clickstream-data-platform/docs/adr/0005-event-ingestion.md

ADR 0005. Приём событий: сырьё в STG байтами, разбор функциями в ODS

Дата: 3 августа 2026 года. Статус: принято.

Решение

Топик hits читает одна Kafka-таблица формата RawBLOB: сообщение ложится в stg.hits_raw_dist строкой, как пришло, рядом с метаданными доставки. Ни типизации, ни проверки на этом шаге нет — слой сырья ничего не интерпретирует. У формата есть следствие для DDL: он читает вход в одно значение и рассчитан на таблицу с единственной колонкой, поэтому у чтеца она ровно одна — raw, а метаданные доставки берутся только из виртуальных колонок и добавить к чтецу что-либо своё нельзя.

Типизированный слой наполняют две матвью, привязанные к stg.hits_raw_dist. Поля достаются JSONExtract. В таблицу ошибок уходят три класса брака: сообщение, не являющееся объектом JSON; объект, чей набор ключей разошёлся с контрактным; объект, у которого не разобрался ключевой идентификатор или метка времени. Остальное — в событие. Первый класс проверяется именно на объект, а не на валидность: isValidJSON('123') возвращает единицу, скаляр — тоже законный JSON.

Классы пересекаются: скаляр проваливает заодно и сверку ключей, потому что JSONExtractKeys от него даёт пустой массив. Поэтому они проверяются по порядку, а в колонку error_class пишется первый совпавший — not_an_object, keyset_mismatch, key_field_unparsed. Приём тот же, что у mismatch_class в витрине сверки: пересекающиеся классы плюс объявленный приоритет.

Присутствие полей целиком держит сверка набора ключей — одно сравнение arraySort(JSONExtractKeys(raw)) с контрактным списком, завёрнутым в тот же arraySort. Обёртка с обеих сторон стоит ноль и снимает ошибку, которая иначе увела бы в брак вообще всё: сорок семь CamelCase-имён, выписанных руками ровно в байтовом порядке. Обязательны все сорок семь полей: генератор шлёт их все в каждом событии, а «пусто» по контракту — пустое значение, а не отсутствие ключа. Этим же закрыт критерий #43 про опечатку в имени.

Тип проверяется не у всех колонок, а у пяти: WatchID, VisitID, ClientID, EventDate, UTCEventTime разбираются в Nullable и дают NULL, если значение не той природы. Остальные сорок две достаются обычными типами. Соотношение цены и пользы: единственный производитель топика — собственный генератор, сериализующий из контракта по объявленным типам, поэтому неверный тип может прийти только из руки, а сорок семь проверок на NULL превратили бы матвью в простыню. Пять выбраны по последствию: на них стоят ключ сортировки, партиция и дедупликация, и их порча отравляет всё ниже по течению.

Присутствие иначе и не проверить. Nullable в ClickHouse не оборачивает составные типы: Nullable(Array) запрещён, а Array(Nullable(T)) при пропавшем ключе даёт пустой массив, неотличимый от пустого по смыслу. Таких колонок в контракте двенадцать из сорока семи.

Типизированная Kafka-таблица не используется. Режим kafka_handle_error_mode = 'stream' не используется тоже: при чтении байтами на входе нечему ломаться, и ошибке разбора взяться неоткуда.

Отсюда ограничение на форму выражений разбора: они собираются только из функций, которые не бросают исключений. JSONExtract и родственные возвращают значение по умолчанию или NULL, но не падают, — и правило репозитория «грязные записи не валят пайплайн» держится теперь именно на этом. Исключение в матвью не ошибка формата, его не перехватит никакой режим Kafka-движка: вставка упадёт, офсеты не закоммитятся, блок пойдёт читаться снова. Ломается это громко и чинится без потерь — поправил матвью, потребление продолжилось с некоммиченного офсета, — но пока не починено, топик стоит. Поэтому приведение Nullable к необнуляемому типу и любая арифметика в этих выражениях живут за предикатом, который NULL уже отсёк.

Этим решение снимает ограничение, записанное в постановке #37: «ошибки разбора должны рождаться на шаге Kafka-движка». Оно ставилось как условие достижимости критерия #43 про громкую ошибку на опечатку в имени поля — критерий достижим и без него, средствами матвью.

Требование строгого приёма из раздела 6 спеки остаётся в силе, меняется его механизм: настройка формата input_format_skip_unknown_fields при чтении байтами беспредметна, раскладки по полям на этом шаге нет вовсе.

Почему

Типизированный чтец не отдаёт сырьё. При kafka_handle_error_mode = 'stream' виртуальные колонки _raw_message и _error заполняются только при ошибке разбора и пусты у разобранных сообщений. Один типизированный чтец оставил бы в STG сырьё исключительно от брака: слой сырых строк хранил бы всё, кроме того, что доехало.

Слои идут цепочкой. Kafka → STG → ODS → DDS → DM, каждый читает предыдущий. Отвергнутая схема с двумя чтецами одного топика — сырым для STG и типизированным для ODS — в бою обычна и дала бы строгий приём даром, средствами самого движка. Но ODS перестал бы быть надстройкой над STG и стал бы вторым входом с шины, а на стенде, где слои и есть предмет изучения, это дороже сэкономленного. Побочная выгода скромнее, чем кажется на первый взгляд: слой сырья при двух чтецах существовал бы точно так же, но SQL разбора не существовал бы нигде, и для переобработки дня X его пришлось бы писать заново. В цепочке он уже есть в матвью, и ручная вставка получается его копией.

Слой сырья ничего не проверяет, и формат чтеца выбран под это. Соседний вариант, JSONAsString, требует, чтобы каждое сообщение было корректным объектом JSON, и на некорректном падает: потребление встаёт, хотя правило репозитория гласит, что грязные записи не должны валить пайплайн. Лечится это двумя способами — включить на чтеце режим обработки ошибок или не проверять на входе вовсе. Второе честнее: частичная проверка в слое, чья работа — не проверять, спорит сама с собой, а настоящий разбор всё равно идёт ниже. При RawBLOB ломаться нечему, доезжают любые байты, и оба класса брака разбираются в одном месте.

Архив нужен буквальный и читаемый глазами. RawBLOB — это про способ чтения, а не про тип колонки: на диске лежит обычный String с текстом события, и менти открывает его в обычном клиенте и читает. В этом и смысл слоя — увидеть, что реально пришло. Мусор при этом лежит в той же колонке, что и целые события, а не в отдельной. Отвергнутый боевой вариант — собрать слой сырья на движке Null, тогда данные не хранятся вовсе, а матвью работает чистым триггером. Отлаживать так неудобно, поэтому здесь окно в трое суток, а не ноль.

Что при этом потеряно и чем закрыто. Настройка input_format_skip_unknown_fields = 0 ловила два случая: ожидаемое поле пропало и появилось лишнее, неизвестное. Оба берёт на себя сверка набора ключей: опечатка в имени — это одновременно пропавшее ожидаемое и появившееся лишнее, и сравнение множеств видит и то, и другое. Она же единственная защита у колонок-массивов и она же ловит молчаливое расширение контракта, когда в сообщении появляется поле, о котором хранилище не знает. Nullable-разбор к этой работе отношения не имеет — он про тип, а не про присутствие, и потому сужен до пяти колонок.

Цена решения. Контракт получает ещё два места: типы сорока семи колонок в выражениях матвью и список тех же имён для сверки ключей. Раздел 1.4 спеки предупреждает, что, повторяясь примерно в семи местах, они расходятся молча, а contract-тест из #43 сюда не дотягивается — он сравнивает system.columns целевой таблицы со схемой генератора и о выражениях матвью ничего не знает. Смягчение работает не везде: опечатка в имени скалярного поля уводит строки в таблицу ошибок пачкой и видна сразу, а опечатка в имени массива даёт пустой массив тихо — сверка ключей проверяет ключи сообщения, а не выражения матвью. Эти двенадцать колонок сторожит smoke: известное событие с товарами обязано доезжать с непустыми массивами.

Второе — разбор функциями дороже разбора форматом. На объёмах стенда это несущественно; если станет заметно, сорок семь вызовов сворачиваются в один JSONExtract в именованный кортеж, и строка разбирается однократно.

Что проверено

По документации ClickHouse через MCP Context7, 3 августа 2026 года.

При режиме stream движок отдаёт _raw_message и _error только для сообщений, которые не разобрались, и оставляет их пустыми для разобранных. Отсюда весь довод о том, что типизированный чтец не может наполнить слой сырья.

Составные типы Nullable не оборачивает: Nullable(Array) и Nullable(Map) не поддерживаются, а Nullable внутри них — да. Отсюда слепота Nullable-разбора на двенадцати колонках и необходимость сверки ключей. Оговорка про кортеж: Nullable(Tuple) в ClickHouse всё-таки есть, но за настройкой enable_nullable_tuple_type и в статусе беты; на довод это не влияет — кортежей в контракте нет. Nullable внутри кортежа разрешён без всяких флагов, поэтому запасной вариант со свёрткой в именованный кортеж жив.

Оттуда же: у Kafka-движка есть третий режим обработки ошибок — dead_letter_queue с записью в системную таблицу. Он отвергнут независимо от остального: спека требует свои *_errors, системная таблица их не заменяет.

Форматы RawBLOB и LineAsString в ClickHouse есть, и Kafka-движок поддерживает все форматы. RawBLOB читает вход в одно значение и рассчитан на таблицу с единственным полем String — отсюда ограничение на форму чтеца.

Матвью с источником-Distributed срабатывает на вставку именно в эту распределённую таблицу — блок она видит до разрезания по шардам. Проверено владельцем на рабочих проектах; на стенде подтверждается заодно с приёмкой #37.

На живом стенде проверяется при исполнении #37. Первые два пункта внесены в раздел 11 спеки как несущие; остальные — однострочные SELECT, их довольно прогнать заодно:

• RawBLOB в Kafka-движке даёт ровно одну строку на сообщение. Проверять это нужно первым и до написания DDL: формулировка «читает вход в одно значение» про файл понятна, а про пачку сообщений из топика — нет, и если сообщения склеятся, переделывать придётся решение целиком, а не DDL. Опыт стоит трёх сообщений и одного count(). Запасной вариант — LineAsString: он режет по переводу строки, а события у нас однострочные; цена запасного — сообщение с переводом строки внутри даст две строки вместо одной;
• форма именованного кортежа в JSONExtract с Nullable-членами — нужна для свёртки сорока семи вызовов в один, если разбор окажется дорогим;
• isValidJSON('123') возвращает единицу, а JSONExtractKeys от скаляра — пустой массив. На обоих стоят классы брака и их приоритет, а документация поведение на не-объекте не описывает: два SELECT закрывают вопрос;
• JSONAsString действительно падает на некорректном JSON, а не пропускает строку. На этом стоит отказ от него в пользу RawBLOB; документация про ошибочный ввод молчит.