ClickHouse Mini DWH для кликстрима

Мини-демо для решения задания DE-task.md: развернуть инфраструктуру на своей машине, прогнать кликстрим через Kafka в ClickHouse, сделать регулярный расчёт в Airflow и подготовить витрины под дашборд.

Фокус проекта: быстро показать работающий end-to-end сценарий и понятным языком объяснить, как устроены слои и почему пайплайн не падает на "грязных" данных.

Коротко про поток: data/*.jsonl -> Kafka (1 строка = 1 сообщение) -> ClickHouse stg (сырые JSON) -> Airflow batch stg -> ods -> dds -> dm -> Superset.

---

Быстрый старт (демо-сценарий)

# 1) Поднять инфраструктуру
make up

# Проверить статусы контейнеров
docker compose ps

Дальше основной путь идёт через Airflow (как в задании).

1. Открыть Airflow UI: http://localhost:8080 (admin/admin)
2. Включить (unpause) и запустить ddl_init (создаёт базы/таблицы/VIEW в ClickHouse)

Опционально можно триггернуть DAG из CLI (удобно для CI/скрипта):

docker compose exec -T airflow-webserver airflow dags trigger ddl_init

Загрузка данных в Kafka (фаза 2 — через Airflow):

# Вариант 1: Через Airflow DAG (рекомендуется) — полная загрузка по умолчанию
docker compose exec -T airflow-webserver airflow dags trigger kafka_load \
  --conf '{"reset_topics": true}'

# Ограниченная загрузка — первые 100 строк
docker compose exec -T airflow-webserver airflow dags trigger kafka_load \
  --conf '{"limit": 100, "reset_topics": true}'

# Вариант 2: Через shell-скрипт (устаревший)
make data            # полная загрузка

Запуск batch-трансформации (STG -> ODS -> DDS -> DM) в Airflow (если DAG выключен, сначала unpause):

docker compose exec -T airflow-webserver airflow dags trigger etl_pipeline \
  --conf '{"full_refresh": true}'

Smoke-check результата в ClickHouse:

docker compose exec -T clickhouse clickhouse-client --user=default --password=123456 --query \
  "SELECT 'ods.browser_event' AS t, count() AS rows FROM ods.browser_event"
docker compose exec -T clickhouse clickhouse-client --user=default --password=123456 --query \
  "SELECT 'dds.click' AS t, count() AS rows FROM dds.click"
docker compose exec -T clickhouse clickhouse-client --user=default --password=123456 --query \
  "SELECT 'dds.event' AS t, count() AS rows FROM dds.event"
docker compose exec -T clickhouse clickhouse-client --user=default --password=123456 --query \
  "SELECT 'dm.dq_summary' AS t, count() AS rows FROM dm.dq_summary"

---

Доступные сервисы

Сервис	URL	Назначение
ClickHouse HTTP	http://localhost:9123/play	SQL-запросы
Kafka UI	http://localhost:8082	Просмотр топиков
Airflow	http://localhost:8080	Оркестрация ETL (admin/admin)
Superset	http://localhost:8088	BI-дашборды
Prometheus	http://localhost:9090	Метрики
Grafana	http://localhost:3000	Визуализация метрик

---

Архитектура (в двух словах)

flowchart TB
    subgraph Sources["JSONL файлы"]
        BE[browser_events.jsonl]
        LE[location_events.jsonl]
        DE[device_events.jsonl]
        GE[geo_events.jsonl]
    end

    subgraph Kafka["Kafka"]
        KT[Топики]
    end

    subgraph CH["ClickHouse"]
        STG["stg: сырьё + Kafka MV"]
        ODS["ods: типизация + DQ"]
        DDS["dds: сущности"]
        DM["dm: витрины (VIEW)"]
    end

    subgraph Airflow["Airflow"]
            DAG[DAG: ddl_init / kafka_load / etl_pipeline]
        end

    Sources -->|make data| Kafka -->|MV| STG -->|Batch SQL| ODS -->|Batch SQL| DDS -->|VIEW| DM
    DAG -.->|оркестрация| STG & ODS & DDS & DM

Особенность задания про "грязные данные": парсинг не валит pipeline, ошибки фиксируются в ods.*_errors и в поле parse_errors.

Подробное описание архитектуры →

---

Структура проекта

.
├── dags/             # Airflow DAGs для оркестрации
├── sql/
│   ├── ddl/          # DDL по слоям
│   │   ├── 00_databases.sql
│   │   ├── stg/10_stg.sql
│   │   ├── ods/20_ods.sql
│   │   ├── dds/30_dds.sql
│   │   └── dm/40_dm.sql
│   ├── ods/          # Batch SQL: STG -> ODS
│   ├── dds/          # Batch SQL: ODS -> DDS
│   └── dm/           # Batch SQL: DDS -> DM
├── scripts/          # Автоматизация (apply ddl, load data, run batch)
├── airflow/          # Конфигурация Airflow
│   └── requirements.txt
├── docs/             # Документация
│   └── ARCHITECTURE.md   # Подробное описание слоёв
├── data/             # Исходные JSONL файлы
├── docker-compose.yml
└── Makefile          # Команды: up, ddl, data, transform

---

Команды Makefile

Команда	Описание
make up	Поднять инфраструктуру
make ddl	Применить DDL в ClickHouse (вне Airflow)
make data	Загрузить данные в Kafka (50 строк)
FULL=1 make data	Загрузить полный датасет
make transform	Запустить batch-процесс STG -> ODS -> DDS -> DM (вне Airflow)

Примечания про сохранность данных:

• Данные ClickHouse сохраняются в Docker volume clickhouse-data.
• Данные Kafka сохраняются в Docker volume kafka-data.
• docker compose down сохраняет named volumes, docker compose down -v удаляет их (и данные пропадут).

---

Ключи данных (как джойним)

flowchart LR
    subgraph Sources["Источники"]
        BE["browser_events (event_id, click_id)"]
        LE["location_events (event_id)"]
        DE["device_events (click_id)"]
        GE["geo_events (click_id)"]
    end

    subgraph DDS["DDS"]
        EV["event (event_id PK)"]
        CL["click (click_id PK)"]
    end

    subgraph DM["DM"]
        V1[v_events_enriched]
        V2[v_daily_traffic]
        V3[v_utm_effectiveness]
    end

    BE -->|event_id| EV
    LE -->|event_id| EV
    BE -->|click_id| CL
    DE -->|click_id| CL
    GE -->|click_id| CL
    
    EV -->|LEFT JOIN click_id| V1
    CL --> V1
    EV --> V2 & V3
    CL --> V2 & V3

---

Дашборд в Superset (опционально, но полезно)

1. Открыть http://localhost:8088
2. Database -> Add:
   • URI: clickhouse+connect://default:123456@clickhouse:8123/default
3. Создать datasets из dm.v_* (VIEW) и собрать несколько графиков

Идеи графиков под задание:

• Трафик по дням: dm.v_daily_traffic (events, uniq_users)
• Эффективность UTM: dm.v_utm_effectiveness (clicks, purchases)
• Популярные страницы: dm.v_top_pages_daily (pageviews)
• Качество данных: dm.v_dq_errors_daily (rows_cnt по error_code)

---

Частые проблемы

• etl_pipeline падает с сообщением про схему: сначала запустите ddl_init.
• После docker compose down -v схема и данные исчезнут: нужно заново ddl_init и make data.
• Подключения используют разные протоколы:
  • Airflow (ClickHouseOperator) ходит в ClickHouse по native TCP (порт 9000 внутри сети Docker).
  • Superset (clickhouse-connect) ходит по HTTP (порт 8123 внутри сети Docker).

---

Статус проекта

Реализовано (Этап 1):

• DAG ddl_init: последовательное применение DDL + проверка схемы.
• DAG etl_pipeline: precheck, ожидание данных в STG, batch-пересчёт ODS/DDS/DM, базовые проверки.
• Устойчивость к "грязным" данным: ошибки парсинга сохраняются в ODS, а не валят ingest.

В планах (не требуется для MVP задания):

• DAG kafka_load (чистый ingest из .jsonl в Kafka средствами Airflow).
• Инкрементальный batch (watermark вместо full_refresh).
• DQ мониторинг по расписанию.

---

Документация

• Архитектура и слои — подробное описание STG/ODS/DDS/DM, ER-диаграммы, обоснование решений
• DE-task.md — исходное задание