airflow-dwh-gp-lab

Учебный стенд для лабораторных по Data Engineering: Airflow оркестрирует загрузку данных из демо‑БД bookings (Postgres) в Greenplum.

Зачем этот стенд

Основная цель стенда — дать вам удобное место для лабораторных работ и будущей курсовой: вы построите небольшое аналитическое хранилище данных (DWH) на базе Greenplum и закрепите навыки:

• моделирования данных (слои DWH, модели, витрины);
• построения ETL/ELT;
• работы с Airflow и Greenplum.

В курсовой у нас один источник данных — демо‑БД bookings. В стенде уже есть готовый учебный пример загрузки bookings → stg в Greenplum, чтобы вы могли сфокусироваться на DWH‑части (ODS/DDS/DM) и не тратить время на инфраструктуру.

Что внутри

• Airflow (UI: http://localhost:8080, по умолчанию; логин/пароль: admin/admin)
• Greenplum (single‑node для обучения; внешний порт по умолчанию 5435)
• bookings-db (Postgres с демо‑БД demo; внешний порт по умолчанию 5434)
• PXF как “транспорт” между Postgres и Greenplum (уже настроен в образе)
• Побочный пример: загрузка данных через pandas/CSV (csv_to_greenplum)

Требования

Стенд запускается в Docker и поднимает несколько сервисов (Airflow + Greenplum + 2×Postgres), поэтому важны ресурсы и настройки Docker.

Ресурс	Минимум	Рекомендуем
CPU	2 ядра	4+ ядер
RAM	8 GB	16 GB
Диск	25–30 GB свободного места	40+ GB (SSD)

Работает на Linux, а на Windows — при использовании WSL2.

Потребуется make, Docker (docker) и Docker Compose (docker compose) или Docker Desktop. Для первого запуска нужен доступ в интернет (скачать образы и зависимости). Порты 8080, 5433, 5434, 5435 должны быть свободны (или измените их в .env). Порты настраиваются в .env: AIRFLOW_WEB_PORT, PGMETA_PORT, BOOKINGS_DB_PORT, GP_HOST_PORT.

Про PXF и технические детали стенда: docs/stack.md.

Быстрый старт (основной сценарий: bookings → stg)

1. Скопируйте настройки:

cp .env.example .env

2. Поднимите стенд:

make up
# если make не установлен: docker compose up -d

3. Инициализируйте демо‑БД bookings:

make bookings-init

Важно: генератор bookings в этом стенде поддерживается только в режиме BOOKINGS_JOBS=1.

4. Подготовьте STG‑объекты в Greenplum (выберите один вариант):

• Учебный вариант: в Airflow UI запустите DAG bookings_stg_ddl;
• Технический шорткат: make ddl-gp (применяет все DDL разом вручную).

5. Запустите основной DAG bookings_to_gp_stage.

6. Проверьте результат в Greenplum:

make gp-psql
-- внутри psql:
SELECT COUNT(*) FROM stg.bookings;
SELECT COUNT(*) FROM stg.tickets;
SELECT * FROM stg.bookings ORDER BY src_created_at_ts DESC LIMIT 10;

Подробнее про логику DAG и проверки — docs/bookings_to_gp_stage.md.

DAG-и в стенде

Основные (для потока bookings → DWH):

• bookings_stg_ddl — создаёт stg.bookings_ext/stg.bookings и stg.tickets_ext/stg.tickets в Greenplum;
• bookings_stg_ddl — создаёт/обновляет весь STG слой для bookings (9 таблиц: bookings, tickets, airports, airplanes, routes, seats, flights, segments, boarding_passes; включая внешние *_ext через PXF);
• bookings_to_gp_stage — генерирует учебный день в bookings-db, затем загружает данные в STG и выполняет DQ‑проверки.

Вспомогательные (побочный трек с CSV):

• orders_base_ddl — создаёт таблицу public.orders для CSV‑пайплайна;
• csv_to_greenplum — pandas → CSV → Greenplum (пример загрузки без источника‑БД);
• csv_to_greenplum_dq — проверки качества данных для public.orders.

Полезные команды

make up                 # поднять стек
make logs               # логи airflow-webserver и airflow-scheduler
make gp-psql            # psql в Greenplum
make bookings-psql      # psql в демо-БД bookings (Postgres)
make ddl-gp             # применить DDL к Greenplum вручную (вместо DDL-DAG)
make down               # остановить и удалить контейнеры/сети (volumes сохраняются)
make clean              # полный reset: удалить контейнеры/сети и volumes (данные будут потеряны)

Подключение через DBeaver (опционально)

Перед подключением убедитесь, что стенд поднят (make up).

Greenplum

• Host: localhost
• Port: значение GP_HOST_PORT из .env (по умолчанию 5435)
• Database: значение GP_DB из .env (по умолчанию gp_dwh)
• Username: значение GP_USER (по умолчанию gpadmin)
• Password: значение GP_PASSWORD (по умолчанию gpadmin)

bookings-db (Postgres, демо-БД demo)

• Host: localhost
• Port: значение BOOKINGS_DB_PORT из .env (по умолчанию 5434)
• Database: demo
• Username: значение BOOKINGS_DB_USER (по умолчанию bookings)
• Password: значение BOOKINGS_DB_PASSWORD (по умолчанию bookings)

Документация

• Учебные задания: educational-tasks.md).
• План тестирования/проверок и негативные кейсы: TESTING.md.
• Дополнительные заметки и технические детали: docs/README.md.

Типичные проблемы и решения

Проблема	Решение
Airflow UI не открывается	Дождитесь сообщения Listening at: http://0.0.0.0:8080 в логах (make logs)
database "demo" does not exist в bookings‑DAG	Вы сделали reset с удалением volumes (make clean / docker compose down -v). Запустите make bookings-init и повторите DAG.
Поддерживается только bookings.jobs=1 или BOOKINGS_JOBS=1	В этом учебном стенде поддерживается только синхронный режим генерации. Установите BOOKINGS_JOBS=1 и выполните make bookings-init.
Ошибка подключения к Greenplum	Убедитесь, что контейнер greenplum имеет статус healthy (docker compose ps)
protocol "pxf" does not exist	Перезапустите greenplum и повторите bookings_stg_ddl/make ddl-gp — расширение pxf создаётся автоматически при старте контейнера.
DAG bookings_to_gp_stage ругается на отсутствующие таблицы stg	Запустите bookings_stg_ddl (или выполните make ddl-gp), затем повторите запуск
Порты 8080/5433/5434/5435 заняты	Остановите локальные сервисы или измените порты в .env

Благодарности

• Postgres Pro — за демо‑БД bookings и генератор данных demodb: https://github.com/postgrespro/demodb (лицензия MIT: https://github.com/postgrespro/demodb/blob/main/LICENSE).
• woblerr — за Docker-сборку Greenplum: https://github.com/woblerr/docker-greenplum (образ: woblerr/greenplum, лицензия MIT: https://github.com/woblerr/docker-greenplum/blob/master/LICENSE).