diff --git a/docs/adr/0005-event-ingestion.md b/docs/adr/0005-event-ingestion.md index a6733a8..8f1ec33 100644 --- a/docs/adr/0005-event-ingestion.md +++ b/docs/adr/0005-event-ingestion.md @@ -218,7 +218,7 @@ ClickHouse 26.3.17.56. Все четыре ответили так, как жд `2026-06-01` и разбирается `JSONExtract` без оговорок. Разбор метки времени идёт -`parseDateTimeOrNull(JSONExtractString(raw, 'UTCEventTime'), '%Y-%m-%dT%H:%i:%SZ')` +`parseDateTimeOrNull(JSONExtractString(raw, 'UTCEventTime'), '%Y-%m-%dT%H:%i:%SZ', 'UTC')` — по буквально названному формату, а не через `parseDateTimeBestEffort`. Обе функции ISO-8601 понимают и обе в варианте `*OrNull` отдают NULL вместо исключения, то есть годятся в предикат. Выбран точный формат потому, что @@ -232,6 +232,9 @@ ClickHouse 26.3.17.56. Все четыре ответили так, как жд всех трёх NULL. Источник у топика один и шлёт одну запись, так что широта не нужна вовсе, а платится за неё отключённой проверкой. +Третий аргумент — имя пояса, `'UTC'` — пришёл с конвенцией #63; правило и его +довод — [конвенция часовых поясов](../architecture/storage.md). + Цена выбора измерена на настоящих данных: по всем 101 252 строкам сырья модельного дня (день залит дважды) точный формат разобрал метку у каждой, и ни на одной не разошёлся с `parseDateTimeBestEffort`. Различаются они только diff --git a/docs/architecture/storage.md b/docs/architecture/storage.md index 80138c4..caf8f1f 100644 --- a/docs/architecture/storage.md +++ b/docs/architecture/storage.md @@ -104,11 +104,11 @@ keeper, Kafka, каркас сервисов. Этап 2 идёт: в `sql/ddl/` С `kafka_timestamp` сложнее, и форма его решена на стенде. Меток времени движок даёт две: `_timestamp` — `Nullable(DateTime)`, то есть секунды, и `_timestamp_ms` — `Nullable(DateTime64(3))`, миллисекунды. Колонка объявлена -`Nullable(DateTime64(3))` и заполняется из `_timestamp_ms`: у брокера метка -миллисекундная, соседняя `_load_ts` тоже `DateTime64(3)`, а слой сырья хранит -приехавшее, и округлять ему нечего. Обнуляемость нужна отдельно от разрядности: -брокер метку заполняет не всегда, а необнуляемый тип значил бы либо падение -приёма на первом сообщении, либо тихие нули за 1970 год. +`Nullable(DateTime64(3, 'UTC'))` и заполняется из `_timestamp_ms`: у брокера +метка миллисекундная, соседняя `_load_ts` тоже миллисекундная, а слой сырья +хранит приехавшее, и округлять ему нечего. Обнуляемость нужна отдельно от +разрядности: брокер метку заполняет не всегда, а необнуляемый тип значил бы +либо падение приёма на первом сообщении, либо тихие нули за 1970 год. Заполняются все они выражением в `SELECT` матвью приёма, а не `DEFAULT` в таблице. Для `consumer_host` это обязательно: `DEFAULT hostName()` вычисляется @@ -124,9 +124,9 @@ kafka_offset)`: разбор полётов идёт от «какое сооб нет. Замену версий сюда ставить нельзя — она отменила бы свойство слоя, ради которого он заведён: повтор доставки в сырье обязан быть виден. -Метка времени загрузки зовётся `_load_ts`, тип `DateTime64(3)`. Ставится она -один раз, в матвью приёма, и дальше переносится из STG в ODS как есть: колонка -отвечает на вопрос «когда строка приехала в хранилище», а не «когда её +Метка времени загрузки зовётся `_load_ts`, тип `DateTime64(3, 'UTC')`. Ставится +она один раз, в матвью приёма, и дальше переносится из STG в ODS как есть: +колонка отвечает на вопрос «когда строка приехала в хранилище», а не «когда её разобрали». В ODS она же служит колонкой версии `ReplacingMergeTree`, и работа у этой версии ровно одна — схлопнуть повтор доставки. Содержимое у повтора то же самое, отличается только метка, поэтому какая из двух строк переживёт мерж, @@ -146,6 +146,55 @@ Greenplum, чтобы словарь был общим у двух хранил пустой формальностью. В слоях, которые наполняет Airflow, `run_id` появится по-настоящему — тогда и заведём, тем же стилем имени. +## Часовые пояса + +Пояс — линза, а не свойство значения. `DateTime` хранит одно число, секунды от +начала эпохи; пояс решает лишь, какие часы по этому числу покажут время и в +какие сутки оно попадёт. + +**Линза называется явно — в типе колонки либо в вызове функции.** Третий +источник, умолчание сервера, в коде не виден и меняется снаружи, поэтому там, +где линза что-то решает — в объявлении хранимой колонки и в выражении, +считающем дату, — его не остаётся. Прописать этот пояс своей рукой — +`` в конфигурации ноды или `TZ` контейнеру — было бы той же болезнью +с другим умолчанием, и вдобавок отняло бы проверку: когда линза названа в типах +и в разборе, пояс сервера на данные не влияет нигде, и в этом можно убедиться, +поменяв его. Правило стоит на источнике пояса, а не на функции: +`toDate` по колонке, чей тип пояс несёт, законен и имени не требует — так и +работают ключи партиций `toDate(_load_ts)` у сырья и у таблицы ошибок. Имя +пишется тогда, когда нужна другая линза, чем у колонки: +`toDate(UTCEventTime, 'Europe/Samara')` — это «день по часам счётчика». + +**Какая линза, решает слой — по тому, кого он обслуживает.** ODS хранит снимок +выгрузки и говорит на языке выгрузки: у Метрики `UTCEventTime` абсолютна, +значит `DateTime('UTC')`; служебные метки `_load_ts` и `kafka_timestamp` +абсолютны тоже — `DateTime64(3, 'UTC')`. DDS и витрины обслуживают человека с +дашбордом, поэтому время там лежит местным, в поясе счётчика (`Europe/Samara`, +UTC+4), и пересчёт идёт один раз при наполнении слоя: автор отчёта пояса не +пишет, он берёт готовую колонку. `Date` хранит только номер дня — чьи это +сутки, в нём не записано. Поэтому время по `EventDate` считают, назвав пояс +руками; промах виден сразу: часы суток уезжают за границы 0–23. + +Объявить местным и ODS — `DateTime('Europe/Samara')` — соблазнительно: байты те +же, меняется одна линза, и `toDate(UTCEventTime)` начинает совпадать с +`EventDate` всегда. Отвергнуто потому, что колонка зовётся `UTCEventTime` и в +настоящей выгрузке Метрики она в UTC, а стёртое расхождение — тот самый урок, +ради которого мир сделан с поясом счётчика. + +**Линза выбирается дважды, и второй раз упустить легко.** На чтении — показать +метку или свести её к дате. На записи — превратить строку в число: суффикс `Z` +на проводе зоны не даёт, маска разбора съедает его буквой, и +`parseDateTimeOrNull` без третьего аргумента трактует показания часов по поясу +сессии, а тот по умолчанию серверный. Тип колонки тут не помогает: разбор +отдаёт готовое число, и колонка кладёт его как есть — пояс приёмника решал бы +судьбу строки, а не числа. Механика и выбор функции — [ADR +0005](../adr/0005-event-ingestion.md). + +**День берётся из `EventDate`.** Дата в поясе счётчика уже посчитана +генератором и лежит колонкой, так что суточные срезы группируются по ней и +пояса не упоминают вовсе. Почему у ночных событий `toDate(UTCEventTime)` с ней +расходится — [спека генератора](../specs/2026-08-01-generator.md), раздел 9. + ## Путь реплицированных таблиц в keeper Шаблон — `/clickhouse/tables/{shard}/{database}/{table}`. База в пути @@ -398,10 +447,42 @@ ODS. Второе: матвью приёма создаётся последне одинаковым путём в keeper становятся репликами друг друга, а макрос `{uuid}` завязан на движок базы `Atomic`. `ON CLUSTER` ждёт все хосты и бросает по таймауту; `CREATE ... IF NOT EXISTS` на существующем объекте не бросает. +`parseDateTime` и его родня принимают пояс необязательным последним аргументом, +а без него берут пояс сессии — он же по умолчанию серверный. У колонки с +объявленным поясом значения приводятся к нему; у колонки без объявленного +`session_timezone` перекрывает серверную настройку на выводе, но тип, с которым +считают функции, остаётся прежним (сверка 8 августа 2026 года). **Проверено на стенде.** Опыты прогнаны на живом кластере: пять при исполнении -#37 (четыре 5 августа 2026 года, пятый 6 августа) и пять при исполнении #43 -(7 августа). Все подтвердили то, что здесь написано. +#37 (четыре 5 августа 2026 года, пятый 6 августа), пять при исполнении #43 +(7 августа) и четыре при #63 (8 августа). Все подтвердили то, что здесь +написано. + +- Разбор строки берёт пояс у сессии, а не из строки. Под + `session_timezone = 'Europe/Samara'` одна и та же строка + `2026-06-01T01:24:09Z` по маске `%Y-%m-%dT%H:%i:%SZ` дала 1780262649 без + третьего аргумента и 1780277049 с аргументом `'UTC'` — ровно четыре часа + разницы. Тип результата без аргумента — `Nullable(DateTime('Europe/Samara'))`. + Отсюда имя пояса в разборе: суффикс `Z` маска съедает и выбрасывает. +- `toDate` берёт пояс у типа своего аргумента. Из одного момента: + по `DateTime('UTC')` — `2026-05-31`, по `DateTime('Europe/Samara')` — + `2026-06-01`. Отсюда форма правила: имя пояса нужно там, где его не несёт тип. +- У колонки без объявленного пояса глаз и `GROUP BY` расходятся. Замер снят до + правки типов и на нынешнем стенде не повторяется — колонка уже с поясом. + Событие + `WatchID = 113504893317`, `EventDate` = `2026-06-05`: без настроек колонка + показана `2026-06-04 20:58:56`, под `session_timezone = 'Europe/Samara'` — + `2026-06-05 00:58:56`, а `toDate(UTCEventTime)` в обоих случаях + `2026-06-04`. То есть вывод колонки идёт по поясу сессии, а функция — по + поясу типа, и тип на сессию не смотрит. Родной клиент и HTTP ведут себя + одинаково. +- С объявленным поясом расхождение уходит. Стенд поднят с нуля уже по + конвенции; событие `WatchID = 384218330540`, `EventDate` = `2026-06-01`: + колонка `DateTime('UTC')` показана `2026-05-31 23:37:00` и без настроек, и + под `session_timezone = 'Europe/Samara'`, по родному клиенту и по HTTP. + `toDate(UTCEventTime)` даёт `2026-05-31`, `toDate(UTCEventTime, + 'Europe/Samara')` — `2026-06-01`, `EventDate` — `2026-06-01`: расхождение + `toDate(UTCEventTime)` с `EventDate` осталось, это мир, а не пояс колонки. - Матвью с источником-`Distributed` срабатывает на вставку именно в эту распределённую таблицу, до раскладки по шардам. Обе матвью разбора стоят над diff --git a/docs/formats/clickstream-event.md b/docs/formats/clickstream-event.md index 4a03031..ecf0686 100644 --- a/docs/formats/clickstream-event.md +++ b/docs/formats/clickstream-event.md @@ -38,7 +38,7 @@ | 3 | `ClientID` | `UInt64` | `uint64` | `client_id` | анонимный id браузера — кука; по хешу от неё таблица шардируется | | 4 | `CounterID` | `UInt32` | `uint32` | `counter_id` | id счётчика: на стенде константа, сайт один | | 5 | `EventDate` | `Date` | `datetime64[D]` | `event_date` | дата события в часовом поясе счётчика; по ней режется партиция. Дату из `UTCEventTime` не выводить: у ночных событий она на сутки другая | -| 6 | `UTCEventTime` | `DateTime` | `datetime64[s]` | `utc_event_time` | время события в UTC — единственная метка времени, как у Метрики; сутки же считаются в поясе счётчика, поэтому `toDate(UTCEventTime)` ≠ `EventDate` | +| 6 | `UTCEventTime` | `DateTime('UTC')` | `datetime64[s]` | `utc_event_time` | время события в UTC — единственная метка времени, как у Метрики; сутки же считаются в поясе счётчика, поэтому `toDate(UTCEventTime)` ≠ `EventDate` | | 7 | `ClientTimeZone` | `Int16` | `int16` | `client_timezone` | смещение часового пояса клиента от UTC, в минутах | | 8 | `EventType` | `LowCardinality(String)` | `object` | `event_type` | тип события: pageview, add_to_cart, purchase — добавка стенда, у Метрики такого поля нет | | 9 | `Sign` | `Int8` | `int8` | `sign` | всегда 1: колонка формата, исправлений записей генератор не шлёт | diff --git a/docs/specs/2026-07-30-stand-v2-realism.md b/docs/specs/2026-07-30-stand-v2-realism.md index 0153c4c..4159545 100644 --- a/docs/specs/2026-07-30-stand-v2-realism.md +++ b/docs/specs/2026-07-30-stand-v2-realism.md @@ -99,7 +99,7 @@ | `ClientID` | UInt64 | анонимный id браузера (кука) — ключ шардирования | | `CounterID` | UInt32 | константа стенда (один сайт) | | `EventDate` | Date | дата события | -| `UTCEventTime` | DateTime | единственная метка времени, как у Метрики | +| `UTCEventTime` | DateTime('UTC') | единственная метка времени, как у Метрики | | `ClientTimeZone` | Int16 | смещение пояса клиента в минутах | | `EventType` | LowCardinality(String) | `pageview` / `add_to_cart` / `purchase` | | `Sign` | Int8 | всегда 1: колонка формата, механика исправлений не реализована (см. 1.1) | diff --git a/generator/src/clickstream_generator/schema.py b/generator/src/clickstream_generator/schema.py index 83e36a8..a1c560a 100644 --- a/generator/src/clickstream_generator/schema.py +++ b/generator/src/clickstream_generator/schema.py @@ -107,7 +107,7 @@ COLUMNS: tuple[Column, ...] = ( ), Column( name="UTCEventTime", - clickhouse_type="DateTime", + clickhouse_type="DateTime('UTC')", numpy_dtype="datetime64[s]", normalized_name="utc_event_time", group=ColumnGroup.IDENTIFIERS, diff --git a/generator/src/clickstream_generator/world.py b/generator/src/clickstream_generator/world.py index 872e9fd..e25e6e8 100644 --- a/generator/src/clickstream_generator/world.py +++ b/generator/src/clickstream_generator/world.py @@ -16,12 +16,14 @@ from datetime import date # Счётчик стенда: сайт один, номер — константа мира. COUNTER_ID = 42150607 -# Часовой пояс счётчика, минуты от UTC: Самара, UTC+4. Модельные сутки -# считаются в этом поясе, как в выгрузке Метрики: `EventDate` — дата в поясе -# счётчика, `UTCEventTime` — абсолютная метка. Отсюда следствие, о котором -# сторона хранилища должна знать заранее: `toDate(UTCEventTime)` ≠ `EventDate` -# у ночных событий (спека генератора, раздел 9). -COUNTER_TIMEZONE_MINUTES = 240 +# Часовой пояс счётчика, минуты от UTC. Модельные сутки считаются в этом поясе, +# как в выгрузке Метрики: `EventDate` — дата в поясе счётчика, `UTCEventTime` — +# абсолютная метка. Отсюда следствие, о котором сторона хранилища должна знать +# заранее: `toDate(UTCEventTime)` ≠ `EventDate` у ночных событий (спека +# генератора, раздел 9). Рядом имя того же пояса: числа ClickHouse в этом месте +# не принимает, витрины пишутся именем (docs/architecture/storage.md, «Часовые +# пояса»). +COUNTER_TIMEZONE_MINUTES = 240 # Europe/Samara # D0 — первый день оси модельного времени, понедельник. Реальный календарь в # модели не участвует: дата нужна лишь затем, чтобы дни оси легли в diff --git a/generator/tests/test_schema.py b/generator/tests/test_schema.py index 7257e24..cbbf170 100644 --- a/generator/tests/test_schema.py +++ b/generator/tests/test_schema.py @@ -31,7 +31,7 @@ NUMPY_BY_CLICKHOUSE_TYPE = { "String": "object", "LowCardinality(String)": "object", "Date": "datetime64[D]", - "DateTime": "datetime64[s]", + "DateTime('UTC')": "datetime64[s]", } METRICA_NAME = re.compile(r"^[A-Za-z][A-Za-z0-9]*$") diff --git a/sql/ddl/10-stg-tables.sql b/sql/ddl/10-stg-tables.sql index 73a7c10..9a163a1 100644 --- a/sql/ddl/10-stg-tables.sql +++ b/sql/ddl/10-stg-tables.sql @@ -41,14 +41,20 @@ SETTINGS -- виртуальные колонки его не несут, а после записи в Distributed он уже -- невосстановим. -- --- kafka_timestamp — Nullable(DateTime64(3)), и заполняется из виртуальной +-- kafka_timestamp — Nullable(DateTime64(3, 'UTC')), и заполняется из виртуальной -- колонки _timestamp_ms, а не из _timestamp. Измерено на стенде 5 августа -- 2026 года: _timestamp — Nullable(DateTime), то есть секунды; _timestamp_ms — -- Nullable(DateTime64(3)). Взяты миллисекунды: у брокера метка миллисекундная, --- _load_ts рядом тоже DateTime64(3), а слой сырья хранит то, что приехало, и +-- _load_ts рядом тоже миллисекундная, а слой сырья хранит то, что приехало, и -- округлять ему нечего. Обнуляемость обязательна: метку брокер заполняет не -- всегда, а необнуляемый тип дал бы либо падение приёма, либо тихий 1970 год. -- +-- Пояс у обеих меток написан в типе. Хранимого числа он не меняет, а решает, +-- в какие сутки метка попадёт, — то есть чем окажется toDate(_load_ts) в ключе +-- партиции ниже. Не напиши его — пояс возьмётся у сервера, а это умолчание в +-- коде не видно. Правило целиком — docs/architecture/storage.md, «Часовые +-- пояса». +-- -- Нарезка и срок жизни — по _load_ts, то есть по реальному времени загрузки: -- модельный день события живёт в ODS, а по нему TTL был бы просто сломан. -- Срок — трое суток плюс хвост до суток: куски снимаются целиком @@ -64,9 +70,9 @@ CREATE TABLE IF NOT EXISTS stg.hits_raw_rep ON CLUSTER clickstream_cluster kafka_topic LowCardinality(String), kafka_partition UInt64, kafka_offset UInt64, - kafka_timestamp Nullable(DateTime64(3)), + kafka_timestamp Nullable(DateTime64(3, 'UTC')), consumer_host LowCardinality(String), - _load_ts DateTime64(3) + _load_ts DateTime64(3, 'UTC') ) ENGINE = ReplicatedMergeTree('/clickhouse/tables/{shard}/{database}/{table}', '{replica}') PARTITION BY toDate(_load_ts) diff --git a/sql/ddl/20-ods-tables.sql b/sql/ddl/20-ods-tables.sql index 7c2cb40..b4854d3 100644 --- a/sql/ddl/20-ods-tables.sql +++ b/sql/ddl/20-ods-tables.sql @@ -51,7 +51,7 @@ CREATE TABLE IF NOT EXISTS ods.event_rep ON CLUSTER clickstream_cluster ClientID UInt64, CounterID UInt32, EventDate Date, - UTCEventTime DateTime, + UTCEventTime DateTime('UTC'), ClientTimeZone Int16, EventType LowCardinality(String), Sign Int8, @@ -93,7 +93,7 @@ CREATE TABLE IF NOT EXISTS ods.event_rep ON CLUSTER clickstream_cluster productQuantity Array(UInt64), productEventType Array(String), ecommerce String, - _load_ts DateTime64(3) + _load_ts DateTime64(3, 'UTC') ) ENGINE = ReplicatedReplacingMergeTree('/clickhouse/tables/{shard}/{database}/{table}', '{replica}', _load_ts) PARTITION BY EventDate @@ -137,9 +137,9 @@ CREATE TABLE IF NOT EXISTS ods.event_errors_rep ON CLUSTER clickstream_cluster kafka_topic LowCardinality(String), kafka_partition UInt64, kafka_offset UInt64, - kafka_timestamp Nullable(DateTime64(3)), + kafka_timestamp Nullable(DateTime64(3, 'UTC')), consumer_host LowCardinality(String), - _load_ts DateTime64(3) + _load_ts DateTime64(3, 'UTC') ) ENGINE = ReplicatedMergeTree('/clickhouse/tables/{shard}/{database}/{table}', '{replica}') PARTITION BY toDate(_load_ts) diff --git a/sql/ddl/30-ods-views.sql b/sql/ddl/30-ods-views.sql index fa1ab3e..d51a1b2 100644 --- a/sql/ddl/30-ods-views.sql +++ b/sql/ddl/30-ods-views.sql @@ -52,6 +52,13 @@ -- нужна вовсе, а стоит она отключённой проверкой. Замеры — ADR 0005, -- «Что проверено». -- +-- Третьим аргументом назван пояс — 'UTC'. Суффикс Z маска сверяет как букву и +-- выбрасывает, зоны из строки не берёт вовсе, поэтому без имени функция читала +-- бы показания часов по поясу сессии, а тот по умолчанию серверный. Тип +-- колонки этого не чинит: разбор отдаёт готовое число, и колонка кладёт его +-- как есть — пояс приёмника решал бы судьбу строки, а не числа. +-- Правило и замер — docs/architecture/storage.md, «Часовые пояса». +-- -- EventDate в такой подпорке не нуждается: дата уезжает как «2026-06-01», и -- JSONExtract её берёт. @@ -79,7 +86,7 @@ WITH AND JSONExtract(raw, 'ClientID', 'Nullable(UInt64)') IS NOT NULL AND JSONExtract(raw, 'EventDate', 'Nullable(Date)') IS NOT NULL AND parseDateTimeOrNull(JSONExtractString(raw, 'UTCEventTime'), - '%Y-%m-%dT%H:%i:%SZ') IS NOT NULL AS key_fields_parsed + '%Y-%m-%dT%H:%i:%SZ', 'UTC') IS NOT NULL AS key_fields_parsed SELECT JSONExtract(raw, 'WatchID', 'UInt64') AS WatchID, JSONExtract(raw, 'VisitID', 'UInt64') AS VisitID, @@ -88,7 +95,7 @@ SELECT JSONExtract(raw, 'EventDate', 'Date') AS EventDate, assumeNotNull(parseDateTimeOrNull( JSONExtractString(raw, 'UTCEventTime'), - '%Y-%m-%dT%H:%i:%SZ')) AS UTCEventTime, + '%Y-%m-%dT%H:%i:%SZ', 'UTC')) AS UTCEventTime, JSONExtract(raw, 'ClientTimeZone', 'Int16') AS ClientTimeZone, JSONExtract(raw, 'EventType', 'String') AS EventType, JSONExtract(raw, 'Sign', 'Int8') AS Sign, @@ -173,7 +180,7 @@ WITH AND JSONExtract(raw, 'ClientID', 'Nullable(UInt64)') IS NOT NULL AND JSONExtract(raw, 'EventDate', 'Nullable(Date)') IS NOT NULL AND parseDateTimeOrNull(JSONExtractString(raw, 'UTCEventTime'), - '%Y-%m-%dT%H:%i:%SZ') IS NOT NULL AS key_fields_parsed + '%Y-%m-%dT%H:%i:%SZ', 'UTC') IS NOT NULL AS key_fields_parsed SELECT raw, multiIf(