3.5 KiB
3.5 KiB
フォルダ設計
実用的な運用パターン
/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
# 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)
- CLI(ローカル/CI):
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)