Улучшения читаемости кода dsg

airflow-greenplum/airflow/dags/csv_to_greenplum.py

@@ -39,21 +39,35 @@ def _generate_csv(rows: int, csv_dir: Path) -> str:
     timestamp = datetime.utcnow().strftime("%Y%m%d_%H%M%S")
     csv_path = csv_dir / f"orders_{timestamp}.csv"
 
-    base_order_id = int(datetime.utcnow().timestamp())
+    # Генерируем данные в pandas-стиле
-    order_ids: List[int] = list(range(base_order_id * 1_000, base_order_id * 1_000 + rows))
+    base_order_id = int(datetime.utcnow().timestamp() * 1_000)
-    now = datetime.utcnow()
-    order_ts = [(now - timedelta(seconds=i)).isoformat() for i in range(rows)]
-    customer_ids = [random.randint(1, 1_000) for _ in range(rows)]
-    amounts = [round(random.uniform(10, 500), 2) for _ in range(rows)]
     
-    df = pd.DataFrame(
+    # Создаём DataFrame с использованием pandas методов
-        {
+    df = pd.DataFrame({
-            "order_id": order_ids,
+        # Уникальные order_id начиная с базового значения
-            "order_ts": order_ts,
+        "order_id": pd.Series(range(base_order_id, base_order_id + rows), dtype="int64"),
-            "customer_id": customer_ids,
+        
-            "amount": amounts,
+        # Временные метки с интервалом в 1 секунду в обратном порядке
-        }
+        "order_ts": pd.date_range(
-    )
+            end=datetime.utcnow(),
+            periods=rows,
+            freq="1S"
+        ).sort_values(ascending=False),
+        
+        # Случайные customer_id от 1 до 1000
+        "customer_id": pd.Series(
+            random.choices(range(1, 1001), k=rows),
+            dtype="int64"
+        ),
+        
+        # Случайные суммы от 10 до 500 с округлением до 2 знаков
+        "amount": pd.Series(
+            [round(random.uniform(10, 500), 2) for _ in range(rows)],
+            dtype="float64"
+        )
+    })
+    
+    # Сохраняем CSV без индекса
     df.to_csv(csv_path, index=False)
     logging.info("CSV сохранён: %s (строк: %s)", csv_path, len(df))
     return str(csv_path)

airflow-greenplum/airflow/dags/data_quality_greenplum.py

@@ -1,5 +1,6 @@
 from __future__ import annotations
 
+import logging
 from datetime import datetime, timedelta
 
 from airflow import DAG
@@ -15,10 +16,36 @@ from helpers.greenplum import (
 
 
 def _run_check(check_callable):
-    """Оборачиваем проверку в контекст подключения."""
+    """
+    Оборачивает проверку качества данных в контекст подключения к Greenplum.
+    
+    Этот DAG предназначен для автоматической проверки качества данных в таблице orders:
+    1. Проверяет существование таблицы
+    2. Проверяет соответствие схемы
+    3. Проверяет наличие данных
+    4. Проверяет отсутствие дубликатов
+    
+    Args:
+        check_callable: Функция проверки, принимающая подключение к БД
+    """
+    # Получаем имя функции для логов
+    check_name = check_callable.__name__.replace("assert_", "")
+    logging.info("🚀 Запуск проверки: %s", check_name)
+    
     with get_gp_conn() as conn:
         check_callable(conn)
     
+    logging.info("✅ Проверка пройдена: %s", check_name)
+
+
+def _log_dq_summary():
+    """
+    Логирует итоговую сводку по качеству данных.
+    Эта задача выполняется после всех проверок и показывает общий результат.
+    """
+    logging.info("🎉 Все проверки качества данных пройдены успешно!")
+    logging.info("📊 Качество данных в таблице orders соответствует требованиям.")
+
 
 default_args = {"owner": "airflow", "retries": 1, "retry_delay": timedelta(seconds=30)}
 
@@ -29,26 +56,41 @@ with DAG(
     catchup=False,
     default_args=default_args,
     tags=["demo", "greenplum", "quality"],
+    description="Автоматизированные проверки качества данных в Greenplum",
 ) as dag:
+    # Задача 1: Проверка существования таблицы
     check_exists = PythonOperator(
         task_id="check_orders_table_exists",
         python_callable=_run_check,
         op_args=[assert_orders_table_exists],
     )
+    
+    # Задача 2: Проверка соответствия схемы таблицы
     check_schema = PythonOperator(
         task_id="check_orders_schema",
         python_callable=_run_check,
         op_args=[assert_orders_schema],
     )
+    
+    # Задача 3: Проверка наличия данных
     check_has_rows = PythonOperator(
         task_id="check_orders_has_rows",
         python_callable=_run_check,
         op_args=[assert_orders_have_rows],
     )
+    
+    # Задача 4: Проверка отсутствия дубликатов
     check_no_duplicates = PythonOperator(
         task_id="check_order_duplicates",
         python_callable=_run_check,
         op_args=[assert_orders_no_duplicates],
     )
     
-    check_exists >> check_schema >> check_has_rows >> check_no_duplicates
+    # Задача 5: Итоговая сводка
+    dq_summary = PythonOperator(
+        task_id="data_quality_summary",
+        python_callable=_log_dq_summary,
+    )
+
+    # Определяем последовательность выполнения задач
+    check_exists >> check_schema >> check_has_rows >> check_no_duplicates >> dq_summary

airflow-greenplum/airflow/dags/helpers/greenplum.py

@@ -1,5 +1,6 @@
 from __future__ import annotations
 
+import logging
 import os
 from typing import List, Sequence, Tuple
 
@@ -10,6 +11,7 @@ import psycopg2
 GP_CONN_ID = os.getenv("GP_CONN_ID", "greenplum_conn")
 GP_USE_AIRFLOW_CONN = os.getenv("GP_USE_AIRFLOW_CONN", "true").lower() in ("1", "true", "yes")
 
+# Ожидаемая схема таблицы orders для проверки качества данных
 EXPECTED_ORDERS_SCHEMA: List[Tuple[str, str]] = [
     ("order_id", "bigint"),
     ("order_ts", "timestamp without time zone"),
@@ -19,28 +21,52 @@ EXPECTED_ORDERS_SCHEMA: List[Tuple[str, str]] = [
 
 
 def get_gp_conn():
-    """Возвращает psycopg2 connection к Greenplum (через Airflow Connection или напрямую по ENV)."""
+    """
+    Возвращает psycopg2 connection к Greenplum.
+    
+    Приоритет подключения:
+    1. Через Airflow Connection (если настроено и доступно)
+    2. Прямое подключение по переменным окружения (фоллбек)
+    
+    Returns:
+        psycopg2 connection object
+    """
     if GP_USE_AIRFLOW_CONN:
         try:
             from airflow.providers.postgres.hooks.postgres import PostgresHook
 
             hook = PostgresHook(postgres_conn_id=GP_CONN_ID)
-            return hook.get_conn()
+            conn = hook.get_conn()
-        except Exception:
+            logging.info("✅ Подключение через Airflow Connection успешно")
+            return conn
+        except Exception as e:
+            logging.warning("⚠️ Не удалось подключиться через Airflow Connection: %s", e)
+            logging.info("🔄 Переключаемся на прямое подключение по ENV переменным")
             # Фоллбек на прямое подключение по переменным окружения.
-            pass
 
-    return psycopg2.connect(
+    # Прямое подключение по переменным окружения
-        dbname=os.getenv("GP_DB", "gpadmin"),
+    conn_params = {
-        user=os.getenv("GP_USER", "gpadmin"),
+        "dbname": os.getenv("GP_DB", "gpadmin"),
-        password=os.getenv("GP_PASSWORD", ""),
+        "user": os.getenv("GP_USER", "gpadmin"),
-        host=os.getenv("GP_HOST", "greenplum"),
+        "password": os.getenv("GP_PASSWORD", ""),
-        port=int(os.getenv("GP_PORT", "5432")),
+        "host": os.getenv("GP_HOST", "greenplum"),
-    )
+        "port": int(os.getenv("GP_PORT", "5432")),
+    }
+    logging.info("🔗 Подключение к Greenplum: %s:%s", conn_params["host"], conn_params["port"])
+    return psycopg2.connect(**conn_params)
 
 
 def assert_orders_table_exists(conn) -> None:
-    """Проверяет наличие таблицы orders в схеме public."""
+    """
+    Проверяет наличие таблицы orders в схеме public.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Raises:
+        ValueError: Если таблица не найдена
+    """
+    logging.info("🔍 Проверяем существование таблицы public.orders...")
     with conn.cursor() as cur:
         cur.execute(
             """
@@ -50,10 +76,20 @@ def assert_orders_table_exists(conn) -> None:
             """
         )
         if cur.fetchone() is None:
-            raise ValueError("Таблица public.orders не найдена; запусти DAG csv_to_greenplum.")
+            raise ValueError("❌ Таблица public.orders не найдена; запусти DAG csv_to_greenplum.")
+    logging.info("✅ Таблица public.orders существует")
 
 
 def fetch_orders_schema(conn) -> Sequence[Tuple[str, str]]:
+    """
+    Получает схему таблицы orders из information_schema.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Returns:
+        Список кортежей (имя_колонки, тип_данных)
+    """
     with conn.cursor() as cur:
         cur.execute(
             """
@@ -67,25 +103,69 @@ def fetch_orders_schema(conn) -> Sequence[Tuple[str, str]]:
 
 
 def assert_orders_schema(conn) -> None:
-    """Проверяет, что схема таблицы orders соответствует ожидаемой."""
+    """
+    Проверяет, что схема таблицы orders соответствует ожидаемой.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Raises:
+        ValueError: Если схема не соответствует ожидаемой
+    """
+    logging.info("📋 Проверяем схему таблицы orders...")
     schema = fetch_orders_schema(conn)
+    logging.info("📊 Фактическая схема: %s", list(schema))
+    logging.info("📊 Ожидаемая схема: %s", EXPECTED_ORDERS_SCHEMA)
+    
     if list(schema) != EXPECTED_ORDERS_SCHEMA:
-        raise ValueError(f"Неожиданная схема orders: {schema}. Ожидали {EXPECTED_ORDERS_SCHEMA}.")
+        raise ValueError(f"❌ Неожиданная схема orders: {schema}. Ожидали {EXPECTED_ORDERS_SCHEMA}.")
+    logging.info("✅ Схема таблицы orders соответствует ожиданиям")
 
 
 def fetch_orders_count(conn) -> int:
+    """
+    Получает количество строк в таблице orders.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Returns:
+        Количество строк в таблице
+    """
     with conn.cursor() as cur:
         cur.execute("SELECT COUNT(*) FROM public.orders")
         return cur.fetchone()[0]
 
 
 def assert_orders_have_rows(conn) -> None:
-    """Проверяет, что таблица orders не пустая."""
+    """
-    if fetch_orders_count(conn) <= 0:
+    Проверяет, что таблица orders не пустая.
-        raise ValueError("Таблица public.orders пустая — запусти DAG csv_to_greenplum перед проверкой.")
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Raises:
+        ValueError: Если таблица пустая
+    """
+    logging.info("📊 Проверяем наличие данных в таблице orders...")
+    row_count = fetch_orders_count(conn)
+    logging.info("📈 Количество строк в orders: %s", row_count)
+    
+    if row_count <= 0:
+        raise ValueError("❌ Таблица public.orders пустая — запусти DAG csv_to_greenplum перед проверкой.")
+    logging.info("✅ Таблица orders содержит данные (%s строк)", row_count)
 
 
 def fetch_orders_duplicates(conn) -> int:
+    """
+    Подсчитывает количество дубликатов по order_id.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Returns:
+        Количество дублирующихся order_id
+    """
     with conn.cursor() as cur:
         cur.execute(
             """
@@ -101,7 +181,19 @@ def fetch_orders_duplicates(conn) -> int:
 
 
 def assert_orders_no_duplicates(conn) -> None:
-    """Проверяет, что в таблице нет дублей по order_id."""
+    """
+    Проверяет, что в таблице нет дублей по order_id.
+    
+    Args:
+        conn: Подключение к Greenplum
+        
+    Raises:
+        ValueError: Если обнаружены дубликаты
+    """
+    logging.info("🔍 Проверяем отсутствие дубликатов по order_id...")
     duplicates = fetch_orders_duplicates(conn)
+    logging.info("📊 Найдено дубликатов: %s", duplicates)
+    
     if duplicates:
-        raise ValueError(f"Обнаружены дубли по order_id ({duplicates} шт.) — проверь загрузку данных.")
+        raise ValueError(f"❌ Обнаружены дубли по order_id ({duplicates} шт.) — проверь загрузку данных.")
+    logging.info("✅ Дубликаты не обнаружены")