clickstream-data-platform/generator

Генератор кликстрима

Клиентская сторона стенда: отсюда берётся поток событий — широкое событие по образцу облачной выгрузки Яндекс Метрики. Устройство и принятые решения — спека «Генератор (этап 2)».

События уже есть и уже уезжают: день-функция отдаёт по паре (зерно, D) упорядоченный поток трёх видов — просмотр страницы, корзина, покупка, — канонический сериализатор превращает его в JSON, а проигрыватель гонит в файл или в Kafka. Клиентская сторона на этом целая; заказы бэкенда — за следующими этапами.

Как это работает

Раздел черновой. По сути он верен, но на понятность читателем со стороны не выверен: пишет его тот, кто держит устройство генератора в голове, а это худший судья понятности. Выверка — вместе с путеводителем, тикет #48.

Цепочка одна и всегда та же: корневое зерно → подпотоки по позиции в дереве → когорта дня (кто впервые пришёл, сколько раз вернётся, чей паспорт какой) → аудитория дня, то есть когорта плюс возвраты когорт окна → визиты этих кук → строки событий. Мир при этом ленив: когорта считается по требованию, а до D0 живёт предыстория, поэтому любой день собирается сам по себе — прожитая история для него не нужна и на него не влияет.

Главное правило для того, кто придёт следующим: внутри подпотока порядок бросков — часть контракта. Броски раздаёт один генератор подряд, и k-й бросок достаётся тому, кто спросил k-м. Приписать новый бросок в конец функции безопасно: у прежних он ничего не отнимает. Вставить в середину — значит сдвинуть все броски после него, а с ними и весь мир: события того же дня станут другими, счётчики канонического мира разойдутся с описью, и поймается это не ошибкой, а красным чеком. Ровно поэтому паспорта кук в plan.cohort бросаются последними.

Случайность целочисленная — только диапазоны и выбор по целым весам: готовые распределения numpy расходятся между версиями и архитектурами, а обещано побайтовое совпадение (спека, раздел 2). Отсюда weights.py вместо rng.choice с вероятностями.

Что где лежит

• src/clickstream_generator/world.py — конфигурация мира: все его числа одним местом. Правка любого — смена мира; крутить их и предлагается.
• src/clickstream_generator/seeds.py — иерархия зёрен: кто из какого подпотока берёт случайность. На ней держится весь детерминизм.
• src/clickstream_generator/plan.py — план состава: кто есть в мире в день D. Когорты, приток, двухкуковые пары, паспорта кук и счётчики — до генерации событий.
• src/clickstream_generator/weights.py — выбор по целым весам: один приём на весь генератор, чтобы дисциплина целочисленной случайности не жила копиями.
• src/clickstream_generator/reference.py — справочники: устройства, города, источники трафика, карта сайта. Таблицы-литералы: доля живёт в строке, которой принадлежит.
• src/clickstream_generator/catalog.py — каталог товаров из data/catalog/products.csv, общего у генератора и словаря ClickHouse.
• src/clickstream_generator/day.py — день-функция: визиты, страницы, атрибуция, устройство и гео. Там же правила резки визитов и шов, на который садятся торговые события.
• src/clickstream_generator/commerce.py — торговые события: что легло в корзину, что из этого куплено, деньги, номера заказов и сырой ecommerce. Своя случайность, поэтому правка торговли трафик не двигает.
• src/clickstream_generator/ids.py — номера событий: неповторяющиеся и ниже 2^53. Обещание одно на обе половины дня, поэтому и живёт отдельно.
• src/clickstream_generator/serialize.py — канонический сериализатор: единственное место, где событие целиком превращается в JSON. Порядок ключей, все 47 колонок всегда и форма на проводе — ISO-8601.
• src/clickstream_generator/sinks.py — приёмники: файл (одно событие — одна строка) и Kafka (одно событие — одно сообщение). Про содержимое они не знают; там же довод, почему у сообщения нет ключа.
• src/clickstream_generator/player.py — проигрыватель: гонит дни в приёмник пачкой или с темпом живого дня. Состояния не хранит.
• src/clickstream_generator/cli.py — интерфейс запуска: параметры аргументами или окружением, логи в стандартный вывод, итог кодом возврата.
• src/clickstream_generator/schema.py — контракт схемы: чистые данные о колонках выгрузки. Собственность генератора; из него выводятся сам генератор, его валидация и описание выгрузки в доках.
• src/clickstream_generator/schema_doc.py — сборка «описания выгрузки» (docs/formats/clickstream-event.md) из контракта. Документ руками не правят — пересобирают.
• src/clickstream_generator/inventory.py — сборка описи мира (data/world-inventory.json): паспорт мира и хеши восьми дней, которыми наполняется стенд. Руками не правят — пересобирают целью make inventory.
• tests/ — инварианты контракта, свежесть описания и обещания мира: чистота от зерна, приток, гарантия двухкуковых пар, форма суточной волны и сборка визитов по задокументированным правилам. Там же побайтовое обещание, доведённое до диска: два прогона дня в файл дают тот же файл, а строк в нём ровно столько, сколько событий.

Команды

Проиграть день — быстрый старт и --help.

Из этого каталога — цели генератора живут здесь, а не в корне:

• make test — тесты генератора;
• make lint — ruff: проверка и формат;
• make typecheck — ty: проверка типов;
• make docs — пересобрать описание выгрузки;
• make inventory — пересобрать опись мира.

В корне репозитория make lint тоже есть, но он про код стенда — даги и Superset. Одноимённые цели за разными дверями охватывают разное: карта проверок.

Python и зависимости — через uv, версии закреплены в uv.lock: на этом держится обещание побайтовой воспроизводимости (спека, раздел 2).