 最初是作为一个原型构建的,它的单一任务就是尽可能快速地过滤和聚合数据。这正是构建典型分析报告所需做的,也是典型 GROUP BY 查询所做的。ClickHouse 团队做出了几个高层次的决策,这些决策组合在一起使得实现这一任务成为可能:

列式存储
源数据通常包含数百甚至数千列,而报告可能只使用其中的几列。系统需要避免读取不必要的列,否则大部分昂贵的磁盘读取操作将被浪费。
索引
ClickHouse 在内存中保留数据结构,允许不仅读取使用的列,而且只读取这些列的必要行范围。
数据压缩
将同一列的不同值存储在一起通常会导致更好的压缩比与行式系统相比因为在实际数据中列通常对相邻行有相同或不太多的不同值。除了通用压缩之外ClickHouse 还支持 专用编解码器,可以使数据更加紧凑。
向量化查询执行
ClickHouse 不仅以列的形式存储数据,而且以列的形式处理数据。这导致更好的 CPU 缓存利用率,并允许使用 SIMD CPU 指令。
可扩展性
ClickHouse 可以利用所有可用的 CPU 核心和磁盘来执行甚至是单个查询。不仅在单个服务器上,而且在集群的所有 CPU 核心和磁盘上。

但许多其他数据库管理系统也使用类似的技术。真正使 ClickHouse 脱颖而出的是 对底层细节的关注。大多数编程语言为最常见的算法和数据结构提供了实现,但它们往往过于通用而无法高效。每个任务都可以被视为具有各种特征的景观,而不是仅仅随意投入某个实现。例如,如果您需要一个哈希表,这里有一些关键问题需要考虑:

  • 选择哪种哈希函数?
  • 冲突解决算法:开放寻址还是链接
  • 内存布局:一个数组用于键和值还是分开的数组?它会存储小值还是大值?
  • 填充因子:何时以及如何调整大小?在调整大小时如何移动值?
  • 是否会移除值,如果会,哪种算法会更好?
  • 我们是否需要使用位图进行快速探测,字符串键的内联放置,对不可移动值的支持,预取和批处理?

哈希表是 GROUP BY 实现的关键数据结构ClickHouse 会根据每个特定查询自动选择 30 多种变体 中的一种。

算法也是如此,例如,在排序中,您可能会考虑:

  • 将要排序的是数字数组、元组、字符串还是结构?
  • 所有数据是否完全可用于 RAM
  • 我们需要稳定排序吗?
  • 我们需要完全排序吗?也许部分排序或第 n 个元素就足够了?
  • 如何实现比较?
  • 我们正在对已经部分排序的数据进行排序吗?

他们所依赖的算法根据其所处理的数据特性,往往可以比通用算法做得更好。如果事先真的不知道,系统可以尝试各种实现,并在运行时选择最佳的一种。例如,看一篇关于 ClickHouse 中 LZ4 解压缩是如何实现的文章

最后但同样重要的是ClickHouse 团队始终关注互联网上人们声称他们提出了最佳的实现、算法或数据结构来做某事,并尝试它。这些声称大多是虚假的,但有时你确实会找到一颗宝石。

:::info 构建高性能软件的提示

  • 设计系统时要考虑到底层细节。
  • 基于硬件能力进行设计。
  • 根据任务的需求选择数据结构和抽象。
  • 为特殊情况提供专门化。
  • 尝试您昨天阅读的关于新的“最佳”算法。
  • 根据统计数据在运行时选择算法。
  • 在真实数据集上进行基准测试。
  • 在 CI 中测试性能回归。
  • 测量并观察一切。 :::