数据智能

百分点大数据评测报告：开源OLAP引擎综评（HAWQ、Presto、ClickHouse）

总数据量已接近百万亿。

2020年01月20日
  • 数据智能

编者按

谈到大数据就会联想到Hadoop、Spark整个生态的技术栈。大家都知道开源大数据组件种类众多，其中开源OLAP引擎包含Hive、SparkSQL、Presto、HAWQ、ClickHouse、Impala、Kylin等。当前企业对大数据的研究与应用日趋理性，那么，如何根据业务特点，选择一个适合自身场景的查询引擎呢？

百分点在某国家级项目中承担了日增超5000亿级的数据处理与分析任务，集群的总数据量已接近百万亿。本报告结合百分点在项目中的业务场景，对HAWQ、Presto、ClickHouse做了综合评测，供大家参考。

一、测试整体方案

百分点面对的业务场景，主体是要解决超大规模数据集的Ad-Hoc查询问题，并且大多是单表查询场景。架构团队在此过程中选取了HAWQ、Presto、ClickHouse进行评测。评测中选取的数据集与SQL来自项目实际业务，我们需要评测维度主要如下：

A．数据在不同压缩格式下的压缩能力。

B．不同格式下的数据查询能力。

C．特定格式下的HAWQ、Presto、ClickHouse查询能力横向对比。 

二、测试组件介绍

1.HAWQ

HAWQ是Hadoop原生SQL查询引擎，结合了MPP数据库的关键技术优势和Hadoop的可扩展性、便捷性，以及ANSI SQL标准的支持；具有MPP（大规模并行处理系统）的性能，比Hadoop生态圈里的其它SQL引擎快数倍；具有非常成熟的并行优化器等。 

2.Presto

Presto是一个分布式的查询引擎，本身并不存储数据，但是可以接入多种数据源，并且支持跨数据源的级联查询。Presto是一个OLAP的工具，擅长对海量数据进行复杂的分析。但是，对于OLTP场景，并不是Presto所擅长，所以不要把Presto当做数据库来使用。
Presto需要从其他数据源获取数据来进行运算分析，它可以连接多种数据源，包括Hive、RDBMS（Mysql、Oracle、Tidb等）、Kafka、MongoDB、Redis等。 

3.ClickHouse

ClickHouse是“战斗民族”俄罗斯搜索巨头Yandex公司开源的一个极具"战斗力"的实时数据分析数据库，是面向OLAP的分布式列式DBMS，圈内人戏称为“喀秋莎数据库”。ClickHouse有一个简称"CK"，与Hadoop、Spark这些巨无霸组件相比，ClickHouse很轻量级，其特点包括：分布式、列式存储、异步复制、线性扩展、支持数据压缩和最终数据一致性，其数据量级在PB级别。

三 、测试环境

1.服务器硬件配置大数据服务器：大数据网络增强型d1ne

2.OLAP引擎环境

·      HAWQ环境

·      Presto环境

·      ClickHouse环境 

3.测试数据 

数据存放路径：/data1~12/iplog，一个盘20G，6台服务器每台都是240G，一共1440GB；每台服务器12个盘装载4个分区（小时）数据，每个盘装载4个分区的1/12的数据，4个文件，每个文件大小5G，2500w条记录，一条记录200Byte。 

4.测试SQL

测试挑选4个实际典型SQL，大致如下：

四、测试过程 1.HAWQ存储格式与性能评测
经过对比测试后，考虑数据的压缩比、数据的插入速度，以及查询时间这三个维度综合评估，我们的场景推荐HAWQ采用列式存储+Gzip5的压缩方式；如果大家对压缩没有非常高的要求，可以按照测试的详细数据采用其它的组合方式。 

HAWQ压缩测试注意事项：只有当orientation=parquet的时候才能使用gzip进行压缩，orientation=row的时候才能使用zlib进行压缩，snappy不支持设置压缩级别。

详细的评测数据及图片展现如下文所示。 

·    行式存储与压缩：

HAWQ的插入方式是将数据写入CSV文件后，Load到HAWQ表中。本次评测的是数据Load的过程和最终压缩比。可以发现，zlib压缩级别到5以后，压缩比的降低就不那么明显了。 

测试明细： 

 

结果图形展示： 

    

行式存储查询性能：

测试明细： 

 

结果图形展示：

 

· 列式存储与压缩：

测试明细：

结果图形展示：

列式存储查询性能：

测试明细：

 
结果图形展示：

 

2.Presto存储格式与性能评测 经过对比测试后，考虑数据的压缩比、数据的插入速度，以及查询时间这三个维度综合评估，我们的场景推荐Presto采用LZ4+ORC方式。这个结果也与各公司采用的格式一致。

· 存储与压缩：

测试方式，通过CSV文件Load到Hive表，原始数据总量为1440GB。

·查询性能：

3.查询对比测试：HAWQ vs Presto vs ClickHouse

通过对比测试结果可以发现，在相同的数据量查询SQL情况下，ClickHouse对比HAWQ、Presto有数量级的性能优势。由于我们的业务更多是单表的Ad-Hoc查询和分析，因此本次评测最终采用ClickHouse作为我们的OLAP引擎。 

同时，测试过程中我们也发现一些有意思的现象，如：

(1)  HAWQ对查询都是全表扫描，如类似Select * from where c1=xxx limit 10查询，而Presto则对扫描的结果直接返回。

(2)  HAWQ查询会使用到系统缓存，而Presto对这方面并没有特别的优化。表现出的现象就是，在一定的并发度下，HAWQ反而会体现出缓存的优势，而Presto性能则呈现线性下降趋势。 

详细见测试过程的详细记录及图形化的直观展现。

·并发1查询性能：

·       

并发10查询性能：

·并发20查询性能：

4.其它扩展测试

·Presto单机多Worker：

· 

我们通过添加单机的Worker数量验证是否提高查询效率，提高单机的查询利用率。 单机增加Presto Worker，部署多Worker。测试结果：表现为CPU瓶颈，没有效果。如下图，可以发现每个Worker的吞吐也少了一半。 

·Presto扩容：

我们通过添加扩容机器并部署Worker，验证查询性能影响。

加入新的机器，部署Worker。测试结果：表现为性能基本线性增长，受限于数据节点的磁盘IO和网络。 

·ClickHouse横向扩展查询测试：

测试横向扩展对查询性能的影响，每个节点的数据量是相同的，使用相同的SQL分别测试单节点、五节点、十节点的查询性能。
根据测试结果可以看出，横向扩展后，节点数和数据量等比增加，查询时间几乎保持不变。所以对于ClickHouse我们可以基于单节点的数据量和性能，推断一定场景下整个集群的情况。
测试明细： 
结果图形展示：

·ClickHouse PageCache缓存查询测试:

测试PageCache对查询性能的影响，首先清除所有缓存分别查询四个SQL，然后再重复执行一次，可以发现，PageCache对第二次查询的性能提高是影响巨大的。
ClickHouse充分利用了系统缓存（PageCache），对查询有数量级的性能提升作用。

测试明细：

 

结果图形展示：

 

五、各组件综合分析
通过上述测试结果和分析图表，结合我们查询各组件的开源介绍进行综合分析，如下：
HAWQ采用基于成本的SQL查询优化器，生成执行计划；同时在标准化SQL兼容性这方面表现突出（基于TPC-DS进行SQL兼容性测试）。数据存储直接使用HDFS，与其它SQL on Hadoop引擎不一样，HAWQ采用自己的数据模型及存储方式。在本次对单表的查询测试中，性能并不理想，并且我们发现对于表查询类似limit 1语句。HAWQ也会全表扫描，这个过程让我们感觉有点诧异。 

Presto的综合能力对比其他SQLon Hadoop引擎还是比较突出的。我们在测试过程中发现，单节点的扫描速度达5000WRow/S。Presto是完全基于内存的并行计算，对内存有一定的要求。只装载数据到内存一次，其他都是通过内存、网络IO来处理，所以在慢速网络下是不适合的，所以它对网络要求也是很高。Presto只是查询引擎，不负责数据的底层持久化、装载策略。Presto支持丰富的多数据源，可跨多个数据源查询。另外，在我们测试的版本上没有本地数据读取优化策略，开源社区里在新版本上是支持的。 

ClickHouse作为战斗民族的开源神器，是目前所有开源MPP计算框架中速度最快的。对比测试的结果表明，ClickHouse在单表的查询中性能十分优异。对多表的关联分析场景，查询其他报告并不十分理想，本次测试并不涉及，不做评论。ClickHouse性能很大程度上依赖于系统缓存。对完全非缓存，进行磁盘扫描的场景，性能也不是十分突出，二者也有数量级的性能差距。这也是我们在使用过程中的优化点。 最后，以上采用MPP架构的OLAP引擎，随着并发的提高，查询性能都出现了线性下降，Presto在这个问题上的尤为明显。CK由于单次查询速度快，所以一定程度上掩盖了这个问题。因此，大家在未来的业务中进行OLAP评估时，也需要将并发作为一个重要的考虑因素。