# Лаба 08. Живой поток и свежесть данных > Формат: **практика** — запустишь живой поток, остановишь его и продолжишь с > сохранённого состояния. > Пререквизит: пройдена лаба 07; стенд возвращён к эталонному миру, а > `world_next_day` стоит на паузе. > Эталонные пути: > [`Makefile`](../../../Makefile) и > [`airflow/dags/etl_pipeline_dag.py`](../../../airflow/dags/etl_pipeline_dag.py). > > Поток данных одной строкой: > `generator-continue → Kafka → STG (сразу) → etl_pipeline (по запуску) → ODS → DDS → DM` > > О чём лаба простыми словами: события будут приезжать непрерывно. Ты увидишь, > что Kafka и STG уже обновились, а аналитические слои ещё ждут пакетного > запуска. --- ## 1. Зачем и где в проде У данных есть **свежесть** — задержка между событием в источнике и моментом, когда его увидит потребитель. Для одного отчёта допустимы сутки, для другого нужны минуты. Обещание «данные готовы не позже чем через N минут» влияет на всю цепочку. В этом стенде приём потоковый: ClickHouse постоянно читает Kafka, а Materialized View сразу складывает сообщения в STG. Дальнейшая обработка пакетная: ODS, DDS и DM обновляет только запуск `etl_pipeline`. Поэтому **потоковый приём не равен потоковой обработке**. Новые строки уже могут лежать в STG, пока витрина для аналитика показывает старую правую границу. > **В проде иначе.** Требование к свежести задают вместе с потребителем данных. > Под него выбирают расписание, размер порции, проверки и допустимое > отставание. Слово «поток» само по себе ничего не обещает о времени появления > данных в отчёте. --- ## 2. Руки: оживляем мониторинг и догоняем витрины Подготовь стенд по [канонической инструкции курса](../README.md#подготовка-и-канонический-сброс). После `world_init` живой генератор выключен, а эталонный мир заканчивается на одной и той же модельной границе у всех менти. ### Запоминаем начальную свежесть Открой SQL-консоль `http://localhost:9123/play` (пользователь `default`, пароль `123456`) и выполни: ```sql SELECT 'STG' AS layer, max(parseDateTime64BestEffortOrNull( JSONExtractString(raw, 'event_timestamp'), 6, 'UTC' )) AS max_event_ts FROM stg.browser_raw UNION ALL SELECT 'ODS', max(event_ts) FROM ods.browser_event UNION ALL SELECT 'DDS', max(event_ts) FROM dds.event UNION ALL SELECT 'DM', max(event_ts) FROM dm.v_events_enriched; ``` На эталонном мире правые границы слоёв должны совпадать. ### Запускаем живое продолжение В терминале выполни: ```bash make generator-continue ``` Команда запускает генератор в режиме `continue`: он берёт сохранённое состояние эталонного мира и продолжает его, не создавая новый мир с нуля. Вернись к экранам из урока 5: - в Prometheus target `generator` переходит в `UP`; - в `Generator Overview` оживает `Total Events/min (all 4 topics)`; - в `Kafka Overview` растут сообщения и конечные offset-ы партиций; - в Kafka UI из урока 0 у новых сообщений растут offset-ы; - `Kafka No Messages Produced` выходит из `Alerting`, когда Grafana увидит устойчивый поток. У алерта есть окно `for: 10m`: в `Alerting` он переходит только после десяти минут тишины. Когда поток вернётся, условие перестанет выполняться при ближайшей оценке. График событий и offset-ы должны начать двигаться раньше. Подожди несколько минут и снова выполни запрос по слоям. Правая граница STG уйдёт вперёд. ODS, DDS и DM останутся на границе последнего `etl_pipeline`. ### Догоняем пакетные слои Открой Airflow и запусти `etl_pipeline` через **Trigger DAG** с пустой формой. По умолчанию это полный пересчёт. После зелёного прогона повтори запрос. ODS, DDS и DM догонят данные, которые успели попасть в STG к началу обработки. Генератор всё ещё работает, поэтому STG вскоре снова может оказаться чуть свежее. Это ожидаемое расслоение, а не потеря строк. --- ## 3. Загляни внутрь Открой [`Makefile`](../../../Makefile) и найди две команды этой лабы: ```make generator-continue: COMPOSE_BIN="$(COMPOSE)" bash ./scripts/run_generator.sh continue generator-down: $(COMPOSE) stop generator ``` `generator-down` останавливает только контейнер генератора. Kafka, ClickHouse и читатели STG продолжают работать. Поэтому они успевают дочитать уже записанные сообщения. `generator-continue` запускает генератор с сохранением прежнего состояния. В нём остаются популяция пользователей, активные визиты, случайное состояние и модельные часы. После рестарта продолжается тот же мир. > **Модельное время.** Профиль `daily-wave` ускоряет внутренние часы стенда в > 60 раз: модельные сутки проходят примерно за полчаса. Поэтому «сейчас» на > дашборде может обгонять настенные часы. Ручка тренажёра называется > `GEN_MODEL_TIME_SPEED`; в этой лабе её не меняем. ### Где проходит граница между потоком и пакетом В уроке 1 ты видел Kafka engine и Materialized View. Пока сервисы работают, этот путь сам переносит сообщения из Kafka в `stg.*_raw`. У `etl_pipeline` в [`airflow/dags/etl_pipeline_dag.py`](../../../airflow/dags/etl_pipeline_dag.py) стоит `schedule=None`. ODS, DDS и DM не догоняют поток сами: нужен ручной запуск DAG. Получается две разные гарантии свежести: - Kafka → STG работает постоянно; - STG → ODS → DDS → DM обновляется по запуску `etl_pipeline`. Если потребителю нужна витрина не старше пяти минут, ручной DAG такую гарантию не даёт. Понадобится расписание или другая обработка, а затем измерение фактического отставания. --- ## 4. Управляемая правка: останавливаем и продолжаем поток Проверим, переживает ли мир остановку генератора. ### Шаг 1. Зафиксируй состояние до остановки Пока генератор работает, запиши: - правую границу STG из запроса секции 2; - значение `Total Events/min (all 4 topics)`; - текущие конечные offset-ы в `Kafka Overview`. ### Шаг 2. Останови генератор ```bash make generator-down ``` После остановки: - target `generator` переходит в `DOWN`; - `Total Events/min (all 4 topics)` падает к нулю или перестаёт обновляться; - конечные offset-ы перестают расти; - читатели ClickHouse дочитывают уже записанные сообщения, и отставание стекает к нулю; - после окна ожидания `Kafka No Messages Produced` переходит в `Alerting`. Как и в уроке 5, Kafka UI или панель lag могут не показать прогресс групп `ch_stg_*`. Тогда смотри `system.kafka_consumers` со стороны ClickHouse. Главный признак здесь такой: новые offset-ы больше не появляются, а строки, уже записанные до остановки, доходят в STG. ### Шаг 3. Продолжи тот же мир ```bash make generator-continue ``` Проверь обратную картину: - target `generator` снова в `UP`; - график событий и offset-ы снова растут; - `Kafka No Messages Produced` возвращается в норму при ближайшей оценке; - правая граница STG стала больше значения, записанного до остановки. Генератор взял прежнюю популяцию и прежнюю точку продолжения. Остановка не превратила поток в новый независимый мир. ### Шаг 4. Догони аналитику и увидь расхождение мира Запусти `etl_pipeline` с пустой формой. После зелёного прогона выполни: ```sql SELECT uniqExact(user_domain_id) AS users, uniqExact(click_id) AS sessions FROM dm.v_events_enriched WHERE user_domain_id IS NOT NULL; ``` В живом мире один пользователь может вернуться и открыть новый визит. Поэтому после достаточного продолжения ожидаем `users < sessions`. На эталонной статике было `users == sessions`. Точные числа здесь не печатаем: длительность живого запуска у каждого своя. `users = <значение>`, `sessions = <значение>`. Если равенство ещё сохранилось, дай генератору поработать несколько минут, снова запусти `etl_pipeline` и повтори запрос. Важно увидеть сам возврат пользователя, а не угадать конкретное число. ### Верни как было Останови живой поток: ```bash make generator-down ``` После `continue` мир стал недетерминированным: его числа зависят от длительности запуска. Верни стенд к эталону по [канонической инструкции курса](../README.md#подготовка-и-канонический-сброс). Не пересказывай шаги по памяти: эта ссылка остаётся единственным учебным описанием полного сброса. --- ## 5. Проверь себя | Действие | Где смотреть | Что ожидать | |----------|--------------|-------------| | выполнить `make generator-continue` | Prometheus Targets | `generator` переходит в `UP` | | посмотреть живой генератор | `Generator Overview` | `Total Events/min (all 4 topics)` становится ненулевым | | сравнить свежесть до ETL | SQL-запрос по слоям | STG свежее ODS, DDS и DM | | запустить `etl_pipeline` | Airflow и SQL-запрос | пакетные слои догоняют снимок STG | | выполнить `make generator-down` | Grafana и Kafka | события перестают поступать, отставание читателей стекает к нулю | | снова выполнить `make generator-continue` | Grafana, Kafka и STG | поток продолжается, offset-ы и правая граница снова растут | | пересчитать аналитику | запрос `users` и `sessions` | после возвратов пользователей выполняется `users < sessions` | | остановить поток и пройти сброс | Grafana и SQL | `generator` выключен, слои снова совпадают с эталонным миром | Ответь своими словами: - что означает свежесть данных и кто задаёт требование к ней; - почему новые строки уже есть в STG, но их ещё нет в DDS; - почему запуск `etl_pipeline` догоняет поток лишь до очередного снимка; - что сохраняет режим `continue`; - почему после живого продолжения числа разных менти расходятся; - откуда берётся `users < sessions`. --- ## 6. Что должно получиться После лабы сохрани: - скрин Prometheus Targets с `generator` в `UP`; - скрин живого `Total Events/min (all 4 topics)`; - два результата запроса свежести: до и после `etl_pipeline`; - наблюдение остановки и продолжения по offset-ам или правой границе STG; - результат запроса с `users < sessions`; - короткое объяснение своими словами: почему потоковый приём не гарантирует потоковую обработку до витрины. В конце `generator` должен быть остановлен, а стенд — возвращён к эталонному миру. --- ## Мост после курса Теперь у тебя есть два способа растить один мир: повторяемая суточная порция и живое продолжение. Следующий практический вопрос уже зависит от продукта: какую свежесть обещать потребителю и какую цену платить за пересчёт.