feat(infra): implement batch transformation layer and comprehensive documentation
Add batch ETL pipeline with ODS→DDS→DM transformation jobs and scripts. Create DDL infrastructure with automated database schema application. Update Makefile with transform target for executing batch processes. Rewrite README with complete Russian documentation including architecture diagrams, quick start guide, and data flow visualization.
This commit is contained in:
@@ -0,0 +1,539 @@
|
||||
# Архитектура ClickHouse Mini DWH
|
||||
|
||||
Подробное описание слоёв хранилища, потоков данных и принятых решений.
|
||||
|
||||
---
|
||||
|
||||
## Содержание
|
||||
|
||||
1. [Обзор архитектуры](#обзор-архитектуры)
|
||||
2. [Слои хранилища](#слои-хранилища)
|
||||
- [STG (Staging)](#stg-staging)
|
||||
- [ODS (Operational Data Store)](#ods-operational-data-store)
|
||||
- [DDS (Detailed Data Store)](#dds-detailed-data-store)
|
||||
- [DM (Data Marts)](#dm-data-marts)
|
||||
3. [Поток данных](#поток-данных)
|
||||
4. [Связи ключей](#связи-ключей)
|
||||
5. [Принятые решения](#принятые-решения)
|
||||
6. [Масштабирование](#масштабирование)
|
||||
|
||||
---
|
||||
|
||||
## Обзор архитектуры
|
||||
|
||||
### Общая схема потока данных
|
||||
|
||||
```mermaid
|
||||
flowchart TB
|
||||
subgraph Sources["📁 Источники (JSONL)"]
|
||||
BE[browser_events.jsonl]
|
||||
LE[location_events.jsonl]
|
||||
DE[device_events.jsonl]
|
||||
GE[geo_events.jsonl]
|
||||
end
|
||||
|
||||
subgraph Kafka["🚀 Kafka Topics"]
|
||||
KT1[browser_events]
|
||||
KT2[location_events]
|
||||
KT3[device_events]
|
||||
KT4[geo_events]
|
||||
end
|
||||
|
||||
subgraph STG["📦 STG (Staging)"]
|
||||
BR[browser_raw]
|
||||
LR[location_raw]
|
||||
DR[device_raw]
|
||||
GR[geo_raw]
|
||||
end
|
||||
|
||||
subgraph ODS["🔧 ODS (Operational Data Store)"]
|
||||
BE_O[browser_event]
|
||||
LE_O[location_event]
|
||||
DE_O[device_by_click]
|
||||
GE_O[geo_by_click]
|
||||
ERR[error_tables]
|
||||
end
|
||||
|
||||
subgraph DDS["🎯 DDS (Detailed Data Store)"]
|
||||
E[event]
|
||||
C[click]
|
||||
end
|
||||
|
||||
subgraph DM["📊 DM (Data Marts)"]
|
||||
VE[v_events_enriched]
|
||||
VDT[v_daily_traffic]
|
||||
VTP[v_top_pages_daily]
|
||||
VUTM[v_utm_effectiveness]
|
||||
VSE[v_session_overview]
|
||||
VDQ[v_dq_errors_daily]
|
||||
end
|
||||
|
||||
BE --> KT1 --> BR --> BE_O --> E --> VE
|
||||
LE --> KT2 --> LR --> LE_O --> E
|
||||
DE --> KT3 --> DR --> DE_O --> C --> VE
|
||||
GE --> KT4 --> GR --> GE_O --> C
|
||||
|
||||
BE_O -.->|ошибки| ERR
|
||||
E --> VDT & VTP & VUTM & VSE & VDQ
|
||||
C --> VDT & VTP & VUTM & VSE & VDQ
|
||||
```
|
||||
|
||||
### Слои и их назначение
|
||||
|
||||
```mermaid
|
||||
flowchart LR
|
||||
subgraph L0["📝 Сырые данные"]
|
||||
RAW[JSON файлы<br/>1000 строк каждый]
|
||||
end
|
||||
|
||||
subgraph L1["STG - Staging"]
|
||||
STG_T["Таблицы *_raw<br/>MergeTree"]
|
||||
KAFKA["Kafka Engine + MV"]
|
||||
end
|
||||
|
||||
subgraph L2["ODS - Операционный слой"]
|
||||
ODS_T["Типизированные таблицы<br/>ReplacingMergeTree"]
|
||||
DQ["parse_errors<br/>DQ-метрики"]
|
||||
end
|
||||
|
||||
subgraph L3["DDS - Детальный слой"]
|
||||
DDS_T["Сущности event + click<br/>Batch SQL"]
|
||||
end
|
||||
|
||||
subgraph L4["DM - Витрины"]
|
||||
DM_T["VIEW для BI<br/>Superset/Grafana"]
|
||||
end
|
||||
|
||||
RAW -->|kafka-console-producer| KAFKA -->|MV| STG_T
|
||||
STG_T -->|MV| ODS_T
|
||||
ODS_T -->|argMax + JOIN| DDS_T
|
||||
DDS_T -->|VIEW| DM_T
|
||||
ODS_T -.->|ошибки парсинга| DQ
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Слои хранилища
|
||||
|
||||
### STG (Staging)
|
||||
|
||||
**Назначение:** Сохранение сырых данных "как есть" для воспроизводимости и отладки.
|
||||
|
||||
| Таблица | Движок | Описание |
|
||||
|---------|--------|----------|
|
||||
| `browser_raw` | MergeTree | Сырые события браузера |
|
||||
| `location_raw` | MergeTree | Сырые данные страниц/UTM |
|
||||
| `device_raw` | MergeTree | Сырые данные устройств |
|
||||
| `geo_raw` | MergeTree | Сырые гео-данные |
|
||||
| `kafka_*_raw` | Kafka | Таблицы-источники Kafka |
|
||||
| `mv_kafka_*_to_stg` | MV | Поток из Kafka в STG |
|
||||
|
||||
**Структура таблицы:**
|
||||
```sql
|
||||
CREATE TABLE stg.browser_raw (
|
||||
ingest_ts DateTime64(3),
|
||||
kafka_topic LowCardinality(String),
|
||||
kafka_partition Int32,
|
||||
kafka_offset Int64,
|
||||
kafka_ts DateTime64(3),
|
||||
raw String -- ← JSON как есть
|
||||
)
|
||||
```
|
||||
|
||||
**Почему так:**
|
||||
- **Повторяемость**: если в ODS ошибка — можно перестроить без перезагрузки из Kafka
|
||||
- **Отладка**: видеть "что реально пришло" vs "что распарсилось"
|
||||
- **DQ**: невалидные JSON не ломают pipeline
|
||||
|
||||
---
|
||||
|
||||
### ODS (Operational Data Store)
|
||||
|
||||
**Назначение:** Типизированные данные с дедупликацией и DQ-метриками.
|
||||
|
||||
| Таблица | Ключ | Движок | Описание |
|
||||
|---------|------|--------|----------|
|
||||
| `browser_event` | event_id | ReplacingMergeTree(src_ingest_ts) | События браузера |
|
||||
| `location_event` | event_id | ReplacingMergeTree(src_ingest_ts) | Данные страниц |
|
||||
| `device_by_click` | click_id | ReplacingMergeTree(src_ingest_ts) | Устройства |
|
||||
| `geo_by_click` | click_id | ReplacingMergeTree(src_ingest_ts) | Гео-данные |
|
||||
| `*_errors` | — | MergeTree | Строки с битыми ключами |
|
||||
|
||||
**Пример структуры:**
|
||||
```sql
|
||||
CREATE TABLE ods.browser_event (
|
||||
event_id Nullable(UUID),
|
||||
event_ts Nullable(DateTime64(6)),
|
||||
event_date Date MATERIALIZED ifNull(toDate(event_ts), toDate(src_ingest_ts)),
|
||||
event_type LowCardinality(Nullable(String)),
|
||||
click_id Nullable(UUID),
|
||||
browser_name LowCardinality(Nullable(String)),
|
||||
src_ingest_ts DateTime64(3),
|
||||
src_raw String,
|
||||
parse_errors Array(LowCardinality(String))
|
||||
)
|
||||
ENGINE = ReplacingMergeTree(src_ingest_ts)
|
||||
ORDER BY (event_id)
|
||||
SETTINGS allow_nullable_key = 1;
|
||||
```
|
||||
|
||||
**DQ-контроль:**
|
||||
```sql
|
||||
-- Проверка ошибок парсинга
|
||||
SELECT
|
||||
arrayJoin(parse_errors) AS error,
|
||||
count() AS cnt
|
||||
FROM ods.browser_event
|
||||
GROUP BY error;
|
||||
```
|
||||
|
||||
**Почему так:**
|
||||
- **Изоляция источников**: изменения в одном не ломают другие
|
||||
- **Версионирование**: `ReplacingMergeTree` хранит последнюю версию по `src_ingest_ts`
|
||||
- **Nullable ключи**: `allow_nullable_key = 1` позволяет хранить "битые" строки
|
||||
|
||||
---
|
||||
|
||||
### DDS (Detailed Data Store)
|
||||
|
||||
**Назначение:** Собранные сущности для аналитики.
|
||||
|
||||
| Таблица | PK | Источники | JOIN-ключ |
|
||||
|---------|-----|-----------|-----------|
|
||||
| `event` | event_id | browser_event + location_event | click_id → click |
|
||||
| `click` | click_id | device_by_click + geo_by_click | — |
|
||||
|
||||
**Структура:**
|
||||
```sql
|
||||
CREATE TABLE dds.event (
|
||||
event_id UUID,
|
||||
event_ts Nullable(DateTime64(6)),
|
||||
event_type LowCardinality(Nullable(String)),
|
||||
click_id Nullable(UUID),
|
||||
page_url Nullable(String),
|
||||
page_url_path LowCardinality(Nullable(String)),
|
||||
utm_source LowCardinality(Nullable(String)),
|
||||
browser_name LowCardinality(Nullable(String)),
|
||||
-- ... все поля из browser + location
|
||||
dds_update_ts DateTime64(3),
|
||||
ods_parse_errors Array(LowCardinality(String))
|
||||
);
|
||||
|
||||
CREATE TABLE dds.click (
|
||||
click_id UUID,
|
||||
user_domain_id Nullable(UUID),
|
||||
device_type LowCardinality(Nullable(String)),
|
||||
geo_country LowCardinality(Nullable(String)),
|
||||
-- ... все поля из device + geo
|
||||
dds_update_ts DateTime64(3),
|
||||
ods_parse_errors Array(LowCardinality(String))
|
||||
);
|
||||
```
|
||||
|
||||
**Загрузка (Batch SQL):**
|
||||
```sql
|
||||
-- Снапшот ODS через argMax
|
||||
INSERT INTO dds.click
|
||||
SELECT d.click_id, d.user_domain_id, ..., g.geo_country, ...
|
||||
FROM (
|
||||
SELECT click_id, argMax(user_domain_id, src_ingest_ts) AS user_domain_id, ...
|
||||
FROM ods.device_by_click
|
||||
GROUP BY click_id
|
||||
) d
|
||||
LEFT JOIN (
|
||||
SELECT click_id, argMax(geo_country, src_ingest_ts) AS geo_country, ...
|
||||
FROM ods.geo_by_click
|
||||
GROUP BY click_id
|
||||
) g ON g.click_id = d.click_id;
|
||||
```
|
||||
|
||||
**Почему batch, а не MV:**
|
||||
- **Согласованность**: MV с JOIN даёт eventual consistency (данные приходят в разное время)
|
||||
- **Контроль**: Batch SQL можно проверить, откатить, перезапустить
|
||||
- **Масштабируемость**: легко сделать инкрементальный batch
|
||||
|
||||
---
|
||||
|
||||
### DM (Data Marts)
|
||||
|
||||
**Назначение:** Витрины для BI-инструментов.
|
||||
|
||||
| Витрина | Назначение | Гранулярность |
|
||||
|---------|-----------|---------------|
|
||||
| `v_events_enriched` | Полное обогащение | 1 строка = 1 событие |
|
||||
| `v_daily_traffic` | Агрегация трафика | День × страна × устройство × браузер × UTM |
|
||||
| `v_top_pages_daily` | Популярность страниц | День × URL path |
|
||||
| `v_utm_effectiveness` | Маркетинговая аналитика | День × UTM source/medium/campaign |
|
||||
| `v_session_overview` | Сессионная аналитика | День × пользователь × сессия |
|
||||
| `v_dq_errors_daily` | Мониторинг качества | День × тип ошибки |
|
||||
|
||||
**Пример:**
|
||||
```sql
|
||||
CREATE VIEW dm.v_events_enriched AS
|
||||
SELECT
|
||||
e.*,
|
||||
c.user_domain_id,
|
||||
c.device_type,
|
||||
c.geo_country,
|
||||
arrayConcat(e.ods_parse_errors, c.ods_parse_errors) AS parse_errors
|
||||
FROM dds.event AS e
|
||||
LEFT JOIN dds.click AS c ON c.click_id = e.click_id;
|
||||
```
|
||||
|
||||
**Почему VIEW:**
|
||||
- Для демо: достаточно производительности
|
||||
- Гибкость: изменения логики не требуют пересоздания таблиц
|
||||
- Для продакшена: можно материализовать тяжёлые агрегации
|
||||
|
||||
---
|
||||
|
||||
## Поток данных
|
||||
|
||||
### Sequence диаграмма процесса
|
||||
|
||||
```mermaid
|
||||
sequenceDiagram
|
||||
participant User as Пользователь
|
||||
participant Make as Makefile
|
||||
participant K as Kafka
|
||||
participant CH as ClickHouse
|
||||
participant STG as stg.*_raw
|
||||
participant ODS as ods.*
|
||||
participant DDS as dds.*
|
||||
participant DM as dm.*
|
||||
|
||||
User->>Make: make up
|
||||
Make->>K: docker compose up kafka
|
||||
Make->>CH: docker compose up clickhouse
|
||||
K-->>User: ✅ Инфраструктура готова
|
||||
|
||||
User->>Make: make ddl
|
||||
Make->>CH: ddl/00_databases.sql
|
||||
Make->>CH: ddl/10_stg.sql (Kafka Engine)
|
||||
Make->>CH: ddl/20_ods.sql (MV)
|
||||
Make->>CH: ddl/30_dds.sql
|
||||
Make->>CH: ddl/40_dm.sql
|
||||
CH-->>User: ✅ Структура БД создана
|
||||
|
||||
User->>Make: make data
|
||||
Make->>K: load_kafka_data.sh
|
||||
K->>K: Создание топиков
|
||||
loop 4 файла
|
||||
Make->>K: kafka-console-producer
|
||||
end
|
||||
K->>CH: Потребление сообщений
|
||||
CH->>STG: INSERT через MV
|
||||
STG->>ODS: INSERT через MV (типизация)
|
||||
K-->>User: ✅ Данные в Kafka
|
||||
CH-->>User: ✅ Данные в STG/ODS
|
||||
|
||||
User->>Make: make transform
|
||||
Make->>CH: jobs/30_dds_refresh.sql
|
||||
CH->>ODS: argMax() — снапшот
|
||||
CH->>DDS: JOIN + INSERT
|
||||
Make->>CH: jobs/40_dm_refresh.sql
|
||||
CH->>DM: DQ summary
|
||||
CH-->>User: ✅ DDS/DM обновлены
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Связи ключей
|
||||
|
||||
### ER-диаграмма
|
||||
|
||||
```mermaid
|
||||
erDiagram
|
||||
BROWSER_EVENT ||--|| LOCATION_EVENT : "event_id"
|
||||
BROWSER_EVENT ||--o| DEVICE_BY_CLICK : "click_id"
|
||||
BROWSER_EVENT ||--o| GEO_BY_CLICK : "click_id"
|
||||
|
||||
BROWSER_EVENT {
|
||||
UUID event_id PK
|
||||
DateTime event_ts
|
||||
String event_type
|
||||
UUID click_id FK
|
||||
String browser_name
|
||||
String browser_user_agent
|
||||
String browser_language
|
||||
}
|
||||
|
||||
LOCATION_EVENT {
|
||||
UUID event_id PK
|
||||
String page_url
|
||||
String page_url_path
|
||||
String referer_url
|
||||
String referer_medium
|
||||
String utm_source
|
||||
String utm_medium
|
||||
String utm_campaign
|
||||
}
|
||||
|
||||
DEVICE_BY_CLICK {
|
||||
UUID click_id PK
|
||||
String os
|
||||
String os_name
|
||||
String device_type
|
||||
UInt8 device_is_mobile
|
||||
String user_custom_id
|
||||
UUID user_domain_id
|
||||
}
|
||||
|
||||
GEO_BY_CLICK {
|
||||
UUID click_id PK
|
||||
Float64 geo_latitude
|
||||
Float64 geo_longitude
|
||||
String geo_country
|
||||
String geo_timezone
|
||||
String geo_region_name
|
||||
String ip_address
|
||||
}
|
||||
```
|
||||
|
||||
### Сборка DDS-сущностей
|
||||
|
||||
```mermaid
|
||||
flowchart LR
|
||||
subgraph ODS_IN["ODS (вход)"]
|
||||
B[browser_event<br/>event_id + click_id]
|
||||
L[location_event<br/>event_id]
|
||||
D[device_by_click<br/>click_id]
|
||||
G[geo_by_click<br/>click_id]
|
||||
end
|
||||
|
||||
subgraph BUILD["Batch SQL"]
|
||||
J1["JOIN по event_id"]
|
||||
J2["JOIN по click_id"]
|
||||
end
|
||||
|
||||
subgraph DDS_OUT["DDS (результат)"]
|
||||
EV[event<br/>всё про событие]
|
||||
CL[click<br/>всё про сессию]
|
||||
end
|
||||
|
||||
B --> J1
|
||||
L --> J1 --> EV
|
||||
B -->|click_id| J2
|
||||
D --> J2 --> CL
|
||||
G --> J2
|
||||
```
|
||||
|
||||
**Важно:** Не все `click_id` из events есть в device/geo. Используем `LEFT JOIN`.
|
||||
|
||||
---
|
||||
|
||||
## Принятые решения
|
||||
|
||||
### Почему `allow_nullable_key = 1`?
|
||||
|
||||
В ClickHouse ключ сортировки не может быть NULL по умолчанию. Но в "грязных" данных ключи могут отсутствовать.
|
||||
|
||||
**Решение:**
|
||||
1. Включаем `allow_nullable_key = 1` в `ReplacingMergeTree`
|
||||
2. Фильтруем NULL в MV (`WHERE key IS NOT NULL` → основная таблица)
|
||||
3. Отдельные `*_errors` таблицы для NULL-ключей
|
||||
|
||||
### Почему `ReplacingMergeTree`?
|
||||
|
||||
- Дедупликация по бизнес-ключу
|
||||
- Версионирование по timestamp (последняя версия wins)
|
||||
- Фоновый merge не блокирует чтение
|
||||
|
||||
### Почему batch ODS→DDS?
|
||||
|
||||
| Подход | Плюсы | Минусы |
|
||||
|--------|-------|--------|
|
||||
| **MV + JOIN** | Реалтайм | Eventual consistency, дубли при late arrival |
|
||||
| **Batch (выбрано)** | Согласованность, контроль | Задержка до следующего запуска |
|
||||
|
||||
---
|
||||
|
||||
## Масштабирование
|
||||
|
||||
### Инкрементальный batch
|
||||
|
||||
Вместо полного `TRUNCATE + INSERT`:
|
||||
|
||||
```sql
|
||||
-- Добавить watermark
|
||||
INSERT INTO dds.click
|
||||
SELECT ...
|
||||
FROM ods.device_by_click
|
||||
WHERE src_ingest_ts > (
|
||||
SELECT max(dds_update_ts) FROM dds.click
|
||||
);
|
||||
```
|
||||
|
||||
### Материализация витрин
|
||||
|
||||
Для тяжёлых агрегаций:
|
||||
|
||||
```sql
|
||||
-- Создать таблицу вместо VIEW
|
||||
CREATE TABLE dm.daily_traffic AS
|
||||
SELECT * FROM dm.v_daily_traffic;
|
||||
|
||||
-- Пересчёт по расписанию
|
||||
TRUNCATE TABLE dm.daily_traffic;
|
||||
INSERT INTO dm.daily_traffic SELECT * FROM dm.v_daily_traffic;
|
||||
```
|
||||
|
||||
### Airflow-оркестрация
|
||||
|
||||
```python
|
||||
# dag.py
|
||||
with DAG('clickhouse_etl'):
|
||||
ddl = BashOperator(task_id='ddl', bash_command='make ddl')
|
||||
load = BashOperator(task_id='load', bash_command='make data')
|
||||
transform = BashOperator(task_id='transform', bash_command='make transform')
|
||||
|
||||
ddl >> load >> transform
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## Полезные запросы
|
||||
|
||||
### Проверка слоёв
|
||||
|
||||
```sql
|
||||
-- Статистика по слоям
|
||||
SELECT
|
||||
database,
|
||||
countDistinct(table) AS tables,
|
||||
formatReadableQuantity(sum(rows)) AS rows,
|
||||
formatReadableSize(sum(bytes)) AS size
|
||||
FROM system.parts
|
||||
WHERE database IN ('stg', 'ods', 'dds', 'dm')
|
||||
GROUP BY database
|
||||
ORDER BY database;
|
||||
```
|
||||
|
||||
### DQ-анализ
|
||||
|
||||
```sql
|
||||
-- Ошибки парсинга по слоям
|
||||
SELECT
|
||||
'ods.browser_event' AS table,
|
||||
countIf(length(parse_errors) > 0) AS errors,
|
||||
count() AS total
|
||||
FROM ods.browser_event
|
||||
UNION ALL
|
||||
SELECT
|
||||
'dds.event',
|
||||
countIf(length(ods_parse_errors) > 0),
|
||||
count()
|
||||
FROM dds.event;
|
||||
```
|
||||
|
||||
### Воронка конверсии
|
||||
|
||||
```sql
|
||||
SELECT
|
||||
page_url_path,
|
||||
pageviews,
|
||||
uniq_clicks,
|
||||
round(uniq_clicks * 100.0 / lag(uniq_clicks) OVER (ORDER BY pageviews DESC), 2) AS conversion_pct
|
||||
FROM dm.v_top_pages_daily
|
||||
ORDER BY pageviews DESC;
|
||||
```
|
||||
Reference in New Issue
Block a user