diff --git a/docs/adr/0005-event-ingestion.md b/docs/adr/0005-event-ingestion.md index d933e94..8c64f81 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 @@ -232,10 +232,11 @@ 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. -Пояс разбору при #63 добавлен третьим аргументом — `'UTC'`; вызов выше приведён -без него, каким он был до этого решения. Без имени пояса функция трактует -показания часов по поясу сессии, а тот по умолчанию серверный. Правило целиком -и его довод — [конвенция часовых поясов](../architecture/storage.md). +Третий аргумент — имя пояса, `'UTC'` — пришёл с конвенцией #63. Маска сверяет +суффикс `Z` как букву и выбрасывает, зоны из строки не берёт вовсе, поэтому без +имени функция трактует показания часов по поясу сессии, а тот по умолчанию +серверный. Правило целиком 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 diff --git a/docs/architecture/storage.md b/docs/architecture/storage.md index 796c068..ead70b9 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, @@ -160,10 +160,9 @@ Greenplum, чтобы словарь был общим у двух хранил 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, когда -`_load_ts` типизирован. Имя пишется тогда, -когда нужна другая линза, чем у колонки: `toDate(UTCEventTime, 'Europe/Samara')` -— это «день по часам счётчика». +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, @@ -452,7 +451,7 @@ ODS. Второе: матвью приёма создаётся последне **Проверено на стенде.** Опыты прогнаны на живом кластере: пять при исполнении #37 (четыре 5 августа 2026 года, пятый 6 августа), пять при исполнении #43 -(7 августа) и три при обсуждении #63 (8 августа). Все подтвердили то, что здесь +(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 @@ -470,9 +469,14 @@ ODS. Второе: матвью приёма создаётся последне `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. После объявления `DateTime('UTC')` расхождение уходит: проверено - кастом на том же событии — колонка показывает `20:58:56` и при чужом поясе - сессии. + 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..dfa0c96 100644 --- a/generator/src/clickstream_generator/world.py +++ b/generator/src/clickstream_generator/world.py @@ -16,11 +16,15 @@ 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). +# Часовой пояс счётчика — Самара, UTC+4 — записан двумя способами, потому что +# стороны просят разное. Генератору нужны минуты: в этом поясе считаются +# модельные сутки, 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). Хранилищу нужно имя из базы поясов: его +# просят `toDate` и типы колонок DDS (docs/architecture/storage.md, «Часовые +# пояса»). +COUNTER_TIMEZONE = "Europe/Samara" COUNTER_TIMEZONE_MINUTES = 240 # D0 — первый день оси модельного времени, понедельник. Реальный календарь 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/generator/tests/test_world.py b/generator/tests/test_world.py index 872b16f..57da1fe 100644 --- a/generator/tests/test_world.py +++ b/generator/tests/test_world.py @@ -6,6 +6,9 @@ «в среднем 3–4 возврата» и «средняя кука активна ≈1,9 дня». """ +from datetime import datetime, time, timedelta +from zoneinfo import ZoneInfo + from clickstream_generator import catalog, world @@ -27,6 +30,13 @@ def test_origin_is_a_monday(): assert world.ORIGIN.weekday() == 0 +def test_the_counter_timezone_name_and_offset_say_the_same_thing(): + """Имя пояса просит хранилище, минуты — генератор; расходиться им нельзя.""" + midnight = datetime.combine(world.ORIGIN, time()) + named = ZoneInfo(world.COUNTER_TIMEZONE).utcoffset(midnight) + assert named == timedelta(minutes=world.COUNTER_TIMEZONE_MINUTES) + + def test_weekly_profile_covers_a_week_and_averages_to_one(): assert len(world.WEEKLY_PROFILE_PERCENT) == 7 assert sum(world.WEEKLY_PROFILE_PERCENT) == 700 diff --git a/sql/ddl/10-stg-tables.sql b/sql/ddl/10-stg-tables.sql index 73a7c10..da3f01d 100644 --- a/sql/ddl/10-stg-tables.sql +++ b/sql/ddl/10-stg-tables.sql @@ -45,10 +45,18 @@ SETTINGS -- 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 — DateTime64(3, 'UTC'); в DDL стенда он +-- встречается здесь впервые. Само число от пояса не зависит, это секунды от +-- начала эпохи. Пояс — линза: по нему решают, какие часы покажут метку и в +-- какие сутки она попадёт, то есть чем окажется toDate(_load_ts) в ключе +-- партиции ниже. Не назови линзу — её выберет пояс сервера, умолчание, которого +-- 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 +72,9 @@ 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..553d2d7 100644 --- a/sql/ddl/30-ods-views.sql +++ b/sql/ddl/30-ods-views.sql @@ -52,6 +52,12 @@ -- 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: он про то, как число покажут, а не какое ляжет. +-- 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 +85,7 @@ 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 +94,7 @@ 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 +179,7 @@ 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(