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 -> Airflow DAG kafka_load -> Kafka (1 строка = 1 сообщение) -> ClickHouse stg (сырые JSON) -> Airflow DAG etl_pipeline (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 через Airflow DAG:

# Полная загрузка (по умолчанию limit=0)
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}'

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	Логин/Пароль
ClickHouse HTTP	http://localhost:9123/play	SQL-запросы	default/123456
Kafka UI	http://localhost:8082	Просмотр топиков	—
Airflow	http://localhost:8080	Оркестрация ETL	admin/admin
Superset	http://localhost:8088	BI-дашборды	admin/admin
Prometheus	http://localhost:9090	Метрики	—
Grafana	http://localhost:3000	Визуализация метрик	admin/admin

Superset: UI доступен после make up по адресу http://localhost:8088, дашборд — http://localhost:8088/superset/dashboard/1/

---

Подключение DBeaver (кратко)

После прогона ddl_init -> kafka_load -> etl_pipeline можно быстро проверить витрины в DBeaver (удобно для демо бизнесу).

1. Database -> New Database Connection -> ClickHouse
2. Параметры:
   • Host: localhost
   • Port: 9123 (HTTP)
   • Database: default
   • Username: default
   • Password: 123456
3. Нажать Test Connection -> Finish

Если ваш драйвер просит native-протокол, используйте порт 8002.

Полезные быстрые запросы для первичного анализа:

SELECT count() AS rows FROM dm.v_events_enriched;
SELECT * FROM dm.v_daily_traffic ORDER BY event_date DESC LIMIT 20;
SELECT * FROM dm.v_utm_effectiveness ORDER BY clicks DESC LIMIT 20;

---

Архитектура (в двух словах)

flowchart LR
    subgraph AF["Airflow"]
        D1["ddl_init"]
        D2["kafka_load"]
        D3["etl_pipeline"]
    end

    subgraph Kafka["Kafka"]
        Topics[4 топика]
    end

    subgraph CH["ClickHouse"]
        STG["STG: сырые данные"]
        ODS["ODS: типизация + DQ"]
        DDS["DDS: сущности"]
        DM["DM: витрины VIEW"]
    end

    D2 -->|загрузка JSONL| Kafka -->|Kafka MV| STG
    STG -->|batch| ODS -->|batch| DDS -->|VIEW| DM

    D1 -.->|DDL| CH
    D3 -.->|batch| ODS & DDS

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

Подробное описание архитектуры →

---

Структура проекта

.
├── 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
├── configs/          # Конфигурации сервисов
│   ├── superset_config.py      # Конфиг Superset (PostgreSQL metadata)
│   ├── prometheus/             # Prometheus конфигурация
│   └── grafana/                # Grafana dashboards & datasources
├── scripts/          # Служебные shell-скрипты (legacy fallback, не основной путь)
├── airflow/          # Конфигурация Airflow
│   ├── dags/         # Airflow DAGs для оркестрации
│   └── requirements.txt
├── superset/         # Скрипты инициализации Superset
│   ├── init_superset.py        # Подключение к ClickHouse + датасеты
│   └── create_dashboard.py     # Создание дашборда с чартами
├── docs/             # Документация
│   └── ARCHITECTURE.md   # Подробное описание слоёв
├── data/             # Исходные JSONL файлы
├── docker-compose.yml
└── Makefile          # Команды: up, ddl, transform, superset-*

---

Команды Makefile

Команда	Описание
make up	Поднять инфраструктуру
make ddl	Применить DDL в ClickHouse (вне Airflow)
make transform	Запустить batch-процесс STG -> ODS -> DDS -> DM (вне Airflow)
make superset-init	Подключение к ClickHouse + импорт датасетов
make superset-dashboard	Создание дашборда с чартами, обновление layout/metadata
make superset-ui	Показать URL Superset
make superset-restart	Перезапуск Superset

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)

Superset развёрнут с автоматической инициализацией: подключение к ClickHouse, датасеты и дашборд создаются автоматически при первом запуске.

Быстрый доступ

URL	Назначение	Логин/Пароль
http://localhost:8088	Superset UI	admin/admin
http://localhost:8088/superset/dashboard/1/	Готовый дашборд	—

Автоматическая инициализация (рекомендуется)

# При первом запуске инфраструктуры
make up

# Дашборд создаётся автоматически через 30-60 секунд
# Проверить готовность:
curl http://localhost:8088/health  # должно вернуть 200

Что создаётся автоматически:

• Подключение к ClickHouse: clickhouse_dwh (URI: clickhousedb://default:123456@clickhouse:8123/default)
• Датасеты (6 шт.): v_events_enriched, v_daily_traffic, v_utm_effectiveness, v_top_pages_daily, v_session_overview, dq_summary
• Чарты (10 шт.): KPI метрики, графики трафика, география, UTM-эффективность, качество данных
• Дашборд: "🛒 E-commerce Analytics Dashboard"

Ручная инициализация (если автоматика не сработала)

# Подключение к ClickHouse + датасеты
make superset-init

# Создание дашборда с чартами
make superset-dashboard

Структура дашборда

Дашборд "E-commerce Analytics Dashboard" включает:

Блок	Чарты	Датасет
KPI	Total Events, Unique Users, Unique Sessions, Avg Events/Session	v_events_enriched
Динамика	Events by Hour (timeline), Traffic by Device (pie)	v_events_enriched
География	World Map по странам	v_events_enriched
Маркетинг	UTM Effectiveness Table, Top Pages	v_utm_effectiveness, v_top_pages_daily
Quality	Data Quality Summary	dq_summary

Фильтр Date Range по умолчанию открыт как No filter, потому что демо-данные лежат в историческом диапазоне (2022-11-28).

Архитектура Superset

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   Superset UI   │────▶│   PostgreSQL     │───▶│   ClickHouse    │
│   (localhost)   │     │   (metadata)     │     │   (данные)      │
│     :8088       │     │  dashboards,     │     │  dm.v_* VIEW    │
└─────────────────┘     │  datasets, charts│     └─────────────────┘
                        └──────────────────┘

Особенности конфигурации:

• Metadata: PostgreSQL (shared с Airflow) — данные сохраняются при перезапуске
• Data: ClickHouse через clickhouse-connect (HTTP порт 8123)
• Config: configs/superset_config.py (PostgreSQL URI, секретный ключ)

---

Мониторинг инфраструктуры (Grafana + Prometheus)

Для оценки состояния ClickHouse доступен дашборд мониторинга:

1. Открыть Grafana: http://localhost:3000 (admin/admin)
2. Дашборд "ClickHouse Overview" загружается автоматически
3. Проверить метрики Prometheus: http://localhost:9090 → Status → Targets

Что отслеживается:

• System Health: CPU, Memory (Resident/Code)
• Query Performance: queries/sec, active queries, failed queries
• MergeTree Storage: parts count, merge rate

Что алертится:

• Failed queries rate (rate(ClickHouseProfileEvents_FailedQuery[5m]) > 0)
• Memory Resident > 85% от OSMemoryTotal
• Active parts > 500

Конфигурация provisioning находится в configs/grafana/provisioning/. Подробнее в docs/OPERATIONS.md.

---

Частые проблемы

• etl_pipeline падает с сообщением про схему: сначала запустите ddl_init.
• После docker compose down -v схема и данные исчезнут: нужно заново запустить ddl_init, затем kafka_load, затем etl_pipeline.
• 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).
• Superset: дашборд не появился сразу — подождите 30-60 секунд после make up, затем проверьте curl http://localhost:8088/health.
• Superset: после make clean витрины dm.* ещё не созданы, поэтому чарты могут быть пустыми до запуска ddl_init -> kafka_load -> etl_pipeline; после этого выполните make superset-init.
• Superset: при полном сбросе (docker compose down -v) метаданные Superset пропадут т.к. используется общая PostgreSQL. Для чистого перезапуска Superset удалите только БД superset в PostgreSQL и перезапустите контейнеры.

---

Статус проекта

Реализовано:

• Инфраструктура: Kafka + ClickHouse + Airflow + Superset + Prometheus/Grafana
• Ingest: DAG ddl_init (DDL + проверка схемы), DAG kafka_load (параметры limit, reset_topics)
• Трансформации: DAG etl_pipeline (pre-check, batch STG→ODS→DDS→DM, валидация)
• Витрины: VIEW в DM для бизнес-дашбордов (трафик, UTM, качество данных)
• Superset: Автоматическая инициализация (подключение ClickHouse, 6 датасетов, 10 чартов, дашборд), метаданные в PostgreSQL
• Надёжность: ошибки парсинга сохраняются в ODS, пайплайн не падает на "грязных" данных
• Мониторинг: Prometheus скрейпит ClickHouse метрики, Grafana дашборд и alert rules

В планах (не требуется для MVP задания):

• 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