docs(course): лабы 07 (next-day) и 08 (continue) + метадокументы (#22)
Зачем: два новых режима роста мира не имели уроков, а метадокументы курса не знали о новом маршруте. Что: лаба 07 «Следующий день и границы времени» — инкремент дня, сверка manifest, переходящие визиты запросом в dds.event, включение расписания на один запуск, цена роста full_refresh; лаба 08 «Живой поток и свежесть данных» — расслоение свежести слоёв, стоп/продолжение генератора, users < sessions, врезка про модельное время; LEARNING_PLAN и README курса согласованы с маршрутом 0–8; в CONTEXT.md починена ссылка «урок 7» (теперь ведёт на врезку лабы 08). Числа со стенда помечены маркером «сверить-на-стенде». Проверка: обе лабы по шаблону LESSON_STANDARD (6 секций, явный «верни как было»); внутренние ссылки разрешаются; git diff --check чистый. Co-Authored-By: Claude Opus 4.8 (1M context) <noreply@anthropic.com>
This commit is contained in:
Claude Opus 4.8
@@ -0,0 +1,293 @@
|
||||
# Лаба 07. Следующий день и границы времени
|
||||
|
||||
> Формат: **практика** — добавишь к эталонному миру ещё один модельный день,
|
||||
> проверишь стык дней и ненадолго включишь расписание.
|
||||
> Пререквизит: пройден урок 6; ты умеешь запускать DAG в Airflow, читать граф
|
||||
> задач и смотреть дневную динамику в Superset.
|
||||
> Эталонный путь:
|
||||
> [`airflow/dags/world_next_day_dag.py`](../../../airflow/dags/world_next_day_dag.py).
|
||||
>
|
||||
> Поток данных одной строкой:
|
||||
> `эталонный мир (3 дня) → world_next_day → Kafka → STG → etl_pipeline → ODS → DDS → DM (4 дня)`
|
||||
>
|
||||
> О чём лаба простыми словами: ночью в хранилище часто приезжает очередной день
|
||||
> данных. Ты добавишь такой день и проверишь место, где две суточные порции
|
||||
> соприкасаются.
|
||||
|
||||
---
|
||||
|
||||
## 1. Зачем и где в проде
|
||||
|
||||
Пакетный инкремент — это новая порция данных за ограниченный период. Например,
|
||||
ночью в хранилище приезжают события за вчера. Старые дни остаются на месте, а
|
||||
пайплайн добавляет и проверяет новый.
|
||||
|
||||
Граница порции требует отдельного внимания. Визит может начаться перед
|
||||
полуночью, а закончиться после неё. Если обрабатывать каждый день как
|
||||
изолированный файл, половины такого визита окажутся в разных запусках. Отсюда
|
||||
появляются проверки стыков, запоздавшие данные и пересчёт хвоста прошлого дня.
|
||||
|
||||
В этой лабе `world_next_day` добавляет ровно 24 модельных часа. Сам генератор
|
||||
накапливает контрольные числа, а затем DAG запускает полный пересчёт
|
||||
`etl_pipeline`. На маленьком стенде такой путь понятен и повторяем.
|
||||
|
||||
> **В проде иначе.** Суточную задачу обычно привязывают к интервалу данных:
|
||||
> повторный запуск того же интервала должен дать тот же результат. Здесь каждый
|
||||
> ручной запуск сдвигает правую границу мира ещё на сутки. Это удобно для
|
||||
> тренажёра, но не делает DAG идемпотентным.
|
||||
|
||||
---
|
||||
|
||||
## 2. Руки: добавляем день 4
|
||||
|
||||
Подготовь стенд по
|
||||
[канонической инструкции курса](../README.md#подготовка-и-канонический-сброс).
|
||||
После успешного `world_init` в мире есть три модельных дня.
|
||||
|
||||
### Запускаем `world_next_day`
|
||||
|
||||
Открой Airflow: `http://localhost:8080` (логин `admin`, пароль `admin`).
|
||||
Найди DAG `world_next_day` и запусти его через **Trigger DAG** с пустой формой.
|
||||
Параметры ему не нужны.
|
||||
|
||||
В графе должны позеленеть задачи:
|
||||
|
||||
```text
|
||||
check_etl_not_paused
|
||||
→ precheck_next_day
|
||||
→ run_next_day
|
||||
→ trigger_etl
|
||||
→ check_after_etl
|
||||
```
|
||||
|
||||
`run_next_day` дописывает день 4 в Kafka. Затем `trigger_etl` запускает
|
||||
`etl_pipeline` с полным пересчётом DDS и DM. Последняя задача сверяет ClickHouse
|
||||
с manifest — паспортом мира, где лежат границы времени и контрольные числа.
|
||||
|
||||
Если `check_etl_not_paused` красная, сними паузу с `etl_pipeline` и повтори
|
||||
запуск. `world_next_day` не может вызвать зависимый DAG, пока тот стоит на паузе.
|
||||
|
||||
### Сверяем manifest
|
||||
|
||||
После зелёного прогона выполни:
|
||||
|
||||
```bash
|
||||
docker compose run --rm --no-deps generator \
|
||||
python -m clickstream_generator.startup_history_artifact kafka-manifest-summary
|
||||
```
|
||||
|
||||
Команда печатает одну строку с полями в таком порядке:
|
||||
|
||||
```text
|
||||
events visits users min_event_timestamp max_event_timestamp model_t0 model_t_end profile
|
||||
```
|
||||
|
||||
Сверь результат с таблицей. Значения будут вписаны после контрольного прогона
|
||||
эталонного мира:
|
||||
|
||||
| Поле | Ожидаем после дня 4 |
|
||||
|------|----------------------|
|
||||
| `events` | `<события-день-4>` <!-- сверить-на-стенде --> |
|
||||
| `visits` | `<визиты-день-4>` <!-- сверить-на-стенде --> |
|
||||
| `users` | `<пользователи-день-4>` <!-- сверить-на-стенде --> |
|
||||
| `min_event_timestamp` | `<минимальное-время>` <!-- сверить-на-стенде --> |
|
||||
| `max_event_timestamp` | `<максимальное-время>` <!-- сверить-на-стенде --> |
|
||||
| `model_t0` | `<левая-граница>` <!-- сверить-на-стенде --> |
|
||||
| `model_t_end` | `<правая-граница-дня-4>` <!-- сверить-на-стенде --> |
|
||||
| `profile` | `<профиль>` <!-- сверить-на-стенде --> |
|
||||
|
||||
Здесь числа накопительные: `events`, `visits` и `users` относятся ко всему миру
|
||||
от `model_t0` до `model_t_end`, а не только к четвёртому дню.
|
||||
|
||||
Теперь проверь все завершённые порции и их стыки:
|
||||
|
||||
```bash
|
||||
make generated-history-chain-check
|
||||
```
|
||||
|
||||
Проверка должна закончиться без ошибки. Она подтверждает, что каждая порция
|
||||
не пуста, контрольные числа STG совпадают с manifest, после правой границы нет
|
||||
хвоста, а переходящие визиты не потеряли связанные записи.
|
||||
|
||||
### Находим переходящие визиты
|
||||
|
||||
Открой SQL-консоль `http://localhost:9123/play` (пользователь `default`, пароль
|
||||
`123456`) и выполни:
|
||||
|
||||
```sql
|
||||
SELECT
|
||||
click_id,
|
||||
min(event_ts) AS visit_start,
|
||||
max(event_ts) AS visit_end
|
||||
FROM dds.event
|
||||
WHERE event_ts IS NOT NULL
|
||||
AND click_id IS NOT NULL
|
||||
GROUP BY click_id
|
||||
HAVING toDate(min(event_ts)) <> toDate(max(event_ts))
|
||||
ORDER BY visit_start;
|
||||
```
|
||||
|
||||
Запрос должен найти хотя бы один визит, чьи события лежат по разные стороны
|
||||
полуночи. Подойдёт любой стык внутри мира: 1→2, 2→3 или 3→4.
|
||||
|
||||
> **Как слова связаны со схемой.** В manifest написано «визит», а в SQL такой
|
||||
> визит обозначен `click_id`. Отдельной таблицы визитов нет: контекст лежит в
|
||||
> `dds.click`, а события визита — в `dds.event`.
|
||||
|
||||
Почему запрос идёт прямо в `dds.event`? Представление
|
||||
`dm.v_session_overview` группирует строки по `event_date` и `click_id`.
|
||||
Переходящий визит там уже разрезан на две строки: одна до полуночи, другая
|
||||
после. Чтобы увидеть визит целиком, сначала собираем все его события по
|
||||
`click_id`, а потом сравниваем даты самого раннего и самого позднего события.
|
||||
|
||||
### Смотрим день-к-дню
|
||||
|
||||
Открой в Superset дашборд `Clickstream Analytics`. Поставь фильтр
|
||||
**Date Range → No filter** и найди график `Events over Time`. После обновления
|
||||
на нём должен появиться день 4. Точную высоту точки не угадывай: она должна
|
||||
сойтись с данными ClickHouse и manifest.
|
||||
|
||||
---
|
||||
|
||||
## 3. Загляни внутрь
|
||||
|
||||
Открой
|
||||
[`airflow/dags/world_next_day_dag.py`](../../../airflow/dags/world_next_day_dag.py).
|
||||
Это короткая оркестрация вокруг трёх действий: проверить точку продолжения,
|
||||
дописать сутки и пересчитать аналитику.
|
||||
|
||||
### Почему сначала идут проверки
|
||||
|
||||
`check_etl_not_paused` убеждается, что Airflow сможет запустить
|
||||
`etl_pipeline`. `precheck_next_day` проверяет, что:
|
||||
|
||||
- живой генератор сейчас не работает;
|
||||
- состояние генератора согласовано с правой границей manifest;
|
||||
- накопительные счётчики не повреждены.
|
||||
|
||||
Только после этого `run_next_day` добавляет новую порцию. Так два режима,
|
||||
`next-day` и `continue`, не пишут в один мир одновременно.
|
||||
|
||||
### Почему ETL запускается с `full_refresh`
|
||||
|
||||
`TriggerDagRunOperator` передаёт в `etl_pipeline`:
|
||||
|
||||
```python
|
||||
conf={"full_refresh": True}
|
||||
```
|
||||
|
||||
Значит, DDS и DM пересобираются из всей накопленной ODS, а не только из нового
|
||||
дня. Это простой путь для учебного стенда, но его цена растёт вместе с миром.
|
||||
|
||||
Открой в Grafana дашборд `Airflow Overview` и панель `Task Duration (avg)`.
|
||||
Сравни длительности задач двух запусков `world_next_day`: ручного дня 4 и
|
||||
запланированного дня 5 из следующей секции.
|
||||
|
||||
Генерация одной суточной порции должна занимать примерно одинаковое время:
|
||||
счётчики manifest обновляются только новыми данными. Это исправлено в
|
||||
[issue #5](https://github.com/dementev-dev/clickstream-ch-kafka-superset-demo/issues/5).
|
||||
Полный ETL перечитывает растущий мир, поэтому со временем дорожает. Это
|
||||
осознанный долг из
|
||||
[issue #8](https://github.com/dementev-dev/clickstream-ch-kafka-superset-demo/issues/8),
|
||||
а не поломка этой лабы.
|
||||
|
||||
### Что делает расписание
|
||||
|
||||
У DAG задано расписание `*/30 * * * *`: запуск каждые 30 минут. При создании
|
||||
DAG стоит на паузе, поэтому мир сам не растёт. `catchup=False` запрещает
|
||||
Airflow проигрывать все пропущенные интервалы с 2024 года. После снятия паузы
|
||||
будет ждать только ближайший новый интервал.
|
||||
|
||||
---
|
||||
|
||||
## 4. Управляемая правка: включаем один запуск по расписанию
|
||||
|
||||
Сейчас день 4 был добавлен вручную. На короткое время разрешим Airflow добавить
|
||||
день 5 автоматически.
|
||||
|
||||
### Шаг 1. Зафиксируй правую границу
|
||||
|
||||
Ещё раз выполни команду `kafka-manifest-summary` из секции 2 и запиши
|
||||
`model_t_end`. После запланированного запуска она должна сдвинуться ровно на
|
||||
24 модельных часа.
|
||||
|
||||
### Шаг 2. Сними паузу
|
||||
|
||||
В списке DAG-ов Airflow включи переключатель `world_next_day`. Не нажимай
|
||||
**Trigger DAG**: на этот раз нужен именно запуск по расписанию.
|
||||
|
||||
Ближайший запуск появится на следующей получасовой границе. Следи за списком
|
||||
запусков и графом DAG.
|
||||
|
||||
### Шаг 3. Останови расписание после одного успеха
|
||||
|
||||
Как только один запланированный запуск станет зелёным, снова поставь
|
||||
`world_next_day` на паузу. Сделай это до следующей получасовой границы, иначе
|
||||
приедет ещё один день.
|
||||
|
||||
Проверь три результата:
|
||||
|
||||
1. `kafka-manifest-summary` показывает новую правую границу и новые
|
||||
накопительные числа;
|
||||
2. `make generated-history-chain-check` заканчивается без ошибки;
|
||||
3. в `Events over Time` появился день 5.
|
||||
|
||||
Точные числа после дня 5 не фиксируем: это результат учебной правки.
|
||||
<!-- сверить-на-стенде -->
|
||||
|
||||
### Верни как было
|
||||
|
||||
Сначала убедись, что `world_next_day` снова стоит на паузе. Но одной паузы
|
||||
недостаточно: мир уже вырос до пяти дней. Верни чистый трёхдневный эталон по
|
||||
[канонической инструкции курса](../README.md#подготовка-и-канонический-сброс).
|
||||
|
||||
---
|
||||
|
||||
## 5. Проверь себя
|
||||
|
||||
| Действие | Где смотреть | Что ожидать |
|
||||
|----------|--------------|-------------|
|
||||
| запустить `world_next_day` с пустой формой | Airflow graph | все пять задач зелёные, `etl_pipeline` вызван с `full_refresh=true` |
|
||||
| прочитать manifest после дня 4 | `kafka-manifest-summary` | числа совпадают с таблицей секции 2 <!-- сверить-на-стенде --> |
|
||||
| проверить накопленную цепочку | `make generated-history-chain-check` | команда завершается без ошибки |
|
||||
| найти переходящие визиты | запрос в `dds.event` | хотя бы один `click_id` пересекает полночь <!-- сверить-на-стенде --> |
|
||||
| снять паузу с DAG | Airflow runs | на ближайшей получасовой границе приезжает один запланированный день |
|
||||
| вернуть паузу и пройти сброс | Airflow и Superset | расписание выключено, снова видны три эталонных дня |
|
||||
|
||||
Ответь своими словами:
|
||||
|
||||
- почему `dm.v_session_overview` не подходит для поиска визита через полночь;
|
||||
- зачем проверять стык двух суточных порций;
|
||||
- почему `catchup=False` не означает «у DAG нет расписания»;
|
||||
- что случится, если дважды вручную запустить `world_next_day`;
|
||||
- почему промышленная задача «день D» должна повторно обрабатывать тот же день,
|
||||
а учебный DAG при повторе добавляет день D+1.
|
||||
|
||||
Последние два вопроса — проверка идемпотентности. Идемпотентная операция при
|
||||
повторе с тем же входом оставляет тот же результат. `world_next_day` устроен
|
||||
иначе: его входом служит текущая правая граница мира, и после каждого успеха
|
||||
эта граница меняется.
|
||||
|
||||
---
|
||||
|
||||
## 6. Что должно получиться
|
||||
|
||||
После лабы сохрани:
|
||||
|
||||
- скрин зелёного ручного запуска `world_next_day`;
|
||||
- вывод `make generated-history-chain-check` без ошибки;
|
||||
- результат SQL-запроса с переходящим через полночь `click_id`;
|
||||
- скрин дневного графика с добавленным днём;
|
||||
- короткое объяснение своими словами: чем пакетный инкремент отличается от
|
||||
полного пересчёта и зачем отдельно проверять границу порций.
|
||||
|
||||
Перед переходом дальше стенд должен быть возвращён к трёхдневному эталонному
|
||||
миру, а `world_next_day` — стоять на паузе.
|
||||
|
||||
---
|
||||
|
||||
## Мост к следующему шагу
|
||||
|
||||
Здесь новый день приехал как законченная и повторяемая порция. В следующей
|
||||
лабе граница исчезнет: события пойдут непрерывно, а разные слои начнут
|
||||
отставать друг от друга.
|
||||
Reference in New Issue
Block a user