refactor(sql): reorganize sql files into structured directory hierarchy
Move DDL files from flat ddl/ directory to sql/ddl/ with layer-based subdirectories (stg, ods, dds, dm). Move batch transformation SQL from jobs/ to sql/ layer directories. Update scripts and documentation to reflect new paths for improved organization and Airflow integration.
This commit is contained in:
@@ -0,0 +1,164 @@
|
||||
-- ============================================================================
|
||||
-- Batch-трансформация: ODS → DDS
|
||||
-- ============================================================================
|
||||
-- Что делает:
|
||||
-- Собирает "чистые" сущности из типизированных данных ODS для аналитики.
|
||||
-- Использует argMax() для получения последней версии строк по ключу.
|
||||
--
|
||||
-- Когда запускать:
|
||||
-- - Периодически (например, каждые N минут)
|
||||
-- - Через Airflow по расписанию
|
||||
-- - Вручную после загрузки новых данных
|
||||
--
|
||||
-- Стратегия:
|
||||
-- Сейчас: полная перезагрузка (TRUNCATE + INSERT) — проще для демо
|
||||
-- В продакшене: инкрементальная загрузка по watermark (src_ingest_ts)
|
||||
-- ============================================================================
|
||||
|
||||
-- ----------------------------------------------------------------------------
|
||||
-- Сущность: dds.click (объединяет device + geo)
|
||||
-- ----------------------------------------------------------------------------
|
||||
-- Проблема: device и geo события приходят независимо (не все click_id есть в обоих источниках)
|
||||
-- Решение: UNION всех click_id + LEFT JOIN (обрабатываем geo-only и device-only)
|
||||
-- ----------------------------------------------------------------------------
|
||||
INSERT INTO dds.click
|
||||
SELECT
|
||||
c.click_id,
|
||||
d.user_domain_id,
|
||||
d.user_custom_id,
|
||||
d.device_type,
|
||||
d.device_is_mobile,
|
||||
d.os_name,
|
||||
d.os,
|
||||
d.os_timezone,
|
||||
g.geo_country,
|
||||
g.geo_region_name,
|
||||
g.geo_timezone,
|
||||
g.geo_latitude,
|
||||
g.geo_longitude,
|
||||
g.ip_address,
|
||||
now64(3) AS dds_update_ts, -- Время загрузки в DDS для версионирования
|
||||
-- Собираем все ошибки парсинга из источников + отслеживаем пропущенные данные
|
||||
arrayFilter(x -> x != '', arrayConcat(
|
||||
ifNull(d.parse_errors, []),
|
||||
if(d.click_id IS NULL, ['device_not_found'], []), -- Нет данных об устройстве
|
||||
if(g.click_id IS NULL, ['geo_not_found'], []), -- Нет гео-данных
|
||||
if(g.geo_country IS NULL, ['geo_country_missing'], []) -- Гео есть, но страна не определена
|
||||
)) AS ods_parse_errors
|
||||
FROM (
|
||||
-- Шаг 1: Собираем ВСЕ уникальные click_id из обоих источников
|
||||
-- Это позволяет обработать случаи, когда:
|
||||
-- - есть device, но нет geo (geo-only клики)
|
||||
-- - есть geo, но нет device (device-only клики)
|
||||
SELECT click_id
|
||||
FROM (
|
||||
SELECT assumeNotNull(click_id) AS click_id
|
||||
FROM ods.device_by_click
|
||||
WHERE click_id IS NOT NULL
|
||||
GROUP BY click_id
|
||||
)
|
||||
UNION DISTINCT
|
||||
SELECT click_id
|
||||
FROM (
|
||||
SELECT assumeNotNull(click_id) AS click_id
|
||||
FROM ods.geo_by_click
|
||||
WHERE click_id IS NOT NULL
|
||||
GROUP BY click_id
|
||||
)
|
||||
) AS c
|
||||
-- Шаг 2: LEFT JOIN с device (может не быть данных)
|
||||
LEFT JOIN (
|
||||
-- Снапшот device: последняя версия каждого click_id по времени загрузки
|
||||
SELECT
|
||||
assumeNotNull(click_id) AS click_id,
|
||||
argMax(user_domain_id, src_ingest_ts) AS user_domain_id,
|
||||
argMax(user_custom_id, src_ingest_ts) AS user_custom_id,
|
||||
argMax(device_type, src_ingest_ts) AS device_type,
|
||||
argMax(device_is_mobile, src_ingest_ts) AS device_is_mobile,
|
||||
argMax(os_name, src_ingest_ts) AS os_name,
|
||||
argMax(os, src_ingest_ts) AS os,
|
||||
argMax(os_timezone, src_ingest_ts) AS os_timezone,
|
||||
argMax(parse_errors, src_ingest_ts) AS parse_errors
|
||||
FROM ods.device_by_click
|
||||
WHERE click_id IS NOT NULL
|
||||
GROUP BY click_id
|
||||
) AS d ON d.click_id = c.click_id
|
||||
-- Шаг 3: LEFT JOIN с geo (может не быть данных)
|
||||
LEFT JOIN (
|
||||
-- Снапшот geo: последняя версия каждого click_id по времени загрузки
|
||||
SELECT
|
||||
assumeNotNull(click_id) AS click_id,
|
||||
argMax(geo_country, src_ingest_ts) AS geo_country,
|
||||
argMax(geo_region_name, src_ingest_ts) AS geo_region_name,
|
||||
argMax(geo_timezone, src_ingest_ts) AS geo_timezone,
|
||||
argMax(geo_latitude, src_ingest_ts) AS geo_latitude,
|
||||
argMax(geo_longitude, src_ingest_ts) AS geo_longitude,
|
||||
argMax(ip_address, src_ingest_ts) AS ip_address
|
||||
FROM ods.geo_by_click
|
||||
WHERE click_id IS NOT NULL
|
||||
GROUP BY click_id
|
||||
) AS g ON g.click_id = c.click_id;
|
||||
|
||||
-- ----------------------------------------------------------------------------
|
||||
-- Сущность: dds.event (объединяет browser + location)
|
||||
-- ----------------------------------------------------------------------------
|
||||
-- Логика проще: event_id связывает browser и location 1:1
|
||||
-- Если location нет — это тоже полезная информация (ошибка или пропуск)
|
||||
-- ----------------------------------------------------------------------------
|
||||
INSERT INTO dds.event
|
||||
SELECT
|
||||
b.event_id,
|
||||
b.event_ts,
|
||||
b.event_type,
|
||||
b.click_id,
|
||||
-- Поля из location (могут быть NULL, если location не пришёл)
|
||||
l.page_url,
|
||||
l.page_url_path,
|
||||
l.referer_url,
|
||||
l.referer_medium,
|
||||
l.utm_medium,
|
||||
l.utm_source,
|
||||
l.utm_content,
|
||||
l.utm_campaign,
|
||||
-- Поля из browser
|
||||
b.browser_name,
|
||||
b.browser_user_agent,
|
||||
b.browser_language,
|
||||
now64(3) AS dds_update_ts,
|
||||
-- Собираем ошибки парсинга + отмечаем, если location не найден
|
||||
arrayFilter(x -> x != '', arrayConcat(
|
||||
b.parse_errors,
|
||||
if(l.event_id IS NULL, ['location_not_found'], [])
|
||||
)) AS ods_parse_errors
|
||||
FROM (
|
||||
-- Снапшот browser: последняя версия каждого event_id
|
||||
SELECT
|
||||
event_id,
|
||||
argMax(event_ts, src_ingest_ts) AS event_ts,
|
||||
argMax(event_type, src_ingest_ts) AS event_type,
|
||||
argMax(click_id, src_ingest_ts) AS click_id,
|
||||
argMax(browser_name, src_ingest_ts) AS browser_name,
|
||||
argMax(browser_user_agent, src_ingest_ts) AS browser_user_agent,
|
||||
argMax(browser_language, src_ingest_ts) AS browser_language,
|
||||
argMax(parse_errors, src_ingest_ts) AS parse_errors
|
||||
FROM ods.browser_event
|
||||
WHERE event_id IS NOT NULL -- Фильтруем битые ключи (они в error_tables)
|
||||
GROUP BY event_id
|
||||
) AS b
|
||||
-- LEFT JOIN с location (может не быть данных для некоторых событий)
|
||||
LEFT JOIN (
|
||||
-- Снапшот location: последняя версия каждого event_id
|
||||
SELECT
|
||||
event_id,
|
||||
argMax(page_url, src_ingest_ts) AS page_url,
|
||||
argMax(page_url_path, src_ingest_ts) AS page_url_path,
|
||||
argMax(referer_url, src_ingest_ts) AS referer_url,
|
||||
argMax(referer_medium, src_ingest_ts) AS referer_medium,
|
||||
argMax(utm_medium, src_ingest_ts) AS utm_medium,
|
||||
argMax(utm_source, src_ingest_ts) AS utm_source,
|
||||
argMax(utm_content, src_ingest_ts) AS utm_content,
|
||||
argMax(utm_campaign, src_ingest_ts) AS utm_campaign
|
||||
FROM ods.location_event
|
||||
WHERE event_id IS NOT NULL
|
||||
GROUP BY event_id
|
||||
) AS l ON l.event_id = b.event_id;
|
||||
Reference in New Issue
Block a user