ClickHouse 對比 Snowflake：寫入側成本差距 22 倍的根本原因
ClickHouse Blog · 2026-05-06
ClickHouse 工程團隊發布基準測試報告，以持續每秒寫入 100 萬行的速率比較 ClickHouse 與 Snowflake 在寫入側成本（write-side cost）上的差距，核心結論是：ClickHouse 以 22 倍更低的成本取得查詢就緒（query-ready）資料，並以 28 倍更佳的成本效益完成整個寫入與排序流程。
原本的問題
現代 OLAP 系統的效率仰賴資料在寫入後是否已按查詢欄位排序。「查詢就緒資料」的定義是引擎能夠跳過大部分表格讀取的狀態，這需要兩個條件：
- columnar pruning：略過非目標欄位
- chunk-level pruning：根據值域範圍跳過整個資料塊
chunk-level pruning 只在資料按篩選欄排序後才有效——混亂順序的塊無法根據值域跳過。因此「何時完成排序」決定了分析查詢能否立即受益。
架構差異
Snowflake 採用兩階段方式：資料以到達順序寫入 50–500 MB 的 micro-partition，再由獨立的 Automatic Clustering 服務在寫入後重新組織。這個後台服務在大規模持續攝取下成本極高——100B 行的基準中，攝取倉儲費用 $336，Automatic Clustering 費用高達 $2,500–$2,750，合計 $2,836–$3,086。
ClickHouse 在寫入階段即對資料排序，生成有序的 data parts，後台 merge 在保持排序的情況下合併小 part 為大 part，不需要獨立的重排服務。100B 行的總成本為 $131，差距 22 倍。
規格細節
測試條件：
- 攝取速率：持續 100 萬行 / 秒
- 資料集：ClickBench web analytics（100B、200B、300B 行）
- 兩系統使用相同排序鍵
- 查詢：43 個 ClickBench 分析查詢
- 定價：兩者均採企業級
儲存體積方面，Snowflake 在 1B 至 100B 行範圍內的壓縮後資料量比 ClickHouse 多 5 至 15 倍。在已排序的 100B 行上執行查詢，ClickHouse 花費 126 秒、成本 $16；Snowflake 花費 176 秒、成本 $25，速度快 28%、成本低 36%。
影響範圍
Snowflake Automatic Clustering 在 100B 行攝取後 1.3 小時才開始，並在第 100B 行到達後 6.7 小時才完成。這段窗口內，新鮮資料無法充分受益於 chunk-level pruning。在 Agentic 分析場景下，單一使用者提問可能觸發數十個 SQL 查詢（schema 探索、驗證、重試、鑽取），每輪查詢的延遲和成本都直接影響整體體驗，寫入側成本在此成為系統設計的關鍵因素。