Develop/DevCourseTIL

06.05 데이터 엔지니어링 41일차 - ETL

향식이 2023. 6. 5. 13:24

ETL vs ELT

  • ETL: 데이터를 데이터 웨어하우스 외부에서 내부로 가져오는 프로세스
    • 보통 엔지니어들이 수행
  • ELT: 데이터 웨어하우스 내부 데이터를 조작해서 (보통은 좀더 추상화되고 요약된) 새로운 데이터를 만드는 프로세스
    • 보통 데이터 분석가들이 수행
    • 이 경우, 데이터 레이크 위에서 이런 작업들이 벌어지기도 함
    • 이런 프로세스 전용 기술들이 있으며 dbt(Data Build Tool)가 가장 유명: Analytics Engineering

Data Lake vs Data Warehouse

  • Data Lake
    • 구조화 데이터 + 비구조화 데이터
    • 보존 기한이 없는 모든 데이터를 원래 형태대로 보존하는 스토리지에 가까움
    • 보통은 데이터 웨어하우스보다 몇 배는 더 큰 스토리지
  • Data Warehouse
    • 보존 기한이 있는 구조화된 데이터를 저장하고 처리하는 스토리지
    • 보통 BI 툴들(룩커, 태블로, 수퍼셋, ...)은 데이터 웨어하우스를 백엔드로 사용함

Data Pipeline

  • 데이터를 소스로부터 목적지로 복사하는 작업
    • 이 작업은 보통 고딩 (파이썬 혹은 스칼라) 혹은 SQL을 통해 이뤄짐
    • 대부분 목적지는 데이터 웨어하우스가 됨
  • 데이터 소스의 예
    • Click stream, call data, ads performance data, transactions, ...
  • 데이터 목적의 예
    • 데이터 웨어하우스, 캐시 시스템, 프로덕션 데이터베이스, NoSQL, S3, ...

데이터 파이프라인 종류

  1. Raw Data ETL Jobs
    1. 외부와 내부 데이터 소스에서 데이터를 읽은 후 (대부분 API를 통해 가져옴)
    2. 적당한 데이터 포맷으로 변환 후 (데이터 크기가 커지면 Spark등이 필요해짐)
    3. 데이터 웨어하우스로 로드
  2. Summary/Report Jobs
    1. DW(혹은 DL)로부터 데이터를 읽어 다시 DW에 쓰는 ELT
    2. Raw Data를 읽어서 일종의 리포트 형태나 써머리 형태의 테이블을 다시 만드는 용도
    3. 특수한 형태로는 AB 테스트 결과를 분석하는 데이터 파이프라인도 존재
    4. * 요약 테이블의 경우, SQL (CTAS를 통해)만으로 만들고 이는 데이터 분석가가 하는 것이 맞음. 데이터 엔지니어 관점에서는 어떻게 데이터 분석가들이 편하게 작업할 수 있는 환경을 만들어 주느냐가 관건 -> Analytics Engineer (DBT)
  3. Production Data Jobs (데이터 시스템 밖에 있는 스토리지에 저장)
    1. DW로부터 데이터를 읽어 다른 Storage(많은 경우 프로덕션 환경)로 쓰는 ETL
      1. 써머리 정보가 프로덕션 환경에서 성능 이유로 필요한 경우
      2. 혹은 머신러닝 모델에서 필요한 피쳐들을 미리 계산해두는 경우
    2. 이 경우 흔한 타겟 스토리지
      1. Cassandra/HBase/DynamoDB와 같은 NoSQL
      2. MySQL과 같은 관계형 데이터베이스 (OLTP)
      3. Redis/Memcache와 같은 캐시
      4. ElasticSearch와 같은 검색엔진

데이터 파이프라인을 만들 때 고려할 점

Best Parctices

1. 가능하면 데이터가 작을 경우 매번 통째로 복사해서 테이블을 만들기 (Full Refresh)

  • 과거 데이터가 문제 있다 하더라도 다 읽어보면 되니까 해결하기 간단함
    • 그러나 사이즈가 커지면 어려워짐
  • Incremental update만이 가능하다면, 대상 데이터소스가 갖춰야할 몇 가지 조건이 있음
    • 데이터 소스가 프로덕션 데이터베이스 테이블이라면 다음 필드가 필요
      • created (데이터 업데이트 관점에서 필요하지는 않음)
      • modified
      • deleted
    • 데이터 소스가 API라면 특정 날짜를 기준으로 새로 생성되거나 업데이트된 레코드들을 읽어올 수 있어야 함

* full refresh vs Incremental upate 판단 기준: 이 데이터를 full refresh 할 때 걸리는 시간을 고려했을 때 뒷단에서 이 데이터가 이용가능해지기를 기다리는 파이프라인이 있다고 한다면, full refresh를 할 때 걸리는 시간이 짧은가를 고려

* 데이터 소스가 어떤 시점을 기준으로 변경하거나 가져올 수 있어야 만 Incremental update 가능

 

2. 멱등성(Idemprotency)을 보장하는 것이 중요

  • 멱등성이란?
    • 동일한 입력 데이터로 데이터 파이프라인을 다수 실행해도 최종 테이블의 내용이 동일함
      • ex. 중복 데이터가 생기면 안 됨
    • 중요한 포인트는 critical point들이 모두 one atomic action으로 실행이 되어야 한다는 점
      • 즉, 실패하면 깔끔하게 실패해야 함
      • SQL의 transaction이 꼭 필요한 기술

3. 실패한 데이터 파이프라인을 재실행이 쉬어야 함

  • 과거 데이터를 다시 채우는 과정(backfill)이 쉬어야 함
  • airflow는 이 부분(특히 backfill)에 강점을 갖고 있음

4. 데이터 파이프라인의 입력과 출력을 명확히 하고 문서화

  • 비지니스 오너 명시: 누가 이 데이터를 요청했는지를 기록으로 남길 것
  • 이게 나중에 데이터 카탈로그로 들어가서 데이터 디스커버리에 사용가능
    • 데이터 리니지가 중요해짐 -> 이걸 이해하지 못 하면 온갖 종류의 사고 발생

5. 주기적으로 쓸모 없는 데이터들을 삭제

  • Kill unused tables and data pipelines proactively
  • Retail only necessary data in DW and move past data to DL (or storage)

6. 데이터 파이프라인 사고시 마다 사고 리포트(post-mortem) 쓰기

  • 목적은 동일한 혹은 아주 비슷한 사고가 또 발생하는 것을 막기 위함
  • 사고 원인(root-cause)을 이해하고 이를 방지하기 위한 액션 아이템들의 실행이 중요해짐
  • 기술 부채의 정도를 이야기해주는 바로미터

7. 중요 데이터 파이프라인의 입력과 출력을 체크하기

  • 아주 간단하게 입력 레코드의 수와 출력 레코드의 수가 몇 개인지 체크하는 것부터 시작
  • 써머리 테이블을 만들어내고 primary key가 존재한다면 primary key uniqueness가 보장되는지 체크하는 것이 필요함
  • 중복 레코드 체크
  • (반복)

Airflow

  • airflow는 파이썬으로 작성된 데이터 파이프라인 (ETL) 프레임워크
    • airbnb에서 시작한 아파티 오픈소스 프로젝트
    • 가장 많이 사용되는 데이터 파이프라인 관리/작성 프레임워크
  • 데이터 파이프라인 스케줄링 지원
    • 정해진 시간에 ETL 실행 혹은 한 ETL의 실행이 끝나면 다음 ETL 실행
    • 웹 UI를 제공하기도 함
  • 데이터 파이프라인(ETL)을 쉽게 만들 수 있도록 해줌
    • 다양한 데이터 소스와 데이터 웨어하우스를 쉽게 통합해주는 모듈 제공
    • 데이터 파이프라인 관리 관련 다양한 기능을 제공해줌: 특히 backfill
  • airflow에서는 데이터 파이프라인을 DAG(Directed Acyclic Graph)라고 부름
    • 하나의 DAG는 하나 이상의 태스크로 구성됨
  • 2020년 12월에 airflow 2.0 이 릴리스 됨

Airflow 구성

  1. 웹 서버 (Web server)
  2. 스케줄러 (Scheduler)
  3. 워커 (Worker): 실제 코드를 실행해주는 일꾼
    1. CPU 개수 만큼 생길 수 있음
  4. 메타 데이터 데이터베이스: 위 3개의 컴포넌트가 자기 상황을 기록하는 곳
    1. sqlite가 기본으로 설치됨
  5. 큐 (다수 서버 구성인 경우에만 사용됨): 중간 매개체
    1. 이 경우 Executor가 달라짐
  • 스케줄러는 DAG들을 워커들에게 배정하는 역할을 수행
  • 웹 UI는 스케줄러와 DAG의 실행 상황을 시각화해줌
  • 워커는 실제로 DAG를 실행하는 역할을 수행
  • 스케줄러와 각 DAG의 실행결과는 별도 DB에 저장됨
    • 기본으로 설치되는 DB는 SQLite
    • 실제 프로덕션에서는 Mysql이나 Postgress를 사용해야 함

airflow 개발의 장단점

  • 장점
    • 데이터 파이프라인을 세밀하게 제어 가능
    • 다양한 데이터 소스와 데이터 웨어하우스를 지원
    • 백필(backfill)이 쉬움
  • 단점
    • 배우기가 쉽지 않음
    • 상대적으로 개발환경을 구성하기가 쉽지 않음
    • 직접 운영이 쉽지 않음. 클라우드 버전 사용이 선호됨
      • GCP provides "Cloud Composer

DAG란?

  • airflow에서 ETL을 부르는 명칭
  • DAG는 태스크로 구성됨
    • ex. 3개의 태스크로 구성된다면 Extract, Transform, Load로 구성
  • 태스크란? - airflow의 오퍼레이터(operator)로 만들어짐
    • airflow에서 이미 다양한 종류의 오퍼레이터를 제공함
    • 경우에 맞게 사용 오퍼레이터를 결정하거나 필요하다면 직접 개발
반응형
저작자표시 비영리 변경금지