docs(labs): добавлено задание по разбору событий #241
No files matched your search
@@ -0,0 +1,214 @@
|
||||
# Разберите сырые события рядом со стендом
|
||||
|
||||
**Чему учит:** пакетно разобрать сообщения отдельно от живого приема и
|
||||
построчно проверить свой результат по нетронутому ODS.
|
||||
|
||||
## Сначала прочитать
|
||||
|
||||
- [формат события](../formats/clickstream-event.md);
|
||||
- [справочник хранилища](../architecture/storage.md), разделы про имена
|
||||
объектов, актуальные события, прием потока и срок жизни сырых данных;
|
||||
- [ADR о приеме событий](../adr/0005-event-ingestion.md), раздел с принятым
|
||||
решением;
|
||||
- схему [`ods.event_rep`](../../sql/ddl/20-ods-tables.sql).
|
||||
|
||||
Готовый стендовый разбор находится в `sql/ddl/30-ods-views.sql`. Откройте его
|
||||
после собственной сверки: в нем лежит ответ на основную часть задания.
|
||||
|
||||
## Граница задания
|
||||
|
||||
Создайте в базе `default` одну свою таблицу годных событий и наполните ее одним
|
||||
пакетным `INSERT SELECT` из `stg.hits_raw_dist`. Работайте с первой нодой под
|
||||
пользователем `etl`.
|
||||
|
||||
Матвью `ods.event_mv` и `ods.event_errors_mv` продолжают принимать живой
|
||||
поток. Оставьте их, STG, ODS, Kafka и даги без изменений. Пересоздание матвью
|
||||
на работающем стенде оставило бы зазор в приеме, а для пакетного опыта оно не
|
||||
нужно.
|
||||
|
||||
Дайте своей таблице имя, которое не пересечется с чужой работой, и запишите
|
||||
его вместе с запросами. В конце вы удалите только эту таблицу.
|
||||
|
||||
## Выберите сырой срез
|
||||
|
||||
STG хранит строки примерно три дня по `_load_ts`. Эта колонка отмечает время
|
||||
поступления в хранилище. Модельный день события лежит в `EventDate`. Сначала
|
||||
найдите среди недавних данных завершившийся интервал со строками. Посмотрите
|
||||
счет по минутам:
|
||||
|
||||
```sql
|
||||
SELECT
|
||||
toStartOfMinute(_load_ts) AS minute,
|
||||
count() AS rows
|
||||
FROM stg.hits_raw_dist
|
||||
WHERE _load_ts >= now() - INTERVAL 30 MINUTE
|
||||
AND _load_ts < toStartOfMinute(now())
|
||||
GROUP BY minute
|
||||
ORDER BY minute DESC;
|
||||
```
|
||||
|
||||
Выберите короткий интервал `[slice_from, slice_to)`, который уже закончился и
|
||||
дает удобное для построчной проверки число строк. Если одна минута велика,
|
||||
сузьте ее точными границами `_load_ts`. Если недавних строк нет, откройте
|
||||
Airflow. При включенном `world_live` посмотрите его текущий запуск и дочерний
|
||||
`world_live_day`: дождитесь свежих строк от текущего или следующего планового
|
||||
запуска, а при ошибке сначала разберите ее причину. Запустите `world_live_day`
|
||||
вручную, только если `world_live` стоит на паузе и активного `world_live_day`
|
||||
нет. Успешный прогон распределяет события модельного дня по реальным минутам.
|
||||
|
||||
Зафиксируйте до разбора:
|
||||
|
||||
- обе границы с миллисекундами и число строк;
|
||||
- минимальный и максимальный `kafka_offset` по каждой паре
|
||||
`kafka_topic`, `kafka_partition`.
|
||||
|
||||
Во всех дальнейших запросах читайте `stg.hits_raw_dist` только с этими
|
||||
границами. Новые строки с более поздним `_load_ts` в срез не попадут. Повторите
|
||||
опыт до очистки по TTL; после нее прежний срез уже не восстановить из ODS.
|
||||
|
||||
## Соберите собственную таблицу
|
||||
|
||||
Таблица содержит все 47 полей источника с именами и типами
|
||||
`ods.event_rep`, а также `_load_ts`. Тип `purchaseRevenue` возьмите из ODS:
|
||||
`Array(Decimal(18, 2))`.
|
||||
|
||||
Схлопните повтор доставки по договору ODS. Возьмите
|
||||
`ReplacingMergeTree(_load_ts)`, партицию `EventDate` и полный ключ замены:
|
||||
`(CounterID, EventDate, intHash32(ClientID), WatchID)`. Достаточно одной
|
||||
локальной таблицы: отдельная Distributed-таблица не добавит урока к пакетному
|
||||
опыту на одной ноде.
|
||||
|
||||
`WatchID` — логический идентификатор события, уникальный по
|
||||
[договору генератора](../specs/2026-08-01-generator.md). Физический ключ ODS
|
||||
шире: в `ReplacingMergeTree` версиями считаются строки с одинаковым полным
|
||||
ключом сортировки. Используйте его при загрузке и сверке.
|
||||
|
||||
## Разберите годные строки
|
||||
|
||||
Для каждой строки среза примите решение по тому же строгому входу, что и
|
||||
стенд:
|
||||
|
||||
1. корень `raw` — JSON-объект;
|
||||
2. набор верхнеуровневых ключей в точности равен 47 ключам формата;
|
||||
3. `WatchID`, `VisitID`, `ClientID`, `EventDate` и `UTCEventTime` разбираются
|
||||
в ожидаемые типы.
|
||||
|
||||
Напишите разбор, который не прерывает пакет из-за одной грязной строки. Сами
|
||||
выберите способ безопасного извлечения пяти опорных полей, форму общих выражений
|
||||
и место фильтра. Остальные поля извлеките по договору формата.
|
||||
|
||||
Перенесите `_load_ts` из STG без пересчета: это время исходной доставки и
|
||||
колонка версии. Время запуска вашего запроса сюда не входит. Вставьте в свою
|
||||
таблицу только годные строки выбранного среза.
|
||||
|
||||
Считайте отвергнутые строки прямо в исходном срезе: отдельная таблица брака в
|
||||
задание не входит. Проверьте работу строгого входа одним запросом. Посчитайте:
|
||||
|
||||
- все доставки;
|
||||
- строки, прошедшие ваш предикат;
|
||||
- строки, отвергнутые его отрицанием.
|
||||
|
||||
Проверьте равенство общего числа строк сумме прошедших и отвергнутых. Так каждая
|
||||
исходная строка учитывается ровно в одной группе. Если отвергнутые строки есть,
|
||||
сохраните их `raw`, `_load_ts` и координаты Kafka. Найдите те же
|
||||
координаты в `ods.event_errors_dist` и запишите стендовый `error_class`. Если
|
||||
брака нет, так и зафиксируйте: опыт проверил успешную ветвь и выполнение
|
||||
предиката на этом срезе, но не классификатор ошибок. Подкладывать грязные
|
||||
сообщения ради задания не требуется.
|
||||
|
||||
## Приведите стороны к одному зерну
|
||||
|
||||
В STG одна строка представляет доставку. Повтор сообщения остается второй
|
||||
строкой. В `ods.event_v` одна строка представляет актуальное событие, потому
|
||||
что представление читает физическую таблицу с `FINAL`.
|
||||
|
||||
Свою сторону тоже читайте с `FINAL`. Ожидаемый счет равен числу различных
|
||||
полных ключей среди годных доставок. Разница между числом доставок и этим
|
||||
счетом показывает повторы в исходном срезе.
|
||||
|
||||
Область эталона постройте независимо от своего предиката и результата вставки.
|
||||
Снова возьмите весь исходный STG-срез. По координатам Kafka исключите доставки,
|
||||
которые есть в `ods.event_errors_dist`. У оставшихся доставок извлеките
|
||||
`WatchID` без риска прервать запрос и выберите эти события из свежего
|
||||
`ods.event_v`.
|
||||
|
||||
Свяжите сырую доставку с ODS по `WatchID`: по договору генератора это уникальный
|
||||
идентификатор события. Он задает только область эталона. Дедупликация и
|
||||
последующее соединение используют полный физический ключ. Не берите область из
|
||||
своей таблицы и не применяйте к ней свой предикат. Иначе ошибочно отвергнутая
|
||||
строка исчезнет с обеих сторон сверки.
|
||||
|
||||
## Сверьте 47 полей
|
||||
|
||||
Соедините свою таблицу и выбранные строки `ods.event_v` через `FULL OUTER
|
||||
JOIN` по полному ключу замены. Полное соединение сохраняет строки,
|
||||
которых нет на одной из сторон. Разделите результат на три исхода:
|
||||
|
||||
- строка есть только в ODS — вы ее потеряли;
|
||||
- строка есть только у вас — вы приняли лишнее или иначе разобрали часть
|
||||
ключа;
|
||||
- ключ есть с обеих сторон, но различается хотя бы одно из 47 полей.
|
||||
|
||||
ClickHouse по умолчанию заполняет отсутствующую сторону значениями типов.
|
||||
Включите для сверки `join_use_nulls = 1` или добавьте явный признак присутствия
|
||||
в каждую сторону. Не определяйте отсутствие по значениям полей события.
|
||||
|
||||
Сравните все поля явно, включая массивы, `ecommerce` и точное десятичное
|
||||
`purchaseRevenue`. Удобный вид диагностики выберите сами: важно, чтобы по
|
||||
результату можно было назвать отличающиеся колонки одной строки. Выведите число
|
||||
строк каждого из трех исходов. В верном разборе все три числа равны нулю.
|
||||
|
||||
`_load_ts` не входит в 47 полей источника и не проверяет JSON-разбор.
|
||||
Проверьте его отдельно. Свяжите каждую строку своей таблицы с меткой одной из
|
||||
доставок того же полного ключа в исходном срезе. После `FINAL` остается самая
|
||||
поздняя метка этого ключа внутри среза. С ODS ее не сравнивайте: там может
|
||||
храниться более поздняя доставка того же события из-за границ среза.
|
||||
|
||||
## Расследуйте расхождение
|
||||
|
||||
Если сверка не пуста, возьмите одну строку. Вернитесь к независимому списку
|
||||
ключей и исходному `raw`, выведите рядом координаты Kafka и `_load_ts`.
|
||||
|
||||
Для измененной строки назовите поля, которые расходятся, и сравните каждое с
|
||||
сырой строкой. Для пропавшей или лишней строки проверьте пять опорных полей и
|
||||
решение строгого предиката. Если координаты доставки есть в
|
||||
`ods.event_errors_dist`, посмотрите `error_class`.
|
||||
|
||||
Исправьте разбор, удалите и заново создайте только собственную таблицу, затем
|
||||
повторите вставку того же среза. Остановитесь, когда счет исходных доставок по
|
||||
прежним границам не изменился, баланс строгого входа сошелся, а построчная
|
||||
сверка пуста.
|
||||
|
||||
## Где заканчивается проверка
|
||||
|
||||
`ods.event_v` — образец для сравнения. Оба разбора могли повторить одну
|
||||
ошибку. Для пяти опорных полей у вас есть проверка разбираемости и исходный
|
||||
JSON. Остальные 42 поля можно вручную сопоставить с `raw`, однако второго
|
||||
независимого источника для всех значений на стенде нет.
|
||||
|
||||
## Уберите свой объект
|
||||
|
||||
Сохраните DDL таблицы, запрос разбора, границы среза, баланс строгого входа и
|
||||
пустую итоговую сверку. Затем удалите свою таблицу командой `DROP TABLE` с ее
|
||||
точным именем. Убедитесь через `system.tables`, что объекта больше нет.
|
||||
Прикладные строки стенда вы не меняли, поэтому удалять данные из STG, ODS или
|
||||
Kafka после опыта не нужно.
|
||||
|
||||
## Приемка
|
||||
|
||||
- [ ] записаны границы малого завершенного среза, его счет и координаты
|
||||
доставки по партициям Kafka;
|
||||
- [ ] создана одна собственная таблица со всеми 47 полями, перенесенным
|
||||
`_load_ts` и физическим договором дедупликации ODS;
|
||||
- [ ] пакетный разбор принимает только JSON-объекты с точным набором ключей и
|
||||
пятью разбираемыми опорными полями;
|
||||
- [ ] счет исходных строк равен сумме годных и отвергнутых, а найденный брак
|
||||
рассмотрен по `raw`, координатам и стендовому классу;
|
||||
- [ ] область ODS получена из всех координат исходного среза и стендовой
|
||||
таблицы ошибок, независимо от собственного предиката и таблицы;
|
||||
- [ ] обе стороны приведены к зерну полного физического ключа;
|
||||
- [ ] `FULL OUTER JOIN` сравнивает все 47 полей, а числа пропавших, лишних и
|
||||
измененных строк равны нулю;
|
||||
- [ ] отдельно подтвержден перенос `_load_ts` и учтены повторы доставки;
|
||||
- [ ] границы стендового оракула и TTL записаны вместе с результатом;
|
||||
- [ ] собственная таблица удалена, объекты и данные стенда не изменены.
|
||||
+2
-2
@@ -13,10 +13,10 @@
|
||||
| 3 | [Нарежь сессии сам](3-1-sessions-by-hand.md) | сверить число сессий в своей нарезке с эталоном и найти события, из-за которых оно расходится |
|
||||
| 4 | [Перепиши нарезку стенда](4-1-session-pipeline.md) | изменить расчетную сущность внутри готового конвейера и проверить ее внешним эталоном |
|
||||
| 5 | [Сначала сторож, потом ломай: заказы](5-1-order-checks.md)<br>[Перепишите разбор заказов в ODS](5-2-order-parsing.md)<br>[Перепишите сборку заказов в DDS](5-3-order-pipeline.md) | написать проверки качества до рискованного изменения, затем переписать разбор и сборку заказов |
|
||||
| 6 | Разбери сырые события и сверь результат со стендом | изучить разбор потока отдельно от живого приема и сверить его со стендовым результатом |
|
||||
| 6 | [Разбери сырые события и сверь результат со стендом](6-1-event-parsing.md) | изучить разбор потока отдельно от живого приема и сверить его со стендовым результатом |
|
||||
| 7 | Мониторинг: куда смотреть | выбрать, куда и на что смотреть в живой системе |
|
||||
|
||||
ТЗ для ступеней 6-7 появятся по мере продвижения программы.
|
||||
ТЗ для ступени 7 появится по мере продвижения программы.
|
||||
|
||||
## Ступень 1: пять витрин слоя DM
|
||||
|
||||
|
||||
Reference in new issue
Block a user