recolectar estadísticas usando menos recursos

app/jobs/periodic_job.rb

@@ -0,0 +1,55 @@
+# frozen_string_literal: true
+
+# Una tarea que se corre periódicamente
+class PeriodicJob < ApplicationJob
+  class RunAgainException < StandardError; end
+
+  STARTING_INTERVAL = Stat::INTERVALS.first
+
+  # Tener el sitio a mano
+  attr_reader :site
+
+  # Descartar y notificar si pasó algo más.
+  #
+  # XXX: En realidad deberíamos seguir reintentando?
+  discard_on(StandardError) do |_, error|
+    ExceptionNotifier.notify_exception(error)
+  end
+
+  # Correr indefinidamente una vez por hora.
+  #
+  # XXX: El orden importa, si el descarte viene después, nunca se va a
+  # reintentar.
+  retry_on(PeriodicJob::RunAgainException, wait: 1.try(STARTING_INTERVAL), attempts: Float::INFINITY, jitter: 0)
+
+  private
+
+  # Las clases que implementen esta tienen que usar este método al
+  # terminar.
+  def run_again!
+    raise PeriodicJob::RunAgainException, 'Reintentando'
+  end
+
+  # El intervalo de inicio
+  #
+  # @return [Symbol]
+  def starting_interval
+    STARTING_INTERVAL
+  end
+
+  # La última recolección de estadísticas o empezar desde el principio
+  # de los tiempos.
+  #
+  # @return [Stat]
+  def last_stat
+    @last_stat ||= site.stats.where(name: stat_name).last ||
+                   site.stats.build(created_at: Time.new(1970, 1, 1))
+  end
+
+  # Devuelve el comienzo del intervalo
+  #
+  # @return [Time]
+  def beginning_of_interval
+    @beginning_of_interval ||= last_stat.created_at.try(:"beginning_of_#{starting_interval}")
+  end
+end

app/jobs/stat_collection_job.rb

@@ -3,74 +3,65 @@
 # Genera resúmenes de información para poder mostrar estadísticas y se
 # corre regularmente a sí misma.
 class StatCollectionJob < ApplicationJob
-  class CrontabException < StandardError; end
+  STAT_NAME = 'stat_collection_job'
 
-  # Descartar y notificar si pasó algo más.
-  #
-  # XXX: En realidad deberíamos seguir reintentando?
-  discard_on(Exception) do |_, error|
-    ExceptionNotifier.notify_exception error
-  end
+  def perform(site_id:, once: true)
+    @site = Site.find site_id
 
-  # Correr indefinidamente una vez por hora.
-  #
-  # XXX: El orden importa, si el descarte viene después, nunca se va a
-  # reintentar.
-  retry_on(StatCollectionJob::CrontabException, wait: 1.hour, attempts: Float::INFINITY, jitter: 0)
+    scope.rollup('builds', **options)
 
-  COLUMNS = %i[uri].freeze
+    scope.rollup('space_used', **options) do |rollup|
+      rollup.average(:bytes)
+    end
 
-  def perform(once: false)
-    Site.find_each do |site|
-      hostnames = [site.hostname, site.alternative_hostnames].flatten
+    scope.rollup('build_time', **options) do |rollup|
+      rollup.average(:seconds)
+    end
 
-      # Usamos el primero porque luego podemos hacer un rollup recursivo
-      options = { interval: Stat::INTERVALS.first }
+    # XXX: Es correcto promediar promedios?
+    Stat::INTERVALS.reduce do |previous, current|
+      rollup(name: 'builds', interval_previous: previous, interval: current)
+      rollup(name: 'space_used', interval_previous: previous, interval: current, operation: :average)
+      rollup(name: 'build_time', interval_previous: previous, interval: current, operation: :average)
 
-      # Visitas por hostname
-      hostnames.each do |hostname|
-        AccessLog.where(host: hostname).completed_requests.non_robots.pages.group(:host).rollup('host', **options)
-
-        combined_columns(hostname, **options)
-      end
-
-      stats_by_site(site, **options)
+      current
     end
 
     # Registrar que se hicieron todas las recolecciones
-    Stat.create!
+    site.stats.create! name: STAT_NAME
 
-    raise CrontabException unless once
+    run_again! unless once
   end
 
   private
 
-  # Combinación de columnas
-  def combined_columns(hostname, **options)
-    where = { host: hostname }
-
-    COLUMNS.each do |column|
-      AccessLog.where(host: hostname).pluck(Arel.sql("distinct #{column}")).each do |value|
-        where[column] = value
-
-        AccessLog.where(**where).completed_requests.non_robots.group(:host, column).rollup("host|#{column}", **options)
-      end
-    end
+  # Genera un rollup recursivo en base al período anterior y aplica una
+  # operación.
+  #
+  # @return [NilClass]
+  def rollup(name:, interval_previous:, interval:, operation: :sum)
+    Rollup.where(name: name, interval: interval_previous)
+          .where_dimensions(site_id: site.id)
+          .group("dimensions->'site_id'")
+          .rollup(name, interval: interval, update: true) do |rollup|
+            rollup.try(:operation, :value)
+          end
   end
 
-  # Uso de recursos por cada sitio.
+  # Los registros a procesar
   #
-  # XXX: En realidad se agrupan por el deploy_id, que siempre será el
-  # del DeployLocal.
-  def stats_by_site(site, **options)
-    site.build_stats.jekyll.group(:deploy_id).rollup('builds', **options)
+  # @return [ActiveRecord::Relation]
+  def scope
+    @scope ||= site.build_stats
+                   .jekyll
+                   .where('created_at => ?', beginning_of_interval)
+                   .group(:site_id)
+  end
 
-    site.build_stats.jekyll.group(:deploy_id).rollup('space_used', **options) do |rollup|
-      rollup.average(:bytes)
-    end
-
-    site.build_stats.jekyll.group(:deploy_id).rollup('build_time', **options) do |rollup|
-      rollup.average(:seconds)
-    end
+  # Las opciones por defecto
+  #
+  # @return [Hash]
+  def options
+    @options ||= { interval: starting_interval, update: true }
   end
 end

app/jobs/uri_collection_job.rb

@@ -1,16 +1,105 @@
 # frozen_string_literal: true
 
 # Procesar una lista de URIs para una lista de dominios.  Esto nos
-# permite procesar estadísticas a demanada.
-class UriCollectionJob < ApplicationJob
-  def perform(hostnames:, file:)
-    uris = File.read(file).split("\n")
+# permite procesar estadísticas a demanda.
+#
+# Hay varias cosas acá que van a convertirse en métodos propios, como la
+# detección de URIs de un sitio (aunque la versión actual detecta todas
+# las páginas y no solo las de posts como tenemos planeado, hay que
+# resolver eso).
+#
+# Los hostnames de un sitio van a poder obtenerse a partir de
+# Site#hostnames con la garantía de que son únicos.
+class UriCollectionJob < PeriodicJob
+  # Ignoramos imágenes porque suelen ser demasiadas y no aportan a las
+  # estadísticas.
+  IMAGES = %w[.png .jpg .jpeg .gif .webp].freeze
+  STAT_NAME = 'uri_collection_job'
+
+  def perform(site_id:, once: true)
+    @site = Site.find site_id
 
     hostnames.each do |hostname|
       uris.each do |uri|
-        break if File.exist? Rails.root.join('tmp', 'uri_collection_job_stop')
+        return if File.exist? Rails.root.join('tmp', 'uri_collection_job_stop')
 
-        AccessLog.where(host: hostname, uri: uri).completed_requests.non_robots.group(:host, :uri).rollup('host|uri', interval: 'day')
+        AccessLog.where(host: hostname, uri: uri)
+                 .where('created_at >= ?', beginning_of_interval)
+                 .completed_requests
+                 .non_robots
+                 .group(:host, :uri)
+                 .rollup('host|uri', interval: starting_interval, update: true)
+
+        # Reducir las estadísticas calculadas aplicando un rollup sobre el
+        # intervalo más amplio.
+        Stat::INTERVALS.reduce do |previous, current|
+          Rollup.where(name: 'host|uri', interval: previous)
+                .where_dimensions(host: hostname, uri: uri)
+                .group("dimensions->'host'", "dimensions->'uri'")
+                .rollup('host|uri', interval: current, update: true) do |rollup|
+                  rollup.sum(:value)
+                end
+
+          # Devolver el intervalo actual
+          current
+        end
+      end
+    end
+
+    # Recordar la última vez que se corrió la tarea
+    site.stats.create! name: STAT_NAME
+
+    run_again! unless once
+  end
+
+  private
+
+  def stat_name
+    STAT_NAME
+  end
+
+  # @return [String]
+  #
+  # TODO: Cambiar al mergear origin-referer
+  def destination
+    @destination ||= site.deploys.find_by(type: 'DeployLocal').destination
+  end
+
+  # TODO: Cambiar al mergear origin-referer
+  #
+  # @return [Array]
+  def hostnames
+    @hostnames ||= site.deploys.map do |deploy|
+      case deploy
+      when DeployLocal
+        site.hostname
+      when DeployWww
+        deploy.fqdn
+      when DeployAlternativeDomain
+        deploy.hostname.dup.tap do |h|
+          h.replace(h.end_with?('.') ? h[0..-2] : "#{h}.#{Site.domain}")
+        end
+      when DeployHiddenService
+        deploy.onion
+      end
+    end.compact
+  end
+
+  # Recolecta todas las URIs menos imágenes
+  #
+  # @return [Array]
+  def uris
+    @uris ||= Dir.chdir destination do
+      (Dir.glob('**/*.html') + Dir.glob('public/**/*').reject do |p|
+        File.directory? p
+      end.reject do |p|
+        p = p.downcase
+
+        IMAGES.any? do |i|
+          p.end_with? i
+        end
+      end).map do |uri|
+        "/#{uri}"
       end
     end
   end

app/models/site.rb

@@ -37,6 +37,7 @@ class Site < ApplicationRecord
   belongs_to :design
   belongs_to :licencia
 
+  has_many :stats
   has_many :log_entries, dependent: :destroy
   has_many :deploys, dependent: :destroy
   has_many :build_stats, through: :deploys

app/models/stat.rb

@@ -1,6 +1,10 @@
 # frozen_string_literal: true
 
+# Registran cuándo fue la última recolección de datos.
 class Stat < ApplicationRecord
-  INTERVALS = %i[year month day].freeze
+  # XXX: Los intervalos van en orden de mayor especificidad a menor
+  INTERVALS = %i[day month year].freeze
   RESOURCES = %i[builds space_used build_time].freeze
+
+  belongs_to :site
 end