Dataloader

Асинхронный сервис постановки и исполнения ETL‑задач поверх очереди в PostgreSQL. Предоставляет HTTP API для триггера задач, мониторинга статуса и отмены. Внутри процесса поднимает пул воркеров, которые конкурируют за задачи через SELECT … FOR UPDATE SKIP LOCKED и обрабатывают их с учётом lease/heartbeat и кооперативной отмены. Для пробуждения воркеров используется LISTEN/NOTIFY.

Содержание

• О проекте
• Быстрый старт
• Конфигурация окружения
• Архитектура и потоки данных
• Структура проекта
• Взаимодействие с БД
• HTTP API
• Воркеры, пайплайны и добавление новых ETL‑задач
• Логирование, метрики, аудит
• Тестирование
• Эксплуатация и масштабирование

О проекте

Сервис решает типовую задачу фоновой обработки задач: один общий пул воркеров, одна очередь в БД, несколько типов задач (пайплайнов), идемпотентность, повторные попытки, контроль конкуренции через advisory‑lock по lock_key, кооперативная отмена, возврат «потерянных» задач.

Быстрый старт

1. Установить зависимости (poetry):

   poetry install
   

2. Подготовить PostgreSQL (см. DDL в DDL.sql) и переменные окружения (см. «Конфигурация»).
3. Запуск сервиса:

   poetry run python -m dataloader
   

4. Проверка доступности:

   curl http://localhost:8081/health
   

5. Пример постановки задачи:

   curl -X POST http://localhost:8081/api/v1/jobs/trigger \
     -H "Content-Type: application/json" \
     -d '{
           "queue": "etl.default",
           "task": "noop",
           "args": {"sleep1": 1, "sleep2": 1, "sleep3": 1},
           "lock_key": "customer:42",
           "priority": 100
         }'
   

Конфигурация окружения

Настройки собираются в src/dataloader/config.py через Pydantic Settings.

• Приложение (AppSettings):

  • APP_HOST (def: 0.0.0.0)
  • APP_PORT (def: 8081)
  • TIMEZONE (def: Europe/Moscow)

• Логирование (LogSettings):

  • LOG_PATH, LOG_FILE_NAME, LOG_ROTATION
  • METRIC_PATH, METRIC_FILE_NAME
  • AUDIT_LOG_PATH, AUDIT_LOG_FILE_NAME
  • DEBUG переключает уровень на DEBUG

• PostgreSQL (PGSettings):

  • PG_HOST, PG_PORT, PG_USER, PG_PASSWORD, PG_DATABASE
  • PG_SCHEMA_QUEUE - схема таблиц очереди (логическая, маппится через schema_translate_map)
  • Параметры пула: PG_USE_POOL, PG_POOL_SIZE, PG_MAX_OVERFLOW, PG_POOL_RECYCLE
  • Таймауты: PG_CONNECT_TIMEOUT, PG_COMMAND_TIMEOUT

• Воркеры (WorkerSettings):

  • WORKERS_JSON - список конфигураций воркеров, например: [{"queue":"etl.default","concurrency":2}]
  • DL_HEARTBEAT_SEC (def: 10)
  • DL_DEFAULT_LEASE_TTL_SEC (def: 60)
  • DL_REAPER_PERIOD_SEC (def: 10)
  • DL_CLAIM_BACKOFF_SEC (def: 15)

Архитектура и потоки данных

• HTTP слой: FastAPI‑приложение (dataloader.api) с v1 API и инфраструктурными маршрутами (/health, /info).
• Контекст: AppContext инициализирует логирование, AsyncEngine, async_sessionmaker и предоставляет DI (get_session).
• Очередь: одна таблица dl_jobs и журнал dl_job_events в PostgreSQL. Идемпотентность на уровне idempotency_key. Пробуждение воркеров через триггеры NOTIFY в БД и listener на стороне приложения.
• Воркеры: WorkerManager поднимает N асинхронных воркеров (PGWorker) на основании WORKERS_JSON. Каждый воркер:
  1. ждёт уведомление (LISTEN/NOTIFY) или таймаут,
  2. пытается «захватить» одну задачу (SELECT … FOR UPDATE SKIP LOCKED),
  3. выставляет running, получает advisory‑lock по lock_key,
  4. исполняет соответствующий пайплайн с heartbeat,
  5. завершает задачу: succeeded/failed/canceled или возвращает в очередь на ретрай.
• Реапер: фоновая задача, периодически возвращает «потерянные» running‑задачи в queued.

Структура

src/dataloader/
├── __main__.py              # Запуск uvicorn, lifecycle через FastAPI lifespan
├── config.py                # Pydantic-настройки (app/log/pg/worker)
├── context.py               # AppContext: engine, sessionmaker, логгер, DI
│
├── api/
│   ├── __init__.py          # FastAPI app, middleware, routers, lifespan
│   ├── middleware.py        # Логирование запросов + метрики/аудит
│   ├── os_router.py         # /health, /info (инфраструктурные ручки)
│   ├── metric_router.py     # Примеры метрик (like/dislike)
│   │
│   └── v1/
│       ├── router.py        # /api/v1/jobs: trigger, status, cancel
│       ├── service.py       # Бизнес-логика поверх репозитория
│       ├── schemas.py       # Pydantic DTO API
│       └── utils.py         # Утилиты (генерация UUID и т.д.)
│
├── storage/
│   ├── engine.py            # AsyncEngine, sessionmaker, schema_translate_map
│   ├── notify_listener.py   # asyncpg LISTEN/NOTIFY по каналу dl_jobs
│   │
│   ├── models/
│   │   ├── base.py          # Declarative base
│   │   └── queue.py         # ORM-модели DLJob, DLJobEvent
│   │
│   ├── repositories/
│   │   └── queue.py         # QueueRepository (CRUD операции)
│   │
│   └── schemas/
│       └── queue.py         # CreateJobRequest, JobStatus
│
├── workers/
│   ├── base.py              # PGWorker: главный цикл, heartbeat, вызов пайплайнов
│   ├── manager.py           # WorkerManager: запуск/остановка + reaper
│   ├── reaper.py            # Requeue_lost на базе репозитория
│   │
│   └── pipelines/
│       ├── __init__.py      # Автозагрузка модулей для регистрации
│       ├── registry.py      # Реестр обработчиков задач (@register)
│       └── noop.py          # Пример эталонного пайплайна
│
└── logger/
    └── ...                  # Логирование

Взаимодействие с БД

• Подключение: postgresql+asyncpg через SQLAlchemy AsyncEngine.
• Схемы: логическое имя queue маппится на реальную через schema_translate_map (см. engine.py), имя реальной схемы задаётся PG_SCHEMA_QUEUE.
• DDL: см. DDL.sql. Ключевые элементы:
  • dl_jobs с индексами на claim и running‑lease,
  • dl_job_events как журнал событий,
  • триггер notify_job_ready() + LISTEN dl_jobs для пробуждения воркеров.
• Конкуренция: claim через FOR UPDATE SKIP LOCKED, взаимное исключение по бизнес‑сущности через advisory‑lock pg_try_advisory_lock(hashtext(lock_key)).
• Надёжность: at‑least‑once. Пайплайны должны быть идемпотентны в части записи в целевые таблицы.

HTTP API (v1)

• POST /api/v1/jobs/trigger

  • Вход: {queue, task, args?, idempotency_key?, lock_key, partition_key?, priority?, available_at?, max_attempts?, lease_ttl_sec?, producer?, consumer_group?}
  • Выход: {job_id: UUID, status: str}
  • Идемпотентность по idempotency_key (если задан).

• GET /api/v1/jobs/{job_id}/status

  • Выход: {job_id, status, attempt, started_at?, finished_at?, heartbeat_at?, error?, progress: {}}

• POST /api/v1/jobs/{job_id}/cancel

  • Выход: как в status
  • Поведение: устанавливает cancel_requested = true; воркер завершает между шагами пайплайна.

Инфраструктурные: /health, /info.

Воркеры, пайплайны и добавление новых ETL‑задач

Как работает воркер

1. Ожидает сигнал (LISTEN/NOTIFY) или таймаут DL_CLAIM_BACKOFF_SEC.
2. Пытается забрать одну задачу своей очереди: status='queued' AND available_at<=now() с FOR UPDATE SKIP LOCKED.
3. Переводит в running, увеличивает attempt, выставляет lease_expires_at, делает heartbeat каждые DL_HEARTBEAT_SEC.
4. Захватывает advisory‑lock по lock_key (если не получилось - возвращает в queued с бэкоффом).
5. Выполняет пайплайн (task) с поддержкой итеративных шагов и кооперативной отмены.
6. По завершении: succeeded или failed/canceled; при ошибках возможны ретраи до max_attempts.

Интерфейс пайплайна

Пайплайн - обычная функция, возвращающая одно из:

• асинхронный генератор шагов (рекомендуется для длинных процессов),
• корутину,
• синхронную функцию.

Каждый «yield» в асинхронном генераторе - безопасная точка, где воркер выполнит heartbeat и проверит cancel_requested.

Регистрация нового пайплайна через декоратор @register("task_name") в модуле src/dataloader/workers/pipelines/<your_task>.py.

Пример:

from __future__ import annotations
import asyncio
from typing import AsyncIterator
from dataloader.workers.pipelines.registry import register

@register("load.customers")
async def load_customers(args: dict) -> AsyncIterator[None]:
    # шаг 1 – вытягиваем данные
    await some_fetch(args)
    yield
    # шаг 2 – пишем в БД идемпотентно (upsert/merge)
    await upsert_customers(args)
    yield
    # шаг 3 – пост‑обработка
    await finalize(args)
    yield

Важно:

• Пайплайны должны быть идемпотентны (повторный запуск не должен ломать данные).
• Долгие операции разбивайте на шаги с yield, чтобы работал heartbeat и отмена.
• Для бизнес‑взаимного исключения выбирайте корректный lock_key (например, customer:{id}), чтобы параллельные задачи не конфликтовали.

Добавление ETL‑задачи (шаги)

1. Создать модуль в workers/pipelines/ и зарегистрировать обработчик через @register.
2. Убедиться, что модуль импортируется автоматически (происходит на старте через load_all()).
3. При необходимости расширить схему args и валидацию на стороне продьюсера (кто вызывает API).
4. При постановке задачи в POST /api/v1/jobs/trigger указать task с новым именем и желаемые args.
5. При необходимости завести отдельную очередь (queue) и добавить её в WORKERS_JSON с нужной concurrency.

Логирование, метрики, аудит

• Логи: структурированные, через logger/*. Middleware (api/middleware.py) логирует входящие запросы/исходящие ответы, время обработки, пишет метрики и аудит‑события.
• Метрики: простые счётчики (пример: likes/dislikes, requests_total, responses_total, duration_ms).
• Аудит: запись бизнес‑событий начала/окончания обработки запроса.

Тестирование

• Юнит‑тесты: tests/unit/*
• Интеграционные тесты: tests/integration_tests/* - покрывают API, репозиторий очереди, reaper.
• Запуск:

  poetry run pytest -q
  

Эксплуатация и масштабирование

• Один процесс FastAPI с пулом асинхронных воркеров внутри. Масштабирование - количеством реплик (Deployment). Очередь в БД и advisory‑lock обеспечат корректность при гонках между репликами.
• Readiness/Liveness - /health.
• Корректное завершение: при SIGTERM менеджер подаёт сигнал остановки, завершает воркеры и reaper, закрывает соединения.

Лицензия

Внутренний корпоративный проект.