ドキュメントを追加
This commit is contained in:
ry.yamafuji
parent
a6200d2809
commit
c09b288ff6
139
docs/collect.md
Normal file
139
docs/collect.md
Normal file
@ -0,0 +1,139 @@
|
||||
# データ収集
|
||||
|
||||
## コンポーネントについて
|
||||
|
||||
| コンポ―ネント | 内容 |
|
||||
| ---------------- | ---------------------------------------------------------------------- |
|
||||
| Parquet | 列指向のバイナリ形式のデータファイル |
|
||||
| DuckDB | 手元で動く小さなDWH / Parquet/CSVに強い(ローカル向け) |
|
||||
| BigQuery | マネージド型の DWH（データウェアハウス） |
|
||||
| ClickHouse | 列指向DBの代表格（超高速集計、リアルタイム分析） |
|
||||
| Apache Druid | 時系列分析やダッシュボード用途に強い / Supersetと相性がよい |
|
||||
| Apache Pinot | Druidに似ていて、リアルタイム分析に特化（広告配信やA/Bテスト分析など） |
|
||||
| Jupyter Notebook | |
|
||||
| Metabase | |
|
||||
| Superset | |
|
||||
|
||||
|
||||
### DuckDB(クエリエンジン)
|
||||
|
||||
軽量・組み込み型の分析データベース
|
||||
SQLiteが「小さなトランザクションDB」なら、DuckDBは「小さなOLAPエンジン」。
|
||||
|
||||
イメージとしては以下の通りです。
|
||||
|
||||
SQLite：小さなアプリ用に最適化されたトランザクションDB
|
||||
DuckDB：データ分析のために最適化された組み込みエンジン
|
||||
|
||||
|
||||
* サーバ不要
|
||||
* 1つのライブラリ／プロセスで動く。インストールもシンプル（Python, CLI, R, C/C++など）
|
||||
* 列指向ストレージ：大量データのスキャンや集計に強い。
|
||||
* 外部ファイルを直接クエリできるのが大きな特徴。
|
||||
|
||||
**ユースケース**
|
||||
|
||||
* 毎月の CSVやParquetを置くだけで分析
|
||||
* Jupyter NotebookやPythonスクリプトの中で 即席SQLエンジンとして活用
|
||||
* BIツール（Metabase / Superset / Tableau）に接続して レポート化
|
||||
|
||||
|
||||
### Parquet
|
||||
|
||||
Parquet（パーケイ） は列指向のバイナリ形式のデータファイル です。
|
||||
Apache が開発したオープンフォーマットで、ビッグデータ処理や分析用に広く使われています。
|
||||
|
||||
* Parquet のファイル拡張子は .parquet(例: `logs_2025_09.parquet`)
|
||||
* 列指向フォーマット
|
||||
* 圧縮効率が高い
|
||||
* 列ごとに同じ型・似た値が並ぶため、圧縮（Snappy/Zstd/Gzipなど）が効きやすい
|
||||
* CSVは全部テキスト扱いだが、Parquetはカラムごとに「整数」「浮動小数」「日付」などの型を保持
|
||||
* park / Hive / Presto / BigQuery / Snowflake / DuckDB / Pandas など、ほとんどの分析基盤がネイティブ対応
|
||||
|
||||
**CSV(行)**
|
||||
|
||||
```csv
|
||||
id,name,age
|
||||
1,Alice,24
|
||||
2,Bob,30
|
||||
3,Charlie,28
|
||||
```
|
||||
|
||||
**Parquet (列指向・バイナリ)**
|
||||
|
||||
```
|
||||
id: [1,2,3]
|
||||
name:[Alice,Bob,Charlie]
|
||||
age: [24,30,28]
|
||||
```
|
||||
|
||||
### BigQuery
|
||||
|
||||
マネージド型の DWH（データウェアハウス）で
|
||||
提供元はGoogle Cloudです
|
||||
|
||||
* サーバ運用不要（完全マネージド）
|
||||
* データを GCS に置いて「外部テーブル」でクエリも可能
|
||||
* 料金は ストレージ＋スキャンしたデータ量に応じて課金。
|
||||
* 同時接続や大規模並列処理が強く、Looker StudioなどBIツールと相性抜群。
|
||||
* 無料プラン
|
||||
* 毎月ストレージ部分で少量(例 10GB)まで無料の枠がある。
|
||||
* クエリ処理も、毎月一定量(例 1TB の処理量)まで無料。
|
||||
|
||||
**ユースケース**
|
||||
* 数百GB〜PB規模のデータをクラウドでガッツリ分析したいとき。
|
||||
* 運用を省きたいとき
|
||||
|
||||
### ClickHouse
|
||||
|
||||
列指向DBの代表格（超高速集計、リアルタイム分析）
|
||||
ログ分析、イベントデータ処理に強い。
|
||||
|
||||
|
||||
## システム構成
|
||||
|
||||
### 1. CSV
|
||||
|
||||
PoCならCSVのみで運用することも多々あります
|
||||
|
||||
運用ルールとしてよくあるのは以下のようなものです
|
||||
|
||||
* ディレクトリは y=YYYY/m=MM[/d=DD] のHive風で粒度を切る
|
||||
* ファイル名は 日付＋ソース＋バージョン を含める
|
||||
`例: events_2025-09-13_sourceA_v1.csv`
|
||||
* スキーマ/品質
|
||||
* スキーマ表用意（列名・型・必須/NULL・説明）
|
||||
* 区切り・エンコーディング(UTF-8)・改行コード(LF) を固定
|
||||
* ヘッダ1行固定、列順は変えない（変えるなら列マップを同梱）
|
||||
* NULLは "" or 明示トークン（NULL）で統一
|
||||
* タイムスタンプは ISO 8601 (UTC推奨)：2025-09-13T00:00:00Z
|
||||
|
||||
|
||||
### 2. CSV + DuckDB + （Parquet）
|
||||
|
||||
運用する際にディレクトリ構成に設計が必要になります。
|
||||
|
||||
ディレクトリ設計例
|
||||
```
|
||||
data/
|
||||
raw_csv/
|
||||
y=2025/m=09/*.csv # “年/月”で月次パーティション
|
||||
parquet/
|
||||
y=2025/m=09/*.parquet # 変換先（後述のバッチで作る）
|
||||
duckdb/
|
||||
lake.duckdb # メタ・ビュー定義だけを持つDBファイル
|
||||
```
|
||||
|
||||
### 3. (列指向DWH) ClickHouse/Apache Druid/Apache Pinot
|
||||
|
||||
ClickHouse / Apache Druid / Apache Pinot は、CSV以外のフォーマットや
|
||||
ストリームからそのまま取り込みできますし、直接INSERTや外部ファイルを直接クエリも可能です
|
||||
基本は直接で速い・型が保てる・圧縮効率がよく・読み取りコスト低い
|
||||
|
||||
|
||||
### 4. GCSのCSV/Parquet + BigQuery
|
||||
|
||||
|
||||
|
||||
|
||||
|
||||
100
docs/data.md
Normal file
100
docs/data.md
Normal file
@ -0,0 +1,100 @@
|
||||
|
||||
## フォルダ設計
|
||||
|
||||
実用的な運用パターン
|
||||
|
||||
```sh
|
||||
/data/<domain>/<layer>/y=<YYYY>/m=<MM>/d=<DD>/
|
||||
# 例
|
||||
/data/marketing/silver/y=2025/m=06/d=01/*.csv
|
||||
/data/marketing/silver/y=2025/m=06/*.parquet
|
||||
# サブドメインパターン /data/<domain/<subdomain>>/<layer>
|
||||
/data/sales/orders/bronze/y=2025/m=06
|
||||
```
|
||||
|
||||
### パーティションディレクトリ構造 (Hive partitioning)
|
||||
|
||||
* y=2025/m=06/d=01/ のように key=value で階層を切るのは、Hadoop/Hive 系からの習慣です。
|
||||
* BigQuery、Athena、Spark、Trino、DuckDB などほとんどのエンジンが理解できます。
|
||||
|
||||
### レイヤ
|
||||
|
||||
* bronze/ = 生データ(取ってきたまま、CSVなど)
|
||||
* silver/ = 整形済み(型そろえ、Parquet化、パーティション付与)
|
||||
* gold/ = 集計/マート用(ダッシュボード直結)
|
||||
|
||||
“品質レベル”が一目でわかる。AWSやGCPでもよく使う。
|
||||
|
||||
### ファイル名などのイベント規則
|
||||
|
||||
フォルダで年月やドメインを切っているので、
|
||||
ファイル名は中身や分割単位を表す情報を載せるのが一般的です。
|
||||
|
||||
* イベント種別 or データセット名
|
||||
* `orders, clicks, refunds`など
|
||||
* 日付/時間(分割単位)
|
||||
* 2025-06-01, 2025-06-01-15h など
|
||||
* バージョン or チャンク番号
|
||||
* 再生成や分割を考慮して _v1, _part-0001
|
||||
|
||||
|
||||
```sh
|
||||
# サンプル
|
||||
clicks_2025-06-01_v1.csv
|
||||
impressions_2025-06-01_v1.csv
|
||||
conversions_2025-06-01_v1.csv
|
||||
|
||||
# チャンク
|
||||
clicks_2025-06-01_part-0001.csv
|
||||
```
|
||||
|
||||
|
||||
## パイプライン型パターン
|
||||
|
||||
* ELT型(データ)：Extract(取得) → Land(保存) → Transform(SQL/dbt/duckdb)
|
||||
* ML型：データ準備 → 特徴量 → 学習 → 評価 → 登録(MLflow/Weights&Biases)
|
||||
* イベント処理：ストリーム受信 → 変換 → 集計 → マート出力(Kafka→Druid/Pinot/ClickHouse
|
||||
* バッチETL：取り込み → 正規化 → 検証 → 出力(Airflow/Dagster/Luigi/Prefectでオーケストレーション)
|
||||
* dbt型：ソース → ステージング → マート(SQL中心・テストとドキュメント込み)
|
||||
|
||||
### ETL / ETL
|
||||
|
||||
#### ELTとは (Extract → Load → Transform)
|
||||
|
||||
`取得 → DBへロード → 変換`の流れで実行
|
||||
変換は SQL や dbt など、DWH自体の計算能力を使う。
|
||||
BigQuery / Snowflake / Redshift などのクラウドDWHの時代に主流になった。
|
||||
|
||||
**メリット**
|
||||
* 生データを残せる（Landに置くので後から再処理できる）
|
||||
|
||||
#### ETLとは (Extract → Transform → Load)
|
||||
|
||||
`取得 → 変換 → DBへロード`の流れで実行
|
||||
90年代〜2010年代前半までの「オンプレDWH」時代によく使われた。
|
||||
変換はアプリケーションサーバーや専用ETLツールでやるイメージです
|
||||
|
||||
|
||||
## 汎用性を高めるための設計原則
|
||||
|
||||
* I/Oはアダプタ分離：FS/GCS/S3/DB接続は adapters/(同じ関数シグネチャで差し替え)
|
||||
* 実行ドライバは3種
|
||||
* CLI(ローカル/CI): `python -m app run --date 2025-09-13`
|
||||
* HTTP(GCF/Cloud Run): main(request) → 同じ関数を呼ぶ
|
||||
* スケジューラ(Cloud Scheduler / cron / GitHub Actions)
|
||||
|
||||
|
||||
## 用語集
|
||||
|
||||
**ETL / ELT**
|
||||
|
||||
Extract, Transform, Load(または Load, Transform)
|
||||
データパイプラインの基本パターン
|
||||
|
||||
**データレイク (Data Lake)**
|
||||
|
||||
生データをフォーマット問わず保存する場所。S3/GCS/HDFSなど
|
||||
|
||||
**データウェアハウス (DWH)**
|
||||
|
||||
整形済みデータを分析用に最適化して保存するDB(BigQuery, Snowflake, Redshift など)
|
||||
Loading…
x
Reference in New Issue
Block a user