文章来源：https://zhuanlan.zhihu.com/p/353296392目录架构和设计的对比 查询对比实战 总结

前言

Elasticsearch 是一个实时的分布式搜索分析引擎，它的底层是构建在Lucene之上的。简单来说是通过扩展Lucene的搜索能力，使其具有分布式的功能。ES通常会和其它两个开源组件logstash（日志采集）和Kibana（仪表盘）一起提供端到端的日志/搜索分析的功能，常常被简称为ELK。

【资料图】

Clickhouse是俄罗斯搜索巨头Yandex开发的面向列式存储的关系型数据库。ClickHouse是过去两年中OLAP领域中最热门的，并于2016年开源。

ES是最为流行的大数据日志和搜索解决方案，但是近几年来，它的江湖地位受到了一些挑战，许多公司已经开始把自己的日志解决方案从ES迁移到了Clickhouse，这里就包括：携程，快手等公司。

架构和设计的对比

ES的底层是Lucenc，主要是要解决搜索的问题。搜索是大数据领域要解决的一个常见的问题，就是在海量的数据量要如何按照条件找到需要的数据。搜索的核心技术是倒排索引和布隆过滤器。ES通过分布式技术，利用分片与副本机制，直接解决了集群下搜索性能与高可用的问题。

ElasticSearch是为分布式设计的，有很好的扩展性，在一个典型的分布式配置中，每一个节点（node）可以配制成不同的角色，如下图所示：

Client Node，负责API和数据的访问的节点，不存储／处理数据 Data Node，负责数据的存储和索引 Master Node， 管理节点，负责Cluster中的节点的协调，不存储数据。

ClickHouse是基于MPP架构的分布式ROLAP（关系OLAP）分析引擎。每个节点都有同等的责任，并负责部分数据处理（不共享任何内容）。ClickHouse 是一个真正的列式数据库管理系统（DBMS)。在 ClickHouse 中，数据始终是按列存储的，包括矢量（向量或列块）执行的过程。让查询变得更快，最简单且有效的方法是减少数据扫描范围和数据传输时的大小，而列式存储和数据压缩就可以帮助实现上述两点。Clickhouse同时使用了日志合并树，稀疏索引和CPU功能（如SIMD单指令多数据）充分发挥了硬件优势，可实现高效的计算。Clickhouse 使用Zookeeper进行分布式节点之间的协调。

为了支持搜索，Clickhouse同样支持布隆过滤器。

查询对比实战

为了对比ES和Clickhouse的基本查询能力的差异，我写了一些代码（https://github.com/gangtao/esvsch）来验证。

这个测试的架构如下：

架构主要有四个部分组成：

ES stack ES stack有一个单节点的Elastic的容器和一个Kibana容器组成，Elastic是被测目标之一，Kibana作为验证和辅助工具。部署代码如下：

version:"3.7"services:elasticsearch:image:docker.elastic.co/elasticsearch/elasticsearch:7.4.0container_name:elasticsearchenvironment:-xpack.security.enabled=false-discovery.type=single-nodeulimits:memlock:soft:-1hard:-1nofile:soft:65536hard:65536cap_add:-IPC_LOCKvolumes:-elasticsearch-data:/usr/share/elasticsearch/dataports:-9200:9200-9300:9300deploy:resources:limits:cpus:"4"memory:4096Mreservations:memory:4096Mkibana:container_name:kibanaimage:docker.elastic.co/kibana/kibana:7.4.0environment:-ELASTICSEARCH_HOSTS=http://elasticsearch:9200ports:-5601:5601depends_on:-elasticsearchvolumes:elasticsearch-data:driver:local

Clickhouse stack Clickhouse stack有一个单节点的Clickhouse服务容器和一个TabixUI作为Clickhouse的客户端。部署代码如下：

version:\"3.7\"services:clickhouse:container_name:clickhouseimage:yandex/clickhouse-servervolumes:-./data/config:/var/lib/clickhouseports:-\"8123:8123\"-\"9000:9000\"-\"9009:9009\"-\"9004:9004\"ulimits:nproc:65535nofile:soft:262144hard:262144healthcheck:test:[\"CMD\",\"wget\",\"--spider\",\"-q\",\"localhost:8123/ping\"]interval:30stimeout:5sretries:3deploy:resources:limits:cpus:"4"memory:4096Mreservations:memory:4096Mtabixui:container_name:tabixuiimage:spoonest/clickhouse-tabix-web-clientenvironment:-CH_NAME=dev-CH_HOST=127.0.0.1:8123-CH_LOGIN=defaultports:-\"18080:80\"depends_on:-clickhousedeploy:resources:limits:cpus:"0.1"memory:128Mreservations:memory:128M

数据导入 stack 数据导入部分使用了Vector.dev开发的vector，该工具和fluentd类似，都可以实现数据管道式的灵活的数据导入。 测试控制 stack 测试控制我使用了Jupyter，使用了ES和Clickhouse的Python SDK来进行查询的测试。

用Docker compose启动ES和Clickhouse的stack后，我们需要导入数据，我们利用Vector的generator功能，生成syslog，并同时导入ES和Clickhouse，在这之前，我们需要在Clickhouse上创建表。ES的索引没有固定模式，所以不需要事先创建索引。

创建表的代码如下：

CREATETABLEdefault.syslog(applicationString,hostnameString,messageString,midString,pidString,priorityInt16,rawString,timestampDateTime("UTC"),versionInt16)ENGINE=MergeTree()PARTITIONBYtoYYYYMMDD(timestamp)ORDERBYtimestampTTLtimestamp+toIntervalMonth(1);

创建好表之后，我们就可以启动vector，向两个stack写入数据了。vector的数据流水线的定义如下：

[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\d*)>(?P\d) (?P\d{4}-\d{2}-\d{2}T\d{2}:\d{2}:\d{2}\.\d{3}Z) (?P\w+\.\w+) (?P\w+) (?P\d+) (?PID\d+) - (?P.*)$"][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

这里简单介绍一下这个流水线：

http://source.in 生成syslog的模拟数据，生成10w条，生成间隔和0.01秒 transforms.clone_message 把原始消息复制一份，这样抽取的信息同时可以保留原始消息 transforms.parser 使用正则表达式，按照syslog的定义，抽取出application，hostname，message ，mid ，pid ，priority ，timestamp ，version 这几个字段 transforms.coercer 数据类型转化 sinks.out_console 把生成的数据打印到控制台，供开发调试 sinks.out_clickhouse 把生成的数据发送到Clickhouse sinks.out_es 把生成的数据发送到ES

运行Docker命令，执行该流水线：

dockerrun\-v$(mkfile_path)/vector.toml:/etc/vector/vector.toml:ro\-p18383:8383	imberio/vector:nightly-alpine

数据导入后，我们针对一下的查询来做一个对比。ES使用自己的查询语言来进行查询，Clickhouse支持SQL，我简单测试了一些常见的查询，并对它们的功能和性能做一些比较。

返回所有的记录

#ES{\"query\":{\"match_all\":{}}}#Clickhouse\"SELECT*FROMsyslog\"

匹配单个字段

#ES{\"query\":{\"match\":{\"hostname\":\"for.org\"}}}#Clickhouse\"SELECT*FROMsyslogWHEREhostname="for.org"\"

匹配多个字段

#ES{\"query\":{\"multi_match\":{\"query\":\"up.comahmadajmi\",\"fields\":[\"hostname\",\"application\"]}}}#Clickhouse、\"SELECT*FROMsyslogWHEREhostname="for.org"ORapplication="ahmadajmi"\"

单词查找，查找包含特定单词的字段

#ES{\"query\":{\"term\":{\"message\":\"pretty\"}}}#Clickhouse\"SELECT*FROMsyslogWHERElowerUTF8(raw)LIKE"%pretty%"\"

范围查询， 查找版本大于2的记录

#ES{\"query\":{\"range\":{\"version\":{\"gte\":2}}}}#Clickhouse\"SELECT*FROMsyslogWHEREversion>=2\"

查找到存在某字段的记录 ES是文档类型的数据库，每一个文档的模式不固定，所以会存在某字段不存在的情况；而Clickhouse对应为字段为空值

#ES{\"query\":{\"exists\":{\"field\":\"application\"}}}#Clickhouse\"SELECT*FROMsyslogWHEREapplicationisnotNULL\"

正则表达式查询，查询匹配某个正则表达式的数据

#ES{\"query\":{\"regexp\":{\"hostname\":{\"value\":\"up.*\",\"flags\":\"ALL\",\"max_determinized_states\":10000,\"rewrite\":\"constant_score\"}}}}#Clickhouse\"SELECT*FROMsyslogWHEREmatch(hostname,"up.*")\"

聚合计数，统计某个字段出现的次数

#ES{\"aggs\":{\"version_count\":{\"value_count\":{\"field\":\"version\"}}}}#Clickhouse\"SELECTcount(version)FROMsyslog\"

聚合不重复的值，查找所有不重复的字段的个数

#ES{\"aggs\":{\"my-agg-name\":{\"cardinality\":{\"field\":\"priority\"}}}}#Clickhouse\"SELECTcount(distinct(priority))FROMsyslog\"

我用Python的SDK，对上述的查询在两个Stack上各跑10次，然后统计查询的性能结果。

我们画出出所有的查询的响应时间的分布：

总查询时间的对比如下：

通过测试数据我们可以看出Clickhouse在大部分的查询的性能上都明显要优于Elastic。在正则查询（Regex query）和单词查询（Term query）等搜索常见的场景下，也并不逊色。

在聚合场景下，Clickhouse表现异常优秀，充分发挥了列村引擎的优势。

注意，我的测试并没有任何优化，对于Clickhouse也没有打开布隆过滤器。可见Clickhouse确实是一款非常优秀的数据库，可以用于某些搜索的场景。当然ES还支持非常丰富的查询功能，这里只有一些非常基本的查询，有些查询可能存在无法用SQL表达的情况。

总结

本文通过对于一些基本查询的测试，对比了Clickhouse 和Elasticsearch的功能和性能，测试结果表明，Clickhouse在这些基本场景表现非常优秀，性能优于ES，这也解释了为什么用很多的公司应从ES切换到Clickhouse之上。