Hacker News 데이터셋

Hacker News 데이터 2,800만 행이 포함된 데이터셋입니다.

이 튜토리얼에서는 CSV 및 Parquet 포맷의 Hacker News 데이터 2,800만 행을 ClickHouse 테이블에 삽입하고, 몇 가지 간단한 쿼리를 실행해 데이터를 살펴봅니다.

​

CSV

1. ​

   CSV 다운로드

   데이터셋의 CSV 버전은 공개 S3 버킷에서 다운로드하거나, 다음 명령을 실행해 다운로드할 수 있습니다:

   wget https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.csv.gz
   

   4.6GB, 2,800만 행 규모의 이 압축 파일은 다운로드에 5~10분 정도 소요됩니다.

2. ​

   데이터 샘플링

   clickhouse-local을 사용하면 ClickHouse 서버를 배포하거나 구성하지 않고도 로컬 파일을 빠르게 처리할 수 있습니다.

   ClickHouse에 데이터를 저장하기 전에 clickhouse-local로 파일을 샘플링해 보겠습니다. 콘솔에서 다음을 실행하십시오:

   clickhouse-local
   

   다음으로, 데이터를 확인하려면 다음 명령을 실행하세요:

   Query

   SELECT *
   FROM file('hacknernews.csv.gz', CSVWithNames)
   LIMIT 2
   SETTINGS input_format_try_infer_datetimes = 0
   FORMAT Vertical
   

   Response

   Row 1:
   ──────
   id:          344065
   deleted:     0
   type:        comment
   by:          callmeed
   time:        2008-10-26 05:06:58
   text:        What kind of reports do you need?<p>ActiveMerchant just connects your app to a gateway for cc approval and processing.<p>Braintree has very nice reports on transactions and it's very easy to refund a payment.<p>Beyond that, you are dealing with Rails after all–it's pretty easy to scaffold out some reports from your subscriber base.
   dead:        0
   parent:      344038
   poll:        0
   kids:        []
   url:
   score:       0
   title:
   parts:       []
   descendants: 0
   
   Row 2:
   ──────
   id:          344066
   deleted:     0
   type:        story
   by:          acangiano
   time:        2008-10-26 05:07:59
   text:
   dead:        0
   parent:      0
   poll:        0
   kids:        [344111,344202,344329,344606]
   url:         http://antoniocangiano.com/2008/10/26/what-arc-should-learn-from-ruby/
   score:       33
   title:       What Arc should learn from Ruby
   parts:       []
   descendants: 10
   

   이 명령에는 눈에 띄지 않지만 유용한 기능이 많이 있습니다. file 연산자를 사용하면 포맷으로 CSVWithNames만 지정하여 로컬 디스크의 파일을 읽을 수 있습니다. 가장 중요한 점은 파일 내용에서 스키마가 자동으로 추론된다는 것입니다. 또한 clickhouse-local이 확장자를 바탕으로 gzip 포맷을 추론해 압축된 파일을 읽을 수 있다는 점에도 주목하십시오. Vertical 포맷을 사용하면 각 컬럼의 데이터를 더 쉽게 확인할 수 있습니다.

3. ​

   스키마 추론으로 데이터 로드하기

   데이터를 로드하는 가장 간단하면서도 강력한 도구는 clickhouse-client입니다. 기능이 풍부한 네이티브 command-line client입니다. 데이터를 로드할 때도 스키마 추론을 활용할 수 있으며, 컬럼의 타입은 ClickHouse가 결정합니다.

   url 함수를 통해 원격 CSV 파일의 내용에 접근하여 테이블을 생성하고 데이터를 직접 삽입하려면, 다음 명령을 실행하세요. 스키마는 자동으로 추론됩니다:

   CREATE TABLE hackernews ENGINE = MergeTree ORDER BY tuple
   (
   ) EMPTY AS SELECT * FROM url('https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.csv.gz', 'CSVWithNames');
   

   이렇게 하면 데이터에서 자동으로 추론된 스키마를 사용해 빈 테이블을 생성합니다. DESCRIBE TABLE 명령을 사용하면 할당된 타입을 확인할 수 있습니다.

   Query

   DESCRIBE TABLE hackernews
   

   Response

   ┌─name────────┬─type─────────────────────┬
   │ id          │ Nullable(Float64)        │
   │ deleted     │ Nullable(Float64)        │
   │ type        │ Nullable(String)         │
   │ by          │ Nullable(String)         │
   │ time        │ Nullable(String)         │
   │ text        │ Nullable(String)         │
   │ dead        │ Nullable(Float64)        │
   │ parent      │ Nullable(Float64)        │
   │ poll        │ Nullable(Float64)        │
   │ kids        │ Array(Nullable(Float64)) │
   │ url         │ Nullable(String)         │
   │ score       │ Nullable(Float64)        │
   │ title       │ Nullable(String)         │
   │ parts       │ Array(Nullable(Float64)) │
   │ descendants │ Nullable(Float64)        │
   └─────────────┴──────────────────────────┴
   

   이 테이블에 데이터를 삽입하려면 INSERT INTO, SELECT 명령을 사용하십시오. url 함수와 함께 사용하면 URL에서 데이터를 직접 스트리밍할 수 있습니다:

   INSERT INTO hackernews SELECT *
   FROM url('https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.csv.gz', 'CSVWithNames')
   

   명령 한 번으로 ClickHouse에 2,800만 개의 행을 성공적으로 삽입했습니다!

4. ​

   데이터 탐색하기

   다음 쿼리를 실행하여 Hacker News 스토리와 특정 컬럼의 샘플을 확인합니다:

   Query

   SELECT
       id,
       title,
       type,
       by,
       time,
       url,
       score
   FROM hackernews
   WHERE type = 'story'
   LIMIT 3
   FORMAT Vertical
   

   Response

   Row 1:
   ──────
   id:    2596866
   title:
   type:  story
   by:
   time:  1306685152
   url:
   score: 0
   
   Row 2:
   ──────
   id:    2596870
   title: WordPress capture users last login date and time
   type:  story
   by:    wpsnipp
   time:  1306685252
   url:   http://wpsnipp.com/index.php/date/capture-users-last-login-date-and-time/
   score: 1
   
   Row 3:
   ──────
   id:    2596872
   title: Recent college graduates get some startup wisdom
   type:  story
   by:    whenimgone
   time:  1306685352
   url:   http://articles.chicagotribune.com/2011-05-27/business/sc-cons-0526-started-20110527_1_business-plan-recession-college-graduates
   score: 1
   

   스키마 추론은 초기 데이터 탐색에 매우 유용한 도구이지만, 「best effort」 방식이므로 데이터에 최적화된 스키마를 정의하는 것을 장기적으로 대체할 수는 없습니다.

5. ​

   스키마 정의

   가장 명확하면서도 바로 적용할 수 있는 최적화 방법은 각 필드의 타입을 정의하는 것입니다. 시간 필드를 DateTime 타입으로 선언하는 것과 함께, 기존 데이터셋을 삭제한 뒤 아래 각 필드에도 적절한 타입을 지정합니다. ClickHouse에서는 데이터의 프라이머리 키 ID를 ORDER BY 절로 정의합니다.

   적절한 타입을 선택하고 ORDER BY 절에 포함할 컬럼을 결정하면 쿼리 속도와 압축 효율을 높이는 데 도움이 됩니다.

   아래 쿼리를 실행하여 기존 스키마를 삭제하고 개선된 스키마를 생성하세요:

   Query

   DROP TABLE IF EXISTS hackernews;
   
   CREATE TABLE hackernews
   (
       `id` UInt32,
       `deleted` UInt8,
       `type` Enum('story' = 1, 'comment' = 2, 'poll' = 3, 'pollopt' = 4, 'job' = 5),
       `by` LowCardinality(String),
       `time` DateTime,
       `text` String,
       `dead` UInt8,
       `parent` UInt32,
       `poll` UInt32,
       `kids` Array(UInt32),
       `url` String,
       `score` Int32,
       `title` String,
       `parts` Array(UInt32),
       `descendants` Int32
   )
       ENGINE = MergeTree
   ORDER BY id
   

   최적화된 스키마(schema)를 사용하면 이제 로컬 파일 시스템의 데이터를 삽입할 수 있습니다. 다시 clickhouse-client를 사용해, 명시적으로 INSERT INTO를 지정하고 INFILE 절로 파일의 데이터를 삽입합니다.

   Query

   INSERT INTO hackernews FROM INFILE '/data/hacknernews.csv.gz' FORMAT CSVWithNames
   
6. ​

   샘플 쿼리 실행

   아래에 몇 가지 샘플 쿼리를 제공합니다. 직접 쿼리를 작성할 때 참고하시기 바랍니다.

   ​

   Hacker News에서 “ClickHouse”는 얼마나 자주 언급되는 주제입니까?

   score 필드는 스토리의 인기도를 나타내는 메트릭을 제공하며, id 필드와 || 연결 연산자를 활용하면 원본 게시물의 링크를 생성할 수 있습니다.

   Query

   SELECT
       time,
       score,
       descendants,
       title,
       url,
       'https://news.ycombinator.com/item?id=' || toString(id) AS hn_url
   FROM hackernews
   WHERE (type = 'story') AND (title ILIKE '%ClickHouse%')
   ORDER BY score DESC
   LIMIT 5 FORMAT Vertical
   

   Response

   Row 1:
   ──────
   time:        1632154428
   score:       519
   descendants: 159
   title:       ClickHouse, Inc.
   url:         https://github.com/ClickHouse/ClickHouse/blob/master/website/blog/en/2021/clickhouse-inc.md
   hn_url:      https://news.ycombinator.com/item?id=28595419
   
   Row 2:
   ──────
   time:        1614699632
   score:       383
   descendants: 134
   title:       ClickHouse as an alternative to Elasticsearch for log storage and analysis
   url:         https://pixeljets.com/blog/clickhouse-vs-elasticsearch/
   hn_url:      https://news.ycombinator.com/item?id=26316401
   
   Row 3:
   ──────
   time:        1465985177
   score:       243
   descendants: 70
   title:       ClickHouse – high-performance open-source distributed column-oriented DBMS
   url:         https://clickhouse.yandex/reference_en.html
   hn_url:      https://news.ycombinator.com/item?id=11908254
   
   Row 4:
   ──────
   time:        1578331410
   score:       216
   descendants: 86
   title:       ClickHouse cost-efficiency in action: analyzing 500B rows on an Intel NUC
   url:         https://www.altinity.com/blog/2020/1/1/clickhouse-cost-efficiency-in-action-analyzing-500-billion-rows-on-an-intel-nuc
   hn_url:      https://news.ycombinator.com/item?id=21970952
   
   Row 5:
   ──────
   time:        1622160768
   score:       198
   descendants: 55
   title:       ClickHouse: An open-source column-oriented database management system
   url:         https://github.com/ClickHouse/ClickHouse
   hn_url:      https://news.ycombinator.com/item?id=27310247
   

   ClickHouse가 시간이 지남에 따라 노이즈가 증가하고 있습니까? 여기서 time 필드를 DateTime으로 정의하는 것의 유용성을 확인할 수 있습니다. 적절한 데이터 타입을 사용하면 toYYYYMM() 함수를 활용할 수 있습니다:

   Query

   SELECT
      toYYYYMM(time) AS monthYear,
      bar(count(), 0, 120, 20)
   FROM hackernews
   WHERE (type IN ('story', 'comment')) AND ((title ILIKE '%ClickHouse%') OR (text ILIKE '%ClickHouse%'))
   GROUP BY monthYear
   ORDER BY monthYear ASC
   

   Response

   ┌─monthYear─┬─bar(count(), 0, 120, 20)─┐
   │    201606 │ ██▎                      │
   │    201607 │ ▏                        │
   │    201610 │ ▎                        │
   │    201612 │ ▏                        │
   │    201701 │ ▎                        │
   │    201702 │ █                        │
   │    201703 │ ▋                        │
   │    201704 │ █                        │
   │    201705 │ ██                       │
   │    201706 │ ▎                        │
   │    201707 │ ▎                        │
   │    201708 │ ▏                        │
   │    201709 │ ▎                        │
   │    201710 │ █▌                       │
   │    201711 │ █▌                       │
   │    201712 │ ▌                        │
   │    201801 │ █▌                       │
   │    201802 │ ▋                        │
   │    201803 │ ███▏                     │
   │    201804 │ ██▏                      │
   │    201805 │ ▋                        │
   │    201806 │ █▏                       │
   │    201807 │ █▌                       │
   │    201808 │ ▋                        │
   │    201809 │ █▌                       │
   │    201810 │ ███▌                     │
   │    201811 │ ████                     │
   │    201812 │ █▌                       │
   │    201901 │ ████▋                    │
   │    201902 │ ███                      │
   │    201903 │ ▋                        │
   │    201904 │ █                        │
   │    201905 │ ███▋                     │
   │    201906 │ █▏                       │
   │    201907 │ ██▎                      │
   │    201908 │ ██▋                      │
   │    201909 │ █▋                       │
   │    201910 │ █                        │
   │    201911 │ ███                      │
   │    201912 │ █▎                       │
   │    202001 │ ███████████▋             │
   │    202002 │ ██████▌                  │
   │    202003 │ ███████████▋             │
   │    202004 │ ███████▎                 │
   │    202005 │ ██████▏                  │
   │    202006 │ ██████▏                  │
   │    202007 │ ███████▋                 │
   │    202008 │ ███▋                     │
   │    202009 │ ████                     │
   │    202010 │ ████▌                    │
   │    202011 │ █████▏                   │
   │    202012 │ ███▋                     │
   │    202101 │ ███▏                     │
   │    202102 │ █████████                │
   │    202103 │ █████████████▋           │
   │    202104 │ ███▏                     │
   │    202105 │ ████████████▋            │
   │    202106 │ ███                      │
   │    202107 │ █████▏                   │
   │    202108 │ ████▎                    │
   │    202109 │ ██████████████████▎      │
   │    202110 │ ▏                        │
   └───────────┴──────────────────────────┘
   

   “ClickHouse”는 시간이 지날수록 인기가 높아지고 있는 것으로 보입니다.

   ​

   ClickHouse 관련 기사에서 댓글을 가장 많이 작성한 사용자는 누구인가요?

   Query

   SELECT
      by,
      count() AS comments
   FROM hackernews
   WHERE (type IN ('story', 'comment')) AND ((title ILIKE '%ClickHouse%') OR (text ILIKE '%ClickHouse%'))
   GROUP BY by
   ORDER BY comments DESC
   LIMIT 5
   

   Response

   ┌─by──────────┬─comments─┐
   │ hodgesrm    │       78 │
   │ zX41ZdbW    │       45 │
   │ manigandham │       39 │
   │ pachico     │       35 │
   │ valyala     │       27 │
   └─────────────┴──────────┘
   

   ​

   어떤 댓글이 가장 많은 관심을 받습니까?

   Query

   SELECT
     by,
     sum(score) AS total_score,
     sum(length(kids)) AS total_sub_comments
   FROM hackernews
   WHERE (type IN ('story', 'comment')) AND ((title ILIKE '%ClickHouse%') OR (text ILIKE '%ClickHouse%'))
   GROUP BY by
   ORDER BY total_score DESC
   LIMIT 5
   

   Response

   ┌─by───────┬─total_score─┬─total_sub_comments─┐
   │ zX41ZdbW │        571  │              50    │
   │ jetter   │        386  │              30    │
   │ hodgesrm │        312  │              50    │
   │ mechmind │        243  │              16    │
   │ tosh     │        198  │              12    │
   └──────────┴─────────────┴────────────────────┘
   

​

Parquet

ClickHouse의 강점 중 하나는 다양한 포맷을 처리할 수 있다는 점입니다. CSV는 상당히 이상적인 사용 사례를 보여주지만, 데이터 교환에는 가장 효율적인 방식이 아닙니다.

다음으로, 효율적인 컬럼 지향 포맷인 Parquet 파일에서 데이터를 로드합니다.

Parquet는 타입이 매우 제한적이며, ClickHouse는 이를 그대로 따라야 합니다. 그리고 이 타입 정보는 포맷 자체에 인코딩되어 있습니다. Parquet 파일에 대해 타입 추론을 수행하면 CSV 파일의 스키마와는 항상 약간 다른 스키마가 생성됩니다.

1. ​

   데이터를 삽입합니다

   다시 url 함수를 사용해 원격 데이터를 읽고, 다음 쿼리를 실행하여 동일한 데이터를 Parquet 포맷으로 읽습니다:

   DROP TABLE IF EXISTS hackernews;
   
   CREATE TABLE hackernews
   ENGINE = MergeTree
   ORDER BY id
   SETTINGS allow_nullable_key = 1 EMPTY AS
   SELECT *
   FROM url('https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.parquet', 'Parquet')
   
   INSERT INTO hackernews SELECT *
   FROM url('https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.parquet', 'Parquet')
   

   Parquet의 NULL 키

   Parquet 포맷의 특성상, 데이터에 실제로 없더라도 키가 NULL일 수 있음을 감안해야 합니다.

   자동 추론된 스키마(schema)를 보려면 다음 명령을 실행하세요:

   Response

   ┌─name────────┬─type───────────────────┬
   │ id          │ Nullable(Int64)        │
   │ deleted     │ Nullable(UInt8)        │
   │ type        │ Nullable(String)       │
   │ time        │ Nullable(Int64)        │
   │ text        │ Nullable(String)       │
   │ dead        │ Nullable(UInt8)        │
   │ parent      │ Nullable(Int64)        │
   │ poll        │ Nullable(Int64)        │
   │ kids        │ Array(Nullable(Int64)) │
   │ url         │ Nullable(String)       │
   │ score       │ Nullable(Int32)        │
   │ title       │ Nullable(String)       │
   │ parts       │ Array(Nullable(Int64)) │
   │ descendants │ Nullable(Int32)        │
   └─────────────┴────────────────────────┴
   

   앞서 CSV 파일에서와 마찬가지로, 선택할 타입을 더 세밀하게 제어할 수 있도록 스키마를 수동으로 지정하고 S3에서 직접 데이터를 삽입할 수 있습니다:

   CREATE TABLE hackernews
   (
       `id` UInt64,
       `deleted` UInt8,
       `type` String,
       `author` String,
       `timestamp` DateTime,
       `comment` String,
       `dead` UInt8,
       `parent` UInt64,
       `poll` UInt64,
       `children` Array(UInt32),
       `url` String,
       `score` UInt32,
       `title` String,
       `parts` Array(UInt32),
       `descendants` UInt32
   )
   ENGINE = MergeTree
   ORDER BY (type, author);
   
   INSERT INTO hackernews
   SELECT * FROM s3(
           'https://datasets-documentation.s3.eu-west-3.amazonaws.com/hackernews/hacknernews.parquet',
           'Parquet',
           'id UInt64,
            deleted UInt8,
            type String,
            by String,
            time DateTime,
            text String,
            dead UInt8,
            parent UInt64,
            poll UInt64,
            kids Array(UInt32),
            url String,
            score UInt32,
            title String,
            parts Array(UInt32),
            descendants UInt32');
   
2. ​

   쿼리 속도를 높이기 위한 스키핑 인덱스 추가

   “ClickHouse”를 언급한 댓글이 몇 개인지 확인하려면 다음 쿼리를 실행하세요:

   Query

   SELECT count(*)
   FROM hackernews
   WHERE hasToken(lower(comment), 'ClickHouse');
   

   Response

   1 row in set. Elapsed: 0.843 sec. Processed 28.74 million rows, 9.75 GB (34.08 million rows/s., 11.57 GB/s.)
   ┌─count()─┐
   │     516 │
   └─────────┘
   

   다음으로, 이 쿼리 속도를 높이기 위해 “comment” 컬럼에 역색인 인덱스를 생성합니다. 소문자로 변환된 comment가 인덱싱되므로 대소문자와 관계없이 용어를 찾을 수 있습니다.

   다음 명령을 실행하여 인덱스를 생성하세요:

   ALTER TABLE hackernews ADD INDEX comment_idx(lower(comment)) TYPE inverted;
   ALTER TABLE hackernews MATERIALIZE INDEX comment_idx;
   

   인덱스가 머티리얼라이즈되는 데는 다소 시간이 걸립니다(인덱스가 생성되었는지 확인하려면 시스템 테이블(system table) system.data_skipping_indices를 사용하십시오).

   인덱스가 생성되면 쿼리를 다시 실행하십시오:

   Query

   SELECT count(*)
   FROM hackernews
   WHERE hasToken(lower(comment), 'clickhouse');
   

   이제 인덱스를 사용하면 쿼리가 0.248초만 걸리며, 이전에 인덱스가 없을 때의 0.843초보다 훨씬 짧아진 것을 확인할 수 있습니다:

   Response

   1 row in set. Elapsed: 0.248 sec. Processed 4.54 million rows, 1.79 GB (18.34 million rows/s., 7.24 GB/s.)
   ┌─count()─┐
   │    1145 │
   └─────────┘
   

   EXPLAIN 절을 사용하면 이 인덱스를 추가했을 때 쿼리 성능이 약 3.4배 향상된 이유를 이해할 수 있습니다.

   EXPLAIN indexes = 1
   SELECT count(*)
   FROM hackernews
   WHERE hasToken(lower(comment), 'clickhouse')
   

   Response

   ┌─explain─────────────────────────────────────────┐
   │ Expression ((Projection + Before ORDER BY))     │
   │   Aggregating                                   │
   │     Expression (Before GROUP BY)                │
   │       Filter (WHERE)                            │
   │         ReadFromMergeTree (default.hackernews)  │
   │         Indexes:                                │
   │           PrimaryKey                            │
   │             Condition: true                     │
   │             Parts: 4/4                          │
   │             Granules: 3528/3528                 │
   │           Skip                                  │
   │             Name: comment_idx                   │
   │             Description: inverted GRANULARITY 1 │
   │             Parts: 4/4                          │
   │             Granules: 554/3528                  │
   └─────────────────────────────────────────────────┘
   

   인덱스가 상당수의 그래뉼을 스키핑하여 쿼리 속도를 높인 것을 확인할 수 있습니다.

   이제 하나의 검색어뿐 아니라 여러 검색어를 모두 효율적으로 검색할 수도 있습니다:

   Query

   SELECT count(*)
   FROM hackernews
   WHERE multiSearchAny(lower(comment), ['oltp', 'olap']);
   

   Response

   ┌─count()─┐
   │    2177 │
   └─────────┘
   

   Query

   SELECT count(*)
   FROM hackernews
   WHERE hasToken(lower(comment), 'avx') AND hasToken(lower(comment), 'sve');
   

   Response

   ┌─count()─┐
   │      22 │
   └─────────┘