Data Lakehouse

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

# Delta Lake 테이블 생성
from delta.tables import DeltaTable
from pyspark.sql import SparkSession

spark = SparkSession.builder \
    .appName("LakehouseExample") \
    .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension") \
    .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog") \
    .getOrCreate()

# Bronze Layer - 원시 데이터 수집
bronze_df = spark.read.json("s3://data-lake/raw/transactions/")
bronze_df.write.format("delta").mode("append").save("s3://lakehouse/bronze/transactions")

# Silver Layer - 데이터 정제
silver_df = spark.read.format("delta").load("s3://lakehouse/bronze/transactions") \
    .filter("amount > 0") \
    .dropDuplicates(["transaction_id"]) \
    .withColumn("processed_date", current_timestamp())

silver_df.write.format("delta").mode("append").save("s3://lakehouse/silver/transactions")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# Iceberg 테이블 생성
import pyiceberg
from pyiceberg.catalog import load_catalog

catalog = load_catalog("default")

# 테이블 스키마 정의
schema = Schema([
    NestedField(1, "transaction_id", StringType(), required=True),
    NestedField(2, "customer_id", LongType(), required=True),
    NestedField(3, "amount", DecimalType(10, 2), required=True),
    NestedField(4, "transaction_date", TimestampType(), required=True)
])

# 파티션 스펙 정의
partition_spec = PartitionSpec([
    PartitionField(source_id=4, field_id=1000, transform=DayTransform(), name="day")
])

# 테이블 생성
table = catalog.create_table(
    identifier="warehouse.transactions",
    schema=schema,
    partition_spec=partition_spec
)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# Hudi 테이블 생성
from pyspark.sql import SparkSession

spark = SparkSession.builder \
    .appName("HudiLakehouse") \
    .config("spark.serializer", "org.apache.spark.serializer.KryoSerializer") \
    .getOrCreate()

# Hudi 옵션 설정
hudi_options = {
    'hoodie.table.name': 'customer_orders',
    'hoodie.datasource.write.recordkey.field': 'order_id',
    'hoodie.datasource.write.partitionpath.field': 'partition_date',
    'hoodie.datasource.write.table.name': 'customer_orders',
    'hoodie.datasource.write.operation': 'upsert',
    'hoodie.datasource.write.precombine.field': 'ts',
    'hoodie.upsert.shuffle.parallelism': 2,
    'hoodie.insert.shuffle.parallelism': 2
}

# 데이터 업서트
df.write.format("hudi") \
    .options(**hudi_options) \
    .mode("append") \
    .save("s3://lakehouse/hudi/customer_orders")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

# Delta Lake를 사용하여 실시간 클릭 로그를 저장하고 쿼리하는 예제
from pyspark.sql import SparkSession
from pyspark.sql.functions import from_json, col
from pyspark.sql.types import StructType, StringType, TimestampType

# Spark 세션 생성
spark = SparkSession.builder \
    .appName("Lakehouse Architecture Example") \
    .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension") \
    .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog") \
    .getOrCreate()

# Kafka에서 수신한 JSON 데이터 스키마 정의
schema = StructType() \
    .add("user_id", StringType()) \
    .add("action", StringType()) \
    .add("timestamp", TimestampType())

# Kafka에서 스트리밍 데이터 수신
df = spark.readStream \
    .format("kafka") \
    .option("kafka.bootstrap.servers", "localhost:9092") \
    .option("subscribe", "clickstream") \
    .load()

# JSON 파싱 및 필드 추출
json_df = df.selectExpr("CAST(value AS STRING) as json") \
    .select(from_json("json", schema).alias("data")) \
    .select("data.*")

# Delta Lake에 저장
query = json_df.writeStream \
    .format("delta") \
    .option("checkpointLocation", "/tmp/delta-checkpoints/") \
    .outputMode("append") \
    .start("/data/lakehouse/clickstream")

query.awaitTermination()

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21

# Delta Lake를 활용한 데이터 적재 및 분석 예시 (PySpark)

from pyspark.sql import SparkSession

# Spark 세션 생성 및 Delta Lake 활성화
spark = SparkSession.builder \
    .appName("LakehouseExample") \
    .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension") \
    .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog") \
    .getOrCreate()

# IoT 센서 데이터 적재 (예시)
df = spark.read.json("s3://my-iot-data/raw/")

# Delta Lake에 데이터 저장 (ACID 트랜잭션 지원)
df.write.format("delta").mode("append").save("s3://my-lakehouse/delta/iot/")

# 실시간 분석 쿼리 (예: 온도 이상치 탐지)
df_delta = spark.read.format("delta").load("s3://my-lakehouse/delta/iot/")
anomaly_df = df_delta.filter(df_delta.temperature > 100)
anomaly_df.show()

  1
  2
  3
  4
  5
  6
  7
  8
  9
 10
 11
 12
 13
 14
 15
 16
 17
 18
 19
 20
 21
 22
 23
 24
 25
 26
 27
 28
 29
 30
 31
 32
 33
 34
 35
 36
 37
 38
 39
 40
 41
 42
 43
 44
 45
 46
 47
 48
 49
 50
 51
 52
 53
 54
 55
 56
 57
 58
 59
 60
 61
 62
 63
 64
 65
 66
 67
 68
 69
 70
 71
 72
 73
 74
 75
 76
 77
 78
 79
 80
 81
 82
 83
 84
 85
 86
 87
 88
 89
 90
 91
 92
 93
 94
 95
 96
 97
 98
 99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383

# 전자상거래 추천 시스템 레이크하우스 구현 예시
from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.types import *
from delta.tables import DeltaTable
import mlflow
import mlflow.spark

# Spark 세션 초기화
spark = SparkSession.builder \
    .appName("EcommerceRecommendationLakehouse") \
    .config("spark.sql.extensions", "io.delta.sql.DeltaSparkSessionExtension") \
    .config("spark.sql.catalog.spark_catalog", "org.apache.spark.sql.delta.catalog.DeltaCatalog") \
    .getOrCreate()

# Bronze Layer - 원시 클릭스트림 데이터 수집
def process_bronze_layer():
    """
    Bronze Layer: 원시 데이터를 그대로 저장
    - 스키마 검증 최소화
    - 메타데이터 추가 (수집 시간, 소스 등)
    - 파티션 구조로 효율적 저장
    """
    
    # Kafka에서 실시간 클릭스트림 읽기
    clickstream_df = spark \
        .readStream \
        .format("kafka") \
        .option("kafka.bootstrap.servers", "localhost:9092") \
        .option("subscribe", "clickstream") \
        .load()
    
    # JSON 파싱 및 메타데이터 추가
    parsed_df = clickstream_df.select(
        from_json(col("value").cast("string"), 
                 StructType([
                     StructField("user_id", StringType()),
                     StructField("product_id", StringType()),
                     StructField("action", StringType()),
                     StructField("timestamp", TimestampType()),
                     StructField("session_id", StringType())
                 ])).alias("data"),
        col("timestamp").alias("kafka_timestamp")
    ).select(
        col("data.*"),
        col("kafka_timestamp"),
        lit("kafka").alias("source_system"),
        current_timestamp().alias("ingestion_time")
    )
    
    # Bronze 테이블로 스트리밍 저장
    bronze_query = parsed_df.writeStream \
        .format("delta") \
        .outputMode("append") \
        .option("checkpointLocation", "/delta/checkpoints/bronze_clickstream") \
        .trigger(processingTime="30 seconds") \
        .partitionBy("action") \
        .start("/delta/bronze/clickstream")
    
    return bronze_query

# Silver Layer - 데이터 정제 및 검증
def process_silver_layer():
    """
    Silver Layer: 데이터 정제 및 표준화
    - 중복 제거
    - 데이터 검증
    - 스키마 표준화
    - 비즈니스 로직 적용
    """
    
    # Bronze에서 데이터 읽기
    bronze_df = spark.readStream \
        .format("delta") \
        .load("/delta/bronze/clickstream")
    
    # 데이터 정제 및 검증
    silver_df = bronze_df \
        .filter(col("user_id").isNotNull()) \
        .filter(col("product_id").isNotNull()) \
        .filter(col("action").isin(["view", "cart", "purchase"])) \
        .dropDuplicates(["user_id", "product_id", "timestamp", "session_id"]) \
        .withColumn("hour", hour(col("timestamp"))) \
        .withColumn("date", to_date(col("timestamp"))) \
        .withColumn("is_weekend", when(dayofweek(col("timestamp")).isin([1, 7]), True).otherwise(False))
    
    # 사용자 세션 집계
    session_aggregated = silver_df \
        .groupBy("user_id", "session_id", "date") \
        .agg(
            count("*").alias("total_events"),
            countDistinct("product_id").alias("unique_products_viewed"),
            max("timestamp").alias("last_activity"),
            collect_list("action").alias("action_sequence")
        )
    
    # Silver 테이블로 저장
    silver_query = session_aggregated.writeStream \
        .format("delta") \
        .outputMode("append") \
        .option("checkpointLocation", "/delta/checkpoints/silver_sessions") \
        .trigger(processingTime="1 minute") \
        .foreachBatch(upsert_to_silver) \
        .start()
    
    return silver_query

def upsert_to_silver(batch_df, batch_id):
    """
    Silver 테이블에 UPSERT 연산 수행
    기존 세션 데이터가 있으면 업데이트, 없으면 삽입
    """
    
    # Delta 테이블 로드
    silver_table = DeltaTable.forPath(spark, "/delta/silver/user_sessions")
    
    # MERGE 연산으로 UPSERT 수행
    silver_table.alias("target").merge(
        batch_df.alias("source"),
        "target.user_id = source.user_id AND target.session_id = source.session_id"
    ).whenMatchedUpdateAll() \
     .whenNotMatchedInsertAll() \
     .execute()

# Gold Layer - 비즈니스 집계 및 ML 피처 생성
def process_gold_layer():
    """
    Gold Layer: 비즈니스 요구사항에 맞는 데이터 모델링
    - 사용자 프로필 생성
    - 상품 인기도 계산
    - 추천 시스템용 피처 생성
    """
    
    # Silver에서 세션 데이터 읽기
    sessions_df = spark.read.format("delta").load("/delta/silver/user_sessions")
    
    # 사용자 프로필 생성
    user_profile_df = sessions_df \
        .groupBy("user_id") \
        .agg(
            count("session_id").alias("total_sessions"),
            avg("total_events").alias("avg_events_per_session"),
            avg("unique_products_viewed").alias("avg_products_per_session"),
            max("last_activity").alias("last_seen"),
            sum(when(col("is_weekend"), 1).otherwise(0)).alias("weekend_sessions")
        ) \
        .withColumn("user_engagement_score", 
                   col("total_sessions") * 0.3 + 
                   col("avg_events_per_session") * 0.4 + 
                   col("avg_products_per_session") * 0.3)
    
    # 상품 인기도 계산
    product_popularity_df = sessions_df \
        .join(spark.read.format("delta").load("/delta/bronze/clickstream"), 
              ["user_id", "session_id"]) \
        .groupBy("product_id") \
        .agg(
            countDistinct("user_id").alias("unique_viewers"),
            count("*").alias("total_views"),
            sum(when(col("action") == "purchase", 1).otherwise(0)).alias("purchases")
        ) \
        .withColumn("conversion_rate", 
                   col("purchases") / col("total_views")) \
        .withColumn("popularity_score",
                   col("unique_viewers") * 0.4 + 
                   col("total_views") * 0.3 + 
                   col("conversion_rate") * 0.3)
    
    # Gold 테이블들에 저장
    user_profile_df.write.format("delta").mode("overwrite").save("/delta/gold/user_profiles")
    product_popularity_df.write.format("delta").mode("overwrite").save("/delta/gold/product_popularity")

# ML 파이프라인 - 추천 모델 훈련
def train_recommendation_model():
    """
    MLflow를 활용한 추천 모델 훈련
    - 피처 엔지니어링
    - 협업 필터링 모델 훈련
    - 모델 등록 및 배포
    """
    
    with mlflow.start_run():
        # Gold 레이어에서 피처 로드
        user_profiles = spark.read.format("delta").load("/delta/gold/user_profiles")
        product_popularity = spark.read.format("delta").load("/delta/gold/product_popularity")
        
        # 사용자-상품 상호작용 매트릭스 생성
        interactions_df = spark.read.format("delta").load("/delta/silver/user_sessions") \
            .join(spark.read.format("delta").load("/delta/bronze/clickstream"),
                  ["user_id", "session_id"]) \
            .filter(col("action").isin(["view", "cart", "purchase"])) \
            .withColumn("rating", 
                       when(col("action") == "purchase", 5)
                       .when(col("action") == "cart", 3)
                       .otherwise(1)) \
            .groupBy("user_id", "product_id") \
            .agg(max("rating").alias("rating"))
        
        # ALS (Alternating Least Squares) 모델 훈련
        from pyspark.ml.recommendation import ALS
        from pyspark.ml.evaluation import RegressionEvaluator
        
        # 사용자와 상품 ID를 숫자로 변환
        from pyspark.ml.feature import StringIndexer
        
        user_indexer = StringIndexer(inputCol="user_id", outputCol="user_index")
        product_indexer = StringIndexer(inputCol="product_id", outputCol="product_index")
        
        indexed_interactions = user_indexer.fit(interactions_df).transform(interactions_df)
        indexed_interactions = product_indexer.fit(indexed_interactions).transform(indexed_interactions)
        
        # 훈련/테스트 데이터 분할
        train_data, test_data = indexed_interactions.randomSplit([0.8, 0.2], seed=42)
        
        # ALS 모델 설정 및 훈련
        als = ALS(
            userCol="user_index",
            itemCol="product_index", 
            ratingCol="rating",
            rank=50,
            maxIter=10,
            regParam=0.01,
            coldStartStrategy="drop"
        )
        
        model = als.fit(train_data)
        
        # 모델 평가
        predictions = model.transform(test_data)
        evaluator = RegressionEvaluator(
            metricName="rmse",
            labelCol="rating",
            predictionCol="prediction"
        )
        rmse = evaluator.evaluate(predictions)
        
        # MLflow에 메트릭 및 모델 로깅
        mlflow.log_metric("rmse", rmse)
        mlflow.log_param("rank", 50)
        mlflow.log_param("maxIter", 10)
        mlflow.spark.log_model(model, "recommendation_model")
        
        print(f"Model RMSE: {rmse}")
        
        return model

# 실시간 추천 서빙
def serve_recommendations():
    """
    실시간 추천 API 서빙
    - 사용자별 개인화 추천
    - 실시간 피처 조합
    - A/B 테스트 지원
    """
    
    # 훈련된 모델 로드
    model_uri = "models:/recommendation_model/latest"
    model = mlflow.spark.load_model(model_uri)
    
    # 실시간 사용자 정보 기반 추천 생성
    def get_user_recommendations(user_id, num_recommendations=10):
        # 사용자 최근 활동 조회
        recent_activity = spark.read.format("delta").load("/delta/silver/user_sessions") \
            .filter(col("user_id") == user_id) \
            .orderBy(col("last_activity").desc()) \
            .limit(1)
        
        if recent_activity.count() == 0:
            # 신규 사용자의 경우 인기 상품 추천
            popular_products = spark.read.format("delta").load("/delta/gold/product_popularity") \
                .orderBy(col("popularity_score").desc()) \
                .limit(num_recommendations) \
                .select("product_id", "popularity_score")
            
            return popular_products.collect()
        
        # 기존 사용자의 경우 개인화 추천
        user_products = spark.createDataFrame([(user_id, i) for i in range(1000)], 
                                             ["user_id", "product_id"])
        
        recommendations = model.transform(user_products) \
            .orderBy(col("prediction").desc()) \
            .limit(num_recommendations) \
            .select("product_id", "prediction")
        
        return recommendations.collect()
    
    return get_user_recommendations

# 모니터링 및 성능 측정
def setup_monitoring():
    """
    레이크하우스 성능 모니터링 설정
    - 데이터 품질 메트릭
    - 쿼리 성능 추적
    - 추천 시스템 성과 모니터링
    """
    
    # 데이터 품질 체크
    def check_data_quality():
        bronze_count = spark.read.format("delta").load("/delta/bronze/clickstream").count()
        silver_count = spark.read.format("delta").load("/delta/silver/user_sessions").count()
        gold_count = spark.read.format("delta").load("/delta/gold/user_profiles").count()
        
        quality_metrics = {
            "bronze_records": bronze_count,
            "silver_records": silver_count, 
            "gold_records": gold_count,
            "data_pipeline_health": "healthy" if bronze_count > 0 else "warning"
        }
        
        return quality_metrics
    
    # 추천 성과 측정
    def measure_recommendation_performance():
        # CTR (Click-Through Rate) 계산
        recommendations_served = 1000  # API 호출 수
        clicks_received = 150         # 실제 클릭 수
        ctr = clicks_received / recommendations_served
        
        # 다양성 측정 (추천된 상품 카테고리 분포)
        diversity_score = 0.8  # 계산된 다양성 점수
        
        performance_metrics = {
            "ctr": ctr,
            "diversity_score": diversity_score,
            "recommendations_served": recommendations_served
        }
        
        return performance_metrics
    
    return check_data_quality, measure_recommendation_performance

# 메인 실행 함수
def main():
    """
    레이크하우스 기반 추천 시스템 전체 파이프라인 실행
    """
    
    print("=== 레이크하우스 기반 추천 시스템 시작 ===")
    
    # 1. Bronze Layer 처리 시작
    bronze_query = process_bronze_layer()
    print("Bronze Layer 스트리밍 시작")
    
    # 2. Silver Layer 처리 시작  
    silver_query = process_silver_layer()
    print("Silver Layer 처리 시작")
    
    # 3. Gold Layer 배치 처리
    process_gold_layer()
    print("Gold Layer 배치 처리 완료")
    
    # 4. ML 모델 훈련
    model = train_recommendation_model()
    print("추천 모델 훈련 완료")
    
    # 5. 추천 서빙 함수 생성
    recommend_func = serve_recommendations()
    print("추천 서빙 준비 완료")
    
    # 6. 모니터링 설정
    quality_check, performance_check = setup_monitoring()
    
    # 7. 샘플 추천 실행
    sample_recommendations = recommend_func("user_12345", 5)
    print(f"샘플 추천 결과: {sample_recommendations}")
    
    # 8. 품질 및 성능 체크
    quality_metrics = quality_check()
    performance_metrics = performance_check()
    
    print(f"데이터 품질 메트릭: {quality_metrics}")
    print(f"추천 성과 메트릭: {performance_metrics}")
    
    print("=== 레이크하우스 기반 추천 시스템 실행 완료 ===")
    
    # 스트리밍 쿼리 대기
    bronze_query.awaitTermination()
    silver_query.awaitTermination()

if __name__ == "__main__":
    main()