# ClickHouse vs. GreptimeDB —— 如何选择日志存储系统

Source: https://greptime.cn/blogs/2025-04-01-clickhouse-greptimedb-comparison

**日志（Log）在监控运维和数据分析的场景中发挥着关键作用**。在线系统的问题诊断、用户的行为分析、广告的点击统计和边缘 IoT 设备的监控等都高度依赖日志数据，日志通常包括服务器日志、应用程序日志和安全记录等。然而，日志的数据量相对庞大，一个中大型客户每天的日志规模可达 TB 至 PB 级别。如何高效、实时地处理日志，已成为 IT 系统中一个亟需解决的问题。 

ClickHouse 是国内外企业日志系统存储的主要选择之一，同时涵盖 Traces（即链路数据）这样“特殊”的日志。在海量日志场景中，其压缩率与高性能均可较好地取代 ELK（Elasticsearch）生态。GreptimeDB 自 2024 年起着手日志处理引擎的研发，近期于 ClickHouse 官方评测 [JSONBench 中获得 Cold Run 第一、Hot Run 第四的卓越成绩](https://greptime.cn/blogs/2025-03-18-json-benchmark-greptimedb)。<u>本文将对两个系统在日志场景下的功能/性能差异进行剖析，为用户的日志系统选型提供参考。</u> 

## 核心差异：通用 OLAP 和专为可观测设计

**ClickHouse** 是一款通用的 OLAP 数据库，能够高效地处理多种分析查询。在日志分析、金融处理以及物联网场景中，它凭借灵活的设计和成熟的 SQL 生态系统表现亮眼。

另一方面，**GreptimeDB** 是一款针对可观测性数据设计的云原生数据库，非常适用于可观测性数据、指标记录和实时监控工作负载，其架构针对高频率、时间戳数据（例如指标和事件）的摄入和查询进行了优化。

### 核心特性对比

| **产品**   | **ClickHouse**       | **GreptimeDB**                                                        |
|----------|----------------------|-----------------------------------------------------------------------|
| **数据模型** | 列存，表模型，通用 OLAP       | 列存，表模型，**统一 Metrics, Logs 和 Traces 模型**                                   |
| **性能**   | OLAP 性能优异，时间序列场景均衡   | 专为可观测场景优化，读写和压缩率优秀                                                    |
| **可扩展性** | 水平扩展，需手动配置           | 云原生，通过 Kubernetes 实现**自动弹性扩展**                                            |
| **功能**   | SQL     | SQL，原生支持 PromQL                                                       |
| **成本效率** | 高效，依赖硬件资源            | **存算分离，基于对象存储提效**                                                         |
| **生态兼容** |           具备丰富的插件体系；成熟的 SQL 生态           |               支持众多写入协议；通过 MySQL/ PostgreSQL 协议接入成熟的 SQL 生态；存储格式为 Parquet，可直接接入大数据生态                                                        |
| **社区支持** | 社区规模大，成熟稳定 | 社区逐渐壮大，专注可观测性场景 |

<figure>
<img src="/zh/blogs/2025-04-01-clickhouse-greptimedb-comparison/greptimedbinobservability.png" alt="（图 1：GreptimeDB 在可观测场景中的定位）" style="width: 80%; margin: 0 auto"/>
<figcaption>（图 1：GreptimeDB 在可观测场景中的定位）</figcaption>
</figure>

### 日志系统特性对比

以上是核心的特性对比，日志场景下我们还关注以下维度的对比：

| **产品**                    | **ClickHouse**                              | **GreptimeDB**                           |
|---------------------------|---------------------------------------------|------------------------------------------|
| **可视化**                   | 可集成 Grafana、Kibana 等                        | 内置日志视图，可集成 Grafana、Kibana 等              |
| **Elasticsearch API 兼容性** | 不直接支持，可通过第三方实现                              | 企业版直接支持 Elasticsearch 的读写 REST API       |
| **日志 ETL**                | 无内置 ETL                                     | 内置 Pipeline，将非结构化日志转化为结构化日志              |
| **日志转指标**                 | 物化视图；预聚合表                                   | Flow 流计算                                 |
| **结构化与非结构化日志**            | 两者都支持，支持全文索引（实验功能）；<br>开启后写入性能影响较大，存储空间占用较大 | 两者都支持，支持全文索引                             |
| **Traces 写入和查询**          | 支持，需自行建模； SQL 查询                            | 内置 Otel Traces 建模；支持 SQL 查询和 Jaeger 查询协议 |


## 性能分析

两者之间的性能差异可以参见下图，更详细的数据请参考：《[写入性能跃升 67.5%，存储成本锐减 50%｜GreptimeDB v0.12 日志场景性能测试发布](https://greptime.cn/blogs/2025-03-07-greptimedb-log-benchmark)》。

| **产品**              | **GreptimeDB**               | **ClickHouse**                  |
|---------------------|------------------------------|---------------------------------|
| **版本**              | v0.12                        | 24.9.1.219                      |
| **数据模型**            | 支持结构化和非结构化（启用全文索引）           | 支持结构化和非结构化（实验性全文索引）             |
| **写入性能（TPS）**       | 185,535（结构化）；159,502（非结构化）   | 166,667 (结构化)；136,612 (非结构化)    |
| **写入吞吐比例（HTTP 协议）** | Elasticsearch 的 470% 范围      | 优于 Elasticsearch，略低于 GreptimeDB |
| **查询性能（结构化数据）**     | COUNT 查询时间：6ms；关键词匹配：22.8ms  | COUNT 查询时间：46ms；关键词匹配：52ms      |
| **查询性能（非结构化数据）**    | COUNT 查询时间：6ms；关键词匹配：~2547ms | COUNT 查询时间：8ms；关键词匹配：~2080ms    |
| **存储压缩率**           | 13%-33%（压缩比最优）               | 26%-51%                         |
| **资源占用（CPU %）**     | 结构化: 13.2%；非结构化: 10.29%      | 结构化: 9.56%；非结构化: 26.77%         |
| **资源占用（内存 MB）**     | 结构化: 408MB；非结构化: 624MB       | 结构化: 611MB；非结构化: 732MB          |
| **对象存储支持（S3）**      | 性能损失仅 1%-2%                  | 默认支持                            |

简而言之，GreptimeDB 的读写性能与 ClickHouse 表现相当，在压缩率和资源占用上略有优势。尤其值得强调的是在使用对象存储下，性能几乎不下降。

与其同时，GreptimeDB 在 ClickHouse 官方推出的 [JSONBench](https://jsonbench.com/) 中的表现验证了其**处理海量数据集的竞争力，性能与 ClickHouse 和 VictoriaLogs 处于同一梯队**。10 亿级别的 Cold Run 斩获第一，Hot Run 前四：

<figure>
<img src="/zh/blogs/2025-04-01-clickhouse-greptimedb-comparison/greptimedbcoldrun1st.png" alt="（图 2：10 亿文档 Cold Run 第一）" style="width: 80%; margin: 0 auto"/>
<figcaption>（图 2：10 亿文档 Cold Run 第一）</figcaption>
</figure>

<figure>
<img src="/zh/blogs/2025-04-01-clickhouse-greptimedb-comparison/coldruncomparison.png" alt="（图 3：10 亿文档数据集表现）" style="width: 80%; margin: 0 auto"/>
<figcaption>（图 3：10 亿文档数据集表现）</figcaption>
</figure>

<figure>
<img src="/zh/blogs/2025-04-01-clickhouse-greptimedb-comparison/greptimedbhotrun.png" alt="（图 4：10 亿文档 Hot Run 第四）" style="width: 80%; margin: 0 auto"/>
<figcaption>（图 4：10 亿文档 Hot Run 第四）</figcaption>
</figure>

<figure>
<img src="/zh/blogs/2025-04-01-clickhouse-greptimedb-comparison/hotruncomparison.png" alt="（图 5：10 亿文档数据集表现）" style="width: 80%; margin: 0 auto"/>
<figcaption>（图 5：10 亿文档数据集表现）</figcaption>
</figure>

## 可扩展性对比

**可扩展性往往是用户决定数据库选择的关键因素**，而 ClickHouse 与 GreptimeDB 在这方面的处理方法大不相同。

### 配置复杂的扩展能力：ClickHouse

<u>ClickHouse 支持通过分片和复制进行水平扩展，也支持垂直扩展</u>。然而，水平扩展的实现需要手动配置，包括添加节点和重新平衡数据，这在集群规模扩大时可能变得复杂。尽管 ClickHouse Cloud 的自动扩展选项在一定程度上减少了维护成本，但与 GreptimeDB 已开源的弹性扩展相比仍显局限。

### 无缝弹性扩展：GreptimeDB

**作为云原生数据库，GreptimeDB 采用了计算与存储分离的架构。**它基于 Kubernetes 进行部署，可实现无缝的弹性扩展，非常适合云环境。资源独立扩展支持更高的成本效率和灵活性，确保高需求场景下性能稳定；无需手动干预的设计是 GreptimeDB 在观测性和物联网特定场景中的显著优势。

### 存算分离架构

针对存算分离架构，我们再做一些额外讨论（更多 GreptimeDB 存算分离相关，请阅读这篇文章：《[GreptimeDB 存储架构深度剖析：JSONBench 榜单第一背后的秘密](https://greptime.cn/blogs/2025-03-26-greptimedb-storage-architecture)》）。

[ClickHouse 尽管也可以将数据放在 S3 这样的对象存储上](https://altinity.com/blog/clickhouse-mergetree-on-s3-intro-and-architecture)，但是这套架构存在一些问题：

首先，扩容仍然需要复制（数据既然已经放在 S3 上，复制完全是多此一举的行为）导致扩容较为繁琐和困难，也造成了存储资源浪费。尽管有 [Zero-copy replication](https://clickhouse.com/docs/operations/storing-data#zero-copy)，但是当前仍然[存在较多 Bug](https://github.com/ClickHouse/ClickHouse/labels/comp-s3)，不推荐使用。事实上 [ClickHouse 官方推荐的是不开源的 SharedMergeTree](https://clickhouse.com/blog/clickhouse-cloud-boosts-performance-with-sharedmergetree-and-lightweight-updates#zero-copy-replication-does-not-address-the-challenges)。

其次，ClickHouse 仅仅是将数据放在了对象存储上，文件目录、表结构等元信息还是基于本地存储和 Zookeeper 做复制，<u>这就导致元信息在对象存储和本地存储之间难以保持同步的问题</u>，也存在较多的 Bug 和元信息存储的扩展性问题。相反， GreptimeDB 仅将表的元信息存储在 Metasrv，而数据文件的元信息则放在了对象存储上。

| **产品**     | **ClickHouse**                                                | **GreptimeDB**                                       |
|------------|---------------------------------------------------------------|------------------------------------------------------|
| **扩展方式**   | 支持水平和垂直扩展，但水平扩展需手动配置（添加节点、数据重新平衡），规模扩大时较复杂                    | 基于云原生架构，支持计算与存储分离，无缝实现弹性扩展，适合云环境                     |
| **云端支持**   | ClickHouse Cloud 提供自动扩展选项，但与开源 GreptimeDB 的弹性扩展相比仍有局限         | Kubernetes 部署，资源独立扩展，成本效率和灵活性高，性能稳定，无需手动干预           |
| **存算分离架构** | 数据可存储在 S3 等对象存储上，但扩容仍需复制，过程复杂且浪费存储资源。Zero-Copy复制依然存在较多问题和 Bug | 数据和元信息分离存储，元信息存储在 Metasrv，数据元信息存储在对象存储，架构设计更轻量且高可扩展性 |
| **元信息管理**  | 文件目录和表结构元信息仍基于本地存储和 Zookeeper 复制，同步一致性差，扩展性问题较多               | 元信息集中在 Metasrv，对象存储中管理数据文件元数据，更具一致性和扩展性              |
| **适用场景**   | 更广泛的 OLAP 查询分析，但受限于扩展性和云原生环境适配                                | 可观测性和物联网场景中表现出色，适合高扩展性和弹性要求高的应用场景                    |

## 决策指导

选择 ClickHouse 或 GreptimeDB 主要取决于具体的工作负载需求：

适合选择 ClickHouse 的场景
- 多领域的广泛分析查询；
- 需要成熟的社区支持和丰富文档；
- 通用 OLAP 工作负载与监控数据分析结合的场景。

适合选择 GreptimeDB 的场景
- 高频率、带时间戳的数据（例如指标、日志等可观测性数据）；
- 云原生架构中需要弹性扩展及成本优先的场景；
- 工作负载需要 PromQL 集成及与 Prometheus 等监控工具配合使用。

## 选型结论

ClickHouse 是一款强大的通用 OLAP 数据库，具备多功能性、出色的性能以及庞大的社区生态。与此同时，GreptimeDB 在可观测性场景中更具优势，能够提供高效的数据存储、优化的摄取速度以及特别针对监控和 IoT 工作负载的可扩展解决方案。**两者均为开源解决方案，为用户提供灵活性，但数据库选型需根据数据特性、扩展需求和预算约束来决定。**

---
## 关于 Greptime

Greptime 格睿科技专注于为可观测、物联网及车联网等领域提供实时、高效的数据存储和分析服务，帮助客户挖掘数据的深层价值。目前基于云原生的时序数据库 GreptimeDB 已经衍生出多款适合不同用户的解决方案，更多信息或 demo 展示请联系下方小助手（微信号：greptime）。

欢迎对开源感兴趣的朋友们参与贡献和讨论，从带有 good first issue 标签的 issue 开始你的开源之旅吧～期待在开源社群里遇见你！添加小助手微信即可加入“技术交流群”与志同道合的朋友们面对面交流哦～

Star us on GitHub Now: https://github.com/GreptimeTeam/greptimedb
官网：https://greptime.cn/
文档：https://docs.greptime.cn/
Twitter: https://twitter.com/Greptime
Slack: https://greptime.com/slack
LinkedIn: https://www.linkedin.com/company/greptime/





## 关于 Greptime

[Greptime 格睿科技](https://greptime.cn/)专注于为可观测、物联网及车联网等领域提供实时、高效的数据存储和分析服务，帮助客户挖掘数据的深层价值。目前基于云原生的时序数据库 [GreptimeDB](https://github.com/GreptimeTeam/greptimedb) 已经衍生出多款适合不同用户的解决方案，更多信息或 demo 展示请联系下方小助手（微信号：greptime）。

欢迎对开源感兴趣的朋友们参与贡献和讨论，从带有 good first issue 标签的 issue 开始你的开源之旅吧～期待在开源社群里遇见你！添加小助手微信即可加入“技术交流群”与志同道合的朋友们面对面交流哦~

Star us on GitHub Now: https://github.com/GreptimeTeam/greptimedb

官网：https://greptime.cn/

文档：https://docs.greptime.cn/

Twitter: https://twitter.com/Greptime

Slack: https://greptime.com/slack

LinkedIn: https://www.linkedin.com/company/greptime/
