docs(docs): обновлены ссылки и основная программа роадмапа
Deploy MkDocs to VPS / deploy (push) Successful in 7s
Deploy MkDocs to VPS / deploy (push) Successful in 7s
- Зачем: восстановлен доступ к GitHub, изменились учебные стенды и требования к основной программе. - Что: ссылки для менти возвращены на GitHub; ClickHouse, Kafka и курсовая Clickstream включены в основную программу; уточнены подготовка окружения Python, управление памятью, практика Airflow и вход в DEV1. - Что: обновлены описание публикации через Gitea и бэклог; убрана ссылка на неподходящий курс ClickHouse. - Проверка: строгая сборка MkDocs и проверка пробелов прошли; ссылки и задания сверены с учебными репозиториями.
This commit is contained in:
ddadmin committed
1 parent
242a066f42
commit
806417c1bd
6 files changed
+213
-84
No files matched your search
@@ -4,7 +4,7 @@
|
||||
Он подойдёт тем, кто хочет:
|
||||
|
||||
- системно войти в профессию с нуля или близкого к нулю уровня;
|
||||
- закрыть пробелы в базе (SQL, Git, Python, DWH, Airflow, Greenplum);
|
||||
- закрыть пробелы в базе (SQL, Git, Python, DWH, Airflow, Greenplum, Kafka, ClickHouse);
|
||||
- подготовиться к собеседованиям и первым рабочим задачам.
|
||||
|
||||
Роадмап можно проходить самостоятельно или вместе со мной в формате менторства.
|
||||
@@ -13,9 +13,9 @@
|
||||
### Оглавление
|
||||
|
||||
- [Основные знания](#основные-знания) — Linux, Git, SQL, Python, методологии, Docker
|
||||
- [Практика и инструменты](#практика-и-инструменты) — Airflow, Greenplum, курсовая работа
|
||||
- [Практика и инструменты](#практика-и-инструменты) - Airflow, Greenplum, Streaming, ClickHouse, две курсовые
|
||||
- [Карьера и менторство](#карьера-и-менторство) — резюме, собеседования, испытательный срок
|
||||
- [Расширенные навыки](#расширенные-навыки) — Streaming, ClickHouse, Lakehouse, dbt
|
||||
- [Расширенные навыки](#расширенные-навыки) - Lakehouse, dbt
|
||||
- [Софт скиллы](#софт-скиллы)
|
||||
- [Дополнительные материалы](#дополнительные-материалы)
|
||||
|
||||
@@ -25,6 +25,11 @@
|
||||
- выполнять практику и домашки, а не только смотреть материалы;
|
||||
- возвращаться к разделам по мере появления реальных задач.
|
||||
|
||||
Основная программа включает две курсовые: сначала хранилище на Greenplum,
|
||||
затем [Clickstream на ClickHouse](#большая-курсовая-clickstream).
|
||||
Streaming и ClickHouse входят в обязательную часть подготовки к трудоустройству.
|
||||
Lakehouse и dbt можно изучать после нее, под задачи и интересующие вакансии.
|
||||
|
||||
---
|
||||
|
||||
## Основные знания
|
||||
@@ -85,12 +90,17 @@ SQL и моделирование данных специально идут р
|
||||
|
||||
#### Повышение знаний SQL
|
||||
|
||||
**Перед DEV1: запустите учебную базу.** Для практики рекомендую
|
||||
[стенд PostgreSQL с базой bookings](https://github.com/dementev-dev/de-roadmap/tree/main/postgres-bookings).
|
||||
В README стенда описаны запуск в Docker, подключение через `psql` и DBeaver.
|
||||
Это наше первое знакомство с Docker: пока достаточно научиться запускать
|
||||
и останавливать стенд, смотреть его статус и подключаться к базе.
|
||||
Подробный [блок Docker](#docker) будет дальше.
|
||||
|
||||
Смотрим курс от Postgres Pro [DEV1](https://postgrespro.ru/education/courses/DEV1)
|
||||
Темы - от "Введение" до "SQL" включительно, "Управление доступом", "Резервное копирование". Для лучшего усваивания материала проделываем все примеры и домашние задания из конспектов лекций.
|
||||
С темой "PL/pgSQL" можно ознакомиться обзорно.
|
||||
|
||||
Для развития навыков инженера будет полезно лабораторные работы делать не в виртуальной машине, а в docker контейнере. Предложенный (не обязательный) вариант - в каталоге `postgres-bookings` репозитория.
|
||||
|
||||
Для дальнейшего закрепления материала - читаем книгу [PostgreSQL. Основы языка SQL](https://postgrespro.ru/education/books/sqlprimer)
|
||||
|
||||
- Глава 8 - Индексы + ДЗ
|
||||
@@ -98,7 +108,7 @@ SQL и моделирование данных специально идут р
|
||||
- Глава 10 - Повышение производительности + ДЗ
|
||||
|
||||
Вопросы оптимизации запросов хорошо описаны в курсе [QPT](https://postgrespro.ru/education/courses/QPT) от Postgres Pro. Полученные навыки применимы для работы в том числе с Greenplum, и частично, другими БД.
|
||||
На момент написания, видеолекции были доступны только для старой версии Postgres 13, но ее вполне достаточно.
|
||||
На странице курса выбирайте материалы и видеозаписи для PostgreSQL 16.
|
||||
|
||||
#### Моделирование данных
|
||||
Понимание того, **как устроены данные и зачем они нужны**, — ключ к качественным ETL-процессам.
|
||||
@@ -120,7 +130,9 @@ SQL и моделирование данных специально идут р
|
||||
- Теория про Slowly Changing Dimensions: [SCD](dwh-modeling/SCD.md)
|
||||
- (Опционально) Ральф Кимбалл — «Инструментарий хранения и анализа данных» (The Data Warehouse Toolkit) - первые 3 главы
|
||||
- Практика по моделированию статусов клиента: [домашка STG → ODS → DDS → DM](dwh-modeling/Homework_Customer_Status_DDS_DM.md)
|
||||
- Еще про Data Vault:
|
||||
- Data Vault и Anchor Modeling изучаем обзорно, для знакомства с основными
|
||||
понятиями. Глубокий разбор и самостоятельное проектирование на этом этапе
|
||||
не требуются. Материалы для знакомства:
|
||||
- Конспект и примеры из этого репозитория: [DataVault.md](dwh-modeling/DataVault.md)
|
||||
- [DataVault за 10 минут - Youtube](https://www.youtube.com/watch?v=9oQs_wJ045I)
|
||||
- Статья [«Что такое Data Vault: моделирование КХД для архитектора Big Data»](https://bigdataschool.ru/blog/what-is-data-vault/) — обзор, плюсы/минусы, контекст применения.
|
||||
@@ -139,13 +151,36 @@ SQL и моделирование данных специально идут р
|
||||
|
||||
### Python
|
||||
|
||||
- Если совсем не знакомы с Python, начинаем с курса ["Поколение Python": курс для начинающих – Stepik](https://stepik.org/course/58852/info)
|
||||
Если совсем не знакомы с Python, начинаем с курса ["Поколение Python": курс для начинающих - Stepik](https://stepik.org/course/58852/info).
|
||||
|
||||
Перед курсом для продвинутых подготовьте рабочую среду. Она пригодится для
|
||||
экспериментов с кодом и домашних заданий.
|
||||
|
||||
- Виртуальные окружения (venv) изолируют зависимости проекта:
|
||||
- [Habr: как настроить виртуальное окружение](https://habr.com/ru/articles/889670/)
|
||||
- [SkillFactory: Виртуальные окружения в Python](https://blog.skillfactory.ru/venv-virtualnoe-okruzhenie-v-python/)
|
||||
- [Создание venv и установка пакетов: документация Python](https://docs.python.org/3/tutorial/venv.html)
|
||||
- JupyterLab позволяет выполнять код по ячейкам и сохранять пояснения рядом с результатами:
|
||||
- [Блог Практикума: что такое Jupyter Notebook](https://practicum.yandex.ru/blog/chto-takoe-jupyter-notebook/)
|
||||
- [Установка JupyterLab](https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html)
|
||||
|
||||
Создайте venv, установите в него JupyterLab и запустите из этого же окружения.
|
||||
В новом ноутбуке выполните несколько ячеек, сохраните `.ipynb`, перезапустите
|
||||
ядро и выполните все ячейки по порядку. В Git сохраняйте ноутбуки и скрипты,
|
||||
а каталог `.venv/` добавьте в `.gitignore`.
|
||||
|
||||
Теперь продолжаем изучать Python:
|
||||
|
||||
- Изучаем глубже и "оттачиваем" live coding: ["Поколение Python": курс для продвинутых – Stepik](https://stepik.org/course/68343/info)
|
||||
- Продолжение "базы", спрашиваемой на собеседованиях, по Python: ["Поколение Python": курс для профессионалов](https://stepik.org/course/82541/promo). Курс очень полезный, но платный. Вместо него можно почитать "продвинутые" темы дальше.
|
||||
- "Продвинутые" темы:
|
||||
- [Полезные функции](https://pyneng.readthedocs.io/ru/latest/book/10_useful_functions/index.html)
|
||||
- [Работа с файлами в формате CSV, JSON, YAML](https://pyneng.readthedocs.io/ru/latest/book/17_serialization/index.html)
|
||||
- [Итераторы, итерируемые объекты и генераторы](https://pyneng.readthedocs.io/ru/latest/book/13_iterator_generator/index.html)
|
||||
- Управление памятью (документация на английском):
|
||||
- [Объекты, ссылки и изменяемость](https://docs.python.org/3/reference/datamodel.html#objects-values-and-types) - почему два имени могут указывать на один список и что происходит при его изменении.
|
||||
- [Как Python управляет памятью](https://docs.python.org/3/faq/design.html#how-does-python-manage-memory) - подсчет ссылок и сборка циклов в CPython; особенности других реализаций Python.
|
||||
- [Модуль gc](https://docs.python.org/3/library/gc.html) - справочник для экспериментов со сборщиком мусора. Детали поколений и порогов смотрите для своей версии Python.
|
||||
- [Декораторы Python: пошаговое руководство](https://habr.com/ru/companies/otus/articles/727590/)
|
||||
- Работа с датой/временем: [официальная документация по модулю datetime](https://docs.python.org/3/library/datetime.html)
|
||||
- [Сложность алгоритмов. Разбор Big O](https://habr.com/ru/articles/782608/) — короткий материал, чтобы понимать O(n) vs O(n²) на собеседованиях и в коде
|
||||
@@ -154,12 +189,6 @@ SQL и моделирование данных специально идут р
|
||||
- Введение в [ООП](https://metanit.com/python/tutorial/7.1.php)
|
||||
- [Яндекс Учебник: «Объектная модель Python: классы, поля и методы»](https://education.yandex.ru/handbook/python/article/obuektnaya-model-python-klassy-polya-i-metody)
|
||||
- [Real Python: OOP in Python (tutorial)](https://realpython.com/python3-object-oriented-programming/)
|
||||
- Виртуальные окружения (venv) — изолируют зависимости проекта; настройте перед установкой Jupyter и библиотек
|
||||
- [Habr: как настроить виртуальное окружение](https://habr.com/ru/articles/889670/)
|
||||
- [SkillFactory: Виртуальные окружения в Python](https://blog.skillfactory.ru/venv-virtualnoe-okruzhenie-v-python/)
|
||||
- Jupyter Lab
|
||||
- [Блог Практикума: «Что такое Jupyter Notebook: как установить и открыть»](https://practicum.yandex.ru/blog/chto-takoe-jupyter-notebook/)
|
||||
- Готовый Docker-образ Jupyter Lab со Spark: [Jupyter Docker Stacks, pyspark-notebook](https://jupyter-docker-stacks.readthedocs.io/en/latest/using/selecting.html#jupyter-pyspark-notebook)
|
||||
- Pandas
|
||||
- [GeeksforGeeks: “Why Pandas is Used in Python”](https://www.geeksforgeeks.org/pandas/why-pandas-is-used-in-python/)
|
||||
- [Skillbox: «Для чего нужна библиотека Pandas»](https://skillbox.ru/media/code/rabotaem-s-pandas-osnovnye-ponyatiya-i-realnye-dannye/)
|
||||
@@ -173,10 +202,14 @@ SQL и моделирование данных специально идут р
|
||||
|
||||
**Когда блок Python считаем пройденным:**
|
||||
|
||||
- создаете venv, устанавливаете в него пакеты и запускаете JupyterLab; можете повторить вычисления в ноутбуке после перезапуска ядра;
|
||||
- вы без подсказок пишете небольшие скрипты с циклами, функциями, обработкой ошибок и работой с коллекциями;
|
||||
- умеете читать и модифицировать чужой код, в том числе с использованием pandas и DataFrame;
|
||||
- уверенно проходите простой live-coding по Python для DE: прочитать CSV/JSON, отфильтровать, сгруппировать данные и посчитать агрегаты.
|
||||
- можете отвечать как на простые вопросы собеседований (циклы, списки, словари), так и продвинутые (итераторы, декораторы, управление памятью, базовые понятия ООП)
|
||||
- можете отвечать как на простые вопросы собеседований (циклы, списки, словари), так и продвинутые (итераторы, декораторы, базовые понятия ООП);
|
||||
- на примере со списком объясняете разницу между объектом и ссылкой на него,
|
||||
почему `del` одного имени не обязательно уничтожает объект и зачем CPython
|
||||
нужен сборщик циклического мусора.
|
||||
|
||||
### Методологии разработки
|
||||
|
||||
@@ -283,12 +316,21 @@ Apache Airflow — инструмент для оркестрации ETL-про
|
||||
|
||||
Материалы:
|
||||
|
||||
- [Учебник по Airflow](https://git.dementev.space/ddmitry/airflow-manual)
|
||||
- [Учебник по Airflow](https://github.com/dementev-dev/airflow-manual)
|
||||
- [Практические задания на стенде](https://github.com/dementev-dev/airflow-manual/blob/main/airflow-docker/educational-tasks.md)
|
||||
|
||||
Задания выполняем параллельно с чтением учебника. Начинаем с простых DAG
|
||||
и SQL, затем обрабатываем файлы, загружаем CSV в PostgreSQL и добавляем
|
||||
проверки качества. Дальше расширяем ETL, разбираем ветвление, повторные
|
||||
попытки и логирование. Здесь Python и SQL впервые работают вместе
|
||||
в пайплайне, которым управляет Airflow.
|
||||
|
||||
**Когда блок Airflow считаем пройденным:**
|
||||
|
||||
- вы можете объяснить, что такое DAG, задачи, операторы и сенсоры, и как между ними задаются зависимости;
|
||||
- на базе учебного стенда подготавливаете, отлаживаете и запускаете свои DAG'и с расписанием и несколькими шагами (например, загрузка данных и последующие трансформации);
|
||||
- расширяете загрузку CSV в PostgreSQL: меняете генерацию данных, схему таблицы и загрузку новой колонки;
|
||||
- добавляете свою проверку качества и убеждаетесь, что она обнаруживает подготовленную ошибку в данных;
|
||||
- уверенно смотрите логи, находите место падения и понимаете, как перезапустить задачу.
|
||||
|
||||
### Greenplum
|
||||
@@ -313,7 +355,7 @@ Apache Airflow — инструмент для оркестрации ETL-про
|
||||
**Курс Yandex по Greenplum** — основной учебный курс, рекомендуется пройти целиком:
|
||||
|
||||
- [Бесплатный курс Yandex Cloud по Greenplum](https://yandex.cloud/ru/training/greenplum)
|
||||
- Практику по курсу удобно делать на стенде [airflow-dwh-gp-lab](https://git.dementev.space/ddmitry/airflow-greenplum) — `make up` поднимает рабочий Greenplum с PXF, не нужен облачный кластер.
|
||||
- Практику по курсу удобно делать на стенде [airflow-dwh-gp-lab](https://github.com/dementev-dev/airflow-greenplum) — `make up` поднимает рабочий Greenplum с PXF, не нужен облачный кластер.
|
||||
- Стенд покрывает основные темы курса: типы таблиц (heap / appendonly), политики дистрибуции, сжатие, PXF, анализ планов выполнения (`EXPLAIN`).
|
||||
- Единственное ограничение: cloud-специфичные темы (тема 2 курса — развёртывание в Yandex Cloud) на локальном стенде не покрыты.
|
||||
|
||||
@@ -324,9 +366,10 @@ Apache Airflow — инструмент для оркестрации ETL-про
|
||||
- можете объяснить, в чём практическая разница между MPP-хранилищем и одиночным Postgres на уровне типичных задач DE и собеседований.
|
||||
|
||||
### Курсовая работа
|
||||
Курсовая работа — важный майлстоун роадмапа: ваш первый end-to-end data-проект. После неё у вас есть ключевые технические навыки для старта карьеры в Data Engineering.
|
||||
Первая курсовая собирает изученное в один проект: загрузку данных из PostgreSQL,
|
||||
слои хранилища в Greenplum и управление обработкой через Airflow.
|
||||
|
||||
Курсовая выполняется на том же стенде [airflow-dwh-gp-lab](https://git.dementev.space/ddmitry/airflow-greenplum), который вы уже использовали для практики по Greenplum.
|
||||
Курсовая выполняется на том же стенде [airflow-dwh-gp-lab](https://github.com/dementev-dev/airflow-greenplum), который вы уже использовали для практики по Greenplum.
|
||||
|
||||
**Что внутри:**
|
||||
|
||||
@@ -342,6 +385,86 @@ Apache Airflow — инструмент для оркестрации ETL-про
|
||||
- автоматическая проверка (валидационный DAG) проходит без ошибок;
|
||||
- вы можете на собеседовании за 5–10 минут рассказать архитектуру проекта, его цели и показать ключевые части кода.
|
||||
|
||||
После этой работы переходим к потокам событий и ClickHouse. Они понадобятся
|
||||
для [большой курсовой Clickstream](#большая-курсовая-clickstream).
|
||||
|
||||
### Streaming (NiFi + Kafka)
|
||||
В первой курсовой мы загружали данные из базы. Теперь разберем прием потока
|
||||
событий: как доставить их в хранилище и продолжить чтение после остановки
|
||||
обработчика. NiFi помогает собрать поток обработки визуально, Kafka хранит
|
||||
события в распределенном журнале и позволяет потребителям читать их независимо.
|
||||
|
||||
Материалы:
|
||||
|
||||
- [Apache NiFi с нуля за 3 часа (Youtube-плейлист)](https://youtube.com/playlist?list=PL4MpKy3QjNp_rOEEibc4Ro8UK4g8vLX6_&si=W_hidjHmBOZ_aUfS) — первые 4 видео, дальше — по желанию
|
||||
- [Лучший Гайд по Kafka для Начинающих За 1 Час (Youtube)](https://www.youtube.com/watch?v=hbseyn-CfXY)
|
||||
|
||||
Практика — на стенде [nifi-kafka-postgres-lab](https://github.com/dementev-dev/nifi-kafka-postgres-lab) (Docker Compose с NiFi, Kafka и Postgres):
|
||||
|
||||
- настраиваем в NiFi простой генератор данных и поток в Postgres;
|
||||
- строим поток NiFi → Kafka → NiFi → Postgres.
|
||||
|
||||
**Перед большой курсовой нужно уметь:**
|
||||
|
||||
- объяснить связь между топиком, партицией, consumer group и offset;
|
||||
- отправить сообщения в Kafka и прочитать их потребителем;
|
||||
- показать на учебном потоке, откуда продолжится чтение после перезапуска,
|
||||
и объяснить, почему при повторной доставке могут появиться дубли.
|
||||
|
||||
В [курсовой Clickstream](#большая-курсовая-clickstream) события и заказы
|
||||
поступают через Kafka в ClickHouse. Вернемся к этим вопросам, когда будем
|
||||
разбирать прием данных и их обработку в хранилище.
|
||||
|
||||
### ClickHouse
|
||||
ClickHouse используем для аналитики по событиям и заказам. Здесь нужно
|
||||
разобраться, как хранить данные, выбирать ключ сортировки и строить витрины.
|
||||
Затем применим это в большой курсовой.
|
||||
|
||||
Материалы:
|
||||
|
||||
- Бесплатный курс [ClickHouse от Yandex Cloud](https://yandex.cloud/ru/training/clickhouse) берем за основу.
|
||||
|
||||
Практика:
|
||||
|
||||
Упражнения по самой СУБД можно выполнять локально на
|
||||
[clickhouse-learning-cluster](https://github.com/dementev-dev/clickhouse-learning-cluster):
|
||||
четыре узла ClickHouse в Docker Compose, репликация, шардинг и HAProxy.
|
||||
Задания по облачной инфраструктуре требуют Yandex Cloud и оплаты ресурсов.
|
||||
|
||||
**Когда готовы переходить к курсовой:**
|
||||
|
||||
- создаете таблицы семейства MergeTree и объясняете выбор `ORDER BY` и `PARTITION BY`;
|
||||
- различаете шардирование и репликацию, понимаете роль таблиц Distributed;
|
||||
- загружаете данные, пишете аналитические запросы и можете объяснить,
|
||||
как устройство таблицы влияет на чтение данных.
|
||||
|
||||
### Большая курсовая: Clickstream
|
||||
|
||||
На стенде [clickstream-data-platform](https://github.com/dementev-dev/clickstream-data-platform)
|
||||
работаем с хранилищем интернет-магазина. Генератор создает события посетителей
|
||||
и заказы, Kafka доставляет их в ClickHouse. Данные проходят слои STG, ODS,
|
||||
DDS и DM; Airflow управляет обработкой, Superset показывает отчеты.
|
||||
|
||||
Часть хранилища уже работает. В заданиях вы строите свои витрины, разбираете
|
||||
готовые загрузки и меняете их, сверяя результат с исходными данными.
|
||||
Проверки качества и мониторинг нужны здесь для конкретных задач: заметить
|
||||
потери и дубли, найти причину расхождения, проверить результат своей правки.
|
||||
|
||||
Начните с запуска по README репозитория, затем прочитайте
|
||||
[путеводитель по стенду](https://github.com/dementev-dev/clickstream-data-platform/blob/main/docs/handbook/README.md)
|
||||
и переходите к [учебным заданиям](https://github.com/dementev-dev/clickstream-data-platform/blob/main/docs/labs/README.md).
|
||||
В основной программе семь ступеней: пять витрин DM, свой график в Superset,
|
||||
самостоятельная нарезка сессий, изменение расчета сессий в конвейере,
|
||||
проверки и обработка заказов, разбор сырых событий, мониторинг.
|
||||
Факультативные расследования можно взять после основной программы.
|
||||
|
||||
**Когда большую курсовую считаем пройденной:**
|
||||
|
||||
- выполнены семь ступеней основной программы и проверки из заданий;
|
||||
- пять учебных витрин проходят `homework_check`, в Superset построен свой график;
|
||||
- можете проследить путь события от Kafka до отчета, объяснить свои изменения
|
||||
и показать, как проверяли их корректность.
|
||||
|
||||
---
|
||||
|
||||
## Карьера и менторство
|
||||
@@ -394,49 +517,12 @@ Apache Airflow — инструмент для оркестрации ETL-про
|
||||
---
|
||||
|
||||
## Расширенные навыки
|
||||
Эти темы выходят за рамки базового минимума для старта в Data Engineering, но дают более полное представление об экосистеме.
|
||||
Их цель — понимать, зачем и когда используется тот или иной инструмент, а не осваивать его на уровне администратора или DevOps-инженера.
|
||||
После двух курсовых можно расширить стек: попробовать обработку файлов
|
||||
в Lakehouse и управление SQL-моделями через dbt. Выбирайте тему под задачи,
|
||||
с которыми хотите работать.
|
||||
|
||||
[[к оглавлению]](#оглавление)
|
||||
|
||||
Мы кратко знакомимся с:
|
||||
|
||||
- **Streaming** (NiFi + Kafka) — инструментами для построения потоковых и интеграционных пайплайнов;
|
||||
- **ClickHouse** — колоночной СУБД для высоконагруженной аналитики;
|
||||
- **Lakehouse** (Spark, Iceberg, Trino) — архитектурой, построенной на разделении compute и storage;
|
||||
- **dbt** — подходом к трансформации данных как кода.
|
||||
|
||||
Практика ограничивается минимальным рабочим примером (запуск в Docker, простой пайплайн или SQL-модель).
|
||||
Этого достаточно, чтобы уверенно говорить об инструменте на собеседовании и понимать его место в архитектуре — а всё остальное при необходимости осваивается уже на проекте.
|
||||
|
||||
### Streaming (NiFi + Kafka)
|
||||
NiFi — визуальный конструктор потоков данных, Kafka — распределённая очередь сообщений. Вместе они закрывают типичный сценарий: принять данные, буферизовать, доставить в хранилище.
|
||||
|
||||
Материалы:
|
||||
|
||||
- [Apache NiFi с нуля за 3 часа (Youtube-плейлист)](https://youtube.com/playlist?list=PL4MpKy3QjNp_rOEEibc4Ro8UK4g8vLX6_&si=W_hidjHmBOZ_aUfS) — первые 4 видео, дальше — по желанию
|
||||
- [Лучший Гайд по Kafka для Начинающих За 1 Час (Youtube)](https://www.youtube.com/watch?v=hbseyn-CfXY)
|
||||
|
||||
Практика — на стенде [nifi-kafka-postgres-lab](https://git.dementev.space/ddmitry/nifi-kafka-postgres-lab) (Docker Compose с NiFi, Kafka и Postgres):
|
||||
|
||||
- настраиваем в NiFi простой генератор данных и поток в Postgres;
|
||||
- строим поток NiFi → Kafka → NiFi → Postgres.
|
||||
|
||||
Знакомство с Kafka здесь пригодится и дальше: стенд по ClickHouse в следующей секции принимает данные именно через Kafka.
|
||||
|
||||
### ClickHouse
|
||||
ClickHouse — колоночная СУБД для аналитики на больших объёмах: миллиарды строк, агрегации за секунды. В российских компаниях это фактический стандарт для витрин, отчётности и продуктовой аналитики, поэтому на собеседованиях тема всплывает часто.
|
||||
|
||||
Материалы:
|
||||
|
||||
- Бесплатный курс [ClickHouse от Yandex Cloud](https://yandex.cloud/ru/training/clickhouse) — берём за основу, в нём много упражнений
|
||||
- Платный курс [ClickHouse для аналитика – Stepik](https://stepik.org/course/100210/promo?search=6551441002)
|
||||
|
||||
Практика:
|
||||
|
||||
- Упражнения курса Яндекса можно выполнять в их облаке (с оплатой за ресурсы) или бесплатно у себя — на учебном кластере [clickhouse-learning-cluster](https://git.dementev.space/ddmitry/clickhouse-learning-cluster): 4 узла ClickHouse в Docker Compose, репликация, шардинг, балансировка через HAProxy.
|
||||
- Следующий шаг — стенд [clickstream-ch-kafka-superset-demo](https://git.dementev.space/ddmitry/clickstream-ch-kafka-superset-demo), имитирующий полноценное аналитическое хранилище на ClickHouse: Kafka, Airflow, дашборды в Superset, мониторинг (Prometheus/Grafana), слои STG → ODS → DDS → DM. Внутри — собственный продвинутый курс «Кликстрим на ClickHouse» с уроками прямо на стенде.
|
||||
|
||||
### Lakehouse (Spark, Iceberg, Trino)
|
||||
|
||||
Lakehouse — архитектурный подход, который соединяет гибкость Data Lake с гарантиями классического DWH.
|
||||
@@ -450,7 +536,7 @@ Lakehouse — архитектурный подход, который соеди
|
||||
- Введение в тему: [«Как не утонуть в данных: выбираем между DWH, Data Lake и Lakehouse» (Habr, Arenadata)](https://habr.com/ru/companies/arenadata/articles/885722/) — что такое Lakehouse, чем он отличается от классического DWH и Data Lake и зачем появился
|
||||
- [DataLearn: «Что такое Apache Spark»](https://youtu.be/Tl9YzC-dQLI) — введение в Spark с нуля, ~40 минут
|
||||
|
||||
Практика — курс [«Lakehouse без магии»](https://git.dementev.space/ddmitry/mini-lakehouse-lab) на стенде mini-lakehouse-lab (Spark + Iceberg + Trino + MinIO, всё локально в Docker, без облаков и регистраций):
|
||||
Практика — курс [«Lakehouse без магии»](https://github.com/dementev-dev/mini-lakehouse-lab) на стенде mini-lakehouse-lab (Spark + Iceberg + Trino + MinIO, всё локально в Docker, без облаков и регистраций):
|
||||
|
||||
- 8 модулей на ~12–15 часов самостоятельной работы; в каждом — объяснение, демонстрация, задание и checkpoint;
|
||||
- пайплайн `raw → bronze → silver` на реальном датасете NYC Taxi;
|
||||
@@ -480,9 +566,12 @@ dbt (data build tool) — инструмент для трансформации
|
||||
|
||||
**Когда блок расширенных навыков считаем пройденным:**
|
||||
|
||||
- вы можете на собеседовании кратко объяснить, когда уместны Streaming (NiFi/Kafka), ClickHouse, Lakehouse-стек и dbt, и чем они дополняют базовый стек (Postgres, Airflow, Greenplum);
|
||||
- понимаете типичные сценарии: потоковые интеграции и очереди (NiFi + Kafka), аналитические витрины и отчёты на ClickHouse, Lakehouse-архитектура (Spark/Iceberg/Trino), трансформации данных как код (dbt);
|
||||
- не боитесь увидеть эти инструменты в описании вакансии и можете поддержать содержательный разговор об их месте в архитектуре.
|
||||
Оценивайте выбранную тему по результату практики:
|
||||
|
||||
- для Lakehouse можете записать таблицу через Spark, прочитать ее через Trino
|
||||
и объяснить роль Iceberg, каталога и объектного хранилища;
|
||||
- для dbt можете изменить SQL-модель, выполнить сборку и тесты,
|
||||
посмотреть зависимости в документации проекта.
|
||||
|
||||
---
|
||||
|
||||
|
||||
@@ -540,7 +540,7 @@ flowchart TD
|
||||
|
||||
### Готовые SQL-скрипты
|
||||
|
||||
Все необходимые скрипты для построения хранилища находятся в папке [`sql/`](https://git.dementev.space/ddmitry/de-roadmap/src/branch/main/dwh-modeling/sql):
|
||||
Все необходимые скрипты для построения хранилища находятся в папке [`sql/`](https://github.com/dementev-dev/de-roadmap/tree/main/dwh-modeling/sql):
|
||||
|
||||
- [`01_ddl_stg-dds.sql`](sql/01_ddl_stg-dds.sql) — создание схем и таблиц (STG, ODS, DDS);
|
||||
- [`02_dml_stg-dds.sql`](sql/02_dml_stg-dds.sql) — первичная загрузка данных и демонстрация SCD2 через полный пересчёт (`full backfill`) из STG;
|
||||
@@ -791,7 +791,7 @@ SELECT 'OK' WHERE EXISTS (
|
||||
|
||||
### Мини-датасет (для практики)
|
||||
|
||||
Все данные для практики находятся в папке [`data/`](https://git.dementev.space/ddmitry/de-roadmap/src/branch/main/dwh-modeling/data) — тренируйтесь:
|
||||
Все данные для практики находятся в папке [`data/`](https://github.com/dementev-dev/de-roadmap/tree/main/dwh-modeling/data) — тренируйтесь:
|
||||
|
||||
[`customers.csv`](data/customers.csv):
|
||||
```csv
|
||||
@@ -832,7 +832,7 @@ product_id,valid_from,valid_to,price
|
||||
9002,2023-01-01,,50
|
||||
```
|
||||
|
||||
> 📂 Все SQL-скрипты для построения хранилища находятся в папке [`sql/`](https://git.dementev.space/ddmitry/de-roadmap/src/branch/main/dwh-modeling/sql).
|
||||
> 📂 Все SQL-скрипты для построения хранилища находятся в папке [`sql/`](https://github.com/dementev-dev/de-roadmap/tree/main/dwh-modeling/sql).
|
||||
|
||||
---
|
||||
|
||||
|
||||
+6
-6
@@ -1,10 +1,10 @@
|
||||
site_name: "DE Roadmap — Data Engineering с нуля до middle"
|
||||
site_url: https://de.dementev.space/
|
||||
site_description: "Роадмап по Data Engineering: SQL, Python, Airflow, Greenplum и далее"
|
||||
site_description: "Роадмап по Data Engineering: SQL, Python, Airflow, Greenplum, Kafka и ClickHouse"
|
||||
site_author: Dmitry Dementev
|
||||
|
||||
repo_url: https://git.dementev.space/ddmitry/de-roadmap
|
||||
repo_name: ddmitry/de-roadmap
|
||||
repo_url: https://github.com/dementev-dev/de-roadmap
|
||||
repo_name: dementev-dev/de-roadmap
|
||||
|
||||
docs_dir: .
|
||||
site_dir: site
|
||||
@@ -76,9 +76,9 @@ markdown_extensions:
|
||||
|
||||
extra:
|
||||
social:
|
||||
- icon: simple/gitea
|
||||
link: https://git.dementev.space/ddmitry/de-roadmap
|
||||
name: Gitea
|
||||
- icon: fontawesome/brands/github
|
||||
link: https://github.com/dementev-dev/de-roadmap
|
||||
name: GitHub
|
||||
- icon: fontawesome/brands/telegram
|
||||
link: https://t.me/dementev_dev
|
||||
name: Написать в Telegram
|
||||
|
||||
+7
-4
@@ -8,10 +8,13 @@
|
||||
|
||||
### Текущее состояние
|
||||
|
||||
Роадмап по Data Engineering живёт как Git-репозиторий. Основной origin
|
||||
размещён в собственной Gitea
|
||||
([ddmitry/de-roadmap](https://git.dementev.space/ddmitry/de-roadmap)), а
|
||||
GitHub Pages сохраняется как резерв после восстановления доступа к GitHub:
|
||||
Роадмап по Data Engineering живет как Git-репозиторий. Основной origin
|
||||
и работа над материалами остаются в собственной Gitea
|
||||
([ddmitry/de-roadmap](https://git.dementev.space/ddmitry/de-roadmap)).
|
||||
После восстановления аккаунта GitHub изменения зеркалируются туда средствами
|
||||
Gitea. Ссылки для менти ведут на [GitHub](https://github.com/dementev-dev/de-roadmap),
|
||||
откуда удобно клонировать стенды и делать свои форки. Сайт по-прежнему
|
||||
публикуется через Gitea Actions на VPS; GitHub Pages сохраняется как резерв.
|
||||
|
||||
- Основной контент — монолитный `README.md` (~700 строк) с полным учебным планом.
|
||||
- Дополнительные материалы — в подпапках (`dwh-modeling/`, `postgres-bookings/`): теория DWH-моделирования, SCD, Data Vault, домашние задания, скрипты.
|
||||
|
||||
@@ -2,8 +2,25 @@
|
||||
|
||||
Приоритеты: P1 — делаем в первую очередь; P2 — полезно, когда дойдут руки; P3 — идеи под вопросом.
|
||||
|
||||
## P1
|
||||
|
||||
- [ ] **Проверить синхронизацию GitHub-зеркала `airflow-greenplum`.**
|
||||
Проверка через `git ls-remote` 2026-09-27: GitHub отстает от Gitea
|
||||
на коммит `4ed7e6f`, меняющий только `docs/agents/triage-labels.md`.
|
||||
Учебные материалы совпадают. У `airflow-manual`, `mini-lakehouse-lab`
|
||||
и `de-roadmap` ветки `main` в Gitea и GitHub совпали; прежнее подозрение
|
||||
об их отставании по ответам API не подтвердилось.
|
||||
|
||||
## P2
|
||||
|
||||
- [ ] **Дополнить практику Kafka перед Clickstream.**
|
||||
В `nifi-kafka-postgres-lab` добавить опыты на существующем потоке:
|
||||
остановить потребителя и дочитать накопившиеся сообщения; прочитать
|
||||
события двумя независимыми consumer groups; повторить чтение и проверить
|
||||
дубли в PostgreSQL. Для каждого опыта описать исходное состояние,
|
||||
действия и проверку результата. Идея согласована 2026-09-27;
|
||||
реализация в репозитории стенда еще не начата.
|
||||
|
||||
- [ ] **Перенос учебника Airflow в de-roadmap.**
|
||||
Перенести 9 глав учебника из `airflow-manual` в `airflow/` (de-roadmap).
|
||||
В `airflow-manual` оставить только стенд (`airflow-docker/`).
|
||||
@@ -39,6 +56,16 @@
|
||||
|
||||
## Сделано
|
||||
|
||||
- [x] **Актуализация маршрута и учебных ссылок** - 2026-09-27:
|
||||
ссылки на стенды, SQL и данные, кнопки репозитория на сайте возвращены
|
||||
на GitHub; рабочий origin и публикация сайта остаются в Gitea.
|
||||
Streaming и ClickHouse включены в основную программу перед трудоустройством,
|
||||
`clickstream-data-platform` стал второй, большой курсовой с критериями
|
||||
прохождения. Ссылка на курс ClickHouse для аналитика удалена.
|
||||
venv и JupyterLab перенесены перед курсом Python для продвинутых;
|
||||
в альтернативу курсу для профи добавлены материалы по управлению памятью
|
||||
и критерий проверки понимания.
|
||||
|
||||
- [x] **Публикация сайта перенесена на Gitea Actions и VPS** —
|
||||
2026-08-05: настроены repository-scoped host runner, строгая сборка MkDocs,
|
||||
атомарные релизы, nginx и TLS для `de.dementev.space`; GitHub Pages сохранён
|
||||
|
||||
@@ -1,7 +1,8 @@
|
||||
# Публикация сайта через Gitea Actions и VPS
|
||||
|
||||
Статус: реализовано 2026-08-05; механизм синхронизации GitHub-резерва требует
|
||||
отдельного решения после восстановления доступа к GitHub. Инструкции по
|
||||
Статус: публикация на VPS реализована 2026-08-05. После восстановления
|
||||
доступа к GitHub выбран встроенный push mirror Gitea для синхронизации
|
||||
репозиториев; рабочий origin остается в Gitea. Инструкции по
|
||||
восстановлению и эксплуатации находятся в
|
||||
[`project/ops/gitea-vps-site/README.md`](../ops/gitea-vps-site/README.md).
|
||||
|
||||
@@ -66,7 +67,11 @@ TLS-сертификат для `de.dementev.space` получает и прод
|
||||
|
||||
### Резерв на GitHub Pages
|
||||
|
||||
После восстановления доступа к GitHub существующий GitHub workflow продолжает собирать сайт из GitHub-репозитория. Чтобы резерв оставался актуальным, изменения из основной Gitea должны автоматически синхронизироваться с GitHub. Предпочтительный кандидат — встроенный Gitea push mirror; окончательный механизм и его права будут согласованы отдельно после восстановления учётной записи. Резерв доступен по стандартному адресу GitHub Pages, но основной домен направлен на VPS.
|
||||
Изменения из основной Gitea передаются на GitHub встроенным push mirror.
|
||||
Ссылки для учащихся ведут на GitHub-зеркала, основной домен остается на VPS.
|
||||
Workflow в `.github/workflows/deploy-site.yml` сохранен для резервной
|
||||
публикации. Перед использованием резерва нужно проверить настройки Pages
|
||||
и успешный деплой: наличие зеркала репозитория само по себе этого не подтверждает.
|
||||
|
||||
GitHub Pages считается тёплым резервом контента и холодным резервом домена. При отказе VPS владелец вручную переключает DNS и при необходимости повторно активирует custom domain в настройках GitHub Pages. Допустимы задержка распространения DNS и ожидание выпуска TLS-сертификата; автоматический failover не требуется.
|
||||
|
||||
@@ -87,10 +92,10 @@ GitHub Pages считается тёплым резервом контента
|
||||
| Ошибка сборки ломает опубликованный сайт | Сборка в отдельной версии и атомарное переключение только после успеха |
|
||||
| Сторонний action выполняет неожиданный код | Workflow состоит из собственных команд и не использует `uses:` |
|
||||
| Gitea временно недоступна | Уже опубликованный сайт обслуживается независимо от Gitea |
|
||||
| VPS недоступна или потеряна | Исходники остаются в Gitea; GitHub Pages служит ручным резервом после восстановления GitHub |
|
||||
| VPS недоступна или потеряна | Исходники остаются в Gitea; GitHub Pages служит ручным резервом после проверки резервной публикации |
|
||||
| После переключения DNS HTTPS ещё не готов | DNS TTL уменьшается заранее; Certbot запускается сразу после подтверждения публичного HTTP; короткий перерыв принят как допустимый |
|
||||
| Сертификат GitHub Pages не готов во время аварии | Допускается задержка; на время восстановления используется стандартный адрес GitHub Pages |
|
||||
| GitHub-резерв отстаёт от Gitea | После восстановления GitHub настраивается автоматическая синхронизация; до выбора механизма резерв не считается тёплым |
|
||||
| GitHub-резерв отстает от Gitea | Проверяем результат push mirror, совпадение коммитов и резервную сборку; до успешной проверки резерв не считается готовым |
|
||||
|
||||
## Проверка реализации
|
||||
|
||||
@@ -109,8 +114,13 @@ GitHub Pages считается тёплым резервом контента
|
||||
|
||||
Эта спецификация заменяет решения о публикации и custom domain из `project/ADR.md`. Решения того документа о MkDocs Material, структуре файлов и dual-compatible links остаются актуальными.
|
||||
|
||||
После реализации нужно обновить `AGENTS.md`, `project/PRD.md` и `project/TODO.md`, чтобы они описывали фактический основной контур публикации. Ссылку на исходный репозиторий в `mkdocs.yml` следует направить на Gitea; ссылку на GitHub можно сохранить как дополнительную после восстановления доступа.
|
||||
Документация проекта описывает Gitea Actions и VPS как основной контур
|
||||
публикации. Ссылки репозитория в `mkdocs.yml` направлены на GitHub для менти;
|
||||
рабочий origin остается в Gitea.
|
||||
|
||||
## Открытый вопрос
|
||||
## Синхронизация GitHub
|
||||
|
||||
После восстановления GitHub нужно окончательно выбрать способ автоматической синхронизации резервного репозитория. Базовый кандидат — Gitea push mirror с синхронизацией при каждом push; GitHub при этом становится read-only зеркалом, поскольку mirror перезаписывает расходящиеся изменения.
|
||||
Способ синхронизации выбран: встроенный Gitea push mirror. Рабочие изменения
|
||||
вносятся в Gitea, GitHub используется как зеркало для чтения и создания
|
||||
учебных форков. Нужно отдельно проверить работу зеркал всех стендов и
|
||||
готовность резервной публикации Pages.
|
||||
Reference in new issue
Block a user