{"id":21097163,"url":"https://github.com/alenales/etl","last_synced_at":"2026-04-27T17:01:54.276Z","repository":{"id":162053970,"uuid":"576903164","full_name":"AlenaLes/ETL","owner":"AlenaLes","description":"ETL задача. Ежедневная выгрузка данных и формирование/отправка новой таблицы в tabix","archived":false,"fork":false,"pushed_at":"2024-03-03T21:18:10.000Z","size":13,"stargazers_count":2,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-01-21T02:09:55.343Z","etag":null,"topics":["airflow-dags","clickhouse","sql"],"latest_commit_sha":null,"homepage":"","language":"Python","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/AlenaLes.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2022-12-11T11:17:21.000Z","updated_at":"2024-08-18T11:10:39.000Z","dependencies_parsed_at":"2024-11-19T22:56:51.311Z","dependency_job_id":null,"html_url":"https://github.com/AlenaLes/ETL","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/AlenaLes%2FETL","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/AlenaLes%2FETL/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/AlenaLes%2FETL/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/AlenaLes%2FETL/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/AlenaLes","download_url":"https://codeload.github.com/AlenaLes/ETL/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243538625,"owners_count":20307224,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["airflow-dags","clickhouse","sql"],"created_at":"2024-11-19T22:46:43.119Z","updated_at":"2025-12-28T17:44:21.295Z","avatar_url":"https://github.com/AlenaLes.png","language":"Python","funding_links":[],"categories":[],"sub_categories":[],"readme":"# ETL задача\n\n## Краткое описание\nСоздание DAG в Airflow, который наполняет таблицу данными за вчерашний день. \nДанные выгружаются из Clickhouse по двум таблицам: данные по ленте новостей и данные по сообщениям. В таблице feed_actions для каждого ползователя посчитаем число просмотров и лайков контента. В таблице message_actions для каждого юзера считаем, сколько он получает и отсылает сообщений, скольким людям он пишет, сколько людей пишут ему. В результате должны получить новую таблицу со всем подсчитанными значениями и загрузить ее обратно в Clickhouse. \n\nСтруктра итоговой таблицы:\n\n- Дата - event_date\n- Название среза - dimension\n- Значение среза - dimension_value\n- Число просмотров - views\n- Числой лайков - likes\n- Число полученных сообщений - messages_received\n- Число отправленных сообщений - messages_sent\n- От скольких пользователей получили сообщения - users_received\n- Скольким пользователям отправили сообщение - users_sent\n- Срез - это os, gender и age\n\n---\n## Стэк: \n- JupiterHub\n- Clickhouse\n- Python\n- SQL\n- Airflow\n\n---\n# Основной код\n## Настройка связи\n\nНастроили подключение к Clickhouse и задали параметры для выполнения дага. После чего с помощью SQL-запроса получим нужные данные, которые будут ежедневно выгружаться в таблицу.\n\n```\ndefault_args = {\n    'owner': 'a-lesihina', # Владелец операции \n    'depends_on_past': False, # Зависимость от прошлых запусков\n    'retries': 2, # Кол-во попыток выполнить DAG\n    'retry_delay': timedelta(minutes=1), # Промежуток между перезапусками\n    'start_date': datetime(2022, 11, 13), # Дата начала выполнения DAG\n}\n\nschedule_interval = '0 10 * * *' # cron-выражение\n```\n\n## Создание тасков\n\nВсего создали 8 задач. Двое из них выгружают данные по действиям новостной ленты и по данным с сообщениямию.\n\n```\n    @task()\n    def extract_feed():\n\n        # вытащим данные\n        p1 = \"\"\"\n        SELECT \n            user_id, \n            sum(action= 'like') as like, \n            countIf(action='view') as view,\n            age, \n            city, \n            toDate(time), \n            gender, \n            os, \n            source \n        FROM  simulator_20220920.feed_actions\n        WHERE toDate(time) = yesterday()\n        GROUP by user_id, age, city, toDate(time), gender, os, source\n        \"\"\"\n        f_actions = ph.read_clickhouse(p1, connection=connection)\n        return f_actions \n    \n    @task()\n    def extract_message():\n    \n        p2 = \"\"\"\n        SELECT user_id, \n        messages_received, messages_sent, users_received, users_sent\n        from \n        (SELECT user_id, \n        count(reciever_id) as messages_sent, \n        count(distinct reciever_id) as users_sent\n        FROM simulator_20220920.message_actions\n        WHERE toDate(time) = yesterday()\n        Group by user_id) t1\n\n        join \n\n        (SELECT reciever_id, \n        count(user_id) as messages_received, \n        count(distinct user_id) as users_received\n        FROM simulator_20220920.message_actions\n        WHERE toDate(time) = yesterday()\n        GROUP BY reciever_id) t2\n\n        on t1.user_id = t2.reciever_id\n        \"\"\"       \n        m_actions = ph.read_clickhouse(p2, connection=connection)\n        return m_actions\n```\n\nСледующий task после выгрузки данных объединяет таблицы. Еще три task-а отвечают за получение срезов по полу, возрасту и операционной системе, в последствии эти данные объединяются. И финальный task выгружает итоговый результат в одну таблицу.\n```\n@task()\n    def load_bd(df_load):\n        \n        creat_q = \"\"\"\n        CREATE TABLE IF NOT EXISTS test.a_lesihina\n        (\n        dimension String,\n        dimension_value String,\n        event_date Date,\n        like UInt64,\n        view UInt64,\n        messages_received UInt64,\n        messages_sent UInt64,\n        users_received UInt64,\n        users_sent UInt64\n        )\n        ENGINE = MergeTree()\n        ORDER BY event_date\n        \"\"\"\n        ph.execute(creat_q, connection=connection_test)\n        ph.to_clickhouse(df_load, 'a_lesihina', index=False, connection=connection_test)\n    \n    f_actions = extract_feed()\n    m_actions = extract_message()\n    \n    df_merged = merged_df(f_actions, m_actions)\n    df_gender = df_gender(df_merged)\n    df_os = df_os(df_merged)\n    df_age = df_age(df_merged)\n    df_load = df_contact(df_gender, df_os, df_age)\n    load_bd(df_load)\n    \nyesterday_lesihina = yesterday_lesihina()\n```\n\n---\n## Ежедневная выгрузка\n\nВ airflow настроена ежедневная выгрузка. Граф выглядит следующим образом.\n\n![image](https://user-images.githubusercontent.com/100629361/206929210-b2a83a59-060a-4869-b99a-d0d3ca67b556.png)\n\n![image](https://user-images.githubusercontent.com/100629361/206929266-40053df6-c5ce-4145-8436-669047590402.png)\n---\n## Итоговая таблица, ежедневно обновляющаяся в Clickhouse:\n\n![image](https://user-images.githubusercontent.com/100629361/206929634-4ff2ce08-d4b1-4f0a-975d-782bfc99bcb2.png)\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Falenales%2Fetl","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Falenales%2Fetl","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Falenales%2Fetl/lists"}