关于 data-engineer
面向数据工程师的技能,涵盖数据管道、数仓、流处理与质量检查,并提供示例和可扩展处理的实践指导。
主要功能
- 01ETL/ELT 管道设计
- 02数仓模式建模
- 03流数据处理
- 04数据质量检查
- 05管道可靠性实践
适用场景
- 01为用户事件设计 Airflow DAG
- 02建模销售数据仓库
- 03优化缓慢的 Spark 任务
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ htlin222/ dotfiles --skill data-engineer安装后在 Claude Code 中输入/data-engineer确认已加载。
详细介绍
数据工程
构建可扩展的数据管道和分析基础设施。
适用场景
- ETL/ELT 管道设计
- 数据仓库建模
- 流式数据处理
- 数据质量监控
Airflow DAG
from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.utils.dates import days_ago
from datetime import timedelta
default_args = {
'owner': 'data-team',
'retries': 3,
'retry_delay': timedelta(minutes=5),
'email_on_failure': True,
}
with DAG(
'etl_pipeline',
default_args=default_args,
schedule_interval='0 2 * * *', # Daily at 2 AM
start_date=days_ago(1),
catchup=False,
) as dag:
extract = PythonOperator(
task_id='extract',
python_callable=extract_data,
)
transform = PythonOperator(
task_id='transform',
python_callable=transform_data,
)
load = PythonOperator(
task_id='load',
python_callable=load_data,
)
validate = PythonOperator(
task_id='validate',
python_callable=validate_data,
)
extract >> transform >> load >> validate
数据仓库架构
星型架构
-- Fact table
CREATE TABLE fact_sales (
sale_id BIGINT PRIMARY KEY,
date_key INT REFERENCES dim_date(date_key),
product_key INT REFERENCES dim_product(product_key),
customer_key INT REFERENCES dim_customer(customer_key),
quantity INT,
amount DECIMAL(10,2),
created_at TIMESTAMP DEFAULT NOW()
);
-- Dimension tables
CREATE TABLE dim_date (
date_key INT PRIMARY KEY,
date DATE,
year INT,
quarter INT,
month INT,
week INT,
day_of_week INT
);
CREATE TABLE dim_product (
product_key INT PRIMARY KEY,
product_id VARCHAR(50),
name VARCHAR(255),
category VARCHAR(100),
-- SCD Type 2 fields
valid_from DATE,
valid_to DATE,
is_current BOOLEAN
);
Spark 作业
from pyspark.sql import SparkSession
from pyspark.sql.functions import col, sum, avg
spark = SparkSession.builder \
.appName("ETL Job") \
.config("spark.sql.adaptive.enabled", "true") \
.getOrCreate()
# Read with partitioning
df = spark.read \
.option("inferSchema", "true") \
.parquet("s3://bucket/data/") \
.filter(col("date") >= "2024-01-01")
# Transform
result = df \
.groupBy("category", "date") \
.agg(
sum("amount").alias("total_amount"),
avg("quantity").alias("avg_quantity")
) \
.repartition(10, "date") # Optimize for writes
# Write partitioned
result.write \
.mode("overwrite") \
.partitionBy("date") \
.parquet("s3://bucket/output/")
数据质量
from great_expectations.core import ExpectationSuite
suite = ExpectationSuite("sales_data")
# Define expectations
suite.add_expectation(
expect_column_values_to_not_be_null(column="sale_id")
)
suite.add_expectation(
expect_column_values_to_be_between(
column="amount", min_value=0, max_value=1000000
)
)
suite.add_expectation(
expect_column_values_to_be_unique(column="sale_id")
)
最佳实践
- 保持操作幂等(可重复运行)
- 优先采用增量处理,而非全量刷新
- 跟踪数据血缘
- 处理架构演进
- 监控云服务成本
示例
输入:“为用户事件设计 ETL” **操作:**创建包含提取、转换和加载步骤的 Airflow DAG,并添加质量检查
输入:“优化运行缓慢的 Spark 作业” **操作:**检查分区方式、减少 Shuffle、调整内存设置
评论
支持 Markdown