147 lines
10 KiB
Markdown
147 lines
10 KiB
Markdown
# Ревью решения (образец для студентов): `bookings-db` → `stg` в Greenplum
|
|
|
|
Этот документ фиксирует рекомендации по улучшению учебного решения ETL (Airflow + Greenplum + PXF)
|
|
на основе ревью изменений ветки `chore/bookings-etl` (добавление полного STG слоя и пайплайна загрузки).
|
|
|
|
Цель ревью — сделать решение **безоговорочно рекомендуемым** к изучению начинающими:
|
|
понятным, предсказуемым, с корректной терминологией и честными инженерными компромиссами.
|
|
|
|
---
|
|
|
|
## 1) Сильные стороны решения (что уже хорошо и стоит сохранить)
|
|
|
|
1. **Единый “шаблон” по таблицам** в `sql/stg/`:
|
|
- `{table}_ddl.sql` — создаёт `*_ext` и внутреннюю таблицу;
|
|
- `{table}_load.sql` — загружает данные;
|
|
- `{table}_dq.sql` — валидирует качество и останавливает пайплайн при проблемах.
|
|
|
|
Это отличная учебная структура: студент быстро понимает, “где что лежит” и как добавлять новые таблицы.
|
|
|
|
2. **DAG как оркестратор, SQL как логика**:
|
|
- `airflow/dags/bookings_to_gp_stage.py` и `airflow/dags/bookings_stg_ddl.py` используют `PostgresOperator`
|
|
и читают SQL с диска через `template_searchpath="/sql"`.
|
|
Это соответствует “канонической” модели: Airflow управляет шагами, а трансформации живут в SQL.
|
|
|
|
3. **Понятные сообщения при падении DQ** (в большинстве скриптов): студенту легче дебажить.
|
|
|
|
---
|
|
|
|
## 2) Критичные замечания (статус на текущий момент)
|
|
|
|
### 2.1. Некорректные утверждения про MPP и co-location (статус: исправлено)
|
|
|
|
В Greenplum производительность JOIN сильно зависит от распределения данных по сегментам.
|
|
Если ключ распределения двух таблиц совпадает с ключом JOIN — часто удаётся обойтись без перераспределения данных (motion).
|
|
|
|
Раньше в некоторых DDL-комментариях обещалась co-location там, где её не будет.
|
|
Это педагогически опасно: студент запоминает неверную модель, а потом “не понимает”, почему запросы медленные.
|
|
|
|
Что сделано:
|
|
- DDL-комментарии приведены к честной формулировке “ключ выбран так-то, но JOIN по другим ключам может требовать motion”.
|
|
- Исправлены места, где co-location заявлялась ошибочно (в т.ч. `routes`, `flights`, `segments`, `boarding_passes`).
|
|
|
|
Файлы: `sql/stg/routes_ddl.sql`, `sql/stg/flights_ddl.sql`, `sql/stg/segments_ddl.sql`, `sql/stg/boarding_passes_ddl.sql`.
|
|
|
|
### 2.2. DQ-проверки ссылочной целостности: “текущий батч” vs “вся история” (статус: исправлено)
|
|
|
|
Часть DQ-скриптов проверяет наличие “родительских” записей в таблице **без фильтра `batch_id`**.
|
|
При append-only истории это может скрыть проблемы текущей загрузки:
|
|
родитель был загружен в прошлом батче → проверка пройдёт, даже если текущий батч родителя не загрузил.
|
|
|
|
Что сделано:
|
|
- `routes_dq.sql`: проверка airports/airplanes стала батч-строгой (`batch_id = текущий батч`).
|
|
- `seats_dq.sql`: проверка airplanes стала батч-строгой (`batch_id = текущий батч`).
|
|
- `flights_dq.sql`: проверка routes стала батч-строгой (`batch_id = текущий батч`).
|
|
|
|
Примечание (почему не везде `batch_id = текущий батч`):
|
|
- Если дочерняя таблица грузится инкрементом, то ссылки могут указывать на “исторические” записи,
|
|
загруженные в предыдущих батчах → для таких связей корректнее проверять “существует в STG вообще”.
|
|
- Для `boarding_passes` (full snapshot) ссылки на `tickets/segments` также проверяются по STG-истории,
|
|
потому что `tickets/segments` не перезагружаются полным снэпшотом каждый запуск.
|
|
|
|
### 2.3. Smoke-тесты DAG’ов (статус: исправлено)
|
|
|
|
Что сделано:
|
|
- Тесты усилены: теперь проверяются ключевые зависимости графа через `get_direct_relatives("downstream")`.
|
|
|
|
### 2.4. Документация по DAG (статус: синхронизировано)
|
|
|
|
Что сделано:
|
|
- `docs/bookings_to_gp_stage.md` обновлён так, чтобы отражать текущий набор таблиц и шагов пайплайна.
|
|
|
|
---
|
|
|
|
## 3) Рекомендации по качеству и читаемости (Clean Code для SQL и DAG)
|
|
|
|
### 3.1. “Empty window” в инкременте: договориться о политике (fail vs skip) (статус: исправлено)
|
|
|
|
Раньше поведение было разным:
|
|
- часть DQ-скриптов падала, если в окне инкремента 0 строк;
|
|
- `boarding_passes_dq.sql` делал `RAISE NOTICE` и `RETURN`.
|
|
|
|
Обе стратегии допустимы, но в учебном решении важно выбрать одну и объяснить:
|
|
- **Fail** полезен, когда “ожидаем данные в каждом запуске” (например, учебный генератор должен добавлять день);
|
|
- **Skip** полезен, когда “окно может быть пустым и это нормально”.
|
|
|
|
Выбранная политика для учебного стенда:
|
|
- Для инкрементальных таблиц (`bookings`, `tickets`, `flights`, `segments`) “пустое окно” **допустимо**:
|
|
DQ логирует `NOTICE` и завершает проверку, не падая.
|
|
- Для snapshot-справочников (`airports`, `airplanes`, `routes`, `seats`) пустой источник считаем ошибкой:
|
|
это почти всегда признак проблем с PXF/источником.
|
|
|
|
### 3.2. Комментарии в `*_load.sql`: точнее формулировать “идемпотентность”, а не “дедупликацию источника”
|
|
|
|
Типовой паттерн:
|
|
```sql
|
|
WHERE NOT EXISTS (
|
|
SELECT 1 FROM stg.table WHERE batch_id = '{{ run_id }}' AND key = ext.key
|
|
);
|
|
```
|
|
|
|
Это в первую очередь защита от повторного запуска того же таска в рамках одного `batch_id` (retry),
|
|
а не “лечение” дублей в источнике.
|
|
|
|
Рекомендация: заменить формулировку комментариев на “идемпотентность для текущего батча”.
|
|
|
|
### 3.3. Проверка составных ключей: избегать склейки строк
|
|
|
|
Паттерн вида `COUNT(DISTINCT col1 || '|' || col2)` теоретически может давать коллизии (если в данных встречается разделитель).
|
|
В учебном стенде риск небольшой, но как “эталон” лучше показывать более безопасный подход:
|
|
- если поддерживается: `COUNT(DISTINCT (col1, col2))`;
|
|
- либо использовать стабильную сериализацию, где коллизии исключены (например, `md5(...)` от безопасной структуры).
|
|
|
|
---
|
|
|
|
## 4) Практические примеры “как улучшить”
|
|
|
|
### 4.1. Батч-строгая ссылочная целостность (пример подхода)
|
|
|
|
Если таблицы грузятся как snapshot в рамках батча, проверки можно сделать батч-строгими:
|
|
“в текущем батче ссылки указывают на строки текущего батча”.
|
|
|
|
Идея (пример для routes → airports):
|
|
```sql
|
|
LEFT JOIN stg.airports AS a
|
|
ON r.departure_airport = a.airport_code
|
|
AND a.batch_id = v_batch_id
|
|
```
|
|
|
|
### 4.2. Smoke-тест реального графа (минимальный полезный уровень)
|
|
|
|
Вместо “таски существуют” лучше проверять ключевые зависимости:
|
|
```python
|
|
tickets_dq = dag.get_task("check_tickets_dq")
|
|
airports_load = dag.get_task("load_airports_to_stg")
|
|
assert airports_load in tickets_dq.get_direct_relatives("downstream")
|
|
```
|
|
|
|
---
|
|
|
|
## 5) Чек-лист “готово как эталон”
|
|
|
|
- [x] В DDL-комментариях нет неверных обещаний про co-location/уникальность ключей.
|
|
- [x] Для DQ определена и описана политика “0 строк”: где fail, где skip.
|
|
- [x] DQ ссылочной целостности не маскирует проблемы текущего батча (batch-строгие проверки там, где это уместно).
|
|
- [x] `docs/bookings_to_gp_stage.md` соответствует фактическому DAG.
|
|
- [x] Smoke-тесты проверяют хотя бы критические зависимости графа.
|