DuckDB Analytics Home Lab Setup —

DuckDB คืออะไรและทำไมเหมาะกับ Home Lab

DuckDB เป็น in-process analytical database engine ที่ออกแบบมาสำหรับ OLAP (Online Analytical Processing) workloads ทำงานแบบ embedded ไม่ต้องติดตั้ง server แยก เหมือน SQLite แต่ optimize สำหรับ analytics แทน transactions

ข้อดีของ DuckDB สำหรับ Home Lab คือ zero configuration ไม่ต้อง setup server, ใช้ RAM น้อย (เริ่มต้นแค่ไม่กี่ MB), อ่าน Parquet, CSV, JSON ได้โดยตรงไม่ต้อง import, query เร็วมากด้วย vectorized execution engine, รองรับ SQL standard ครบถ้วน และ integrate กับ Python, R, Node.js ได้ง่าย

Use cases สำหรับ Home Lab ได้แก่ วิเคราะห์ log files จาก servers, network traffic analysis, IoT sensor data analytics, personal finance tracking, media library metadata analysis และ system performance monitoring

DuckDB เร็วกว่า pandas สำหรับ analytical queries 10-100 เท่า โดยเฉพาะ GROUP BY, JOIN, window functions บน datasets ขนาดใหญ่ เพราะใช้ columnar storage, vectorized processing และ parallel execution

เนื้อหาเกี่ยวข้อง — บทความที่เกี่ยวข้อง: Mintlify Docs Metric Collection

ติดตั้ง DuckDB และเริ่มต้นใช้งาน

วิธีติดตั้งและใช้งาน DuckDB

# === ติดตั้ง DuckDB ===



# Python

pip install duckdb



# Node.js

npm install duckdb



# CLI (standalone)

# Linux

wget https://github.com/duckdb/duckdb/releases/latest/download/duckdb_cli-linux-amd64.zip

unzip duckdb_cli-linux-amd64.zip

sudo mv duckdb /usr/local/bin/



# macOS

brew install duckdb



# === เริ่มต้นใช้งาน CLI ===

duckdb homelab.db



# สร้างตาราง

CREATE TABLE server_logs (

    timestamp TIMESTAMP,

    server_name VARCHAR,

    cpu_percent DOUBLE,

    memory_percent DOUBLE,

    disk_io_read BIGINT,

    disk_io_write BIGINT,

    network_rx BIGINT,

    network_tx BIGINT,

    request_count INTEGER,

    error_count INTEGER

);



# Import CSV

COPY server_logs FROM 'logs/server_metrics_*.csv' (HEADER, DELIMITER ',');



# หรืออ่าน CSV โดยตรง (ไม่ต้อง import)

SELECT * FROM read_csv_auto('logs/server_metrics_2024*.csv') LIMIT 10;



# อ่าน Parquet

SELECT * FROM read_parquet('data/events/*.parquet') LIMIT 10;



# อ่าน JSON

SELECT * FROM read_json_auto('logs/app_logs.json') LIMIT 10;



# === Basic Analytics Queries ===



# Server CPU usage per hour

SELECT

    date_trunc('hour', timestamp) AS hour,

    server_name,

    AVG(cpu_percent) AS avg_cpu,

    MAX(cpu_percent) AS max_cpu,

    PERCENTILE_CONT(0.95) WITHIN GROUP (ORDER BY cpu_percent) AS p95_cpu

FROM server_logs

WHERE timestamp >= CURRENT_DATE - INTERVAL '7 days'

GROUP BY 1, 2

ORDER BY 1, 2;



# Top memory consumers

SELECT

    server_name,

    AVG(memory_percent) AS avg_memory,

    MAX(memory_percent) AS max_memory,

    COUNT(*) AS sample_count

FROM server_logs

GROUP BY server_name

ORDER BY avg_memory DESC

LIMIT 10;



# Anomaly detection (values > 2 standard deviations)

WITH stats AS (

    SELECT

        server_name,

        AVG(cpu_percent) AS mean_cpu,

        STDDEV(cpu_percent) AS std_cpu

    FROM server_logs

    GROUP BY server_name

)

SELECT l.timestamp, l.server_name, l.cpu_percent,

       s.mean_cpu, s.std_cpu

FROM server_logs l

JOIN stats s ON l.server_name = s.server_name

WHERE l.cpu_percent > s.mean_cpu + 2 * s.std_cpu

ORDER BY l.timestamp DESC

LIMIT 20;



# Export results

COPY (

    SELECT date_trunc('day', timestamp) AS day,

           COUNT(*) AS total_requests,

           SUM(error_count) AS total_errors

    FROM server_logs

    GROUP BY 1

    ORDER BY 1

) TO 'reports/daily_summary.parquet' (FORMAT PARQUET);



.quit

สร้าง Analytics Pipeline ด้วย DuckDB

Pipeline สำหรับ automated analytics

แนะนำเพิ่มเติม — ระบบเทรดของ iCafeForex

DuckDB กับ Python Data Stack

ใช้ DuckDB ร่วมกับ pandas, Polars และ Arrow

Home Lab Analytics Dashboard

สร้าง dashboard สำหรับ home lab monitoring

เนื้อหาเกี่ยวข้อง — ทำความเข้าใจ จอมอนิเตอร์โค้ง — ทุกสิ่งที่ต้องรู้ในปี 2026

Performance Tuning และ Advanced Features

เทคนิค optimize DuckDB performance

FAQ คำถามที่พบบ่อย

Q: DuckDB กับ SQLite ต่างกันอย่างไร?

แนะนำเพิ่มเติม — ติดตาม XM Signal

A: SQLite เป็น row-oriented database ออกแบบสำหรับ OLTP (transactions, point queries) DuckDB เป็น column-oriented database ออกแบบสำหรับ OLAP (analytics, aggregations) สำหรับ query ที่ scan ข้อมูลจำนวนมาก (GROUP BY, SUM, AVG) DuckDB เร็วกว่า 10-100 เท่า สำหรับ INSERT ทีละ row SQLite เร็วกว่า ใช้ทั้งสองตาม use case SQLite สำหรับ app data DuckDB สำหรับ analytics

เนื้อหาเกี่ยวข้อง — Data Lakehouse Stream Processing

Q: DuckDB รองรับ data ขนาดเท่าไหร?

A: DuckDB รองรับ data ที่ใหญ่กว่า RAM ได้ด้วย out-of-core processing (spill to disk) ทดสอบจริงรัน queries บน datasets 100GB+ ด้วย RAM 16GB ได้ สำหรับ Home Lab ที่ data ไม่เกิน 10-50GB DuckDB ทำงานได้สบาย ถ้า data เกิน 100GB+ อาจพิจารณา ClickHouse หรือ Apache Spark แทน

Q: DuckDB เหมาะกับ production ไหม?

A: DuckDB เหมาะสำหรับ single-user analytical workloads ไม่เหมาะสำหรับ multi-user concurrent access หรือ high-throughput write workloads เหมาะสำหรับ embedded analytics, data science notebooks, ETL pipelines, reporting และ Home Lab analytics สำหรับ production multi-user analytics ใช้ ClickHouse, Snowflake หรือ BigQuery

เนื้อหาเกี่ยวข้อง — ทำความเข้าใจ ZFS on Linux Site Reliability SRE

Q: จะ backup DuckDB database อย่างไร?

A: DuckDB database เป็นไฟล์เดียว (.db) สามารถ copy ไฟล์ได้เลย (เมื่อ database ปิดอยู่) หรือ export เป็น Parquet files ด้วย EXPORT DATABASE 'backup_dir' (FORMAT PARQUET) สำหรับ Home Lab แนะนำ cron job ที่ export เป็น Parquet ทุกวัน เพราะ Parquet files เป็น standard format อ่านได้จากทุก tool