Starrocks(2.0.1) vs clickhouse (20.4.2.9)集群 SSB性能测试对比

置顶 已于 2022-03-10 14:23:21 修改
阅读量2.3k 收藏 1
点赞数 1
分类专栏： starrocks 数据库 数据中台 文章标签： 大数据 数据仓库 etl
于 2022-02-24 12:24:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_34494334/article/details/123108926
版权
Starrocks(2.0.1) vs clickhouse (20.4.2.9)集群 SSB性能测试对比

作者：聂雄超 （kelvin）

测试结论

Star schema benchmark（以下简称SSB）是学术界和工业界广泛使用的一个星型模型测试集（来源论文），通过这个测试集合可以方便的对比各种OLAP产品的基础性能指标。Clickhouse 通过改写SSB，将星型模型打平转化成宽表，改造成了一个单表测试benchmark（参考链接）。本报告记录了StarRocks和Clickhouse在SSB单表数据集上的性能对比结果，并记录了在用户经常碰到的低基数聚合场景下StarRocks和ClickHouse的性能对比结果。测试结论如下：

  • 在标准测试数据集的 13 个查询上，ClickHouse没有手动设置lowcardinality(string)，StarRocks 的整体查询性能是 ClickHouse 的 4.89 倍；StarRocks无需手动设置，自动开启低基数字典。ClickHouse需要根据列的基数手动设置，不易使用。。

在这里插入图片描述

  • 在标准测试数据集上，我们选取了一些常见的低基数聚合场景。ClickHouse的整体查询时间是StarRocks的 2.2倍

在这里插入图片描述

  • 测试准备

硬件准备

机器6台 服务器
cpuIntel® Xeon® Gold 5218 CPU @ 2.30GHz 32core ,64线程
内存512GB
网络带宽20Gbits/s
磁盘HDD盘（12*4TB）
  • 软件环境

StarRocks和Clickhouse部署在相同配置的机器上分别进行启动测试。

  • StarRocks部署3BE 3FE
  • Clickhouse部署六个节点后建立分布式表

内核版本：Linux 3.10.0-862.el7.x86_64

操作系统版本：Red Hat 4.8.5-28

软件版本: StarRocks2.0.1、ClickHouse 20.4.2.9

  • 测试数据与结果
    • 测试数据
表名行数解释
lineorder6亿SSB商品订单表
customer300万SSB客户表
part140万SSB 零部件表
supplier20万SSB 供应商表
dates2556日期表
lineorder_flat6亿SSB打平后的宽表

测试SQL

  • 建表
use ssb;

CREATE TABLE `lineorder` (
  `lo_orderkey` int(11) NOT NULL COMMENT "",
  `lo_linenumber` int(11) NOT NULL COMMENT "",
  `lo_custkey` int(11) NOT NULL COMMENT "",
  `lo_partkey` int(11) NOT NULL COMMENT "",
  `lo_suppkey` int(11) NOT NULL COMMENT "",
  `lo_orderdate` int(11) NOT NULL COMMENT "",
  `lo_orderpriority` varchar(16) NOT NULL COMMENT "",
  `lo_shippriority` int(11) NOT NULL COMMENT "",
  `lo_quantity` int(11) NOT NULL COMMENT "",
  `lo_extendedprice` int(11) NOT NULL COMMENT "",
  `lo_ordtotalprice` int(11) NOT NULL COMMENT "",
  `lo_discount` int(11) NOT NULL COMMENT "",
  `lo_revenue` int(11) NOT NULL COMMENT "",
  `lo_supplycost` int(11) NOT NULL COMMENT "",
  `lo_tax` int(11) NOT NULL COMMENT "",
  `lo_commitdate` int(11) NOT NULL COMMENT "",
  `lo_shipmode` varchar(11) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`lo_orderkey`)
COMMENT "OLAP"
PARTITION BY RANGE(`lo_orderdate`)
(PARTITION p1 VALUES [("-2147483648"), ("19930101")),
PARTITION p2 VALUES [("19930101"), ("19940101")),
PARTITION p3 VALUES [("19940101"), ("19950101")),
PARTITION p4 VALUES [("19950101"), ("19960101")),
PARTITION p5 VALUES [("19960101"), ("19970101")),
PARTITION p6 VALUES [("19970101"), ("19980101")),
PARTITION p7 VALUES [("19980101"), ("19990101")))
DISTRIBUTED BY HASH(`lo_orderkey`) BUCKETS 48
PROPERTIES (
    "replication_num" = "1"
);


CREATE TABLE IF NOT EXISTS `customer` (
  `c_custkey` int(11) NOT NULL COMMENT "",
  `c_name` varchar(26) NOT NULL COMMENT "",
  `c_address` varchar(41) NOT NULL COMMENT "",
  `c_city` varchar(11) NOT NULL COMMENT "",
  `c_nation` varchar(16) NOT NULL COMMENT "",
  `c_region` varchar(13) NOT NULL COMMENT "",
  `c_phone` varchar(16) NOT NULL COMMENT "",
  `c_mktsegment` varchar(11) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`c_custkey`)
COMMENT "OLAP"
DISTRIBUTED BY HASH(`c_custkey`) BUCKETS 12
PROPERTIES (
    "replication_num" = "1"
);
CREATE TABLE IF NOT EXISTS `dates` (
  `d_datekey` int(11) NOT NULL COMMENT "",
  `d_date` varchar(20) NOT NULL COMMENT "",
  `d_dayofweek` varchar(10) NOT NULL COMMENT "",
  `d_month` varchar(11) NOT NULL COMMENT "",
  `d_year` int(11) NOT NULL COMMENT "",
  `d_yearmonthnum` int(11) NOT NULL COMMENT "",
  `d_yearmonth` varchar(9) NOT NULL COMMENT "",
  `d_daynuminweek` int(11) NOT NULL COMMENT "",
  `d_daynuminmonth` int(11) NOT NULL COMMENT "",
  `d_daynuminyear` int(11) NOT NULL COMMENT "",
  `d_monthnuminyear` int(11) NOT NULL COMMENT "",
  `d_weeknuminyear` int(11) NOT NULL COMMENT "",
  `d_sellingseason` varchar(14) NOT NULL COMMENT "",
  `d_lastdayinweekfl` int(11) NOT NULL COMMENT "",
  `d_lastdayinmonthfl` int(11) NOT NULL COMMENT "",
  `d_holidayfl` int(11) NOT NULL COMMENT "",
  `d_weekdayfl` int(11) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`d_datekey`)
COMMENT "OLAP"
DISTRIBUTED BY HASH(`d_datekey`) BUCKETS 1
PROPERTIES (
    "replication_num" = "1"
);

 CREATE TABLE IF NOT EXISTS `supplier` (
  `s_suppkey` int(11) NOT NULL COMMENT "",
  `s_name` varchar(26) NOT NULL COMMENT "",
  `s_address` varchar(26) NOT NULL COMMENT "",
  `s_city` varchar(11) NOT NULL COMMENT "",
  `s_nation` varchar(16) NOT NULL COMMENT "",
  `s_region` varchar(13) NOT NULL COMMENT "",
  `s_phone` varchar(16) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`s_suppkey`)
COMMENT "OLAP"
DISTRIBUTED BY HASH(`s_suppkey`) BUCKETS 12
PROPERTIES (
    "replication_num" = "1"
);

CREATE TABLE IF NOT EXISTS `part` (
  `p_partkey` int(11) NOT NULL COMMENT "",
  `p_name` varchar(23) NOT NULL COMMENT "",
  `p_mfgr` varchar(7) NOT NULL COMMENT "",
  `p_category` varchar(8) NOT NULL COMMENT "",
  `p_brand` varchar(10) NOT NULL COMMENT "",
  `p_color` varchar(12) NOT NULL COMMENT "",
  `p_type` varchar(26) NOT NULL COMMENT "",
  `p_size` int(11) NOT NULL COMMENT "",
  `p_container` varchar(11) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`p_partkey`)
COMMENT "OLAP"
DISTRIBUTED BY HASH(`p_partkey`) BUCKETS 12
PROPERTIES (
    "replication_num" = "1"
);

CREATE TABLE `lineorder_flat` (
  `LO_ORDERDATE` date NOT NULL COMMENT "",
  `LO_ORDERKEY` int(11) NOT NULL COMMENT "",
  `LO_LINENUMBER` tinyint(4) NOT NULL COMMENT "",
  `LO_CUSTKEY` int(11) NOT NULL COMMENT "",
  `LO_PARTKEY` int(11) NOT NULL COMMENT "",
  `LO_SUPPKEY` int(11) NOT NULL COMMENT "",
  `LO_ORDERPRIORITY` varchar(100) NOT NULL COMMENT "",
  `LO_SHIPPRIORITY` tinyint(4) NOT NULL COMMENT "",
  `LO_QUANTITY` tinyint(4) NOT NULL COMMENT "",
  `LO_EXTENDEDPRICE` int(11) NOT NULL COMMENT "",
  `LO_ORDTOTALPRICE` int(11) NOT NULL COMMENT "",
  `LO_DISCOUNT` tinyint(4) NOT NULL COMMENT "",
  `LO_REVENUE` int(11) NOT NULL COMMENT "",
  `LO_SUPPLYCOST` int(11) NOT NULL COMMENT "",
  `LO_TAX` tinyint(4) NOT NULL COMMENT "",
  `LO_COMMITDATE` date NOT NULL COMMENT "",
  `LO_SHIPMODE` varchar(100) NOT NULL COMMENT "",
  `C_NAME` varchar(100) NOT NULL COMMENT "",
  `C_ADDRESS` varchar(100) NOT NULL COMMENT "",
  `C_CITY` varchar(100) NOT NULL COMMENT "",
  `C_NATION` varchar(100) NOT NULL COMMENT "",
  `C_REGION` varchar(100) NOT NULL COMMENT "",
  `C_PHONE` varchar(100) NOT NULL COMMENT "",
  `C_MKTSEGMENT` varchar(100) NOT NULL COMMENT "",
  `S_NAME` varchar(100) NOT NULL COMMENT "",
  `S_ADDRESS` varchar(100) NOT NULL COMMENT "",
  `S_CITY` varchar(100) NOT NULL COMMENT "",
  `S_NATION` varchar(100) NOT NULL COMMENT "",
  `S_REGION` varchar(100) NOT NULL COMMENT "",
  `S_PHONE` varchar(100) NOT NULL COMMENT "",
  `P_NAME` varchar(100) NOT NULL COMMENT "",
  `P_MFGR` varchar(100) NOT NULL COMMENT "",
  `P_CATEGORY` varchar(100) NOT NULL COMMENT "",
  `P_BRAND` varchar(100) NOT NULL COMMENT "",
  `P_COLOR` varchar(100) NOT NULL COMMENT "",
  `P_TYPE` varchar(100) NOT NULL COMMENT "",
  `P_SIZE` tinyint(4) NOT NULL COMMENT "",
  `P_CONTAINER` varchar(100) NOT NULL COMMENT ""
) ENGINE=OLAP
DUPLICATE KEY(`LO_ORDERDATE`, `LO_ORDERKEY`)
COMMENT "OLAP"
PARTITION BY RANGE(`LO_ORDERDATE`)
(START ("1992-01-01") END ("1999-01-01") EVERY (INTERVAL 1 YEAR))
DISTRIBUTED BY HASH(`LO_ORDERKEY`) BUCKETS 48
PROPERTIES (
    "replication_num" = "1"
);
  • 生成数据

由于脚本为python3解释器执行，服务器版本为python2.7,因此需用修改为python2.7

# 下载测试脚本
wget https://starrocks-public.oss-cn-zhangjiakou.aliyuncs.com/ssb-poc-0.9.3.zip
unzip ssb-poc-0.9.3.zip
cd ssb-poc
make && make install

# 生成100G数据脚本
cd output
bin/gen-ssb.sh 100 data_dir
# 测试100G数据
 bin/create_db_table.sh ddl_100
  • 查询参数调整
-- 默认为1，并行度的设置极大影响查询效率
# 设置并行度，建议是每个集群节点逻辑核数的一半,64线程设置为32,经测试再调大该参数，查询性能基本没有变化
set global parallel_fragment_exec_instance_num = 32;
  • 单表测试
--Q1.1 
SELECT sum(lo_extendedprice * lo_discount) AS `revenue` 
FROM lineorder_flat 
WHERE lo_orderdate >= '1993-01-01' and lo_orderdate <= '1993-12-31' AND lo_discount BETWEEN 1 AND 3 AND lo_quantity < 25; 
 
--Q1.2 
SELECT sum(lo_extendedprice * lo_discount) AS revenue FROM lineorder_flat  
WHERE lo_orderdate >= '1994-01-01' and lo_orderdate <= '1994-01-31' AND lo_discount BETWEEN 4 AND 6 AND lo_quantity BETWEEN 26 AND 35; 
 
--Q1.3 
SELECT sum(lo_extendedprice * lo_discount) AS revenue 
FROM lineorder_flat 
WHERE weekofyear(lo_orderdate) = 6 AND lo_orderdate >= '1994-01-01' and lo_orderdate <= '1994-12-31' 
 AND lo_discount BETWEEN 5 AND 7 AND lo_quantity BETWEEN 26 AND 35; 
 
 
--Q2.1 
SELECT sum(lo_revenue), year(lo_orderdate) AS year,  p_brand 
FROM lineorder_flat 
WHERE p_category = 'MFGR#12' AND s_region = 'AMERICA' 
GROUP BY year,  p_brand 
ORDER BY year, p_brand; 
 
--Q2.2 
SELECT 
sum(lo_revenue), year(lo_orderdate) AS year, p_brand 
FROM lineorder_flat 
WHERE p_brand >= 'MFGR#2221' AND p_brand <= 'MFGR#2228' AND s_region = 'ASIA' 
GROUP BY year,  p_brand 
ORDER BY year, p_brand; 
  
--Q2.3 
SELECT sum(lo_revenue),  year(lo_orderdate) AS year, p_brand 
FROM lineorder_flat 
WHERE p_brand = 'MFGR#2239' AND s_region = 'EUROPE' 
GROUP BY  year,  p_brand 
ORDER BY year, p_brand; 
 
 
--Q3.1 
SELECT c_nation, s_nation,  year(lo_orderdate) AS year, sum(lo_revenue) AS revenue FROM lineorder_flat 
WHERE c_region = 'ASIA' AND s_region = 'ASIA' AND lo_orderdate  >= '1992-01-01' AND lo_orderdate   <= '1997-12-31' 
GROUP BY c_nation, s_nation, year 
ORDER BY  year ASC, revenue DESC; 
 
--Q3.2 
SELECT  c_city, s_city, year(lo_orderdate) AS year, sum(lo_revenue) AS revenue
FROM lineorder_flat 
WHERE c_nation = 'UNITED STATES' AND s_nation = 'UNITED STATES' AND lo_orderdate  >= '1992-01-01' AND lo_orderdate <= '1997-12-31' 
GROUP BY c_city, s_city, year 
ORDER BY year ASC, revenue DESC; 
 
--Q3.3 
SELECT c_city, s_city, year(lo_orderdate) AS year, sum(lo_revenue) AS revenue 
FROM lineorder_flat 
WHERE c_city in ( 'UNITED KI1' ,'UNITED KI5') AND s_city in ( 'UNITED KI1' ,'UNITED KI5') AND lo_orderdate  >= '1992-01-01' AND lo_orderdate <= '1997-12-31' 
GROUP BY c_city, s_city, year 
ORDER BY year ASC, revenue DESC; 
 
--Q3.4 
SELECT c_city, s_city, year(lo_orderdate) AS year, sum(lo_revenue) AS revenue 
FROM lineorder_flat 
WHERE c_city in ('UNITED KI1', 'UNITED KI5') AND s_city in ( 'UNITED KI1',  'UNITED KI5') AND  lo_orderdate  >= '1997-12-01' AND lo_orderdate <= '1997-12-31' 
GROUP BY c_city,  s_city, year 
ORDER BY year ASC, revenue DESC; 
 
 
--Q4.1 
SELECT year(lo_orderdate) AS year, c_nation,  sum(lo_revenue - lo_supplycost) AS profit FROM lineorder_flat 
WHERE c_region = 'AMERICA' AND s_region = 'AMERICA' AND p_mfgr in ( 'MFGR#1' , 'MFGR#2') 
GROUP BY year, c_nation 
ORDER BY year ASC, c_nation ASC; 
 
--Q4.2 
SELECT year(lo_orderdate) AS year, 
    s_nation, p_category, sum(lo_revenue - lo_supplycost) AS profit 
FROM lineorder_flat 
WHERE c_region = 'AMERICA' AND s_region = 'AMERICA' AND lo_orderdate >= '1997-01-01' and lo_orderdate <= '1998-12-31' AND  p_mfgr in ( 'MFGR#1' , 'MFGR#2') 
GROUP BY year, s_nation,  p_category 
ORDER BY  year ASC, s_nation ASC, p_category ASC; 
 
--Q4.3 
SELECT year(lo_orderdate) AS year, s_city, p_brand, 
    sum(lo_revenue - lo_supplycost) AS profit 
FROM lineorder_flat 
WHERE s_nation = 'UNITED STATES' AND lo_orderdate >= '1997-01-01' and lo_orderdate <= '1998-12-31' AND p_category = 'MFGR#14' 
GROUP BY  year,  s_city, p_brand 
ORDER BY year ASC,  s_city ASC,  p_brand ASC;
单表低基数测试SQL
--Q1
select count(*),lo_shipmode from lineorder_flat group by lo_shipmode;
--Q2
select count(distinct lo_shipmode) from lineorder_flat;
--Q3
select count(*),lo_shipmode,lo_orderpriority from lineorder_flat group by lo_shipmode,lo_orderpriority;
--Q4
select count(*),lo_shipmode,lo_orderpriority from lineorder_flat group by lo_shipmode,lo_orderpriority,lo_shippriority;
--Q5
select count(*),lo_shipmode,s_city from lineorder_flat group by lo_shipmode,s_city;
--Q6
select count(*) from lineorder_flat group by c_city,s_city;
--Q7
select count(*) from lineorder_flat group by lo_shipmode,lo_orderdate;
--Q8
select count(*) from lineorder_flat group by lo_orderdate,s_nation,s_region;
--Q9
select count(*) from lineorder_flat group by c_city,s_city,c_nation,s_nation;
--Q10
select count(*) from (select count(*) from lineorder_flat group by lo_shipmode,lo_orderpriority,p_category,s_nation,c_nation) t;
--Q11
select count(*) from (select count(*) from lineorder_flat_distributed group by lo_shipmode,lo_orderpriority,p_category,s_nation,c_nation,p_mfgr) t;
--Q12
select count(*) from (select count(*) from lineorder_flat group by substr(lo_shipmode,2),lower(lo_orderpriority),p_category,s_nation,c_nation,s_region,p_mfgr) t;

单表测试

SSB单表测试结果
starrocks 2.0.1（ms）clickhouse 20.4.2.9 （ms）clickhouse/starrocks 性能对比
Q1.170270.39
Q1.220211.05
Q1.350180.36
Q2.1903764.18
Q2.2803093.86
Q2.3704816.87
Q3.12007923.96
Q3.28084810.60
Q3.36062210.37
Q3.420331.65
Q4.11309197.07
Q4.21104414.01
Q4.3802953.69
sum106051824.89

低基数聚合测试结果

查询类型结果集的基数starrocks 2.0.1（s）并行度=1starrocks 2.0.1（s）并行度=32clickhouse 20.4.2.9 （s）clickhouse/starrocks 性能对比
Q1group by 1个低基数列（<50）71.880.250.1990.80
Q2count distinct 1个低基数列（<50）11.560.210.3651.74
Q3group by 2个低基数列352.880.282.7329.76
Q4group by 2个低基数列,一个int列352.990.323.46510.83
Q5group by 4个低基数列（7*250）17502.870.320.9963.11
Q6group by 2个低基数列(250*250)625003.740.831.9472.35
Q7group by 1个低基数列(<50)和1个日期列168422.090.280.6562.34
Q8group by 2个低基数列(<50)和2个日期列601502.080.420.9782.33
Q9group by 4个低基数列625007.141.273.3082.60
Q10group by 5个低基数列（<50）54687519.222.94.461.54
Q11group by 6个低基数列（<50）54687524.813.085.2541.71
Q12group by 7个包含函数计算低基数列（<50）46975028.993.575.8681.64
sum100.2513.7330.2282.20

Clickhouse SSB测试报告：Clickhouse SSB测试报告

Kevinniec
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
StarRocks和ClickHouse对比
weixin_65403042的博客
11-06 748
在数据摄入方面，ClickHouse无法保证一次且仅一次的数据摄入，而StarRocks通过在摄入时应用ACID属性，确保了数据的一次且仅一次摄入。对于实时更新，ClickHouse的更新是异步的，而StarRocks则能够同步更新和删除[2](https://celerdata.com/hubfs/ClickHouse vs StarRocks Comparison Overview.pdf?在实施选择时，考虑到两者在性能上的竞争力和特定场景下的优劣，进行充分的测试和评估是非常必要的。
[技术选型] ClickHouse和StarRocks的介绍
959
02-14 2863
StarRocks介绍和ClickHouse的OLAP介绍
数据仓库系列：StarRocks的简单试用及与clickhouse的对比
penriver的博客
04-09 2959
本文记录针对StarRocks的试用情况，并拿StarRocks与ClickHouse进行了对比。 StarRocks 与 ClickHouse 是两款基于 MPP 架构的列式数据库管理系统，都可以提供高性能的 OLAP 分析能力。 但是它们在功能、性能和使用场景上也有一些区别 想知道这些区别嘛，快来看看这篇文章吧
StarRocks与ClickHouse：简要快速选型对比
全世界的博客
05-20 933
StarRocks是一款全场景MPP企业级数据库，它强调实时性、并发性和MySQL兼容性。StarRocks提供在线弹性扩缩容能力，支持复杂数据建模和动态维度处理，特别适合于高性能、实时数据的处理和分析。
开源大数据OLAP引擎最佳实践
数据一哥，公众号：数据社
03-21 3264
来源：阿里巴巴大数据计算全文共3547个字，建议10分钟阅读大家好，我是一哥。之前我也做过一些OLAP的选型对比《OLAP计算引擎怎么选？》，今天再给大家分享一篇。本篇内容将通过六个部分来...
【技术选型】clickhouse vs starRocks
记录生活
01-09 1051
如果只能单机部署的话，clickhouse基本无敌。如果集群化，starRocks可以替换clickhouse，但支持的函数会相对少一些（clickhouse有不少自定义函数）
DotNetCore.1.0.0-VS2015Tools.Preview2.0.1和2.0.3.zip
02-07
压缩包内的两个文件"DotNetCore.1.0.1-VS2015Tools.Preview2.0.3.exe"和"DotNetCore.1.0.0-VS2015Tools.Preview2.0.1.exe"是.NET Core开发工具的不同迭代版本。".exe"文件通常为可执行文件，意味着它们可能是安装...
expat_2.0.1.orig.tar.gz.zip
08-24
该外籍包中包含用于解析XML面向流的C库。在安装apr-util-1.6.1 的过程中,xml/apr_xml.c:35:19: error: expat.h: No such file or directory,原因是缺少expat库，需要安装expat。
DotNetCore.1.0.0-VS2015Tools.Preview2.0.1
11-01
"DotNetCore.1.0.0-VS2015Tools.Preview2.0.1.exe" 这个文件很可能是安装程序，用户可以通过运行这个可执行文件来安装.NET Core 1.0.0的开发工具到Visual Studio 2015中。安装过程会添加对.NET Core项目的支持，包括...
pygame-2.0.1.dev1.tar.gz
02-22
《Pygame 2.0.1.dev1：Python游戏开发的基石》 Pygame是Python编程语言中的一个开源库，专为开发2D游戏而设计。Pygame的核心是基于SDL（Simple DirectMedia Layer）库，提供了丰富的多媒体处理功能，包括音频、图像...
Arpeggio-2.0.1-py2.py3-none-any.whl.zip
最新发布
06-25
标题 "Arpeggio-2.0.1-py2.py3-none-any.whl.zip" 提供的信息表明，这是一个包含 Arpeggio 库特定版本（2.0.1）的 Python 软件包，该软件包是用 wheel（whl）格式打包的。Wheel 是 Python 包分发的一种标准格式，它...
ClickHouse vs StarRocks
chixushuchu的博客
04-15 647
clickhouse starrocks
Doris、StarRocks 压测对比
xiaokebiubiubiu的博客
03-01 3314
1、在多表查询下，仅在一个场景下Doris速度逊于StarRocks ，大部分场景是Doris优于StarRocks的。 2、在单表查询下，StarRocks 在部分场景下优于Doris，但是二次查询，二者不分伯仲。3、在cpu和内存的事使用上，doris会比starrocks多吃1.5倍的资源。使用doris-master\tools\ssb-tools下的压测脚本。 4、本次测试，未调优二者的参数，开箱起服务，直接测试的，部署架构一致。创建表：./create-ssb-tables.sh。
ClickHouse vs StarRocks 选型对比
热门推荐
dan20211的博客
12-04 1万+
ClickHouse vs StarRocks 选型对比 面向列存的 DBMS 新的选择 Hadoop 从诞生已经十三年了，Hadoop 的供应商争先恐后的为 Hadoop 贡献各种开源插件，发明各种的解决方案技术栈，一方面确实帮助很多用户解决了问题，但另一方面因为繁杂的技术栈与高昂的维护成本，Hadoop 也渐渐地失去了原本属于他的市场。对于用户来说，一套高性能，简单化，可扩展的数据库产品能够帮助他们解决业务痛点问题。越来越多的人将目光锁定在列存的分布式数据库上。 ClickHouse 简介 ClickH
ClickHouse vs StarRocks 全场景MPP数据库选型对比
涛子丶白了你一眼的博客
08-03 2367
ClickHouse 是由俄罗斯的第一大搜索引擎 Yandex 公司开源的列存数据库。令人惊喜的是，ClickHouse 相较于很多商业 MPP 数据库，比如 Vertica，InfiniDB 有着极大的性能提升。除了 Yandex 以外，越来越多的公司开始尝试使用 ClickHouse 等列存数据库。对于一般的分析业务，结构性较强且数据变更不频繁，可以考虑将需要进行关联的表打平成宽表，放入 ClickHouse 中。配置丰富，只依赖与 Zookeeper线性可扩展性，可以通过添加服务器扩展集群。.....
大数据技术组件选型对比
weixin_45727359的博客
11-04 2295
中间件pulsarvs kafka Flink CDCvs Debezium Flink CDC更灵活，支持DataStreamAPI和SQL两种方式同步数据，便于对数据做⼀些ETL,FlinkCDC分布式架构不仅仅体现在数据读取能⼒的⽔平扩展 上，更重要的是在⼤数据场景下分布式系统接⼊能⼒。例如 Flink CDC 的数据⼊湖或者⼊仓的时候，下游通常 是分布式的系统，如...
ClickHouse & StarRocks 使用经验分享
qq_43842093的博客
01-07 913
总结一下，如果是需要分析日志流数据，更加推荐 ClickHouse ，因为 ClickHouse 单机强悍，可以支撑亿级别数据量，架构简单，相比于 StarRocks 也更加稳定，相比集群，更推荐单机 ClickHouse。如果是分析业务流数据，更加推荐 StarRocks ，因为 StarRocks 对于更新场景性能更加，而且 JOIN 性能更好，而且更加推荐部署 StarRocks 集群，可以充分发挥 StarRocks 的性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值