长沙雅美个人工具网站
0%

发表于 更新于 分类于
本文字数： 1.2k 阅读时长 ≈ 4 分钟

注意事项

沉肩：肩胛骨下压
肩胛骨下压
夹背: 肩胛骨内收
肩胛骨内收

姿势纠错

上胸及胸外沿训练

杠铃上斜卧推

胸肌上沿，胸外侧，三头肌及三角肌前束

要领：

  • 躺在斜凳上，头部处于高位，使躯干与地面呈30度左右，双脚支撑地面，臀部和上背部贴在靠背上。双臂向上伸直将杠铃举到胸部上方位置，这是动作的起始位置。
  • 保持挺胸，弯曲肘部慢慢降低杠铃，同时吸气，直至杠铃杆几乎触碰到胸部。
  • 然后用胸部发力，将杠铃垂直向上推起至杠铃处于肩关节的垂直线上，使胸大肌处于“顶峰收缩”位，稍停

注意：快上慢下，下的用时大约是上用时的2倍，杠铃悬停位置在你的锁骨位置
杠铃上斜卧推
杠铃上斜卧推

哑铃上斜卧推

哑铃上斜卧推

上斜哑铃卧推对肌肉的刺激更深

动作要领：

  1. 上凳，双手各持一只哑铃，将其放在大腿上，掌心彼此相对。
  2. 然后，用大腿将哑铃举起来，如果重量很大，可以将哑铃放在腿根部，然后往后一趟，顺势抬腿将哑铃举起，将其放到胸前，掌心向前，与肩同宽。同时向后躺到靠背上，这个时候要收紧核心，挺胸沉肩，这样，你就准备好了
  3. 然后用胸部力量将哑铃推举起来，同时呼气，记住全程要保持对哑铃的掌控力度，全程核心收紧。
  4. 手臂自然伸直，到达顶点的时候稍适停留，然后开始缓慢下降，下降的时候吸气。同样，快上慢下。
  5. 以上是一次完整动作，重复动作至推荐次数。
  6. 完成一组后，将哑铃放回腿部，然后再放到地板上。这是安全放置哑铃的方式。

注意事项：

  • 两个哑铃在顶峰收缩的时候不要碰到一起，让胸去控制惯性，而不是任由惯性将其碰撞在一起
  • 可以根据自己的需求调整椅子的角度，没有必要一直用一个斜度
    凳子高度对应锻炼区域

中胸锻炼

杠铃平板卧推

  1. 挺胸，沉肩，夹背 双脚支撑地面，臀部和上背部贴在靠背上，腰部可以起桥，不用起太高，这里侧重于肌肥大训练，不是力量举，所以没必要起高桥。双臂向上伸直将杠铃举到胸部上方位置，这是动作的起始位置。
  2. 保持挺胸，沉肩，弯曲肘部慢慢降低杠铃，同时吸气，直至杠铃杆几乎触碰到胸部，就是放到你两个激凸点的位置
  3. 然后用胸部力量将哑铃推举起来，同时呼气，记住全程要保持均匀发力，切忌高低杠，全程核心收紧。

杠铃平板卧推

腋窝角度
腋窝角度

哑铃卧推

动作要领

  1. 然后，用大腿将哑铃举起来，如果重量很大，可以将哑铃放在腿根部，然后往后一趟，顺势抬腿将哑铃举起，将其放到胸前，掌心向前，与肩同宽。同时向后躺到靠背上，这个时候要收紧核心，挺胸沉肩。
  2. 然后用胸部力量将哑铃推举起来，同时呼气，记住全程要保持对哑铃的掌控力度，全程核心收紧。小臂垂直于地面
  3. 手臂自然伸直，到达顶点的时候稍适停留，然后开始缓慢下降，下降的时候吸气。同样，快上慢下。

注意：全程你的手臂要与地面垂直，重量下落的点也在胸中部

下胸训练方法

双杠臂屈伸

双杠臂屈伸

可以看到，红色区域是重点被刺激的区域，紫色区域次之。
当身体前倾的时候，这个动作的重点就在胸肌上，具体一点说就是下胸。
而在身体相对垂直于地面是，锻炼的侧重点在三头上。

这里说一下需要注意的点：

  1. 背要直，不可以弓背
  2. 手臂不可以完全伸直，即便在撑起的状态也要保持手臂自然弯曲
  3. 幅度不够：很多人只下了一点就认为动作完成了，这是达不到训练目的的
  4. 手肘外扩：这个动作要有一定的夹肘
    双杠臂屈伸

发表于 更新于 分类于
本文字数： 353 阅读时长 ≈ 1 分钟

整体业界方案

阶段 一阶段 二阶段 三阶段 四阶段
引擎 Elasticsearch Clickhouse 新概念MPP数据库（doris，TiDB） 湖仓一体
解决的问题 半结构化数据比OLTP数据库方便极快的搜索速度 更少的资源 更大规模的数据量 更丰富的数据类型 更复杂的场景 对OLTP数据源更好的兼容（建模，数据更新） 更方便的运维与更现代的架构 更高的并发 海量数据 成本 数据质量 数据治理 统一架构
公司 字节，快手 字节，快手，腾讯 携程，Bilibili，滴滴，百度 字节，腾讯

调研：业界用户画像方案

直播实录 | 37 手游如何用 StarRocks 实现用户画像分析
b569e0b7-6b8c-425a-a0d3-a66499732258.png

作业帮基于StarRocks画像系统的设计及优化实践_AI_作业帮大数据团队_InfoQ精选文章
e8429499-f7ca-4fa0-9bd3-49d724e6568c.png

ClickHouse 在字节广告 DMP& CDP 的应用_架构_字节跳动技术团队_InfoQ精选文章
ed88491d-fb5a-4b36-8576-57208253f743.png

【揭秘+干货】如何使用Clickhouse搭建百亿级用户画像平台看这一篇就够了-京东云开发者社区
9a814a4c-4183-4012-9016-8353f88eef7f.png

用StarRocks玩转用户画像

Starrocks的Bitmap在用户人群中的应用

阿里云 Starrocks应用场景

同程旅行如何基于 StarRocks 实现用户画像分析

发表于 更新于 分类于
本文字数： 2.9k 阅读时长 ≈ 11 分钟

总览

Doris更优的方面

  • 使用更简单，如建表更简单，SQL标准支持更好， Join性能更好，导数功能更强大，综合并发更高
  • 运维更简单，如灵活的扩缩容能力，故障节点自动恢复，社区提供的支持更好
  • 分布式更强，支持事务和幂等性导数，物化视图自动聚合，查询自动路由，全面元数据管理
  • 对数据湖的支持好，代替了一部分trino的功能
  • 点查能力更强，并发更高，多表查询性能好

ClickHouse更优的方面

  • 单表性能更佳，导入性能和单表查询性能更好，同时可靠性更好
  • 功能丰富，非常多的表引擎，更多类型和函数支持，更好的聚合函数以及庞大的优化参数选项
  • 集群管理工具更多，更好多租户和配额管理，灵活的集群管理，方便的集群间迁移工具
  • 导入数据速度非常快

架构

2df02b28-ad73-4d0d-a77a-953e2c19d5b2.png

Benckmark

clickbench单表基准测试

clickbench是clickhouse设计的一个单表查询的benchmark，涵盖50余种数据引擎场景
地址：ClickBench — a Benchmark For Analytical DBMS
服务器规格：192线程 500GB内存
统计方法：每个查询中最快的引擎耗时为1，其他引擎的相对耗时=耗时/最快引擎耗时，取43个查询的平均相对系数

热查询的相对耗时排行

dc7e78dc-1538-4866-94ac-59083da628d7.png

冷查询相对耗时排行

04bac148-fcd7-46ec-9750-da1292adecc4.png

数据导入相对耗时排行

d2cdb1ae-8c1a-47c1-8dc9-dbfd49f87dde.png

热查询明细

点击展开\折叠表格
查询SQL 查询类型 ClickHouse 23.11热查询 StarRocks热查询 SelectDB热查询 SelectDB冷查询 StarRocks冷查询 ClickHouse23.11冷查询
Load time: 加载时间 132s (×1.00) 369s (×2.80) 433s (×3.29) 369s (×2.80) 433s (×3.29) 132s (×1.00)
Data size: 数据大小 13.47 GiB (×1.00) 15.95 GiB (×1.18) 16.49 GiB (×1.22) 15.95 GiB (×1.18) 16.49 GiB (×1.22) 13.47 GiB (×1.00)
SELECT COUNT(*) FROM hits; count 0.00s (×1.00) 0.03s (×3.08) 0.00s (×0.77) 0.01s (×1.00) 0.04s (×2.50) 0.06s (×3.55)
SELECT COUNT(*) FROM hits WHERE AdvEngineID <> 0; count 0.01s (×1.00) 0.03s (×1.82) 0.02s (×1.36) 0.03s (×1.48) 0.12s (×4.81) 0.02s (×1.00)
SELECT SUM(AdvEngineID), COUNT(*), AVG(ResolutionWidth) FROM hits; 汇总函数 0.02s (×1.00) 0.06s (×2.41) 0.04s (×1.72) 0.04s (×1.00) 0.66s (×13.40) 0.05s (×1.16)
SELECT AVG(UserID) FROM hits; 汇总函数 0.02s (×1.00) 0.06s (×2.33) 0.06s (×2.33) 0.07s (×1.00) 2.08s (×26.12) 0.71s (×9.06)
SELECT COUNT(DISTINCT UserID) FROM hits; 去重 0.20s (×2.32) 0.08s (×1.00) 0.15s (×1.78) 0.17s (×1.64) 0.10s (×1.00) 0.88s (×8.10)
SELECT COUNT(DISTINCT SearchPhrase) FROM hits; 去重 0.17s (×1.00) 0.21s (×1.19) 0.28s (×1.57) 0.30s (×1.00) 2.19s (×7.10) 1.09s (×3.56)
SELECT MIN(EventDate), MAX(EventDate) FROM hits; 汇总函数 0.02s (×1.35) 0.02s (×1.50) 0.01s (×1.00) 0.01s (×1.00) 0.04s (×2.50) 0.02s (×1.50)
SELECT AdvEngineID, COUNT() FROM hits WHERE AdvEngineID <> 0 GROUP BY AdvEngineID ORDER BY COUNT() DESC; 分桶 0.02s (×1.13) 0.04s (×1.67) 0.02s (×1.00) 0.02s (×1.00) 0.06s (×2.33) 0.04s (×1.67)
SELECT RegionID, COUNT(DISTINCT UserID) AS u FROM hits GROUP BY RegionID ORDER BY u DESC LIMIT 10; 分桶 0.26s (×2.10) 0.12s (×1.00) 0.33s (×2.62) 0.32s (×1.00) 0.99s (×3.03) 0.87s (×2.67)
SELECT RegionID, SUM(AdvEngineID), COUNT(*) AS c, AVG(ResolutionWidth), COUNT(DISTINCT UserID) FROM hits GROUP BY RegionID ORDER BY c DESC LIMIT 10; 分桶 0.27s (×1.00) 0.70s (×2.55) 0.34s (×1.26) 0.36s (×1.00) 0.73s (×2.00) 1.14s (×3.10)
SELECT MobilePhoneModel, COUNT(DISTINCT UserID) AS u FROM hits WHERE MobilePhoneModel <> ‘’ GROUP BY MobilePhoneModel ORDER BY u DESC LIMIT 10; 分桶 0.09s (×1.60) 0.05s (×1.00) 0.11s (×2.00) 0.11s (×1.00) 0.13s (×1.17) 0.38s (×3.27)
SELECT MobilePhone, MobilePhoneModel, COUNT(DISTINCT UserID) AS u FROM hits WHERE MobilePhoneModel <> ‘’ GROUP BY MobilePhone, MobilePhoneModel ORDER BY u DESC LIMIT 10; 分桶 0.09s (×1.49) 0.06s (×1.00) 0.10s (×1.57) 0.11s (×1.00) 1.04s (×8.75) 0.74s (×6.23)
SELECT SearchPhrase, COUNT(*) AS c FROM hits WHERE SearchPhrase <> ‘’ GROUP BY SearchPhrase ORDER BY c DESC LIMIT 10; 分桶 0.16s (×1.00) 0.17s (×1.05) 0.23s (×1.40) 0.23s (×1.33) 0.17s (×1.00) 1.25s (×7.00)
SELECT SearchPhrase, COUNT(DISTINCT UserID) AS u FROM hits WHERE SearchPhrase <> ‘’ GROUP BY SearchPhrase ORDER BY u DESC LIMIT 10; 分桶 0.19s (×1.00) 0.23s (×1.22) 0.75s (×3.88) 0.55s (×2.33) 0.23s (×1.00) 1.91s (×7.99)
SELECT SearchEngineID, SearchPhrase, COUNT(*) AS c FROM hits WHERE SearchPhrase <> ‘’ GROUP BY SearchEngineID, SearchPhrase ORDER BY c DESC LIMIT 10; 分桶 0.16s (×1.00) 0.18s (×1.10) 0.30s (×1.79) 0.32s (×1.00) 0.54s (×1.67) 1.24s (×3.78)
SELECT UserID, COUNT() FROM hits GROUP BY UserID ORDER BY COUNT() DESC LIMIT 10; 分桶 0.12s (×1.43) 0.08s (×1.00) 0.16s (×1.89) 0.18s (×1.90) 0.09s (×1.00) 0.50s (×5.12)
SELECT UserID, SearchPhrase, COUNT() FROM hits GROUP BY UserID, SearchPhrase ORDER BY COUNT() DESC LIMIT 10; 分桶 0.34s (×1.14) 0.30s (×1.00) 0.50s (×1.65) 0.53s (×1.69) 0.31s (×1.00) 2.06s (×6.45)
SELECT UserID, SearchPhrase, COUNT(*) FROM hits GROUP BY UserID, SearchPhrase LIMIT 10; 分桶 0.24s (×2.28) 0.10s (×1.00) 0.20s (×1.91) 0.20s (×1.62) 0.12s (×1.00) 1.58s (×12.27)
SELECT UserID, extract(minute FROM EventTime) AS m, SearchPhrase, COUNT() FROM hits GROUP BY UserID, m, SearchPhrase ORDER BY COUNT() DESC LIMIT 10; 分桶 0.61s (×1.38) 0.44s (×1.00) 1.06s (×2.38) 1.04s (×1.00) 1.27s (×1.22) 3.67s (×3.50)
SELECT UserID FROM hits WHERE UserID = 435090932899640449; 点查 0.01s (×1.05) 0.00s (×0.50) 0.00s (×0.50) 0.01s (×1.00) 0.01s (×1.00) 0.09s (×5.00)
SELECT COUNT(*) FROM hits WHERE URL LIKE ‘%google%’; 模糊搜索 0.13s (×1.00) 0.15s (×1.19) 0.60s (×4.52) 0.59s (×1.00) 12.09s (×20.17) 9.27s (×15.46)
SELECT SearchPhrase, MIN(URL), COUNT(*) AS c FROM hits WHERE URL LIKE ‘%google%’ AND SearchPhrase <> ‘’ GROUP BY SearchPhrase ORDER BY c DESC LIMIT 10; 模糊搜索 0.17s (×1.35) 0.12s (×1.00) 0.34s (×2.69) 0.48s (×2.72) 0.17s (×1.00) 10.93s (×60.77)
SELECT SearchPhrase, MIN(URL), MIN(Title), COUNT(*) AS c, COUNT(DISTINCT UserID) FROM hits WHERE Title LIKE ‘%Google%’ AND URL NOT LIKE ‘%.google.%’ AND SearchPhrase <> ‘’ GROUP BY SearchPhrase ORDER BY c DESC LIMIT 10; 模糊搜索 0.22s (×1.00) 0.24s (×1.11) 0.37s (×1.68) 0.38s (×1.00) 10.91s (×28.00) 13.05s (×33.50)
SELECT * FROM hits WHERE URL LIKE ‘%google%’ ORDER BY EventTime LIMIT 10; 模糊搜索 0.59s (×2.31) 0.86s (×3.35) 0.25s (×1.00) 0.25s (×1.00) 28.25s (×108.69) 36.63s (×140.92)
SELECT SearchPhrase FROM hits WHERE SearchPhrase <> ‘’ ORDER BY EventTime LIMIT 10; 排序 0.04s (×1.83) 0.02s (×1.00) 0.04s (×1.67) 0.04s (×1.25) 0.03s (×1.00) 2.02s (×50.85)
SELECT SearchPhrase FROM hits WHERE SearchPhrase <> ‘’ ORDER BY SearchPhrase LIMIT 10; 排序 0.04s (×1.02) 0.04s (×1.00) 0.14s (×3.00) 0.15s (×2.29) 0.06s (×1.00) 1.33s (×19.09)
SELECT SearchPhrase FROM hits WHERE SearchPhrase <> ‘’ ORDER BY EventTime, SearchPhrase LIMIT 10; 排序 0.05s (×2.00) 0.02s (×1.00) 0.04s (×1.67) 0.04s (×1.67) 0.02s (×1.00) 2.71s (×90.63)
SELECT CounterID, AVG(length(URL)) AS l, COUNT() AS c FROM hits WHERE URL <> ‘’ GROUP BY CounterID HAVING COUNT() > 100000 ORDER BY l DESC LIMIT 25; having 0.25s (×1.18) 0.21s (×1.00) 0.54s (×2.50) 0.55s (×1.00) 0.63s (×1.14) 9.63s (×17.22)
SELECT REGEXP_REPLACE(Referer, ‘^https?://(?:www.)?([^/]+)/.$’, ‘\1’) AS k, AVG(length(Referer)) AS l, COUNT() AS c, MIN(Referer) FROM hits WHERE Referer <> ‘’ GROUP BY k HAVING COUNT(*) > 100000 ORDER BY l DESC LIMIT 25; having 1.19s (×1.00) 1.60s (×1.34) 1.34s (×1.12) 1.39s (×1.00) 8.77s (×6.27) 8.05s (×5.76)
SELECT SUM(ResolutionWidth), SUM(ResolutionWidth + 1), SUM(ResolutionWidth + 2), SUM(ResolutionWidth + 3), SUM(ResolutionWidth + 4), SUM(ResolutionWidth + 5), SUM(ResolutionWidth + 6), SUM(ResolutionWidth + 7), SUM(ResolutionWidth + 8), SUM(ResolutionWidth + 9), SUM(ResolutionWidth + 10), SUM(ResolutionWidth + 11), SUM(ResolutionWidth + 12), SUM(ResolutionWidth + 13), SUM(ResolutionWidth + 14), SUM(ResolutionWidth + 15), SUM(ResolutionWidth + 16), SUM(ResolutionWidth + 17), SUM(ResolutionWidth + 18), SUM(ResolutionWidth + 19), SUM(ResolutionWidth + 20), SUM(ResolutionWidth + 21), SUM(ResolutionWidth + 22), SUM(ResolutionWidth + 23), SUM(ResolutionWidth + 24), SUM(ResolutionWidth + 25), SUM(ResolutionWidth + 26), SUM(ResolutionWidth + 27), SUM(ResolutionWidth + 28), SUM(ResolutionWidth + 29), SUM(ResolutionWidth + 30), SUM(ResolutionWidth + 31), SUM(ResolutionWidth + 32), SUM(ResolutionWidth + 33), SUM(ResolutionWidth + 34), SUM(ResolutionWidth + 35), SUM(ResolutionWidth + 36), SUM(ResolutionWidth + 37), SUM(ResolutionWidth + 38), SUM(ResolutionWidth + 39), SUM(ResolutionWidth + 40), SUM(ResolutionWidth + 41), SUM(ResolutionWidth + 42), SUM(ResolutionWidth + 43), SUM(ResolutionWidth + 44), SUM(ResolutionWidth + 45), SUM(ResolutionWidth + 46), SUM(ResolutionWidth + 47), SUM(ResolutionWidth + 48), SUM(ResolutionWidth + 49), SUM(ResolutionWidth + 50), SUM(ResolutionWidth + 51), SUM(ResolutionWidth + 52), SUM(ResolutionWidth + 53), SUM(ResolutionWidth + 54), SUM(ResolutionWidth + 55), SUM(ResolutionWidth + 56), SUM(ResolutionWidth + 57), SUM(ResolutionWidth + 58), SUM(ResolutionWidth + 59), SUM(ResolutionWidth + 60), SUM(ResolutionWidth + 61), SUM(ResolutionWidth + 62), SUM(ResolutionWidth + 63), SUM(ResolutionWidth + 64), SUM(ResolutionWidth + 65), SUM(ResolutionWidth + 66), SUM(ResolutionWidth + 67), SUM(ResolutionWidth + 68), SUM(ResolutionWidth + 69), SUM(ResolutionWidth + 70), SUM(ResolutionWidth + 71), SUM(ResolutionWidth + 72), SUM(ResolutionWidth + 73), SUM(ResolutionWidth + 74), SUM(ResolutionWidth + 75), SUM(ResolutionWidth + 76), SUM(ResolutionWidth + 77), SUM(ResolutionWidth + 78), SUM(ResolutionWidth + 79), SUM(ResolutionWidth + 80), SUM(ResolutionWidth + 81), SUM(ResolutionWidth + 82), SUM(ResolutionWidth + 83), SUM(ResolutionWidth + 84), SUM(ResolutionWidth + 85), SUM(ResolutionWidth + 86), SUM(ResolutionWidth + 87), SUM(ResolutionWidth + 88), SUM(ResolutionWidth + 89) FROM hits; 数值计算 0.41s (×3.81) 0.10s (×1.00) 0.69s (×6.36) 0.68s (×5.31) 0.12s (×1.00) 0.41s (×3.26)
SELECT SearchEngineID, ClientIP, COUNT(*) AS c, SUM(IsRefresh), AVG(ResolutionWidth) FROM hits WHERE SearchPhrase <> ‘’ GROUP BY SearchEngineID, ClientIP ORDER BY c DESC LIMIT 10; 分桶 0.11s (×1.00) 0.13s (×1.20) 0.23s (×2.05) 0.24s (×1.00) 1.33s (×5.36) 1.43s (×5.76)
SELECT WatchID, ClientIP, COUNT(*) AS c, SUM(IsRefresh), AVG(ResolutionWidth) FROM hits WHERE SearchPhrase <> ‘’ GROUP BY WatchID, ClientIP ORDER BY c DESC LIMIT 10; 分桶 0.14s (×1.00) 0.18s (×1.30) 0.20s (×1.44) 0.21s (×1.00) 3.46s (×15.77) 5.36s (×24.43)
SELECT WatchID, ClientIP, COUNT(*) AS c, SUM(IsRefresh), AVG(ResolutionWidth) FROM hits GROUP BY WatchID, ClientIP ORDER BY c DESC LIMIT 10; 分桶 0.75s (×1.00) 0.86s (×1.14) 1.53s (×2.02) 1.45s (×1.49) 0.97s (×1.00) 4.38s (×4.48)
SELECT URL, COUNT(*) AS c FROM hits GROUP BY URL ORDER BY c DESC LIMIT 10; 分桶 0.67s (×1.00) 0.96s (×1.44) 1.67s (×2.49) 1.84s (×1.93) 0.95s (×1.00) 9.13s (×9.52)
SELECT 1, URL, COUNT(*) AS c FROM hits GROUP BY 1, URL ORDER BY c DESC LIMIT 10; 分桶 0.70s (×1.00) 0.97s (×1.38) 1.75s (×2.47) 1.83s (×1.90) 0.96s (×1.00) 9.11s (×9.40)
SELECT ClientIP, ClientIP - 1, ClientIP - 2, ClientIP - 3, COUNT(*) AS c FROM hits GROUP BY ClientIP, ClientIP - 1, ClientIP - 2, ClientIP - 3 ORDER BY c DESC LIMIT 10; 分桶 0.17s (×1.38) 0.12s (×1.00) 0.20s (×1.62) 0.19s (×1.33) 0.14s (×1.00) 0.22s (×1.55)
SELECT URL, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND DontCountHits = 0 AND IsRefresh = 0 AND URL <> ‘’ GROUP BY URL ORDER BY PageViews DESC LIMIT 10; 分桶 0.04s (×1.00) 0.06s (×1.52) 0.04s (×1.09) 0.03s (×1.00) 0.07s (×2.00) 0.06s (×1.70)
SELECT Title, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND DontCountHits = 0 AND IsRefresh = 0 AND Title <> ‘’ GROUP BY Title ORDER BY PageViews DESC LIMIT 10; 分桶 0.02s (×1.00) 0.04s (×1.52) 0.03s (×1.21) 0.03s (×1.11) 0.05s (×1.67) 0.03s (×1.00)
SELECT URL, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND IsRefresh = 0 AND IsLink <> 0 AND IsDownload = 0 GROUP BY URL ORDER BY PageViews DESC LIMIT 10 OFFSET 1000; 分桶 0.02s (×1.07) 0.03s (×1.33) 0.02s (×1.00) 0.02s (×1.00) 0.04s (×1.67) 0.04s (×1.67)
SELECT TraficSourceID, SearchEngineID, AdvEngineID, CASE WHEN (SearchEngineID = 0 AND AdvEngineID = 0) THEN Referer ELSE ‘’ END AS Src, URL AS Dst, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND IsRefresh = 0 GROUP BY TraficSourceID, SearchEngineID, AdvEngineID, Src, Dst ORDER BY PageViews DESC LIMIT 10 OFFSET 1000; 分桶 0.06s (×1.00) 0.09s (×1.49) 0.06s (×1.04) 0.06s (×1.00) 0.10s (×1.57) 0.09s (×1.40)
SELECT URLHash, EventDate, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND IsRefresh = 0 AND TraficSourceID IN (-1, 6) AND RefererHash = 3594120000172545465 GROUP BY URLHash, EventDate ORDER BY PageViews DESC LIMIT 10 OFFSET 100; 分桶 0.02s (×1.00) 0.03s (×1.43) 0.02s (×1.07) 0.02s (×1.00) 0.47s (×16.00) 0.04s (×1.50)
SELECT WindowClientWidth, WindowClientHeight, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-01’ AND EventDate <= ‘2013-07-31’ AND IsRefresh = 0 AND DontCountHits = 0 AND URLHash = 2868770270353813622 GROUP BY WindowClientWidth, WindowClientHeight ORDER BY PageViews DESC LIMIT 10 OFFSET 10000; 时间处理 0.02s (×1.00) 0.03s (×1.48) 0.02s (×1.11) 0.02s (×1.00) 0.25s (×8.67) 0.02s (×1.13)
SELECT DATE_TRUNC(‘minute’, EventTime) AS M, COUNT(*) AS PageViews FROM hits WHERE CounterID = 62 AND EventDate >= ‘2013-07-14’ AND EventDate <= ‘2013-07-15’ AND IsRefresh = 0 AND DontCountHits = 0 GROUP BY DATE_TRUNC(‘minute’, EventTime) ORDER BY DATE_TRUNC(‘minute’, EventTime) LIMIT 10 OFFSET 1000; 时间处理 0.01s (×1.00) 0.03s (×1.60) 0.02s (×1.20) 0.02s (×1.07) 0.04s (×1.79) 0.02s (×1.00)

SSB-flat 星型模型打平为宽表基准测试

没有公开的rank，下图为starrocks单方面提供的图,总体结论是强于clickhouse
1e61b477-a1a6-4c51-8eb7-1356eab3bbbe.png

决策支持系统基准测试

clickhouse没有参与TPC-H和TPC-DS的基准测试，只有starrocks单方面提供的和trino对比的结果
417153e2-ac57-4c2d-936d-09fb62ca48c0.png

数据更新

StarRocks primary key 更新性能初探
StarRocks 版本：2.0.1

机器 3台 阿里云主机
CPU 16core
内存 64GB
网络带宽 5 Gbits/s
磁盘 系统盘ESSD 40G 数据盘ESSD高效云盘 100GB

StarRocks 的主键模型（primary key）能够每秒对1万条数据进行更新操作。

比较表格

Clickhouse Doris 更好
部署复杂性与周边服务 在配置文件中手动管理集群，需要部署Zookeeper，CHProxy，需要自己管理导数工具 只需要FE和BE两个组件
数据导入 可以通过引擎连接其他存储系统，也可以使用外部工具进行导数。 内置导数工具，不支持复杂ETL，导入性能略差。部分load工具支持upsert，支持部分列写入
可以直接导入本地表文件，导入速度很快
多租户管理 全面 无查询内存限制、用户限制
集群迁移与扩容分布式与高可用 remote/copier实现迁移，依靠zookeeper实现分布式 在线动态扩缩容，内置分布式协议和元数据同步
事务支持 有对单机MergeTree有实验性质的事务支持 提供了导入的事务支持，可以保证导数的幂等性
表引擎 支持字典，内存表，多表试图 支持智能路由，元数据一致性变更
数据类型 支持array，nested，tuple，enum 支持array,struct,map,json
外部数据源 相比doris支持消息队列、更多种的关系型\非关系型数据库 相比ck支持数据湖、ES，并且对外部数据源的使用强于Trino
查询架构 支持Local join，Broadcast join 支持Local join，Broadcast join，Shuffle join，Hash join
函数支持 漏斗，留存，直方图，完整的聚合函数支持 -
单表查询性能 最快 接近clickhouse
join性能 1000行万数据以下比doris快，宽表join块 1000万行数据以上的大表与大表join快；多表join快
点查能力 较弱 相对较强，有特定的优化
QPS 单表查询clickhouse强于doris，join查询两者相近 多表查询doris高
社区活跃 非常活跃 较为活跃

发表于 更新于 分类于
本文字数： 97 阅读时长 ≈ 1 分钟

当Nextcloud落后最新大版本1个以上时，Truenas无法进行自动升级，需要手动先将nextcloud一个一个版本升级

  1. 从nextcloud下载包
  2. tar -jxvf 解压包到/private-pool/nextcloud
  3. cp -r nextcloud/* html
  4. 进入nextcloud容器
  5. 修改/etc/passwd使www-data用户可登录，并登录www-data用户
  6. 执行php –define apc.enable_cli=1 /var/www/html/occ upgrade

发表于 更新于 分类于
本文字数： 102 阅读时长 ≈ 1 分钟

nextcloud postgres 报错：
could not locate a valid checkpoint record解决办法

  1. docker inspect查看/var/lib/postgresql/data映射地址
  2. 移除映射地址位置的_data文件
  3. 将/mnt/private-pool/config/nextcloud/postgres映射软链到删除位置
  4. 重启container
  5. 登录container
  6. su postgres用户（可能需要修改passwd文件的默认启动应用为sh）
  7. 在/var/lib/postgresql运行pg_resetwal ./data
  8. 重启container