本文首发于 2021-01-26 21:31:12
《ClickHouse 和他的朋友们》系列文章转载自圈内好友 BohuTANG 的博客，原文链接：
https://bohutang.me/2021/01/21/clickhouse-and-friends-groupby/
以下为正文。
在揭秘 ClickHouse Group By 之前，先聊聊数据库的性能对比测试问题。
在虎哥看来，一个“讲武德”的性能对比测试应该提供什么信息呢？
首先要尊重客观事实，在什么场景下，x 比 y 快？
其次是为什么 x 会比 y 快？
如果以上两条都做到了，还有一点也比较重要： x 的优势可以支撑多久？ 是架构等带来的长期优势，还是一袋烟的优化所得，是否能持续跟上自己的灵魂。
如果只是贴几个妖艳的数字，算不上是 benchmark，而是 benchmarket。
好了，回到 Group By 正题。
相信很多同学已经体验到 ClickHouse Group By 的出色性能，本篇就来分析下快的原因。
首先安慰一下，ClickHouse 的 Group By 并没有使用高大上的黑科技，只是摸索了一条相对较优的方案。
一条 SQL
1
| SELECT sum(number) FROM numbers(10) GROUP BY number % 3
|
我们就以这条简单的 SQL 作为线索，看看 ClickHouse 怎么实现 Group By 聚合。
1. 生成 AST
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
| EXPLAIN AST
SELECT sum(number)
FROM numbers(10)
GROUP BY number % 3
┌─explain─────────────────────────────────────┐
│ SelectWithUnionQuery (children 1) │
│ ExpressionList (children 1) │
│ SelectQuery (children 3) │
│ ExpressionList (children 1) │
│ Function sum (children 1) │ // sum 聚合
│ ExpressionList (children 1) │
│ Identifier number │
│ TablesInSelectQuery (children 1) │
│ TablesInSelectQueryElement (children 1) │
│ TableExpression (children 1) │
│ Function numbers (children 1) │
│ ExpressionList (children 1) │
│ Literal UInt64_10 │
│ ExpressionList (children 1) │
│ Function modulo (children 1) │ // number % 3 函数
│ ExpressionList (children 2) │
│ Identifier number │
│ Literal UInt64_3 │
└─────────────────────────────────────────────┘
|
2. 生成 Query Plan
1
2
3
4
5
6
7
8
9
10
11
12
| EXPLAIN
SELECT sum(number)
FROM numbers(10)
GROUP BY number % 3
┌─explain───────────────────────────────────────────────────────────────────────┐
│ Expression ((Projection + Before ORDER BY)) │
│ Aggregating │ // sum 聚合
│ Expression (Before GROUP BY) │ // number % 3
│ SettingQuotaAndLimits (Set limits and quota after reading from storage) │
│ ReadFromStorage (SystemNumbers) │
└───────────────────────────────────────────────────────────────────────────────┘
|
代码主要在 InterpreterSelectQuery::executeImpl@Interpreters/InterpreterSelectQuery.cpp
3. 生成 Pipeline
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| EXPLAIN PIPELINE
SELECT sum(number)
FROM numbers(10)
GROUP BY number % 3
┌─explain───────────────────────┐
│ (Expression) │
│ ExpressionTransform │
│ (Aggregating) │
│ AggregatingTransform │ // sum 计算
│ (Expression) │
│ ExpressionTransform │ // number % 3 计算
│ (SettingQuotaAndLimits) │
│ (ReadFromStorage) │
└───────────────────────────────┘
|
4. 执行 Pipeline
Pipeline 是从底部往上逐一执行。
4.1 ReadFromStorage
首先从 ReadFromStorage 执行，生成一个 block1， 数据如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
| ┌─number─┐
│ 0 │
│ 1 │
│ 2 │
│ 3 │
│ 4 │
│ 5 │
│ 6 │
│ 7 │
│ 8 │
│ 9 │
└────────┘
number类型为 UInt64
|
ExpressionTransform 包含了 2 个 action:
- 名字为 number，type 为 INPUT
- 名字为
modulo(number, 3)， type 为 FUNCTION
经过 ExpressionTransform 运行处理后生成一个新的 block2， 数据如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| ┌─number─┬─modulo(number, 3)─┐
│ 0 │ 0 │
│ 1 │ 1 │
│ 2 │ 2 │
│ 3 │ 0 │
│ 4 │ 1 │
│ 5 │ 2 │
│ 6 │ 0 │
│ 7 │ 1 │
│ 8 │ 2 │
│ 9 │ 0 │
└────────┴───────────────────┘
number 类型为 UInt64
modulo(number, 3) 类型为 UInt8
|
代码主要在 ExpressionActions::execute@Interpreters/ExpressionActions.cpp
AggregatingTransform 是 Group By 高性能的核心所在。
本示例中的 modulo(number, 3) 类型为 UInt8，在做优化上，ClickHouse 会选择使用数组代替 hashtable 作为分组，区分逻辑见 Interpreters/Aggregator.cpp
在计算 sum 的时候，首先会生成一个数组 [1024]，然后做了一个编译展开(代码 addBatchLookupTable8@AggregateFunctions/IAggregateFunction.h):
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
| static constexpr size_t UNROLL_COUNT = 4;
std::unique_ptr<Data[]> places{new Data[256 * UNROLL_COUNT]};
bool has_data[256 * UNROLL_COUNT]{};
size_t i = 0;
size_t batch_size_unrolled = batch_size / UNROLL_COUNT * UNROLL_COUNT;
for (; i < batch_size_unrolled; i += UNROLL_COUNT)
{
for (size_t j = 0; j < UNROLL_COUNT; ++j)
{
size_t idx = j * 256 + key[i + j];
if (unlikely(!has_data[idx]))
{
new (&places[idx]) Data;
has_data[idx] = true;
}
func.add(reinterpret_cast<char *>(&places[idx]), columns, i + j, nullptr);
}
}
|
sum(number) … GROUP BY number % 3 计算方式：
1
2
3
| array[0] = 0 + 3 + 6 + 9 = 18
array[1] = 1 + 4 + 7 = 12
array[2] = 2 + 5 + 8 = 15
|
这里只是针对 UInt8 做的一个优化分支，那么对于其他类型怎么优化处理呢？
ClickHouse 针对不同的类型分别提供了不同的 hashtable，声势比较浩大（代码见 Aggregator.h）：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
| using AggregatedDataWithUInt8Key = FixedImplicitZeroHashMapWithCalculatedSize<UInt8, AggregateDataPtr>;
using AggregatedDataWithUInt16Key = FixedImplicitZeroHashMap<UInt16, AggregateDataPtr>;
using AggregatedDataWithUInt32Key = HashMap<UInt32, AggregateDataPtr, HashCRC32<UInt32>>;
using AggregatedDataWithUInt64Key = HashMap<UInt64, AggregateDataPtr, HashCRC32<UInt64>>;
using AggregatedDataWithShortStringKey = StringHashMap<AggregateDataPtr>;
using AggregatedDataWithStringKey = HashMapWithSavedHash<StringRef, AggregateDataPtr>;
using AggregatedDataWithKeys128 = HashMap<UInt128, AggregateDataPtr, UInt128HashCRC32>;
using AggregatedDataWithKeys256 = HashMap<DummyUInt256, AggregateDataPtr, UInt256HashCRC32>;
using AggregatedDataWithUInt32KeyTwoLevel = TwoLevelHashMap<UInt32, AggregateDataPtr, HashCRC32<UInt32>>;
using AggregatedDataWithUInt64KeyTwoLevel = TwoLevelHashMap<UInt64, AggregateDataPtr, HashCRC32<UInt64>>;
using AggregatedDataWithShortStringKeyTwoLevel = TwoLevelStringHashMap<AggregateDataPtr>;
using AggregatedDataWithStringKeyTwoLevel = TwoLevelHashMapWithSavedHash<StringRef, AggregateDataPtr>;
using AggregatedDataWithKeys128TwoLevel = TwoLevelHashMap<UInt128, AggregateDataPtr, UInt128HashCRC32>;
using AggregatedDataWithKeys256TwoLevel = TwoLevelHashMap<DummyUInt256, AggregateDataPtr, UInt256HashCRC32>;
using AggregatedDataWithUInt64KeyHash64 = HashMap<UInt64, AggregateDataPtr, DefaultHash<UInt64>>;
using AggregatedDataWithStringKeyHash64 = HashMapWithSavedHash<StringRef, AggregateDataPtr, StringRefHash64>;
using AggregatedDataWithKeys128Hash64 = HashMap<UInt128, AggregateDataPtr, UInt128Hash>;
using AggregatedDataWithKeys256Hash64 = HashMap<DummyUInt256, AggregateDataPtr, UInt256Hash>;
|
如果我们改成 GROUP BY number*100000 后，它会选择 AggregatedDataWithUInt64Key 的 hashtable 作为分组。
而且 ClickHouse 提供了一种 Two Level 方式，用语应对有大量分组 key 的情况，Level1 先分大组，Level2 小组可以并行计算。
针对 String 类型，根据不同的长度，hashtable 也做了很多优化，代码见 HashTable/StringHashMap.h
总结
ClickHouse 会根据 Group By 的最终类型，选择一个最优的 hashtable 或数组，作为分组基础数据结构，使内存和计算尽量最优。
这个”最优解“是怎么找到的？从 test 代码可以看出，是不停的尝试、测试验证出来的，浓厚的 bottom-up 哲学范。
hashtable 测试代码：Interpreters/tests
lookuptable 测试代码： tests/average.cpp
欢迎关注我的微信公众号【数据库内核】：分享主流开源数据库和存储引擎相关技术。
