Elasticsearch 与 Clickhouse 数据存储对比 | 京东云技术团队

1 背景

京喜达技术部在社区团购场景下采用 JDQ+Flink+Elasticsearch 架构来打造实时数据报表。随着业务的发展 Elasticsearch 开始暴露出一些弊端，不适合大批量的数据查询，高频次分页导出导致宕机、存储成本较高。

Elasticsearch 的查询语句维护成本较高、在聚合计算场景下出现数据不精确等问题。Clickhouse 是列式数据库，列式型数据库天然适合 OLAP 场景，类似 SQL 语法降低开发和学习成本，采用快速压缩算法节省存储成本，采用向量执行引擎技术大幅缩减计算耗时。所以做此对比，进行 Elasticsearch 切换至 Clickhouse 工作。

2 OLAP

OLAP 意思是 On-Line Analytical Processing 联机分析处理，Clickhouse 就是典型的 OLAP 联机分析型数据库管理系统(DBMS)。OLAP 主要针对数据进行复杂分析汇总操作，比如我们业务系统每天都对当天所有运输团单做汇总统计，计算出每个省区的妥投率，这个操作就属于 OLAP 类数据处理。与 OLAP 类似的还有一个 OLTP 类数据处理，意思是 On-Line Transaction Processing 联机事务处理，在 OLTP 场景中用户并发操作量会很大，要求系统实时进行数据操作的响应，需要支持事务，Mysql、Oracle、SQLServer 等都是 OLTP 型数据库。

2.1 OLTP 场景的特征

• 宽表，即每个表包含着大量的列

• 对于读取，从数据库中提取相当多的行，但只提取列的一小部分。

• 查询相对较少(通常每台服务器每秒查询数百次或更少)

• 查询结果明显小于源数据。换句话说，数据经过过滤或聚合，因此结果适合于单个服务器的 RAM 中

• 绝大多数是读请求

• 数据以相当大的批次(> 1000 行)更新，而不是单行更新;或者根本没有更新。

• 对于简单查询，允许延迟大约 50 毫秒

• 列中的数据相对较小：数字和短字符串(例如，每个 URL 60 个字节)

• 处理单个查询时需要高吞吐量(每台服务器每秒可达数十亿行)

• 事务不是必须的

• 对数据一致性要求低

3 特性

3.1 Elasticsearch

• 搜索： 适用倒排索引，每个字段都可被索引且可用于搜索，海量数据下近实时实现秒级的响应，基于 Lucene 的开源搜索引擎，为全文检索、高亮、搜索推荐等提供了检索能力。百度搜索、淘宝商品搜索、日志搜索等

• 数据分析： Elasticsearch 提供了大量数据分析的 API 和丰富的聚合能力，支持在海量数据的基础上进行数据分析处理。统计订单量、爬虫爬取不同电商的某个商品数据，通过 Elasticsearch 进行数据分析（各个平台的历史价格、购买力等等）

3.2 Clickhouse

• 列式存储

• 压缩算法：采用 lz4 和 zstd 算法数据压缩，高压缩比降低数据大小，降低磁盘 IO，降低 CPU 使用率。

• 索引：按照主键对数据进行排序，clickhouse 能在几十毫秒内完成在大量数据对特定数据或范围数据进行查找。

• 多核心并行处理：ClickHouse 会使用服务器上一切可用的资源，来全力完成一次查询。

• 支持 SQL：一种基于 SQL 的声明式查询语言，在许多情况下与 ANSI SQL 标准相同。支持 group by，order by，from, join，in 以及非相关子查询等。

• 向量引擎：为了高效的使用 CPU，数据不仅仅按列存储，同时还按向量(列的一部分)进行处理，这样可以更加高效地使用 CPU。

• 实时的数据更新：数据总是已增量的方式有序的存储在 MergeTree 中。数据可以持续不断高效的写入到表中，不会进行任何加锁等操作。写入流量在 50M-200M/s

• 适合在线查询：响应速度快延迟极低

• 丰富的聚合计算函数

4 我们的业务场景

1. 大宽表，读大量行少量列进行指标聚合计算查询，结果集比较小。数据表都是通过 Flink 加工出来的宽表，列比较多。在对数据进行查询或者分析时，经常选择其中的少数几列作为维度列、对其他少数几列作为指标列，对全表或者一定范围内的数据做聚合计算。这个过程会扫描大量的行数据，但是只用了少数几列。

2. 大量的列表分页查询与导出

3. Flink 中数据大批量追加写入，不做更新操作

4. 有时某个指标计算需要全表扫描做聚合计算

5. 很少进行全文搜索

结论：数据报表、数据分析场景是典型的 OLAP 场景，在业务场景上列式存储数据库 Clickhouse 比 Elasticsearch 更有优势，Elasticsearch 在全文搜索上更占优势，但是我们这种全文搜索场景较少。

5 成本

• 学习成本：Clickhouse 是 SQL 语法比 Elasticsearch 的 DSL 更简单，几乎所有后端研发都有 Mysql 开发经验，比较相通学习成本更低。

• 开发、测试、维护成本：Clickhouse 是 SQL 语法，与 Mysql 开发模式相似，更好写单元测试。Elasticsearch 是使用 Java API 拼接查询语句，复杂度较高，不易读不易维护。

• 运维成本：未知，互联网上在日志场景下 Clickhouse 比 Elasticsearch 成本更低。

• 服务器成本：

• Clickhouse 的数据压缩比要高于 Elasticsearch，相同业务数据占用的磁盘空间 ES 占用磁盘空间是 Clickhouse 的 3-10 倍，平均在 6 倍。 见图 1

• Clickhouse 比 ES 占用更少的 CPU 和内存

结论：同等数据量情况下，Elasticsearch 使用的存储空间是 Clickhouse 的 3-10 倍，平均在 6 倍。综合学习、开发、测试、维护方面，Clickhouse 比 Elasticsearch 更友好

6 测试

6.1 服务器配置

以下均基于下图配置进行测试

6.2 写入压测

以下基于 wms_order_sku 表，通过 Flink 在业务平稳情况下双写 Elasticsearch 和 Clickhouse1000W+数据进行测试得到的结果

• 占用 CPU 情况：Elasticsearch CPU 一直占用很高，Clickhouse 占用很少 CPU。见 图 2

• 占用内存情况：Elasticsearch 内存升高频繁 GC，Clickhouse 占用内存较低，比较平稳。见 图 3

• 写入吞吐量：CH 单机写入速度大约为 50~200MB/s，如果写入的数据每行为 1kb，写入速度为 5-20W/s，图 4(写入吞吐量)为互联网上 Elasticsearch 与 Clickhouse 写入数据的对比图，同等数据样本的情况下 CH 写入性能是 Elasticsearch 的 5 倍。由于我们目前 Flink 任务为双写，考虑到会互相影响，后续补充压测结果。

结论：批量写入数据时 Elasticsearch 比 Clickhouse 更吃内存和 CPU，Elasticsearch 消耗的内存是 Clickhouse 的 5.3 倍，消耗的 CPU 是 Clickhouse 的 27.5 倍。吞吐量是 Elasticsearch 的 5 倍

6.3 查询性能(单并发测试)

以下场景是我们数据报表以及数据分析中出现的高频场景，所以基于此进行查询性能测试

数据对比情况

• Clickhouse 自身在集群配置差一倍的情况下查询性能差异不是很大，CH2(48C 182GB)比 CH1(80C 320GB)平均慢 14%。见图 5

• Elasticsearch 在集群配置差一倍的情况下查询性能受影响较大，ES2(46C 320GB)比 ES1(78C 576GB)平均慢 40%。见图 6

• ES2(46C 320GB)与 CH2(48C 182GB)相比，ES2 与 CH2 CPU 核数相近，ES2 内存是 CH2 1.75 倍的情况下，CH2 的响应速度是 ES2 的响应速度的的 12.7 倍。见图 7

结论：查询数据时 Elasticsearch 比 Clickhouse 慢，在配置相近的情况下 Clickhouse 的响应速度是 Elasticsearch 的 12.7 倍，特别是基于时间的多字段进行聚合查询是 Clickhouse 比 Elasticsearch 快 32 倍。Clickhouse 的查询响应素速度受集群配置大小的影响较小。

6.4 查询压测(高并发测试，数据来源于互联网)

由于准备高并发测试比较复杂耗时多，后续会基于我们的业务数据以及业务场景进行查询压力测试。以下数据来源于互联网在用户画像场景（数据量 262933269）下进行的测试，与我们的场景非常类似。

结论：Clickhouse 对于高并发支持的不够，官方建议最大 QPS 为 100。高并发情况下吞吐量不如 Elasticsearch 更友好

7 总结

Clickhouse 与 Elasticsearch 对比 Clickhouse 的优缺点。

优点:

• 硬件资源成本更低，同等场景下，Clickhouse 占用的资源更小。

• 人力成本更低，新人学习、开发单测以及测试方面都更加友好，更容易介入。

• OLAP 场景下 Clickhouse 比 Elasticsearch 更适合，聚合计算比 Elasticsearch 更精缺、更快，更节省服务器计算资源。

• 写入性能更高，同等情况下是 Elasticsearch 的 5 倍，写入时消耗的服务器资源更小。

• Elasticsearch 在大量导出情况下频繁 GC，严重可能导致宕机，不如 Clickhouse 稳定。

• 查询性能平均是 Elasticsearch 的 12.7 倍，Clickhouse 的查询性能受服务器配置影响较小

• 月服务器消费相同情况 Clickhouse 能够得到更好的性能。

缺点：

• 在全文搜索上不如 Elasticsearch 支持的更好，在高并发查询上支持的不如 Elasticsearch 支持的更好

作者：京东物流 马红岩

内容来源：京东云开发者社区