分析型数据库DuckDB基准测试

2023-10-08 DeepHub IMBA

我们都知道Polars很快，但是最近DuckDB以其独特的数据库特性让我们对他有了更多的关注，本文将对二者进行基准测试，评估它们的速度、效率和用户友好性。

分析型数据库DuckDB基准测试

在评测之前我们先看看这两个框架

DuckDB(0.9.0):一个用c++编写的内存分析数据库。
Polars(0.19.6):一个用Rust实现的超快的DataFrame库

除此以外还有Pandas、Dask、Spark和Vaex本文主要关注DuckDB和Polars的基准测试，因为它们特别强调在某些环境下的速度性能。之所以对这两个框架进行对比是因为 Polars是我目前测试后得到最快的库，而DuckDB它可以更好的支持SQL，这对于我来说是非常好的特这个，因为我更习惯使用SQL来进行查询。

指标设置

我使用了官方的polar基准测试存储库进行此评估。基准测试由tpc标准化查询组成。这些是专门用来评估实际的、真实的工作流的性能的。在Polars官方网站上，提供了8个此类查询的详细结果。这个基准包含22个唯一的查询(q1、q2等)。这些范围从多表连接到聚合排序，所有这些都是大家认可的经过特殊构建的查询。

测试在一台配备16核AMD vCPU和32GB RAM的机器上进行。所有代码都使用Python/ target=_blank class=infotextkey>Python 3.10执行。

数据大小

数据是由使用scale10的存储库代码生成的，下面是每个实体的大小

分析型数据库DuckDB基准测试

数据转换与查询

我们文件读取到内存中，然后进行查询。

分析型数据库DuckDB基准测试

在q1、q9、q13和q17中，多连接、基于字符串的过滤和复杂聚合的组合对于polars 来说很难像duckdb那样有效地进行优化。Q21是对惟一值的计数、基于这些计数进行过滤以及随后的一系列连接的操作。

总的来说DuckDB在这两种情况下看起来更快，但这并不是全部。

因为将数据加载到内存中的过程会产生时间和内存开销。我们通过Makefile准确地度量这些成本。

/usr/bin/time -v make run_duckdb
 /usr/bin/time -v make run_polars

分析型数据库DuckDB基准测试

与polar相比，DuckDB在直接读取文件时表现出更快的性能和更低的内存使用。这表明polars 可能使用了交换内存（红色）。这些库不是为跨多台机器扩展而设计的，所以它们都进行了高效CPU核心利用率的设计。

Polars在某些特定领域表现出具有竞争力甚至更好的性能，例如直接读取文件时的磁盘IO和内存操作时的RAM IO。在磁盘IOPS较低的系统中，polar可以表现得更好。

另外：上图中的CPU百分比越高越好。值大于100%表示正在使用多核处理。

下面是我们测试的代码：

DuckDB读取Parquet直接查询

import duckdb
 conn = duckdb.connect(database=':memory:')
 df_count = conn.sql("""
  SELECT
      count(*) as count_order
  FROM
      'lineitem.parquet'
 """
 ).fetchdf()
 print(df_count)

DuckDB内存查询

import duckdb
 conn = duckdb.connect(database=':memory:')
 conn.sql("""
  CREATE TEMP TABLE IF NOT EXISTS lineitem AS
  SELECT *
  FROM read_parquet('lineitem.parquet');
 """
 )
 df_count = conn.sql("""
  SELECT
      count(*) as count_order
  FROM
      lineitem
 """
 ).fetchdf()
 print(df_count)

Polars 读取Parquet直接查询

import polars as pl
 df = pl.scan_parquet('lineitem.parquet')
 df_count = df.select(
    pl.count().alias("count_order"),
 ).collect()
 print(df_count)

Polars 内存查询

import polars as pl
 df = pl.scan_parquet('lineitem.parquet')
 df = df.collect().rechunk().lazy()
 df_count = df.select(
    pl.count().alias("count_order"),
 ).collect()
 print(df_count)

总结

可以看到在Python处理引擎领域，DuckDB是一个很有前途的竞争者。他在涉及连接和复杂聚合的任务中表现非常亮眼。另外它的简单并且更干净、而且还支持SQL语句直接查询。

但是DuckDB仍处于初级阶段。可能偶尔会遇到bug或缺少功能的问题，如果你有兴趣，可以在你的研究项目中使用DuckDB替代Polars或者Pandas。

本文的测试脚本：

https://Github.com/pola-rs/tpch#polars-tpch