<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[더핑크퐁컴퍼니 기술 블로그 - Medium]]></title>
        <description><![CDATA[아기상어와 핑크퐁을 만드는 회사, 더핑크퐁컴퍼니의 기술 문화와 경험을 공유합니다. 개발자 지원하기👉 https://fong.kr/apply/ - Medium]]></description>
        <link>https://medium.com/pinkfong?source=rss----49b00914057a---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>더핑크퐁컴퍼니 기술 블로그 - Medium</title>
            <link>https://medium.com/pinkfong?source=rss----49b00914057a---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 17:13:12 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/pinkfong" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[베베핀 타운 AR 도입기: Unity AR Foundation 선택부터 적용까지 (1편)]]></title>
            <link>https://medium.com/pinkfong/%EB%B2%A0%EB%B2%A0%ED%95%80-%ED%83%80%EC%9A%B4-ar-%EB%8F%84%EC%9E%85%EA%B8%B0-unity-ar-foundation-%EC%84%A0%ED%83%9D%EB%B6%80%ED%84%B0-%EC%A0%81%EC%9A%A9%EA%B9%8C%EC%A7%80-1%ED%8E%B8-62a3046a4049?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/62a3046a4049</guid>
            <category><![CDATA[augmented-reality]]></category>
            <category><![CDATA[face-tracking]]></category>
            <category><![CDATA[unity]]></category>
            <category><![CDATA[mobile-app-development]]></category>
            <category><![CDATA[ar-foundation]]></category>
            <dc:creator><![CDATA[Derrick]]></dc:creator>
            <pubDate>Thu, 21 May 2026 06:04:14 GMT</pubDate>
            <atom:updated>2026-05-21T06:04:13.144Z</atom:updated>
            <content:encoded><![CDATA[<p>베베핀 타운에 새로운 놀이 경험을 더하기 위해 AR Foundation을 검토하고 적용한 이야기</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/680/1*Hgr5RpejmWR_IV3uRCB9mA.avif" /></figure><p>안녕하세요.<br>더핑크퐁컴퍼니에서 소프트웨어 엔지니어로 근무하고 있는 강진영(그루트)입니다.</p><p>베베핀 타운에 AR 기능을 도입하며 고민했던 기술적 의사결정과 적용 과정을 공유합니다.</p><p>이 글에서는 Unity AR Foundation을 선택하게 된 배경과, 크로스 플랫폼 환경에서 Face Tracking을 안정적으로 적용하기 위한 설계 방향을 다룹니다.</p><p>AR 도입이나 크로스 플랫폼 AR 구현을 고민하는 분들께 도움이 되기를 바랍니다.</p><h3>베베핀 타운이란?</h3><p>베베핀 타운은 아이들이 ‘베베핀’ 캐릭터가 되어 3D 공간 속 집과 다양한 월드를 자유롭게 탐험하며 즐길 수 있는 놀이형 앱입니다.</p><p>영유아 및 미취학 아동을 대상으로 설계되어, 안전하고 직관적인 환경에서 아이들이 자연스럽게 탐험하고 놀이에 참여할 수 있도록 구성되어 있습니다.</p><p>단순한 시청형 콘텐츠를 넘어, 아이 스스로 공간을 이동하고 캐릭터와 상호작용하는 능동형 경험을 제공하는 것이 특징입니다.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FYTBGfSD1BKo%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DYTBGfSD1BKo&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FYTBGfSD1BKo%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/89b804a61c19400b95aa4d5f5ef52fc4/href">https://medium.com/media/89b804a61c19400b95aa4d5f5ef52fc4/href</a></iframe><p>📲 App Store: <a href="https://lnkd.in/gS9gMeJD">https://lnkd.in/gS9gMeJD</a><br>📲 Google Play: <a href="https://lnkd.in/g6jvT73j">https://lnkd.in/g6jvT73j</a><br>🔎 Learn more: <a href="https://lnkd.in/gfBzJcJ3">https://lnkd.in/gfBzJcJ3</a></p><h3>AR 기능을 검토하게 된 배경</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TnQVHTQUEEwni-6O5Bd0NQ.png" /></figure><p>AR은 사용자를 콘텐츠 안으로 자연스럽게 끌어들이고, 얼굴 움직임이나 표정에 반응하는 인터랙션을 통해 아이들에게 보다 직관적이고 몰입감 있는 경험을 제공합니다.</p><p>특히 자신의 움직임이 즉각적으로 반영되는 구조는 복잡한 설명 없이도 흥미를 유도하며, 짧은 시간 안에도 콘텐츠에 빠르게 몰입할 수 있도록 돕습니다.</p><p>최근 연구에서도 AR은 어린 사용자에게 풍부한 상호작용 경험을 제공하는 방식으로 소개되고 있으며, 행동적·인지적·정서적·사회적 참여 측면에서 긍정적인 반응이 확인되고 있습니다 또한 업계에서도 AR은 사용자의 반응을 빠르게 이끌어내는 효과적인 인터랙션 수단으로 활용되고 있습니다.</p><p>이러한 흐름을 바탕으로, 베베핀 타운에서도 아이들이 캐릭터를 더 가깝게 느끼고 직접 참여하는 경험을 확장하기 위해 AR 기능 도입을 검토하게 되었습니다.</p><p><em>(참고: </em><a href="https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2024.1423163/full"><em>Frontiers in Psychology, 2024</em></a><em> / </em><a href="https://s25.q4cdn.com/442043304/files/doc_financials/2025/q3/Q3-2025-Investor-Letter.pdf"><em>Snap Investor Letter, 2025 Q3</em></a><em>)</em></p><h3>왜 AR Foundation을 선택했을까?</h3><p>AR 기능을 실제 서비스에 적용하는 과정에서는 단순한 구현 가능 여부를 넘어서, 운영과 유지보수까지 함께 고려할 필요가 있었습니다.</p><p>베베핀 타운은 iOS와 Android를 모두 지원하는 만큼, 플랫폼별로 서로 다른 방식으로 AR을 구현할 경우 개발과 운영 부담이 커질 수 있는 구조였습니다.</p><p>특히 얼굴 움직임을 추적하는 기능은 플랫폼마다 지원 범위와 동작 방식에 차이가 있어, 초기 설계 단계에서부터 이를 하나의 구조로 통합하는 방향이 중요했습니다.</p><p>이에 따라 플랫폼별 개별 구현보다는, 하나의 코드 흐름 안에서 공통으로 관리할 수 있는 구조를 우선적으로 검토했습니다. 그리고 플랫폼 간 차이를 최소화하면서도 안정적으로 확장 가능한 방향을 기준으로 기술을 선택했습니다.</p><p>그 결과, Unity의 AR 개발 프레임워크인 Unity AR Foundation을 적용하게 되었습니다.</p><p>AR Foundation은 iOS의 ARKit과 Android의 ARCore를 공통 인터페이스로 연결해 주는 구조로, Unity 프로젝트 내에서 단일한 흐름으로 AR 기능을 제어할 수 있다는 장점이 있습니다. 이를 통해 플랫폼별 구현 차이를 줄이면서 일관된 개발 흐름을 유지할 수 있었습니다.</p><p>또한 Plane Detection, Raycast, Face Tracking과 같은 주요 기능들을 하나의 구조 안에서 함께 활용할 수 있어, 이후 기능 확장이나 유지보수 측면에서도 보다 효율적인 구조를 갖출 수 있었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/498/1*mb9pjyb--lNYyj1bGDbA3w.png" /></figure><h3>초기 테스트 및 기술 검토</h3><p>초기 테스트 및 기술 검토 단계에서는 <a href="https://docs.unity3d.com/Packages/com.unity.xr.arfoundation@6.2/manual/samples/features/face-tracking.html">Unity AR Foundation의 Face Tracking 샘플</a>(AR Face Mesh)을 활용해 iOS와 Android 환경에서의 기본 동작을 확인했습니다. 이 과정에서는 얼굴 인식과 추적이 양 플랫폼에서 자연스럽게 이어지는지에 초점을 맞췄습니다.</p><p>특히 영유아들의 얼굴에 적용되는 재미있는 필터 중심의 경험을 고려해, 실제 콘텐츠 환경에서도 어색함 없이 반응하는지가 중요했습니다. 이에 따라 Face Tracking의 일관성, Face Mesh 데이터의 안정성, 그리고 표정과 움직임에 맞춘 필터 반응의 자연스러움을 중심으로 검증을 진행했습니다.</p><p>단순한 기능 확인을 넘어, 별도의 설명 없이도 직관적으로 즐길 수 있는 수준의 인터랙션 구현 여부를 기준으로 판단했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*3FvK2Edugv-ExGoIxHpgrg.gif" /><figcaption>Unity ARFoundation Android Test</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/332/1*SGqil4Lc3qW2f9YqzMGVCw.gif" /><figcaption>Unity ARFoundation iOS Test</figcaption></figure><h3>AR Foundation Face Tracking 기본 구조</h3><p>Face Tracking의 기본 구성은 AR Session, XR Origin, AR Face Manager, AR Camera Manager로 이루어지며, 베베핀 타운 역시 이 구조를 기반으로 설계했습니다.</p><p>AR Session은 AR 기능의 실행 상태와 세션 생명주기를 관리하고, XR Origin은 디바이스의 움직임을 Unity 좌표계에 반영하는 기준 역할을 합니다.</p><p>AR Face Manager는 얼굴 감지와 추적을 담당하는 핵심 컴포넌트로, 얼굴이 인식되면 ARFace 오브젝트를 생성하고 프레임 단위로 변경된 데이터를 전달합니다.</p><p>AR Camera Manager는 카메라 입력과 설정을 관리하며, 실제 카메라 화면과 추적 데이터를 연결합니다.</p><p>Face Tracking 데이터는 AR Face Manager를 통해 수신하고, 이를 기반으로 얼굴의 위치, 회전, 메시 정보를 캐릭터나 필터 이펙트에 반영하는 구조로 구성했습니다.</p><p>이 과정에서 생성되는 얼굴 메시와 표정 관련 데이터는 디바이스 내부에서 실시간으로만 처리되며, 서버로 전송하거나 별도로 저장하지 않도록 설계했습니다.</p><p>영유아 사용자가 이용하는 서비스인 만큼 COPPA, 개인정보보호법 등 관련 기준을 참고해 데이터 흐름을 검토하고, 불필요한 개인정보 처리 요소가 포함되지 않도록 주의했습니다.</p><p>또한 플랫폼별 차이가 코드 구조에 과도하게 반영되지 않도록 공통 Face Tracking 흐름은 하나로 유지했습니다. 얼굴 포즈 추적이나 메시 업데이트처럼 공통적으로 처리 가능한 영역은 동일한 구조로 관리하고, ARKit의 Blend Shapes와 같은 플랫폼 고유 기능은 런타임에서 지원 여부를 확인한 뒤 필요한 경우에만 선택적으로 활용하도록 설계했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/906/1*KwIYDUhLXYl7dfiICb_fJA.png" /></figure><h3>디바이스 기준 기반 AR 설계 전략</h3><p>AR 기능은 기기별 성능과 지원 범위의 편차가 크기 때문에, 모든 환경에서 동일한 경험을 제공하기보다는 명확한 기준을 정의하고 그에 맞춰 기능을 제공하는 방식으로 접근했습니다.</p><p>단순히 “실행 가능 여부”가 아니라, 실제 서비스 환경에서의 안정성과 사용자 경험을 기준으로 지원 범위를 결정했습니다.</p><h4>iOS: 하드웨어 기준 기반 안정성 확보</h4><p>iOS는 기기 스펙이 비교적 명확하게 구분되기 때문에, Face Tracking의 안정성과 일관된 사용자 경험을 확보하는 데 초점을 맞췄습니다.</p><p>이에 따라 <strong>A12 Bionic 칩셋 이상 기기만 지원 대상</strong>으로 설정했습니다.</p><p>이 기준은 단순히 기능이 동작하는 수준이 아니라,</p><ul><li>발열</li><li>프레임 유지</li><li>트래킹 안정성</li></ul><p>까지 고려한 실제 서비스 품질 기준입니다.</p><h4>Android: 런타임 기반 유연한 대응</h4><p>Android는 제조사와 기기별 편차가 크기 때문에, iOS처럼 고정된 기준을 적용하기 어렵습니다.</p><p>따라서 사전에 기기를 제한하기보다는, 런타임에서 조건을 확인해 기능 활성화 여부를 판단하는 방식을 적용했습니다.</p><p>기준은 다음 두 가지입니다.</p><ul><li>AR 지원 여부 (ARCore 기반)</li><li>일정 수준 이상의 메모리 확보(메모리 약 8GB 이상)</li></ul><p>이 두 조건을 모두 만족하는 경우에만 AR 기능을 활성화하도록 구성했습니다.</p><pre>public IEnumerator CheckFaceArSupport(Action&lt;bool&gt; onResult)<br>    {<br>        if (SystemInfo.systemMemorySize &lt; 8000)<br>        {<br>            Debug.Log(&quot;[AndroidChecker] 램 약 8GB 미만&quot;);<br>            onResult?.Invoke(false);<br>            yield break;<br>        }</pre><pre>        if (ARSession.state == ARSessionState.None || ARSession.state == ARSessionState.CheckingAvailability)<br>        {<br>            yield return ARSession.CheckAvailability();<br>        }</pre><pre>        if (ARSession.state == ARSessionState.Unsupported)<br>        {<br>            Debug.Log(&quot;[AndroidChecker] ARCore 미지원 확인&quot;);<br>            onResult?.Invoke(false);<br>        }<br>        else<br>        {<br>            Debug.Log(&quot;[AndroidChecker] AR 페이스 트래킹 지원 안드로이드 기기입니다.&quot;);<br>            onResult?.Invoke(true);<br>        }<br>    }</pre><h3>설계 방향</h3><p>플랫폼별 접근 방식은 다르지만, 전체 설계에서는 다음 원칙을 공통적으로 유지했습니다.</p><ul><li>단순 실행 가능 여부가 아닌 서비스 품질 기준으로 판단</li><li>성능이 부족한 환경에서는 기능을 제한하거나 비활성화</li><li>AR 미지원 환경에서는 일반 모드로 자연스럽게 전환</li></ul><p>결과적으로, 모든 기기에서 동일한 기능을 제공하기보다는<br> 각 환경에서 최적의 경험을 제공하는 방향으로 설계를 정리했습니다.</p><h3>마무리</h3><p>이번 글에서는 AR 기능 도입 배경과 함께, Unity AR Foundation을 선택하게 된 과정, 그리고 실제 서비스 적용을 위한 기술적 고려 사항을 정리했습니다.</p><p>특히 크로스 플랫폼 환경에서 Face Tracking 기능을 공통 구조로 구성하고, 디바이스별 제약을 기준으로 기능을 설계한 부분이 핵심이었습니다.</p><p>다음 글에서는 AR 필터 구현을 중심으로, 얼굴 추적 데이터를 활용한 이펙트 적용 방식과 주요 API 활용 방법을 다룰 예정입니다.</p><p>이후 글에서는 촬영 결과물에 대한 처리 흐름을 중심으로, 이미지 저장 및 공유, 워터마킹과 같은 후처리 적용 방식까지 정리해보겠습니다.</p><h3>참고 자료</h3><ul><li>Frontiers in Psychology, 2024</li><li><a href="https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2024.1423163/full">https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2024.1423163/full</a></li><li>Snap Investor Letter, 2025 Q3</li><li><a href="https://s25.q4cdn.com/442043304/files/doc_financials/2025/q3/Q3-2025-Investor-Letter.pdf">https://s25.q4cdn.com/442043304/files/doc_financials/2025/q3/Q3-2025-Investor-Letter.pdf</a></li><li>Unity ARFoundation Face-Tracking Doc</li><li><a href="https://docs.unity3d.com/Packages/com.unity.xr.arfoundation%406.3/manual/samples/features/face-tracking.html">https://docs.unity3d.com/Packages/com.unity.xr.arfoundation%406.3/manual/samples/features/face-tracking.html</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=62a3046a4049" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/%EB%B2%A0%EB%B2%A0%ED%95%80-%ED%83%80%EC%9A%B4-ar-%EB%8F%84%EC%9E%85%EA%B8%B0-unity-ar-foundation-%EC%84%A0%ED%83%9D%EB%B6%80%ED%84%B0-%EC%A0%81%EC%9A%A9%EA%B9%8C%EC%A7%80-1%ED%8E%B8-62a3046a4049">베베핀 타운 AR 도입기: Unity AR Foundation 선택부터 적용까지 (1편)</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Next.js App Router에서 prefetchQuery와 Suspense로 뚜루루뚜루 데이터 스트리밍하기]]></title>
            <link>https://medium.com/pinkfong/next-js-app-router%EC%97%90%EC%84%9C-prefetchquery%EC%99%80-suspense%EB%A1%9C-%EC%9A%B0%EC%95%84%ED%95%98%EA%B2%8C-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%8A%A4%ED%8A%B8%EB%A6%AC%EB%B0%8D%ED%95%98%EA%B8%B0-acb3d90cd5bc?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/acb3d90cd5bc</guid>
            <category><![CDATA[nextjs-app-router]]></category>
            <category><![CDATA[react-query]]></category>
            <category><![CDATA[nextjs]]></category>
            <dc:creator><![CDATA[Andy]]></dc:creator>
            <pubDate>Fri, 26 Sep 2025 05:02:19 GMT</pubDate>
            <atom:updated>2025-09-27T13:37:13.578Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lBhb-huX8rw58WTsqSHPIw.png" /></figure><p>안녕하세요. 더핑크퐁컴퍼니에서 Software Engineering Intern으로 근무하고 있는 앤디입니다.😆</p><p>이번 포스트에서는 인턴으로서 처음 맡았던 업무 중 하나였던 사내 카페 서비스 프로젝트의 마이그레이션 과정에서 React Query를 활용하며 겪었던 경험을 공유드리려고 합니다.</p><h3>목차</h3><ol><li>들어가며</li><li>기존 방식의 한계와 마이그레이션 여정</li><li>React Query v5.40.0 변화</li><li>세 가지 접근 방식 실험</li><li>v5 streaming 적용 및 성능 비교 결과</li><li>배운 점과 결론</li></ol><h3>1. 들어가며</h3><h4>🎯 프로젝트 배경</h4><p>인턴십을 시작하고 처음 맡았던 프로젝트는 사내 카페 서비스의 Next.js App Router + React 19 기반 마이그레이션이었습니다. <br>기존에는 Pages Router를 사용하고 있었는데, 다음과 같은 이유로 마이그레이션을 결정했습니다:</p><ul><li>Server Components 활용: 서버에서 데이터 페칭을 더 효율적으로 처리</li><li>React 18의 Concurrent Features 활용</li><li>개발 경험 개선: 더 직관적인 라우팅과 레이아웃 시스템</li></ul><h4>🤔 마주한 문제</h4><p>단순한 화면 전환 이상의 문제를 다루게 되었는데, 바로 SSR과 클라이언트 데이터 로딩이 맞물리면서 발생하는 UX 문제였습니다.</p><pre>// 기존 Home 페이지 - SSR로 사용자 정보 prefetch <br>export async function generateMetadata() {<br>  const queryClient = new QueryClient(); <br>  await queryClient.prefetchQuery(<br>    useGetMeQuery.getKey(), <br>    useGetMeQuery.fetcher(graphqlRequestClient, undefined, { <br>        authorization: Bearer ${getToken()<br>    }, })<br>   );  <br>  // ... 메타데이터 생성 <br>}<br><br>// HomeBoard 컴포넌트 - 클라이언트에서 데이터 로딩 <br>function HomeBoard() { <br>  return ( <br>    &lt;Suspense fallback={&lt;BoardSkeleton /&gt;}&gt; <br>      &lt;BoardContent /&gt; <br>    &lt;/Suspense&gt; <br>   ); <br>} <br><br>function BoardContent() { <br>   const { data } = useGetHomeBoardQuery(); // 일반 쿼리 사용 <br>   return &lt;div&gt;{/* 게시판 내용 렌더링 */}&lt;/div&gt;; <br>}</pre><p>이 구조에서는 Home 페이지 내에서 prefetchQuery + SSR로 빠른 초기 렌더링이 가능합니다. 또한 HomeBoard 클라이언트에서는 Suspense로 자연스러운 로딩을 체감할 수 있습니다.</p><p>하지만 두 방식이 일관되지 않고, 복잡한 페이지에서는 어떤 전략을 써야 할지 혼란이 오는 경우가 있었습니다.</p><h3>2. 기존 방식의 한계와 마이그레이션 여정</h3><h4>📊 Pages Router 시절: 부분적 SSR 전략</h4><p>기존 사내 카페 서비스에서는 선택적 prefetch 전략을 사용하고 있었습니다. 모든 데이터를 서버에서 미리 가져오는 것이 아니라, 꼭 필요한 인증 정보만 SSR로 처리하고 나머지는 클라이언트에서 로딩하는 방식이었죠.</p><pre>// Pages Router - 인증만 SSR로 prefetch <br>export async function getServerSideProps(context) { <br>  const queryClient = new QueryClient(); <br>  await queryClient.prefetchQuery(<br>    useGetMeQuery.getKey(), <br>    () =&gt; useGetMeQuery.fetcher(graphqlRequestClient, { <br>      authorization: Bearer ${getToken(context)}, <br>    })() <br>  );<br><br>  return { props: { dehydratedState: dehydrate(queryClient) } }; <br>}<br><br>// 클라이언트 컴포넌트는 나머지 데이터를 CSR로 로딩 <br>function HomeBoard() { <br>  const { data, isLoading } = useGetHomeBoardQuery(); <br>  return isLoading ? &lt;SkeletonBlock /&gt; : &lt;Board data={data} /&gt;; <br>}</pre><h4>🎯 이 방식의 장점</h4><ul><li><strong>빠른 인증 확인</strong>: 사용자 정보는 즉시 확인 가능</li><li><strong>서버 부하 분산</strong>: 모든 데이터를 서버에서 가져오지 않아 부하 적음</li><li><strong>단순한 구조</strong>: 필수 데이터와 부가 데이터가 명확히 분리되어 있음.</li></ul><h4>🤔 하지만 여전히 남은 문제들</h4><p>하지만 실제 서비스를 운영하면서 몇 가지 아쉬운 점들이 보였습니다</p><p><strong>일관되지 않은 로딩 경험</strong></p><pre>// 우선 사용자는 이러한 경험을 하게 됩니다. <br>// 1. 페이지 진입: 서버에서 인증확인 → 빈 레이아웃 표시 <br>// 2. 그 후: 클라이언트에서 각 데이터를 개별적으로 요청 시작 <br>// 3. 결과: 초기 &quot;아무것도 없는&quot; 시간이 존재하고, 순차적 네트워크 요청이 이뤄집니다.</pre><p><strong>클라이언트에서 컴포넌트 마운트 후 각각 API 호출</strong></p><pre>const { data: orders } = useGetOrdersQuery(); // 컴포넌트 마운트 후 호출<br>const { data: menu } = useGetMenuQuery(); // 컴포넌트 마운트 후 호출 <br>const { data: board } = useGetHomeBoardQuery(); // 컴포넌트 마운트 후 호출</pre><p>서버에서 인증 확인은 끝났는데, 클라이언트에서 다시 “처음부터” 데이터 요청 최적화 기회 누락 어차피 서버에서 인증 확인을 위해 GraphQL 요청을 보내는 김에, 다른 데이터 요청도 함께 시작할 수 있을 텐데 아쉬웠습니다. 사용자는 여전히 조각조각 채워지는 UI를 보되, 그 시작점을 더 앞당길 수 있다면 전체적인 로딩 경험이 개선될 것 같다는 생각이 들었습니다.</p><h4>🚀 App Router 마이그레이션 시도와 새로운 고민</h4><p>Next.js 15 App Router로 마이그레이션하면서 더 나은 사용자 경험을 제공하고 싶었습니다. 하지만 기존 방식을 그대로 옮기기에는 한계가 있었죠.</p><pre>// App Router - 여전히 인증만 SSR에서 prefetch <br>export default async function HomePage() { <br>  const queryClient = getQueryClient(); <br>  await queryClient.prefetchQuery({ <br>    queryKey: useGetMeQuery.getKey(), <br>    queryFn: () =&gt; useGetMeQuery.fetcher(<br>      createServerGraphQLClient(), {}<br>    )(), <br>  });<br><br>  return ( <br>    &lt;HydrationBoundary state={dehydrate(queryClient)}&gt; <br>      &lt;ClientHomePage /&gt; <br>    &lt;/HydrationBoundary&gt; <br>  ); <br>}<br><br>// 클라이언트 컴포넌트 - 나머지는 CSR로 로딩 <br>&#39;use client&#39;; <br>function ClientHomePage() { <br>  const { data: user } = useGetMeQuery(); // SSR로 준비됨 <br>  const { data: stamp } = useGetStampQuery(); // 🔄 클라이언트 로딩 <br>  const { data: board } = useGetHomeBoardQuery(); // 🔄 클라이언트 로딩 <br>}<br></pre><h4>🤯 “그럼 모든 걸 prefetch하면 되는 거 아닌가?”</h4><p>자연스럽게 이런 생각이 들었습니다. App Router에서는 Server Components를 활용할 수 있으니, 모든 데이터를 서버에서 미리 가져오면 어떨까요?</p><pre>// Waterfall 방식: 모든 API를 서버에서 순차 prefetch <br>export default async function HomePage() { <br>  const queryClient = getQueryClient(); <br>  const fetcher = createServerGraphQLClient(); <br>  await queryClient.prefetchQuery({ <br>    queryKey: useGetMeQuery.getKey(), <br>    queryFn: () =&gt; useGetMeQuery.fetcher(fetcher)(), <br>  }); <br>  await queryClient.prefetchQuery({ <br>    queryKey: useGetStampQuery.getKey(), <br>    queryFn: () =&gt; useGetStampQuery.fetcher(fetcher)(), <br>  }); <br>  await queryClient.prefetchQuery({ <br>    queryKey: useGetHomeBoardQuery.getKey(), <br>    queryFn: () =&gt; useGetHomeBoardQuery.fetcher(fetcher)(), <br>  }); <br><br>  return ( <br>    &lt;HydrationBoundary state={dehydrate(queryClient)}&gt; <br>      &lt;ClientHomePage /&gt; <br>    &lt;/HydrationBoundary&gt; <br>  ); <br>}</pre><p><strong>🌊 Waterfall 문제 (순차 실행)</strong></p><pre> # 서버 로그 ⏳ 인증 API 호출... (200ms) <br>✅ 인증 API 완료 ⏳ 스탬프 API 호출... (300ms) <br>✅ 스탬프 API 완료 ⏳ 게시판 API 호출... (400ms) <br>✅ 게시판 API 완료 🏁 총 900ms 후 페이지 렌더링 시작</pre><p>사용자는 0.9초 동안 빈 화면을 봐야 합니다. 기존 방식보다 오히려 더 느려졌습니다.</p><p><strong>🧳 Promise.all로 개선 해보자</strong></p><p>“그럼 병렬로 처리하면 되겠네!” 싶어서 다시 시도했습니다</p><pre>// Parallel 방식: 모든 API를 동시에 prefetch <br>export default async function HomePage() { <br>  const queryClient = getQueryClient(); <br>  const fetcher = createServerGraphQLClient(); <br>  await Promise.all([ <br>    queryClient.prefetchQuery({ <br>      queryKey: useGetMeQuery.getKey(), <br>      queryFn: () =&gt; useGetMeQuery.fetcher(fetcher)() <br>    }), <br>    queryClient.prefetchQuery({ <br>      queryKey: useGetStampQuery.getKey(), <br>      queryFn: () =&gt; useGetStampQuery.fetcher(fetcher)() <br>    }), <br>    queryClient.prefetchQuery({ <br>      queryKey: useGetHomeBoardQuery.getKey(), <br>      queryFn: () =&gt; useGetHomeBoardQuery.fetcher(fetcher)() <br>    }), <br>  ]); <br><br>  return ( <br>    &lt;HydrationBoundary state={dehydrate(queryClient)}&gt; <br>      &lt;ClientHomePage /&gt; <br>    &lt;/HydrationBoundary&gt; <br>  ); <br>}</pre><pre># 서버 로그 🚀 모든 API 동시 호출 ⏳<br>가장 느린 게시판 API(400ms) 대기... <br>✅ 모든 API 완료 🏁 400ms 후 페이지 렌더링 시작 <br>성능은 개선되었지만 여전히: 서버에서 400ms 동안 블로킹됩니다.<br>모든 API가 완료될 때까지 사용자는 빈 화면 서버 리소스 동시 사용량 증가 (하나 실패 시 전체 영향)</pre><h4><strong>💭 근본적인 딜레마</strong></h4><p>결국 우리가 마주한 딜레마는 이것이었습니다:</p><pre>📊 선택적 Prefetch (기존 방식) <br>✅ 빠른 초기 렌더링 (인증만 확인) <br>❌ 데이터 로딩 시작점 지연, 개별 로딩 상태 관리 <br><br>📊 전체 Waterfall Prefetch <br>✅ 모든 데이터 미리 준비 <br>❌ 매우 느린 초기 렌더링 (900ms) <br><br>📊 전체 Parallel Prefetch <br>✅ 개선된 로딩 시간 (400ms) ❌</pre><p>여전한 서버 블로킹, 리소스 집중 사용. “빠른 초기 렌더링”과 “일관된 사용자 경험”을 동시에 잡을 수는 없을까? 바로 이 지점에서 React Query v5.40.0의 변화가 완전히 새로운 가능성을 열어주었습니다.</p><h3>3. React Query v5.40.0 변화</h3><h4>🎯 핵심 변화사항</h4><p>React Query v5.40.0은 서버 사이드 렌더링(SSR)과 클라이언트 데이터 로딩 방식에 중요한 변화를 도입했습니다. 단순히 await을 생략할 수 있게 된 것이 아니라, React 18의 Concurrent/Suspense 모델과 자연스럽게 결합할 수 있도록 구조가 개선되었습니다.</p><p><strong>1️⃣ 모든 쿼리를 await할 필요 없음</strong></p><p>공식 문서에서는 이렇게 설명합니다</p><blockquote>As of React Query v5.40.0, you don’t have to await all prefetches for this to work, as pending Queries can also be dehydrated and sent to the client. This lets you kick off prefetches as early as possible without letting them block an entire Suspense boundary, and streams the <em>data</em> to the client as the query finishes.</blockquote><p>즉, 서버에서 queryClient.prefetchQuery()를 호출해도 대기 없이 바로 dehydrate() 할 수 있습니다. 서버에서 쿼리가 아직 pending 상태라도 그대로 클라이언트에 전달할 수 있어, 초기 화면 렌더링 속도를 크게 높일 수 있습니다.</p><p><strong>2️⃣ Suspense와 결합한 점진적 렌더링</strong></p><p>클라이언트에서는 useSuspenseQuery를 사용하면 데이터가 준비되는 순간 해당 컴포넌트가 자동으로 렌더링됩니다. SSR 단계에서는 모든 데이터를 기다리지 않아도 초기 화면이 빠르게 표시된 이후 필요한 데이터는 순차적으로 채워지므로 사용자가 기다리는 느낌이 거의 없어집니다.</p><p><strong>3️⃣ Streaming-like UX 구현</strong></p><p>React 18의 Suspense와 결합하면 서버에서 <strong>페이지 뼈대(Shell)</strong>를 먼저 보내고, 클라이언트에서는 데이터가 준비되는 대로 UI를 완성할 수 있습니다. Waterfall이나 Parallel 방식보다 UX가 자연스럽습니다. “Streaming SSR”은 아니지만, 서버에서 데이터를 스트리밍하듯 UI가 점진적으로 완성되는 경험을 제공합니다.</p><p>📌 정리하자면, v5.40.0의 변화는 단순히 await을 생략할 수 있다는 수준이 아니라, React Query가 React 18의 Concurrent/Suspense 모델과 본격적으로 손발을 맞추게 되었다는 점에서 큰 의미가 있습니다. 이제 SSR + Suspense 조합을 통해 Waterfall도 Parallel도 아닌, Streaming-like 데이터 로딩을 경험할 수 있게 된 것입니다.</p><h3>4. 세 가지 접근 방식 실험</h3><blockquote><strong>📋 실험 설정 </strong><br>4개의 다른 API (User, Posts, Comments, Analytics)를 사용하여 각각 다른 응답 시간을 시뮬레이션했습니다. <br>— User API: 300ms <br>— Posts API: 500ms <br>— Comments API: 200ms <br>— Analytics API: 800ms</blockquote><blockquote><strong><em>[더 자세한 실험 코드는 여기에서 확인할 수 있습니다 👉 </em></strong><a href="https://github.com/KimKyuHoi/React_Query_prefetchingTest"><strong><em>GitHub Repository</em></strong></a><strong><em>]</em></strong></blockquote><h4>⏳ Await (Waterfall)</h4><p>쿼리를 순차적으로 await 하면서 불러오기 때문에, 서버 로그에서 요청이 직렬 실행됩니다. 클라이언트는 모든 쿼리가 끝나야 SSR HTML을 받을 수 있어 초기 화면 진입이 늦습니다.</p><pre>⏳ [WITH-AWAIT PAGE] Page rendering started <br>⏳ [WATERFALL 1/4] Starting user API prefetch (BLOCKING) <br>✅ [USER API] Completed <br>⏳ [WATERFALL 2/4] Starting posts API prefetch (BLOCKING) <br>✅ [POSTS API] Completed <br>⏳ [WATERFALL 3/4] Starting comments API prefetch (BLOCKING) <br>✅ [COMMENTS API] Completed <br>⏳ [WATERFALL 4/4] Starting analytics API prefetch (BLOCKING) <br>✅ [ANALYTICS API] Completed <br>🏁 [WITH-AWAIT PAGE] Page rendered - ALL APIs blocking! With-Await Prefetch Test</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*_58CxxJ10a-tlbas0cqyUg.png" /></figure><h4>⚡ Promise.all (Parallel)</h4><p>여러 쿼리를 동시에 요청 가능합니다. 하지만 SSR 단계에서 모든 요청이 끝나야 렌더링 가능 → 클라이언트 초기 화면 지연되게 됩니다.</p><pre>⚡ [PROMISE-ALL PAGE] Page rendering started <br>🚀 [PARALLEL 1] Starting user API prefetch <br>🚀 [PARALLEL 2] Starting posts API prefetch <br>🚀 [PARALLEL 3] Starting comments API prefetch <br>🚀 [PARALLEL 4] Starting analytics API prefetch <br>⏳ [PROMISE-ALL] Waiting for ALL APIs to complete… <br>✅ [ALL APIs] Completed - Page rendering blocked until all completion Promise.all Prefetch Test</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/658/1*lTTpmopg6qTd5DWo5GMG_w.png" /></figure><h4>🌊 No-Await (Streaming-like, v5 이상)</h4><p>React Query v5.40.0부터 await 없이 prefetch 가능하게 되었습니다. Suspense와 결합하면 데이터 도착 순서대로 UI가 자연스럽게 갱신됩니다. 서버 로그를 보면 요청이 동시에 발사되지만, UI는 데이터 준비 순서에 맞춰 점진적으로 완성됩니다.</p><pre>🚀 [NO-AWAIT PAGE] Page rendering started <br>🌊 [STREAM 1] Starting user API prefetch <br>🌊 [STREAM 2] Starting posts API prefetch <br>🌊 [STREAM 3] Starting comments API prefetch <br>🌊 [STREAM 4] Starting analytics API prefetch <br>⚡ [NO-AWAIT STREAMING] All APIs initiated <br>🏁 [NO-AWAIT PAGE] Page rendered - No blocking! No-Await Prefetch 테스트</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*FAdPfP2zhCBZn3Z217OVJg.png" /></figure><h4>타임라인 / 로딩 순서</h4><p>비교: 각 접근 방식별 서버 요청 순서와 클라이언트 렌더링 차이가 명확하게 드러납니다.</p><pre>Await (Waterfall) <br>[ - - 쿼리1 - - ]<br>                [ - - 쿼리2 - - ]<br>                                [ - - 쿼리3 - - ]<br>                                                [ - - 쿼리4 - - ] → SSR 완료 후 렌더 <br><br>Promise.all (Parallel) <br>[ - - 쿼리1 - - ] <br>[ - - 쿼리2 - - ] <br>[ - - 쿼리3 - - ] <br>[ - - 쿼리4 - - ] → SSR 완료 후 렌더 <br><br>No-Await (Streaming-like) <br>Shell 렌더 → [쿼리1 완료 → UI 갱신] → [쿼리2 완료 → UI 갱신] → [쿼리3 완료 → UI 갱신] → [쿼리4 완료 → UI 갱신]</pre><h3>5. v5 streaming 적용 및 성능 비교 결과</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yqwCFHJ0fd2QxUphrvH-3A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AZVLU1WSeaH5dsM2H-knzg.png" /><figcaption><strong>Before (마이그레이션 이전) vs After (마이그레이션 이후)</strong></figcaption></figure><p>실험은 수치로도 확실한 차이를 보여주었습니다. 이전 방식으로 구현된 서비스는 주문 과정에서 FCP 1.0s, INP 60ms, CLS 0.063을 기록했습니다. 초기 화면 Lighthouse 점수도 91점(FCP 1.2s, LCP 1.4s, CLS 0.058)에 머물렀습니다. 수치만 보면 “문제가 크다”라고 할 정도는 아니었지만, 실제 체감은 첫 화면이 뜨는 데 약간의 답답함이 느껴졌습니다.</p><p>반면 React Query v5 + Suspense 기반의 Streaming-like 접근으로 개선한 뒤에는 수치가 크게 달라졌습니다. 주문 과정에서 FCP 0.5s, INP 40ms, CLS 0.003으로 절반 이상 단축되었고, 초기 화면 Lighthouse 점수도 98점(FCP 0.5s, LCP 1.2s, CLS 0)으로 상승했습니다. 이 수치가 의미하는 바는 단순한 점수 개선이 아닙니다. 초기 화면이 “즉시 뜨는 듯한” 인상을 주었고, 사용자가 버튼을 클릭할 때의 반응 속도도 체감할 정도로 매끄러워졌으며, 레이아웃 시프트가 사라지면서 화면 안정성이 확보되었습니다.</p><p>즉, Streaming-like 방식은 단순히 빠른 게 아니라 “끊김 없이 매끄럽다”는 경험을 사용자에게 줄 수 있었습니다. 이는 저희가 실험 과정에서 가장 크게 체감한 변화였습니다.</p><h3>6. 배운 점과 결론</h3><p>이번 인턴십 프로젝트에서 가장 크게 배운 점은, 데이터 로딩 전략 하나가 사용자 경험 전체를 바꿀 수 있다는 사실이었습니다. 처음에는 단순히 await을 붙이느냐 마느냐, Promise.all을 쓰느냐 마느냐 정도의 차이라고 생각했지만, 실제로 실험하고 로그를 찍어보니 문제의 본질은 더 깊었습니다.</p><h4>Waterfall과 Parallel의 한계</h4><ul><li>Waterfall 방식은 너무 직관적이라 처음에는 문제가 없어 보였습니다. 하지만 쿼리가 많아질수록 SSR 단계에서의 지연 시간이 눈에 띄게 늘어나는 문제를 피할 수 없었습니다.</li><li>Parallel 방식은 Promise.all로 동시에 요청을 던져 시간을 단축했지만, 여전히 SSR 단계에서 모든 쿼리가 다 끝나야 화면을 그릴 수 있었습니다. 결국 사용자는 빈 화면에서 기다릴 수밖에 없는 구조였죠.</li></ul><p>즉, 두 방식 모두 “SSR에서 데이터를 완전히 확보해야만 UI를 그린다”는 점에서 한계를 공유하고 있었습니다.</p><h4>Streaming-like 방식의 새로운 가능성</h4><ul><li>React Query v5.40.0의 변화는 이 지점을 완전히 뒤흔들었습니다. await 없이 prefetch가 가능해지고, Suspense와 결합하면서 데이터를 마치 스트리밍처럼 흘려보낼 수 있는 구조가 가능해졌습니다.</li><li>이 방식에서는 일부 쿼리가 늦더라도, 먼저 도착한 데이터로 화면을 먼저 그려줄 수 있습니다.</li></ul><p>사용자는 ‘빈 화면을 오래 기다리는 경험’ 대신, 점진적으로 채워지는 UI를 만나게 됩니다. 이는 단순한 최적화가 아니라, 사용자가 시간을 다르게 체감하게 만드는 UX 혁신이라고 느꼈습니다.</p><h4>Streaming SSR vs Streaming</h4><p>여기서 데이터 로딩에 관해 제가 개인적으로 정리하고 싶었던 부분은, Streaming SSR과 Streaming 데이터 로딩은 엄연히 다른 개념이라는 점입니다.</p><ul><li><strong>Streaming SSR</strong> → 서버가 HTML을 잘게 쪼개 스트리밍 전송</li><li><strong>Streaming 데이터 로딩</strong> → 클라이언트에서 데이터가 도착하는 대로 UI를 점진적으로 완성</li></ul><p>이번 프로젝트는 후자, 즉 클라이언트 데이터 로딩을 스트리밍처럼 처리하는 방식을 실험한 것이었습니다. 하지만 두 개념은 결코 대립적이지 않고, 앞으로 함께 결합할 때 훨씬 강력한 사용자 경험을 제공할 수 있을 것이라 생각합니다.</p><h4>앞으로의 확장 가능성</h4><p>React 18의 Concurrent Features, Next.js App Router의 Server Components, 그리고 React Query v5의 Suspense 지원은 이제 막 서로 만나기 시작했습니다. 아직은 “이론적으로 가능한 구조”를 실험하는 수준이지만, 앞으로는 점점 더 많은 서비스들이 SSR + Streaming + Suspense 조합을 도입하게 될 것이라고 확신합니다.</p><p>이 과정에서 개발자가 고민해야 할 지점은 단순히 “더 빨라졌는가?”가 아니라, 어떤 데이터를 먼저 사용자에게 보여줄 것인지, 어떤 시점에 Fallback UI를 노출할 것인지, 스트리밍되는 경험을 얼마나 매끄럽게 설계할 것인지라는 UX 설계의 문제로 확장된다고 느꼈습니다.</p><h3>참고</h3><p><a href="https://tanstack.com/query/v5/docs/framework/react/guides/advanced-ssr#streaming-with-server-components">Advanced Server Rendering | TanStack Query React Docs</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=acb3d90cd5bc" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/next-js-app-router%EC%97%90%EC%84%9C-prefetchquery%EC%99%80-suspense%EB%A1%9C-%EC%9A%B0%EC%95%84%ED%95%98%EA%B2%8C-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%8A%A4%ED%8A%B8%EB%A6%AC%EB%B0%8D%ED%95%98%EA%B8%B0-acb3d90cd5bc">Next.js App Router에서 prefetchQuery와 Suspense로 뚜루루뚜루 데이터 스트리밍하기</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[핑크퐁의 통합 데이터 환경 구축기 (feat. Snowflake)]]></title>
            <link>https://medium.com/pinkfong/%ED%95%91%ED%81%AC%ED%90%81%EC%9D%98-%ED%86%B5%ED%95%A9-%EB%8D%B0%EC%9D%B4%ED%84%B0-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%B6%95%EA%B8%B0-feat-snowflake-bb6aec0e87f6?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/bb6aec0e87f6</guid>
            <category><![CDATA[snowflake]]></category>
            <category><![CDATA[elk-stack]]></category>
            <category><![CDATA[data-engineering]]></category>
            <dc:creator><![CDATA[Yesung Han]]></dc:creator>
            <pubDate>Wed, 06 Sep 2023 00:58:59 GMT</pubDate>
            <atom:updated>2023-09-06T00:58:59.751Z</atom:updated>
            <content:encoded><![CDATA[<p>안녕하세요. 더핑크퐁컴퍼니에서 Software Engineering 업무를 맡고있는 메타입니다.😀</p><p>이번 포스트에서는 저희 더핑크퐁컴퍼니에서 Snowflake를 활용하여 어떻게 기존의 복잡하고 비효율적이었던 데이터 처리 업무를 단순화할 수 있었는지에 대해 소개하려 합니다.</p><h3><strong>목차</strong></h3><blockquote><strong><em>핑크퐁이 다루고자 하는 데이터<br>기존 데이터 아키텍처의 소개<br>기존 데이터 아키텍처의 문제점: Data Silo<br>Data Silo에서 중앙화된 데이터 플랫폼으로<br>변화의 시작: 기존 앱 사용자 이벤트성 로그 처리 시스템을 클라우드 기반으로 변경</em></strong><em><br>▸ 기존 로그 시스템 리뉴얼의 필요성 1: 단일 장애 점(SPOF, Single Point Of Failure)<br>▸ 기존 로그 시스템 리뉴얼의 필요성 2: 신규 앱에 대한 사용자 활동 분석 니즈 증가<br>▸ 신규 로그 시스템: IDC에서 클라우드로, Self-Managed에서 Managed로<br>▸ 로그 수집기 (1): AWS Kinesis 도입<br>▸ 로그 수집기 (2): 리시버 서버 추가<br>▸ 로그 수집기 (3): AWS Data Firehose + Lambda 파이프라인<br></em><strong><em>Elasticsearch와 Kibana를 사용한 분석 환경의 문제점<br>Data Warehouse의 도입</em></strong><em><br>▸ Google BigQuery를 고려한 이유<br>▸ Google BigQuery를 사용해보니…<br></em><strong><em>Snowflake를 메인으로 하는 최종 형태</em></strong><em><br>▸ Snowflake 도입의 이점<br></em><strong><em>적용 프로젝트 소개<br>정리 및 요약: Data Silo에서 중앙화된 데이터 환경으로</em></strong></blockquote><h3>핑크퐁이 다루고자 하는 데이터</h3><p>먼저 저희가 다루고자 하는 데이터는 어떤 것들이 있는지, 그리고 각 데이터를 어떻게 활용하고자 하는지 소개해드리겠습니다.</p><p>핑크퐁, 아기상어 IP는 국내뿐 아니라 244개국에서 25개 언어로 유튜브를 포함한 다양한 플랫폼에서 서비스하고 있습니다. 그리고 그 다양한 플랫폼에서 발생하는 데이터들을 활용해 콘텐츠를 서비스하면서 필요한 분석 업무를 수행하고 있습니다.</p><p><strong>1. 유튜브 매출 및 구독 통계 데이터</strong></p><p>자체 운영 중인 채널들에서는 현재 누적 조회수 800억 뷰를 돌파했고, 일 130만 건 이상의 매출 및 구독 통계 데이터가 유튜브 단일 플랫폼에서 발생 되고 있습니다. (2023년 8월 기준)</p><p><strong>2. 앱 및 자체 개발 서비스에서 발생하는 사용자 이벤트성 로그 데이터</strong></p><p>핑크퐁, 아기상어 IP를 활용한 모바일 앱 시리즈 170여 종에서 발생하는 일 1,300만 건 이상의 사용자 로그를 사내 앱 로그 시스템을 통해 처리하고 분석에 활용하고 있습니다.</p><p><strong>3. 광고 및 앱 플랫폼 매출 및 통계 데이터</strong></p><p>10여 종이 넘는 서로 다른 광고 및 앱 플랫폼에서 발생하는 매출 및 통계 데이터를 통합해 분석에 활용하고 있습니다.</p><p><strong>4. 그 외 다른 데이터 소스</strong></p><p>IPTV 와 같은 플랫폼들은 업체로부터 직접 리포트를 엑셀 파일 형태로 받는데요, 해당 데이터도 다른 소스의 데이터들과 함께 분석에 활용하고 있습니다.</p><h3>기존 데이터 아키텍처의 소개</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ixqY1SULGdQ6B4KHbXnriw.png" /><figcaption>Before: 기존 핑크퐁의 데이터 아키텍처</figcaption></figure><p>앞서 소개해 드린 것 처럼, 자체 개발 앱 서비스 뿐만 아니라 유튜브와 같은 여러 플랫폼에서 저희의 콘텐츠를 서비스하게 되면서<strong> 발생하는 데이터 소스가 다양해지고, 처리해야 하는 데이터의 양 또한 많아지게 되었습니다.</strong></p><p>그리고 자연스럽게 다양한 플랫폼에서 발생하는 데이터를 기반으로 한 <strong>통합 분석 요청 또한 증가</strong>하게 되었습니다.</p><blockquote>“어떤 콘텐츠가 어떤 플랫폼에서 가장 인기 있었는지 한번에 알고 싶어요”</blockquote><blockquote>“이번에 업데이트한 팝업 배너로 얼마나 구독자가 늘었는지 알고 싶어요”</blockquote><blockquote>“IP별로 작년 한 해 동안 어느 플랫폼에서 어떤 콘텐츠가 가장 많은 매출을 달성했는지 알고 싶어요”</blockquote><blockquote>“BEP를 가장 빨리 달성한 프로젝트가 궁금해요”</blockquote><p>하지만 기존 저희의 데이터 처리 프로세스는 앱 로그 분석 시스템 이외에 별다른 자동화된 데이터 처리 파이프라인이 없어 수동으로 “사람이 직접” 운용 중인 서비스의 데이터베이스에서 데이터를 추출하거나, 10여 종이 넘는 외부 플랫폼에서 제공하는 웹 대시보드를 통해 데이터를 내려받아 분석에 활용하고 있었습니다.</p><p>그러다 보니 다음과 같은 문제 때문에 데이터 분석 작업은 늘 고되고 힘든 일이 되었습니다.</p><h3>기존 데이터 아키텍처의 문제점: Data Silo</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*YPblmwJ0---iA2ZhFVoArA.png" /></figure><p><strong>복잡성 증가 및 운영 포인트 증가</strong></p><p>위 그림처럼 MySQL 서버에서 데이터를 추출할 때는 SQL, MongoDB에서 데이터를 추출할 때는 NoSQL Query를 사용하는 등 데이터베이스마다 서로 다른 특성을 고려해서 분석 작업을 수행해야 했습니다.</p><p>또 운영하는 플랫폼별로 데이터가 어떤 형식으로 제공되는지, 데이터를 추출은 어떤 방식으로 할 수 있는지 모든 시스템의 스키마와 각 컬럼 특성을 모두 이해하고 있어야 했습니다.</p><p><strong>데이터 일관성 유지가 힘듦</strong></p><p>서비스마다 데이터 관리와 운영이 분리되어 있다 보니, 각 서비스가 같은 데이터를 중복으로 가지고 있는 경우도 있었고, 서로 데이터를 동기화하는 시간이 달라서 결과적으로 같은 데이터이지만 모두 다른 시점의 데이터를 가지고 있게 되는 등(대표적으로 환율 데이터, 각 서비스마다 환율을 크롤링 해오는 곳도, 기준도 달랐다…. 결국 원화 매출액이 시스템마다 다 다른 이슈가 발생되었다.) 데이터 일관성을 유지하기 힘들어지는 문제도 발생했습니다.</p><p><strong>대규모 데이터 통합 및 분석 힘듦</strong></p><p>이렇게 사용하는 서비스들도 다양하고, 각 서비스에서 제공하는 BI 툴 또한 다양하기 때문에 결과적으로 대규모 데이터를 통합하는 업무나 분석업무가 힘들었습니다.</p><h3>Data Silo에서 중앙화된 데이터 플랫폼으로</h3><p>데이터가 분산되어 관리되다 보니 통합 분석 작업에 늘 어려움이 있었고, 중앙화 된 데이터 관리 및 분석 시스템을 구축하는 것에 대한 필요성을 느끼게 되었습니다.</p><p>그래서 핑크퐁에서 분석하고자 하는 데이터를 효과적으로 운용하기 위해 기존 앱 사용자 로그 처리 시스템부터 개선하기 시작해서, 현재 Snowflake를 데이터웨어하우스로 사용하는 다음과 같이 중앙화된 형태의 데이터 아키텍처로 개선하는 작업을 진행했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*umf_jWXjng5VNn6dQrL9ZA.png" /><figcaption>After: Snowflake로 중앙화된 데이터 아키텍쳐</figcaption></figure><h3>변화의 시작: 기존 앱 사용자 이벤트성 로그 처리 시스템을 클라우드 기반으로 변경</h3><p>Snowflake를 도입하기 전 저희는 단일 MongoDB 서버로 구성된 기존 레거시 아키텍처로부터 ELK 환경, Google BigQuery를 사용한 환경 등을 거치며 시행착오를 겪었습니다.<br> 그리고 그 작업은 저희의 <strong>앱에서 발생하는 사용자 이벤트성 로그를 처리하는 파이프라인을 개선하는 작업에서부터 시작</strong>했습니다.</p><h4><strong>기존 로그 시스템 리뉴얼의 필요성 1: 단일 장애 점(SPOF, Single Point Of Failure)</strong></h4><p>기존 파이프라인은 IDC에서 운용 중인 MongoDB 서버 하나에 애플리케이션 서버를 연결하여 앱으로부터 들어오는 사용자 이벤트를 적재하고 가공하는 방식으로 운용하고 있었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ddy65BCJigvoGaOtgX2-pA.png" /></figure><p>별도 replication 구성 없이 단일 MongoDB 서버로 운영 중인 이 시스템에 여러 내부 관리용 서비스들이 의존 되어있는 상황이었기 때문에 이 서버에 장애가 생기면 연관된 다른 시스템에도 장애가 전파되었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gtS6DUOq0tS6rC1355uu_Q.png" /></figure><h4>기존 로그 시스템 리뉴얼의 필요성 2: 신규 앱에 대한 사용자 활동 분석 니즈 증가</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zgUNtItszp5BRqy98JlbMg.png" /><figcaption>아기상어 키즈 월드 앱의 신규 분석 업무 증가</figcaption></figure><p>그리고 신규 앱인 아기상어 키즈월드 앱의 경우, 사용자들이 앱 내에서 여러 영상이나 게임 콘텐츠를 직접 플레이할 수 있는데요, 운영팀에서는 여러 콘텐츠가 서비스되는 이 앱 내에서 사용자들의 활동을 분석하고 싶어 하는 니즈가 있었습니다.</p><blockquote>“이번 분기에 어떤 영상 또는 게임이 가장 많이 재생되었는지 알고 싶어요”<br>“이번에 업데이트한 팝업 배너로 얼마나 구독자가 늘었는지 알고 싶어요”</blockquote><p>이렇게 새로운 데이터 분석에 대한 니즈가 증가하는 상황에서 신규 분석 시스템 또한 기존 로그 처리 시스템에 의존하게 된다면, 기존 로그 시스템의 문제가 생겼을 때 신규 시스템 또한 영향을 받을 거라 생각되었습니다.</p><p>그래서 신규 데이터 분석을 수행하기 전에 먼저 이 기존 로그 시스템을 개선하는 작업을 먼저 진행했습니다.</p><h4>신규 로그 시스템 : IDC에서 클라우드로, Self-Managed에서 Managed로</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TMeYX2fTWwSozZmUwSETDA.png" /><figcaption>두 마리 토끼 : 관리 Point 축소와 유동적인 스케일 조정</figcaption></figure><p>저희가 가장 먼저 고려한 것은 관리 Point의 축소였습니다. 한정된 개발 인력이 개발 업무와 함께 인프라를 직접 구성하고 관리하기 힘든 상황이었기 때문입니다.</p><p>그러면서도 기존 시스템에서는 힘들었던 유동적으로 스케일 조정이 가능한 서비스를 우선으로 고려하였습니다.</p><h4>로그 수집기 (1): AWS Kinesis 도입</h4><p>로그 수집기는 기존 Redis, MongoDB 와 Django Application Server로 구성된 환경에서 AWS Kinesis의 서비스들로 대체하였습니다.</p><blockquote>AWS Kinesis 서비스는 실시간 데이터 스트리밍 서비스로 Kinesis Data Streams , Kinesis Data Firehose, Kinesis Data Analytics, Kinesis Video Streams제품들로 구성되어있습니다.</blockquote><p>그 중 Kinesis Data Streams의 경우 Apache Kafka처럼 실시간 데이터 스트리밍 및 처리를 가능하게 해주는 서비스로, 특히 데이터 레코드가 스트림 내의 특정 “shard”에 저장되고, 이 shard의 수에 따라 다음과 같이 처리 용량이 결정된다는 특징이 있습니다.</p><blockquote><em>쓰기 처리량:<br>* 하나의 shard는 초당 최대 1,000개의 데이터 레코드 또는 1MB의 데이터를 쓸 수 있습니다. (둘 중에 더 큰 것이 적용)</em></blockquote><blockquote><em>읽기 처리량:<br>* 하나의 shard는 초당 최대 2MB의 데이터를 읽을 수 있습니다.<br> (하나의 shard에서 두 개의 컨슈머를 사용하는 경우 각 컨슈머는 초당 최대 1MB의 데이터 읽기 만 가능)</em></blockquote><p>로그 발생량이 많아질 경우, 얼마든지 Kinesis Data Stream에서 유동적으로 Shard 수를 늘림으로써 scale out이 가능하고, AWS Kinesis는 사용할 때 클러스터 구성, 패치 관리 등의 작업을 사용자가 직접 할 필요가 없는 Managed Service이기 때문에 저희의 두 마리 토끼를 잡고자 하는 요구사항과 맞는 서비스라고 생각되었습니다.</p><p>그뿐만 아니라 기존 로그 시스템의 경우, 초당 평균 150건의 로그가 발생하고 있었고, 그 크기 또한 초당 1MB를 넘지 않기 때문에 shard 1개의 저렴한 비용으로 기존 서비스를 충분히 대체해 운용할 수 있을 것 같다는 판단이 있었습니다.</p><h4>로그 수집기 (2): 리시버 서버 추가</h4><p>위에서 말한 것과 같이 Kinesis는 shard 수를 늘림으로써 수평 확장이 가능하기 때문에 앱에서 로그를 많이 보내는 상황에 대처할 수 있다는 장점이 있었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GeAX7yo0QOlcdvRCZEjVPg.png" /></figure><p>하지만, 그러기 위해서는 위와 같이 앱에서 AWS SDK를 사용해 Kinesis로 로그를 바로 보내게 되어있어야 했습니다.</p><p>하지만, 이렇게 앱에서 바로 Kinesis Stream으로 로그를 보내기 위해서는 이미 출시되어 서비스되고 있는 <strong>50여 종의 앱의 업데이트가 불가피</strong>했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dp2lw3a-Xg-ZvAFos_2C0w.png" /></figure><p>앱들을 모두 업데이트한다고 해도 사용자가 스토어에서 직접 앱을 업데이트하지 않고 이전 버전을 그대로 사용하는 경우 등 고려해야 할 부분이 많았기 때문에, 결국 <strong>앱을 전부 업데이트하는 것은 현실적으로 불가능</strong>하다고 판단했습니다.</p><p>그래서 중간에 앱들로부터 로그를 받아서 AWS Kinesis로 보내는 역할을 하는 리시버 서버를 두고, 기존 앱들이 로그를 보내는 요청을 기존 로그 서버에서 신규 리시버 서버로 라우팅시켜 앱 업데이트 없이 로그를 Kinesis로 받을 수 있도록 했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1019/1*N_m4vaxp2pAvmX2CGwzE9A.png" /></figure><p>각 리시버 서버는 앱들에서 발생하는 로그를 받아 Kinesis가 받을 수 있는 형태로 전처리 작업을 수행 후 Kinesis로 처리된 로그를 PutRecord 또는 PutRecords API를 통해 Kinesis Data Streams로 전달합니다.</p><p>이렇게 앱에서 바로 Kinesis로 로그를 보내는 것이 아니라, 리시버를 통해서 보냈고, 리시버에서는 로그를 전처리하는 작업도 수행했기 때문에 각 리시버 서버에 대한 부하 테스트 또한 수행하였습니다.</p><blockquote><em>부하 테스트: </em><a href="https://k6.io/"><em>k6</em></a><em><br>병목, event loop delay 탐지: </em><a href="https://clinicjs.org/"><em>clinic.js</em></a></blockquote><p>부하 테스트 결과 한 개의 node.js 리시버 서버는 초당 평균 약 710개의 요청처리할 수 있었습니다. 그리고 clinic.js를 통해 개발 환경에서 성능 평가를 진행했을 때, 특별히 로직 상 event loop가 delay되거나 하는 현상은 발견되지 않았는데요.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VaNrHsoVKsF0Rly0TmQzTA.png" /><figcaption>리시버 서버 부하테스트 및 병목탐지 clinc.js 분석 결과</figcaption></figure><p>각 리시버의 경우, 부하 테스트 결과 초당 710개의 request까지 처리할 수 있었기 때문에 평균 초당 150건 발생하는 기존 로그 트래픽을 충분히 단일 서버로 감당할 수 있을 거라 판단했습니다.</p><p>하지만 예상치 못한 트래픽에 대응하기 위해 리시버 서버를 2개 운용하고, ECS Auto Scaling을 적용해 로그를 보내는 트래픽이 많아지는 상황을 자동으로 대응할 수 있도록 설정하였습니다.</p><h4>로그 수집기 (3): AWS Data Firehose + Lambda 파이프라인</h4><p>AWS Data Firehose 서비스를 Kinesis Stream에 연동하여 Stream으로 들어온 로그를 일정 주기마다 Data Lake로 사용할 S3에 적재할 수 있도록 구성했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vorECuCinXIJNmDtn_36mg.png" /></figure><p>그리고 사용자 접속 로그 등 준실시간 성으로 분석이 필요한(기존 시스템에서는 매 분마다 수집 및 가공) 로그의 경우 Elasticsearch와 Kibana로 구성된 환경에서 분석을 수행할 수 있도록 했는데요</p><p>AWS Firehose를 통해 S3에 로그가 적재 될 때, 로그를 Elasticsearch에 로드하는 AWS Lambda 함수가 실행될 수 있도록 설정하여 분석에 필요한 일부 로그를 Kibana에서 분석할 수 있도록 파이프라인을 구성했습니다.</p><h3>Elasticsearch 와 Kibana를 사용한 분석 환경의 문제점</h3><p>앱을 운영하면서 Elasticsearch에 적재한 앱 사용자 로그 데이터와 YouTube나 App Store와 같이 다른 소스들에서 발생하는 데이터들을 통합해서 분석하고 싶어 하는 니즈가 생겼습니다.</p><p>그래서 저희는 먼저, 다음과 같이 통합되어야 하는 신규 데이터들 또한 Kibana에서 함께 조회할 수 있도록 하는 방안을 적용했습니다. Elasticsearch로 신규 데이터들을 로드하는 ETL 프로세스를 추가로 개발했고, 기존 앱 사용자 로그 데이터와 신규 데이터들을 함께 통합해 분석을 시도했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J0TrfXNM2RX-Z1a9o2zTNA.png" /></figure><p>하지만 Elasticsearch와 Kibana로 구성된 환경에서 여러 소스의 데이터들을 함께 통합해서 분석하기에는 여러 어려운 점이 있었는데요.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*c2xHy1874Kvx_pf8hbu_lA.png" /></figure><p><strong>1. Elasticsearch 집계 쿼리의 한계</strong></p><p>Elasticsearch의 terms 쿼리의 결과로 반환되는 문서의 수는 size 매개변수에 의해 제한되는데 기본값으로 10개의 결과만 표시되며, Elasticsearch의 index.max_result_window 설정값을 늘림으로써 한 번의 검색 요청에 최대 10,000개의 결과 문서를 반환받을 수 있습니다.</p><p>그래서 Elasticsearch에서 전체 결과 데이터를 받아오기 위해서는 scroll이나 search after와 같이 결과를 여러 번에 걸쳐 나누어 받아와야 하는데, Kibana의 기본 검색 UI에서는 사용자가 직접 scroll이나 search after 기능을 제공하지 않기 때문에 전체 집계 결과 데이터를 대시보드에서 바로 조회할 수 없다는 문제점이 있었습니다.</p><p><strong>2. 정확한 distinct count를 계산하기 힘든 문제</strong></p><p>Elasticsearch에서 고유한 값의 개수를 세려면 다음과 같이 “Cardinality” 집계를 사용합니다.</p><pre>{<br>  &quot;size&quot;: 0,<br>  &quot;aggs&quot;: {<br>    &quot;unique_user_ids&quot;: {<br>      &quot;cardinality&quot;: {<br>        &quot;field&quot;: &quot;user_id&quot;<br>      }<br>    }<br>  }<br>}</pre><p>이 쿼리를 실행하면, 다음과 같이 결과에서 고유한 값의 개수를 확인할 수 있습니다.</p><pre>{<br>  ...<br>  &quot;aggregations&quot;: {<br>    &quot;unique_user_ids&quot;: {<br>      &quot;value&quot;: 12345<br>    }<br>  }<br>}</pre><p>하지만 이 “Cardinality” 집계가 실제 정확한 distinct count 값이 아닌 추정값을 반환한다는 특징이 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*CxZwq_heKJP9AJkGCN0_KQ.png" /><figcaption><a href="https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-metrics-cardinality-aggregation.html">https://www.elastic.co/guide/en/elasticsearch/reference/current/search-aggregations-metrics-cardinality-aggregation.html</a></figcaption></figure><p>threshold 값을 100으로 낮추더라도 수백만 개의 항목에서 error율이 1~6%로 매우 낮게 유지되긴 하지만, 어쨌든 정확한 수치가 아니기 때문에 추이 지표와 같이 빠르게 확인하고 넘기는 지표가 아닌, 매출이나 사용자 분석과 같이 정확한 값이 있어야 하는 지표 계산에까지 사용하기에는 위험도가 있었다고 생각했습니다.</p><p><strong>3. 대용량 데이터 조회 및 로드 시 문제, 높은 러닝 커브</strong></p><p>데이터가 많아질수록 데이터 조회나 로드 시 문제가 되는 부분들이 생겨나기 시작했습니다.</p><blockquote>Data too large, data for [] would be …<br>rejected execution of coordinating operation …</blockquote><p>이 문제를 해결하기 위해서는 직접 메모리 제한이나, 노드 수를 늘리는 작업을 해주어야 했는데요.</p><p><strong>한 번에 많은 데이터를 처리하기 위해서 고려해야 할 부분들이 많아지는 것은 어떻게 보면 당연한 일</strong>이라고 생각될 수 있습니다.</p><p>하지만 팀 내에 Elasticsearch를 운영해 본 경험자가 없었고, 개발자 한 명이 직접 기존 개발 업무와 함께 추가적인 인프라 또한 관리해야 하는 저희의 상황에서는 Elasticsearch의 러닝 커브가 높다고 판단 되었습니다. 또 프로덕션 레벨에서 이렇게 문제가 생길 때마다 직접 클러스터를 모니터링 하고, 최적화 조치를 취하기에도 한계가 있었습니다.</p><p>그 외에도 Kibana에서는 저희의 요구사항과 맞는 고도화된 그래프를 그리기 힘들다는 점 등 여러 문제 상황에 부딪히게 되었고, 그럴 때마다 결과적으로 추가적인 시스템을 따로 개발해서 운영하게 되었는데요. 이렇게 오히려 추가 개발과 운영 point가 늘어나는 문제 때문에 최종적으로 저희의 상황에서 Elasticsearch와 Kibana로 구성된 환경에서 대용량 데이터를 통합 분석하기에는 힘들다는 결론을 내렸습니다.</p><h3><strong>Data Warehouse의 도입</strong></h3><p>이러한 과정을 겪으며, 대용량 데이터를 대상으로 통합된 쿼리를 실행할 수 있는 데이터 분석 전용 데이터 웨어하우스 서비스에 대한 필요성을 느끼게 되었습니다.</p><p>그리고 그중 클라우드 기반에서 운용이 가능하며, fully-managed 서비스인 Google BigQuery와 Snowflake 두 서비스에 대해 기술 검토를 진행했습니다.</p><h4>Google BigQuery를 고려한 이유</h4><p>앞서 언급한 것 처럼 클라우드 환경에서 운용이 가능하고, 저희가 직접 클러스터를 구성하거나, 관리, 튜닝할 필요가 없는 fully-managed 서비스라는 점뿐만 아니라,</p><p>BigQuery Transfer 서비스를 이용하면 YouTube나, Google Analytics, Admob과 같이 저희가 다루고자 하는 데이터 중 큰 비중을 차지하는 데이터 소스들에서 발생하는 데이터를 별도의 ETL 프로세스를 구성할 필요 없이 자동으로 적재할 수 있다는 점 또한 큰 장점으로 생각했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uhMopxWO0muIuAnpKygRwg.png" /><figcaption>로그 분석을 위한 Elasticsearch와 Kibana를 사용한 환경에서, 통합 분석을 위한 BigQuery 까지 확장 된 모습</figcaption></figure><h4>Google BigQuery를 사용해보니…</h4><p>하지만 Snowflake와 함께 기술검토를 진행하면서 Google BigQuery를 적용하기에는 몇가지 단점도 있었습니다.</p><p><strong>1. BigQuery Transfer에서 원하는 event만 선택해서 적재 불가</strong></p><p>저희가 다루고자 하는 데이터 중 YouTube, Google Analytics, Admob과 같이 Google 서비스들에서 발생하는 데이터의 비중이 높았는데요. BigQuery Transfer 서비스를 이용하면 이렇게 Google에서 자체 서비스하는 플랫폼들에서 발생하는 데이터를 별도의 ETL 프로세스를 구성할 필요 없이 데이터 발생 시점에 자동으로 Google BigQuery로 로드할 수 있었습니다.</p><p>하지만 YouTube의 경우 원하는 레포트의 데이터만 선택해서 적재할 수 없었기 때문에 결국 YouTube를 통해 발생하는 모든 데이터를 일단 BigQuery에 자동으로 로드되게 한 후, 적재 비용을 줄이기 위해 원하는 테이블만 남기고 다른 데이터는 주기적으로 삭제해 주어야 했고, 이 작업을 수행하기 위한 별도 파이프라인을 만들어 운용해야 했습니다.</p><p><strong>2. Partition Limit</strong></p><p>Google BigQuery의 경우, 쿼리의 성능과 비용 절감을 위해서는 데이터마다 파티셔닝과 클러스터링에 대해 직접 고민해야 했는데요.</p><p>더 효과적인 파티션 프루닝을 위해 세밀하게 파티셔닝을 적용할 경우, 테이블당 파티션 개수가 4,000개로 제한 되어있기 때문에 이 파티션 개수가 초과해 버려서 더 이상 데이터를 로드할 수 없는 문제가 생기기도 하였습니다.<br>그래서 테이블을 구성하기 전에 어느 정도의 파티션 크기를 가져가야 할지, 그러기 위해선 어떤 키를 파티션 키로 사용해야 할지 등을 고려해야 했습니다.</p><p>Partition Limit 이외에도 (OLAP 환경에서는 큰 문제가 되지 않을 수도 있지 만) 테이블 생성이나 수정, 삭제 작업이 테이블당 일 1,500회로 제한되어 있다거나, 동시에 처리할 수 있는 Insert DML 문의 개수 또한 제한 되어 있고, 데이터를 CSV로 GCS에 언로드 시 청크 파일 사이즈 세밀하게 지정 못 하는 부분 등 클라우드 기반 데이터 웨어하우스 서비스이다 보니, 작업마다 정해진 제한과 할당량이 존재했으며, 특정 사용 사례나 비즈니스 요구사항에 따라 이 제한은 “까다롭다”고 느껴질 수도 있겠다고 생각했습니다.</p><p><strong>3. Query History를 직관적으로 확인하지 못함.</strong></p><p>BigQuery에서 사용자별로 수행한 쿼리의 비용을 추정하고, 실제로 특정 기간 어떤 사용자가 얼마나 많은 데이터를 스캔했는지 모니터링하기 위한 UI가 따로 제공되지 않았습니다.</p><p>INFORMATION_SCHEMA 나 Cloud Logging에서 제공하는 사용자 활동 및 API 호출에 대한 로그를 활용하여 별도 모니터링 대시보드를 만들어 확인해야 했는데요, 이러한 모니터링 관련 작업이 복잡하고 UI가 바로 제공되지 않는 점 또한 불편하다고 생각했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mMJilNd4vORKPxwDWUE6jQ.png" /><figcaption>Google Cloud Logging 데이터를 기반으로 BigQuery 쿼리 비용 대시보드를 구축</figcaption></figure><p><strong>4. 결국 AWS + GCP integration 이 필요</strong></p><p>무엇보다 대부분의 서비스가 AWS에서 운영 중이었기 때문에 결국 AWS에서 구성한 데이터 아키텍처와 통합하는 작업 또한 필요했습니다.</p><p>예를 들어 S3에 데이터가 업로드될 때 자동으로 BigQuery에도 로드되도록 하거나 AWS Kinesis Stream으로 들어온 실시간성의 데이터를 BigQuery에서 분석할 수 있도록 하는 등, 여러 소스에서 발생한 데이터를 BigQuery로 로드하기 위해서는 해당 데이터를 결국 Google Cloud Storage로 전송해야 했습니다.</p><h3>Snowflake를 메인으로 하는 최종 형태</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jnPaCZ4HO_4dF5GsVjYjNA.png" /></figure><p>이러한 상황에서 Snowflake와 PoC를 진행하면서 Snowflake에서는 저희가 ELK, BigQuery를 사용하면서 불편하게 여겼던 부분에 개선점이 있었기에 최종적으로 다음과 같은 Snowflake를 단일 데이터 웨어하우스로 사용하는 형태의 통합 데이터 환경을 구성하게 되었습니다.</p><h4>Snowflake 도입의 이점</h4><p>저희의 이러한 상황에서 Snowflake를 도입하면서 느낀 이점으로는</p><p><strong>1. 클라우드 기반, Snowflake에서 모든 분석 환경 구성 가능</strong></p><p>먼저 Snowflake는 AWS 클라우드 환경에서 운용이 가능하기 때문에, 기존 IDC에서 직접 서비스를 운용할 때 비해서 서버 자원을 직접 관리하지 않아도 되기에 운용이 쉬워졌습니다. 그리고 기존 AWS 환경에 구성되어 있던 데이터 파이프라인을 Snowflake로 integration을 할 때도 용이했는데요. <br>Snowpipe와 AWS SQS를 연결할 수 있기 때문에 S3에서 파일 업로드 이벤트를 감지해 자동으로 데이터가 Snowflake로 로드되도록 설정할 수 있었습니다.</p><p>또 저희 AWS RDS로 운용하는 OLTP 서비스에서 발생하는 데이터들과 통합할 때도 RDS에서 데이터를 바로 S3로 내보내는 기능을 지원해 주기 때문에, 일단 S3에 데이터를 적재하고 나면 그 이후부터는 Snowflake에서 External Stage를 설정하면 데이터 로드까지 Snowflake에서 바로 수행할 수 있었습니다.</p><p><strong>2. SQL, Snowpark(python), Node.js Driver 등 다양한 개발 환경 지원</strong></p><p>두 번째로 SQL(ANSI SQL:1999 및 SQL:2003 분석 확장의 하위 집합을 포함하여 표준 SQL을 지원), python 언어를 지원하기 때문에 개발자가 직접 데이터 분석작업을 하는 것에 대한 러닝 커브가 적었습니다. <br>또, Snowflake에서는 Node.js Driver 또한 지원되기 때문에 Node.js로 개발한 저희의 기존 백엔드 서비스와의 통합할 때에도 직접 Snowflake용 커스텀 라이브러리를 만들어 공통으로 사용할 수 있는 등 기존 서비스와의 통합이 용이했습니다.</p><p><strong>3. 사용 패턴에 따라 scale 조정이 용이</strong></p><p>Snowflake에서는 data warehouse의 size와 clustering 조정으로 사용 패턴에 따라 유동적으로 scale을 조정할 수 있습니다.</p><p>저희의 경우 데이터 가공 및 분석용 warehouse와 Retool 대시보드에서 단순 조회용 warehouse를 나누어 사용하고 있는데요, 이렇게 목적에 따라 각 warehouse의 size와 cluster 수를 나누어 설정하여 운용시 드는 비용을 최적 화 할수 있다는 점이 장점이라고 생각했습니다.</p><p><strong>4. 직관적인 Snowsight UI</strong></p><p>그 외로 Snowflake를 도입하기 전 기존 데이터 웨어하우스 환경에서는 쿼리 스캔 비용을 모니터링 하기 위해 따로 로그 이벤트를 적재하는 등 부가 작업이 필요했고, 권한 제어나 데이터 공유 또한 번거로웠습니다.</p><p>하지만, Snowflake에서는 Snowsight라는 웹 인터페이스에서 바로 쿼리별, 사용자별 실행 코스트 분석이 가능했고, Snowsight를 통해 사용자별로 접근을 제어하거나 워크시트를 바로 공유해서 함께 작업을 할 수 있는 등 편의성 높은 환경이 제공되었습니다.</p><h3>적용 프로젝트 소개</h3><p>위에 소개한 부분들로 인해 핑크퐁에서는 기존에는 대응하기 까다로웠던 데이터 분석 업무를 효과적으로 대응할 수 있게 되었습니다.</p><p>저희 팀에서는 언제든 구성원이 통합된 데이터를 통해 분석 업무를 수행할 수 있도록 두 가지 분석 시스템을 만들어 운영하고 있는데요.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lWovK2ZpfPV1n12OFcPBKQ.png" /></figure><h4>1. 앱 &amp; 콘텐츠 통합 예상 매출 분석 시스템</h4><blockquote>“IP별로 작년 한 해 동안 어느 플랫폼에서 어떤 콘텐츠가 가장 많은 매출을 달성했는지 알고 싶어요”<br>“BEP를 가장 빨리 달성한 프로젝트가 궁금해요.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OXfX0aPoiS3LA2EmoZdWUQ.png" /><figcaption>더핑크퐁컴퍼니 앱 및 콘텐츠 분석 시스템 대시보드</figcaption></figure><p>더핑크퐁컴퍼니에서 서비스하는 모든 앱 및 영상 콘텐츠와 관련하여, 다양한 소스로부터 발생하는 사용자 로그, 매출데이터를 기반으로 예상 비용과 매출을 분석하는 시스템 또한 개발해 운영중에 있습니다.</p><h4>2. 아기상어 키즈월드 앱 구독 경로 분석 시스템</h4><blockquote>“아기 상어 키즈 월드 앱에서 어떤 콘텐츠가 어떤 플랫폼에서 가장 인기 있었는지 한번에 알고 싶어요”<br>“이번에 앱 내에 업데이트한 팝업 배너로 얼마나 구독자가 늘었는지 알고 싶어요.”</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cwhymeYccVJe4V_vtGRIow.png" /><figcaption>아기상어 키즈 월드 분석 대시보드</figcaption></figure><p>신규 출시 앱인 아기상어 키즈월드 앱에서 발생하는 데이터들에 대한 분석 요구사항이 있을 때, 앱 운영팀에서 언제든 원하는 지표를 바로바로 확인할 수 있도록 하는 시스템을 개발해 운영하고 있습니다.</p><h3>정리 및 요약: Data Silo에서 중앙화된 데이터 환경으로</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*p2meVJJVIGkcBCAIOhxYNA.png" /></figure><p>이렇게 사내에 중앙화된 데이터 환경이 구축됨에 따라, 기존 저희의 데이터 수집 및 분석 환경에서 겪었던 문제점들이 해결되었습니다.</p><h4>데이터 처리 및 분석 아키텍처의 단순화</h4><p>복잡했던 아키텍처가 통합 및 단순화됨에 따라 Elasticsearch, Google BigQuery, AWS Athena, AWS Glue 등의 다른 서비스를 사용할 필요가 없어지면서 해당 서비스에서 발생하던 운영 비용, 관리 point 또한 줄어들게 되었습니다.</p><h4>각 시스템에 일관된 데이터 제공</h4><p>앞서 설명해드린 환율 데이터의 예시와 같이 각 시스템마다 데이터를 개별로 가지고 있었기 때문에 데이터가 중복되고, 통합 분석 시 데이터의 일관성이 떨어지는 문제가 있었는데요, 한곳에서 데이터를 모아 관리하게 되면서 모든 시스템이 동일한 상태의 일관성 있는 데이터를 바라볼 수 있게 되었습니다.</p><h4>대규모 데이터 통합 및 분석 용이</h4><p>또 기존에는 사용하는 서비스들 마다 제공하는 BI 툴 또한 다양했기 때문에 한곳에서 대규모 데이터를 통합하거나 분석하기가 힘들었는데요, 이제는 언제든 단일 플랫폼에서 대규모 데이터에 대해 통합된 분석 업무를 수행할 수 있는 환경이 되었습니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=bb6aec0e87f6" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/%ED%95%91%ED%81%AC%ED%90%81%EC%9D%98-%ED%86%B5%ED%95%A9-%EB%8D%B0%EC%9D%B4%ED%84%B0-%ED%99%98%EA%B2%BD-%EA%B5%AC%EC%B6%95%EA%B8%B0-feat-snowflake-bb6aec0e87f6">핑크퐁의 통합 데이터 환경 구축기 (feat. Snowflake)</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Retool을 활용한 로그 데이터 시각화]]></title>
            <link>https://medium.com/pinkfong/retool%EC%9D%84-%ED%99%9C%EC%9A%A9%ED%95%9C-%EB%A1%9C%EA%B7%B8-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%8B%9C%EA%B0%81%ED%99%94-b778a6775da8?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/b778a6775da8</guid>
            <category><![CDATA[retool]]></category>
            <dc:creator><![CDATA[Joo Hee Paige Kim]]></dc:creator>
            <pubDate>Wed, 30 Aug 2023 05:40:22 GMT</pubDate>
            <atom:updated>2023-08-30T05:40:22.298Z</atom:updated>
            <content:encoded><![CDATA[<p>안녕하세요, The Pinkfong Company에서 프론트엔드 개발을 하고 있는 페이지입니다. 🙆‍♀️</p><p>Retool을 이용하여 로그 시각화를 도입하는 과정에서 제가 얻게 된 지식과 팁을 공유하고자 합니다.</p><p>기존에는 앱에서 생성되는 로그를 Elastic Search에 적재 한 후 그 데이터를 Kibana를 활용하여 시각화 하였습니다. 또한 추가적인 데이터 분석 요구 사항을 반영하기 위해 JavaScript를 활용하여 웹페이지에서도 로그 데이터를 분석할 수 있도록 구현했습니다.</p><p>최근 모든 로그 기록을 Snowflake로 이관함에 따라, 통합된 로그 데이터를 시각화 할 수 있는 하나의 효과적인 도구가 필요해졌습니다. 다양한 데이터 시각화 도구 중에서도 저희 시스템과의 호환성을 고려해 <strong>Tableau</strong>와 <strong>Retool</strong>이 가장 적합하다고 판단했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_hwu4IlUaAFnN1tg.png" /></figure><blockquote>Tableau의 장점</blockquote><ol><li><strong>시각화 다양성:</strong> 다양한 시각화 옵션과 유연한 사용자 인터페이스를 제공하여 데이터를 간편하게 시각화 할 수 있습니다.</li><li><strong>대화식 UI:</strong> 상호 작용 가능한 대시보드를 만들어 데이터 탐색 및 분석이 가능합니다.</li><li><strong>데이터 연결성:</strong> 다양한 데이터 원본과 연결할 수 있는 기능을 제공하여 실시간으로 데이터를 시각화하고 갱신할 수 있습니다.</li><li><strong>커뮤니티 및 지원:</strong> 커뮤니티가 활성화 되어있어서 인사이트를 얻기 편리합니다.</li></ol><blockquote>Tableau의 단점</blockquote><ol><li><strong>비용:</strong> 라이선스 및 구독 비용이 상대적으로 높을 수 있습니다.</li><li><strong>높은 러닝커브:</strong> 복잡한 시각화 및 분석 작업을 위해서는 학습 시간이 필요할 수 있습니다.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*G0Tlp9RqiII-Yz2T.png" /></figure><blockquote>Retool의 장점</blockquote><ol><li><strong>빠른 개발:</strong> 로우 코드이며, 사용하기 쉬운 인터페이스를 제공하여 빠르게 데이터 기반 애플리케이션을 개발할 수 있습니다.</li><li><strong>데이터 연결성:</strong> 다양한 데이터 원본과 통합할 수 있는 연결성을 제공하여 실시간 데이터를 활용할 수 있습니다.</li><li><strong>커스텀 기능:</strong> JavaScript를 활용하여 커스텀 로직 및 기능을 추가할 수 있어 더 많은 유연성을 제공합니다.</li><li><strong>대화식 UI:</strong> 사용자와 상호 작용이 가능한 UI 요소를 쉽게 만들 수 있습니다.</li></ol><blockquote>Retool의 단점</blockquote><ol><li><strong>고급 시각화 부재:</strong> Tableau만큼 다양한 시각화 옵션이 제공되지는 않을 수 있습니다.</li><li><strong>비교적 새로운 도구:</strong> Tableau만큼 커뮤니티 크기가 크지 않습니다.</li></ol><p>데이터 분석가분들과의 의논을 토대로 Retool을 활용하여 데이터 시각화를 진행하기로 결정했습니다. Kibana를 사용할 때도 추가 요구사항들이 나타났는데, 예를 들어 회사 앱 목록을 드롭다운 형식으로 표시할 때 앱의 아이덴티피케이션, 이름 및 이미지를 함께 보여주는 것이 필요했습니다. 그러나 Kibana에서는 이를 구현하기에제약이 있었습니다.</p><p>Tableau를 고려했을 때, 데이터 분석가들은 직접 데이터를 활용하여 지표를 분석하고 시각화할 수 있는 장점을 갖고 있었습니다. 그러나 러닝 커브가 높고 모든 요구사항을 반영하는 데 어려움이 있었습니다. 특히 추가적인 커스텀화된 기능이 필요한 경우 직접 프론트엔드 개발을 해야하는데, 이에는 상당한 공수가 필요한 단점이 있습니다.</p><p>이에 비해 Retool은 필요한 기능을 충족시키면서도 신속한 데이터 시각화 대시보드 제작을 가능케 하는 강력한 도구였습니다. 특히 Tableau에서 제공되는 기능 이상의 커스텀 기능이 필요한 경우 Retool이 더욱 두드러졌습니다. Retool은 마치 Tableau와 프론트엔드 개발 간의 중간 지점에 위치한 것으로, 직접 프론트엔드 개발보다 빠르게 대시보드를 개발할 수 있었습니다. 이로써 데이터 분석가들은 더 빠르게 필요한 기능을 시각화하여 활용할 수 있었습니다.</p><p>Retool을 선택함으로써, JavaScript를 기반으로 빠르게 구현하면서도 Tableau에서 제공되는 기능보다 더 커스텀한 대시보드 개발의 이점을 확보했습니다. 결과적으로 저희는 요구사항을 완벽히 반영한 대시보드를 제작할 수 있었습니다.</p><blockquote>리소스 연결</blockquote><ul><li>다양한 외부 데이터베이스와 API를 연결할 수 있는 유연한 옵션을 제공하기 때문에, 필요에 따라 원하는 데이터 소스를 연결하여 활용할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3HLaCJfJkFDNJJbI1fBvrA.png" /></figure><ul><li>저희는 Snowflake 데이터베이스와 GraphQL API를 활용하여 데이터 시각화를 진행했습니다.</li><li><a href="https://docs.retool.com/queries/guides/sql/queries">외부에서 데이터베이스로 직접 SQL 을 전달 형태</a>로 작동하는 서비스의 경우 항상 SQL injection 보안 이슈가 있지만, Retool에서는 기본적으로 작성한 쿼리에 대해 Prepared Statements방식(SQL 쿼리를 미리 컴파일하고, 사용자 입력을 파라미터로 전달하는 방법)으로 SQL injection protection을 방지하도록 적용되어 있습니다.</li><li><strong>Disable converting queries to prepared statements </strong>체크박스를 선택한다면 JavaScript를 사용하여 동적으로 SQL을 생성할 수 있게 되지만 동시에 SQL injection protection도 비활성화됩니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/679/1*U-NKWGKzYp6gmak7A6iRiA.png" /></figure><blockquote>JavaScript 접근</blockquote><ul><li>Retool에서 앱을 구축할 때, {{ }} 를 이용하면 JavaScript로 처리됩니다.</li><li>보안 목적으로 모든 JavaScript는 별도의 iframe에서 실행되며 다른 도메인에서 실행됩니다. 이는 JavaScript 주입, 즉 크로스사이트 스크립팅(XSS) 공격과 같은 보안 취약점을 방지하기 위해서 입니다.</li></ul><pre>{{ moment().subtract(1, &#39;week&#39;).startOf(&#39;isoweek&#39;).format(&#39;YYYY-MM-DD&#39;) }}</pre><blockquote>모듈화 처리</blockquote><ul><li>여러 페이지에서 사용될 것을 고려한다면, 네비게이션바나 필터링 기능을 모듈화하여 구축하는 것이 편리합니다.</li><li>무료 계정은 5개까지 모듈화 할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dQYf7TacLRuUIizsfPu-fw.png" /></figure><ul><li>저희는 메뉴를 모듈화 시켜서 각각의 페이지에서 재활용할 수 있도록 처리하였습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/237/1*Zb6fMoBYmEPfwR9JT0mOLg.png" /></figure><ul><li>모듈화 되어있는 값에 접근하기 위해서는 Module settings에서 export처리를 해주어야 합니다.</li><li>예를 들어, 저희는 테스트 서버와 실서버의 로그 기록을 구분하기 위해 토글 버튼을 활용했습니다. 각 페이지에서 이 토글 버튼을 조작하여 테스트 서버와 실서버의 로그를 따로 확인할 수 있습니다. Outputs 섹션의 플러스 버튼을 클릭하여 Name과 Value를 설정하면, 나중에 필요한 컴포넌트에서 해당 값을 활용할 수 있습니다. 이를 통해 데이터 소스에 따라 로그를 구분하고 필요한 정보를 더 효율적으로 분석할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ayTlP5ZpEkXtkeVrrY-vTQ.png" /></figure><pre>{{ [MODULE_NAME].testLoggerToggleValue }}</pre><blockquote>Query Library(쿼리 라이브러리)</blockquote><ul><li>서로 다른 페이지에서 공통으로 사용되는 쿼리를 효율적으로 관리하기 위해, 쿼리 라이브러리에 해당 쿼리를 저장하고 각 페이지에서 필요한 리소스와 연결하여 사용할 수 있습니다.</li><li>쿼리를 재사용해야 하는 경우가 있을때, 불필요한 코드 작성을 줄이고 일관된 쿼리를 재사용 할 수 있도록 보장할 수 있습니다. 또한 버전 선택 기능을 제공하여 필요한 버전의 쿼리를 사용할 수 있게 되어, 적절한 버전의 쿼리를 쉽게 선택하여 활용할 수 있습니다. 이를 통해 코드 관리와 유지보수를 용이하게 합니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/912/1*BJAsQhzxUuaOoI3fWkP6YA.png" /></figure><blockquote>쿼리 요청 및 최적화</blockquote><ul><li>쿼리 요청은 2가지 방법으로 가능합니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/829/1*wOOeYYOTTNiPNTEpmxL6RA.png" /></figure><ol><li>인풋 값이 변경 되었을 때</li><li>수동으로 트리거 했을 때</li></ol><ul><li>인풋 값이 변경되면 자동으로 쿼리 요청을 전송하도록 설정할 수 있지만, 특정 조건에 따라 해당 쿼리를 비활성화할 수도 있습니다.</li><li>Custom rule을 추가하여 Disable query에 반영하여 쿼리 요청을 막을 수 있습니다. 예를 들어, Date Range 컴포넌트의 경우 Max date 또는 Min date 규칙 이외에도, 필요한 경우 Custom rule을 추가하여 원하는 조건으로 유효성을 검사할 수 있습니다. 이를 통해 데이터 유효성 검증과 함께 필요한 조건을 충족하지 않는 경우 쿼리를 막을 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/286/1*16b-nv_6NczBldcN2f0Qxw.png" /></figure><ul><li>수동으로 쿼리를 트리거하는 방식을 사용하더라도, Watched inputs에 원하는 필드를 추가하여 해당 값의 변경을 감지하면 자동으로 쿼리 요청을 보낼 수 있습니다.</li><li>데이터 캐싱 처리가 가능하며, 최대 저장 시간은 하루(86,400 초)로 설정할 수 있습니다. 이러한 기능을 활용하면 실시간으로 변경되지 않는 데이터의 경우 페이지 로딩 시 한 번의 쿼리 요청을 보내고, 그 이후 불필요한 쿼리 요청을 줄여 최적화할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J6XeqUPxoX1BVObv1oJVnA.png" /></figure><blockquote>JavaScript Transformer</blockquote><ul><li>JavaScript를 활용하면 데이터를 원하는 형식으로 가공할 수 있습니다.</li><li>데이터 예외 처리나 원하는 값 변환을 쿼리로 처리하는 대신 JavaScript를 사용하여 데이터를 원하는 형태로 변환할 수 있는 장점이 있습니다.</li><li>예를 들어, 저희는 그래프를 작성할 때, 그래프의 x축 좌표를 [ID]_[TITLE]형식으로 지정하였습니다. JavaScript Transformer를 활용하여 Snowflake의 ID와 GraphQL API의 Title을 매핑하여 사용했습니다. 이를 통해 데이터 변환과 매핑을 우리가 원하는 대로 자유롭게 조작할 수 있었습니다.</li></ul><blockquote>Variable</blockquote><ul><li>React.useState처럼 상태 관리를 할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/206/1*t5MkcoTdX7GCrjoLG4nWOg.png" /></figure><ul><li>그래프의 x축 값을 [ID]_[TITLE]형식으로 할당한다고 가정하면, 해당 그래프에 Event Handler를 추가하여 사용자가 그래프를 선택할 때 x축 값을 사용하여 ID를 저장할 수 있습니다. 이후 쿼리 요청을 전송할 때, 저장된 ID를 활용하여 필요한 데이터를 조회하도록 처리하였습니다. 이를 통해 그래프와 상호작용하는 과정에서 필요한 정보를 효과적으로 활용할 수 있도록 구현하였습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/617/1*FWmq32ZXsNNxzp5JxDVB2g.png" /></figure><blockquote>Prefix Image</blockquote><ul><li>이미지를 불러와서 해당 로우에 이미지가 보이도록 처리할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/897/1*PEZ_kt9g0dAT8XQ4aUnPDA.png" /></figure><blockquote>테이블 활용</blockquote><ul><li>Adds-ons에서 Toolbar를 선택하면, 필터링, 다운로드, 재요청 기능이 포함됩니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/305/1*pFg7S3e5_aTFQtIndixieQ.png" /></figure><ul><li>필터링 같은 경우, 따로 쿼리 요청을 보내는 것이 아닌, 테이블에 사용하는 Source를 이용하여 처리합니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/650/1*k6PK5HOc8VwIAr3EMUpmLg.png" /></figure><ul><li>Throttle/Debounce를 기본적으로 제공하고 있고, 파일명/타입을 커스텀 하게 지정하여 사용 가능합니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/323/1*knemljYKjBJ0kA6A2NOnMQ.png" /></figure><ul><li>테이블 데이터를 활용하여 새로운 컬럼을 생성할 수 있습니다. 저희는 각 플랫폼별 PV(Page View) 데이터를 가져와서 테이블에 새로운 컬럼으로 플랫폼 통합 PV 값을 생성하여 통합된 정보를 확인할 수 있도록 처리했습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/299/1*MFsff5pfYeHM-J_AAGWuhw.png" /></figure><blockquote>Release 기능</blockquote><ul><li>릴리즈 기능을 활용하여, 배포 버전 관리가 가능합니다. Draft 버전으로도 생성 가능하면 버그 발생 시 이전 버전으로 변경 가능합니다.</li><li>하지만 해당 기능은 유료 버전일 때만 사용가능합니다.</li></ul><blockquote>디버깅/ 히스토리 관리</blockquote><ul><li>디버깅과 히스토리 관리도 용이합니다. 좌측 🐞또는 하단 🐞Debug를 누르면 콘솔 팝업이 띄워지며, JavaScript Transformer에서 console.log(‘Hello World&#39;);를 이용하여 디버깅이 가능합니다.</li><li>히스토리 리스트를 이용하여 특정 버전으로 되돌아갈 수 있는 기능도 제공하기 때문에 여러 명이 한번에 작업을 할 때 용이합니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/736/1*EzoGQ18nGVnnH2HdrFL5wQ.png" /></figure><p>Retool은 로우코드의 이점과 JavaScript 문법을 활용하여 신속하게 데이터 시각화를 처리할 수 있는 기회를 제공합니다. 신속한 개발, 유연한 커스터마이징, 다양한 데이터 연결 옵션, 직관적인 사용자 인터페이스, 그리고 실시간 협업 등의 장점을 종합해 보면, Retool은 데이터 시각화와 웹 애플리케이션 개발에 매우 효과적인 도구입니다.</p><p>뿐만 아니라, Retool은 Kibana와 Tableau와 같은 대시보드 개발 도구와 직접 프론트엔드 개발 사이에 위치해 있는 거 같습니다. 이로 인해 직접 프론트엔드 코드를 작성하고 유지 보수하는 번거로움을 피하면서도, Kibana와 Tableau에서 어려웠던 커스텀한 사용자 인터랙션과 같은 기능들을 손쉽게 추가할 수 있었습니다. 이로써 Retool은 데이터 시각화 및 웹 애플리케이션 개발의 효율성을 극대화하는 데 좋은 도구라고 생각합니다.</p><p>감사합니다.</p><p>참고 문서:</p><p><a href="https://retool.com/">Retool | Build internal software better, with AI.</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b778a6775da8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/retool%EC%9D%84-%ED%99%9C%EC%9A%A9%ED%95%9C-%EB%A1%9C%EA%B7%B8-%EB%8D%B0%EC%9D%B4%ED%84%B0-%EC%8B%9C%EA%B0%81%ED%99%94-b778a6775da8">Retool을 활용한 로그 데이터 시각화</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[텍스처 압축으로 유니티 모바일 게임 메모리 최적화하기]]></title>
            <link>https://medium.com/pinkfong/%ED%85%8D%EC%8A%A4%EC%B2%98-%EC%95%95%EC%B6%95%EC%9C%BC%EB%A1%9C-%EA%B2%8C%EC%9E%84-%EC%B5%9C%EC%A0%81%ED%99%94-%ED%95%98%EA%B8%B0-394c1cc8d976?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/394c1cc8d976</guid>
            <category><![CDATA[texture]]></category>
            <category><![CDATA[unity]]></category>
            <category><![CDATA[compression]]></category>
            <category><![CDATA[memory-improvement]]></category>
            <dc:creator><![CDATA[Sang Hun]]></dc:creator>
            <pubDate>Mon, 02 Jan 2023 07:05:05 GMT</pubDate>
            <atom:updated>2023-01-02T07:05:05.130Z</atom:updated>
            <content:encoded><![CDATA[<p><em>해당 게시물은 Unity 2020.3.15f2 버전을 사용했으며, 테스트 기기는 iPhone7(64GB, iOS 16.1.1)을 사용했습니다.</em></p><p>안녕하세요, 더핑크퐁컴퍼니 서비스개발팀에서 Unity를 활용해 게임 컨텐츠를 개발하고있는 벨로(bello)입니다.</p><p>이번 글에선 최적화의 필요성과 텍스처의 개념 그리고 텍스처 압축 포맷에 대해 설명하도록 하겠습니다.</p><h4><strong>최적화가 왜 필요한지?</strong></h4><p>현재까지 &lt;아기상어 키즈 월드&gt; 앱 프로젝트에서는 간단한 2D 게임을 제작하고 있어 최적화에 대해 깊게 생각해본 적은 없었습니다. 하지만 앞으로 출시할 게임들은 이전 게임들보다는 조금 더 많은 파티클, 모션 그리고 좋은 퀄리티의 이미지 등 게임의 퀄리티를 높이기 위해 더 많은 리소스를 사용할 것입니다.</p><p>저희 앱의 주요 대상이 아이들인 만큼 부모의 기기를 사용하는 아이들도 있겠지만, 아이들이 사용하는 기기는 대부분 저사양의 기기로 예상합니다. 따라서 이 저사양 기기에서 게임이 정상적으로 실행되기 위해선 늘어난 리소스만큼 메모리를 최적화하는 작업이 필요하다고 생각됩니다.</p><p>Unity에서 모바일 게임 성능을 최적화하는 방법은 여러가지가 있습니다. SciptableObjects 사용, 스크립트 최적화, 물리 처리 최적화, 텍스처 최적화, 렌더링 최적화 등 다양한 방법으로 성능을 최적화할 수 있습니다. 이번 글에선 텍스처 최적화 중 텍스처 압축에 대해 알아보겠습니다.</p><h4>텍스처란?</h4><p>텍스처란 이미지를 GPU에서 사용하기 위해 렌더링한 것을 텍스처라고 하며, GPU 메모리에 직접 로드되므로 렌더링 중에 매우 효율적으로 액세스할 수 있습니다.</p><p>Unity에서 텍스처는 게임 오브젝트를 덮거나 래핑하는 이미지 또는 동영상 파일로 시각적 효과를 만들어 냅니다.</p><h4><strong>텍스처 압축 이란?</strong></h4><p>jpg, png 등 익숙하게 알고 있는 이미지 포맷은 디스크에 저장하는 용량 효율을 위해 제작된 알고리즘으로 GPU에서 바로 읽어올 수가 없습니다. 따라서 GPU에서 읽는 전용 포맷으로 변환을 해줘야 하는데, Unity는 이 기능을 제공하고 있습니다.</p><p>이를 모르고 간혹 성능을 위해 jpg, png, psd 등을 고려하는 데 이미지 포맷과 전혀 상관없이 Unity에서 이미지를 사용할 때 GPU에서 사용하는 포맷으로 변경하기 때문에 이미지 포맷은 편한 것을 사용하면 됩니다.</p><p>픽셀당 비트(bpp)는 단일 텍스처 픽셀에 필요한 스토리지 용량입니다. bpp 값이 더 낮은 텍스처는 디스크와 메모리를 더 적게 차지합니다. bpp 값이 낮으면 GPU가 텍스처 픽셀을 읽는 데 더 적은 메모리 대역폭을 사용합니다. GPU 메모리 대역폭은 종종 프레임 속도 병목 현상을 유발할 수 있으므로, 텍스처 압축을 사용하면 이러한 문제를 방지할 수 있습니다.</p><p>텍스처 에셋의 화질이 높을수록 픽셀당 비트가 더 높으며, 그에 따라 빌드 크기, 로드 시간, 런타임 메모리 사용량이 늘어납니다. 모든 텍스처 압축 포맷에는 어느 정도 손실이 있습니다. 압축되지 않은 텍스처는 최고의 품질을 제공하지만, 픽셀당 비트도 가장 높습니다. 모든 텍스처 압축 포맷은 제각기 서로 다른 장단점을 지니고 있습니다.</p><p><a href="https://docs.unity3d.com/kr/2020.3/Manual/texture-compression-formats.html">텍스처 압축 포맷 - Unity 매뉴얼</a></p><h4>텍스처 압축 포맷의 종류</h4><p>Unity에서 주로 사용하게 되는 텍스처 압축 포맷은 DXT, PVRTC, ETC1, ETC2, ASTC 등이 있습니다.</p><p><strong><em>RGBA 무압축</em></strong></p><ul><li>압축을 하지 않는 포맷으로 R,G,B,A각 채널에 8비트를 사용해 픽셀당 32비트를 사용합니다.</li><li>Alpha채널을 사용하지 않는 경우 24비트를 사용합니다.</li><li>원본 이미지의 크기와 동일합니다.</li></ul><p><strong><em>DXT1 (DirectX Texture 1)</em></strong></p><ul><li>Direct X10 이상에선 BC1이라고도 불립니다.</li><li>두 가지의 경우가 있는데, Alpha채널 사용 여부에 따라 A1R3G3B3인 경우와 R4G4B4인 경우가 있습니다.</li><li>가장 기본적인 형식으로, 16픽셀 데이터를 64비트 블록으로 변환합니다.</li><li>각 블록은 두 개의 16비트 RGB 5:6:5 색상 극단 값과 각 픽셀당 2비트씩, 총 32비트의 테이블을 가져 총 4개의 색상을 이용할 수 있습니다.</li><li>압축 효율은 높지만, 제대로 된 알파 색상을 지원하지 않기 때문에 주로 알파채널이 없는 이미지를 압축할 때 쓰입니다.</li></ul><p><strong><em>PVRTC (Power VR texture compression)</em></strong></p><ul><li>주로 iOS에서 사용하는 압축 포맷입니다.</li><li>DXT1 압축 포맷과 방식이 비슷하며 차이점은 블록 경계를 뭉개며 블러링을 시켜줍니다.</li><li>블록 경계를 뭉개면서 컬러를 침범하는 경우가 발생할 수 있습니다. (block artifact)</li><li>픽셀당 알파채널 포함 4비트이므로 32비트인 원본에 비해 1/8의 압축 효율을 보여줍니다.</li><li>4bpp, 2bpp 두 가지 모드가 있으며, ARGB 데이터를 지원한다는 점에서 ETC와 차이가 있습니다.</li></ul><p><strong><em>ETC1 (Ericsson Texture Compression 1)</em></strong></p><ul><li>모든 OpenGL ES 2.0을 지원하는(Froyo 이상) Android 기기에서 사용할 수 있는 압축 포맷입니다.</li><li>픽셀당 Alpha채널 없이 4비트로 24비트인 원본에 비해 1/6의 압축 효율을 보여줍니다.</li><li>대부분은 품질이 좋지만, PVRTC와 다르게 알파채널을 지원하지 않는다는 단점이 있습니다.</li></ul><p><strong><em>ETC2 (Ericsson Texture Compression 2)</em></strong></p><ul><li>ETC2 압축 포맷은 ETC1를 확장 및 개선해 알파채널을 포함하는 압축 포맷입니다.</li><li>ETC2는 Open GL ES 3.0 이상에서만 지원됩니다. 갤럭시 S3 이하 등의 구형 기종에서는 Open GL ES 2.0으로 돌아가기 때문에 ETC2를 사용하는 것이 불가능합니다.</li><li>OpenGL ES 2.0 기기에 ETC2 포맷을 사용하게 되면 작동하는 데에는 문제가 없지만, 성능상 효율이 떨어지게 됩니다.</li></ul><p><strong><em>ASTC (Adaptive Scalable Texture Compression)</em></strong></p><ul><li>ASTC는 DXT 및 ETC와 같은 다른 텍스처 압축 포맷보다 좀 더 효율적이고 유연한 대안이 되도록 설계되었습니다. 블록 기반 압축, 엔트로피 인코딩 및 가변 블록 크기를 포함한 기술 조합을 사용하여 품질과 압축 비율 간의 적절한 균형을 달성합니다.</li><li>ASTC는 ETC, PVRTC와 다르게 POT(Power Of Two)텍스처를 사용하지 않아도 텍스처를 압축할 수 있습니다. 아래에서 보여드리겠지만, 만약 ETC와 PVRTC사용할 때 POT텍스처를 사용하지 않는다면 오히려 메모리가 증가하는 경우가 있을 수 있습니다.</li><li>ASTC의 가장 주요 기능 중 하나는 텍스처의 사용 용도에 따라 다양한 블록의 크기를 사용할 수 있다는 것입니다. (128비트 기준) 예를 들어 잠깐 등장하고 사라지는 파티클 텍스처에 대해선 파일의 크기를 더 줄일 수 있는 12x12 크기의 블록을 사용하고, 사용자가 직접 움직이는 플레이어 캐릭터 및 주요한 배경 등의 텍스처 에셋은 보다 더 좋은 퀄리티를 유지할 수 있는 4x4 크기의 블록을 사용할 수 있습니다.</li><li>ASTC가 위의 다른 포맷들에 비해 더 좋은 압축 효율을 보여주지만, Unity에서 기본 설정이 되지 못하는 이유는 구형 디바이스에서는 ASTC를 사용하지 못하기 때문입니다.</li><li>따라서 앱의 대상 연령층, 지역, 국가에 따른 모바일 기기 분포도를 확인해 텍스처 압축 포맷을 정해야 할 수도 있습니다. 하지만 대상 모바일 기기들이 ASTC를 지원한다면 ASTC만을 사용해도 메모리 절약에 큰 도움이 될 것입니다.</li><li>ASTC를 지원 기준은 다음 표에서 확인할 수 있습니다.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Kz_sLvNLZcy6SslkXhNbxw.png" /><figcaption>ASTC 지원 기준</figcaption></figure><h4>유니티에서 적용 및 성능 확인</h4><p>현재 &lt;아기상어 키즈 월드&gt; 앱에 새롭게 추가하기 위해 작업 중인 게임 중 하나인 상어 가족 따라 쓰기로 예를 들어 성능을 확인해보겠습니다.</p><p>상어 가족 따라 쓰기에선 이전 게임들보다 더 많은 리소스들을 사용하고 있습니다. 그 중 배경 이미지는 사이즈가 커 가장 많은 메모리를 사용하는 리소스 중 하나일 것입니다. 다음 이미지는 배경 이미지를 압축하기 전으로 14.2MB라는 메모리 사용량을 보여줍니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*_84xfT8E8qlLPcKgdqAi-Q.png" /><figcaption>압축 전 배경 이미지 메모리 사용량</figcaption></figure><p>유니티에서 플랫폼에 따라 텍스처 압축 포맷을 사용하는 방법은 해당 텍스처 에셋을 선택 후 Inspector 창에서 플랫폼 선택 후 Override 체크, 원하는 텍스처 사이즈, 텍스처 압축 포맷 등을 설정해주면 됩니다.</p><p>이 배경 이미지에 대해 ASTC 4x4 block을 적용한다면 메모리 사용량을 14.2MB에서 4.7MB로 기존의 3분의 1로 줄인 것을 확인할 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/1*d_qy67IGVO1MfPLVU5yuCA.png" /><figcaption>배경 이미지에 ASTC 4x4 block 적용</figcaption></figure><p>추가로 Max Size를 줄인다면 메모리 사용량이 더욱더 줄어든 것을 확인할 수 있습니다</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/1*f4ncysXr96hEqG0jFEeB2A.png" /><figcaption>배경 이미지 Max Size 조절</figcaption></figure><p>텍스처 압축 포맷을 적용하기 전 텍스처 리소스가 POT인지 아닌지를 확인하는 것은 중요합니다. 이 게임에서 사용하는 배경 이미지는 NPOT(Non — POT)텍스처로 만약 PVRTC, ETC를 사용하게 된다면 오히려 메모리가 증가하는 걸 확인할 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/990/1*r1mrWHo-y_gbyZkwIsSlLA.png" /><figcaption>NPOT 이미지에 PVRTC 4 bits 적용</figcaption></figure><p>이제 게임 내 메모리 사용량을 비교해보겠습니다.따라쓰기 게임의 경우 다른 게임들보다 많은 리소스를 사용해 그만큼 더 많은 메모리를 사용하게 됩니다. (1번 이미지 — 세균 무찌르기, 2번 이미지 — 상어 가족 따라 쓰기)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DWS3wdcHP4y2wF9M84xd2g.png" /><figcaption>세균 무찌르기</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uFDGseymfCJ7O9-LhCf09Q.png" /><figcaption>상어 가족 따라 쓰기</figcaption></figure><p>아래의 이미지는 상어 가족 따라 쓰기 게임에서 사용하는 텍스처 리소스들을 용도에 맞게 텍스처 압축 포맷을 적용한 후의 메모리 사용량을 보여줍니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QcSbvkdpBRmiZcMujTguwA.png" /><figcaption>텍스처 압축 적용 후 상어 가족 따라 쓰기</figcaption></figure><p>약 100MB 정도 메모리 사용량을 줄인 것을 확인할 수 있습니다.</p><p>이 글에선 ASTC를 적용해 테스트를 진행했지만, Unity에서 제공하는 플랫폼별 권장, 기본 및 지원 텍스처 포맷을 확인하여 가장 효율이 좋은 텍스처 압축 포맷을 사용할 수 있습니다.</p><p><a href="https://docs.unity3d.com/kr/2021.2/Manual/class-TextureImporterOverride.html#ios-and-tvos">플랫폼별 권장, 기본 및 지원 텍스처 압축 포맷 - Unity 매뉴얼</a></p><h4><strong>마치며,</strong></h4><p>이번 글에서 확인할 수 있는 것은 텍스처 압축을 통해 생각보다 많은 메모리를 아낄 수 있다는 것입니다. &lt;아기상어 키즈 월드&gt; 앱에 들어가는 규모가 작은 간단한 게임들도 텍스처 압축을 통해 많은 메모리를 아낄 수 있었던 것처럼, 만약 규모가 더 큰 프로젝트를 진행한다면 텍스처 압축은 더 좋은 효과를 발휘할 수 있을 것입니다.</p><p>하지만 무작정 메모리 효율만을 생각해 압축한다면 사용자들이 보기 불편한 이미지들을 제공하게 될 것입니다. 따라서 기획자, 개발자, 디자이너 간의 의사소통을 통해 사용자들에게 보여지는 이미지의 퀄리티와 메모리 사용량을 조절해야 합니다.</p><p>따라서 텍스처 압축은 개발자만이 알아야 하는 지식이 아니라고 생각합니다. 기획자, 디자이너 또한 텍스처 압축에 대해 어느 정도의 지식이 있다면 사용자들에게 더욱 좋은 퀄리티의 게임을 제공할 수 있을 것입니다.</p><p>만약 이 글에서 잘못된 점이 있다면 좋은 지적 부탁드립니다.</p><p>긴 글 읽어주셔서 감사합니다!</p><h4>참조</h4><ul><li><a href="https://docs.unity3d.com/kr/2018.4/Manual/class-TextureImporter.html">텍스처 - Unity 매뉴얼</a></li><li><a href="https://ozlael.tistory.com/42">유니티에서 ETC2 텍스쳐 사용 시 애매한 사항들 (Ambiguous things by using ETC2 on Unity</a></li><li><a href="https://blog.naver.com/tigerjk0409/221235264616">tigerjk0409님의 블로그 : 네이버 블로그</a></li><li><a href="https://blog.unity.com/kr/technology/optimize-your-mobile-game-performance-expert-tips-on-graphics-and-assets">모바일 게임 성능 최적화: 그래픽과 에셋에 관한 전문가 팁 | Unity Blog</a></li><li><a href="https://mentum.tistory.com/583">유니티 모바일 텍스쳐 압축연구 ETC2, PVRTC, ASTC</a></li></ul><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FBeEjoTa9sSo%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DBeEjoTa9sSo&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FBeEjoTa9sSo%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/a492f35490976481bc308b1bab9b8e74/href">https://medium.com/media/a492f35490976481bc308b1bab9b8e74/href</a></iframe><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=394c1cc8d976" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/%ED%85%8D%EC%8A%A4%EC%B2%98-%EC%95%95%EC%B6%95%EC%9C%BC%EB%A1%9C-%EA%B2%8C%EC%9E%84-%EC%B5%9C%EC%A0%81%ED%99%94-%ED%95%98%EA%B8%B0-394c1cc8d976">텍스처 압축으로 유니티 모바일 게임 메모리 최적화하기</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Next.js 프로젝트 Migration과 Refactoring 과정을 공유합니다.]]></title>
            <link>https://medium.com/pinkfong/nextjs-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8-migration%EA%B3%BC-refactoring-%EA%B3%BC%EC%A0%95%EC%9D%84-%EA%B3%B5%EC%9C%A0-%ED%95%A9%EB%8B%88%EB%8B%A4-fbab8c43f504?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/fbab8c43f504</guid>
            <dc:creator><![CDATA[valley]]></dc:creator>
            <pubDate>Thu, 15 Sep 2022 05:07:48 GMT</pubDate>
            <atom:updated>2023-08-16T06:12:55.686Z</atom:updated>
            <content:encoded><![CDATA[<p>안녕하세요. 웹개발팀 밸리입니다.</p><p>이번 포스팅은 사내 version 9 Next.js 그리고 기타 지원이 중단된 라이브러리들로 구성된 프로젝트를 Migration하고 Refactoring 하는 과정을 담았습니다.</p><h3>레거시에 대한 이야기</h3><p>업무 일정에 맞추기 위해 바쁘게 일을 하다 보면, 시간이 지난 프로젝트들은 금방 레거시가 되어 있습니다. 특히 빠르게 업데이트되고 변화하는 프론트엔드 세계에서는 더욱 그러한 것 같습니다.</p><p>당장 문제를 일으키지 않기 때문에 묻어가는 경우도 많습니다.</p><p>그러다 보면, 꽤 오래된 레거시 코드들은 폭탄이 되어 있어 최대한 건드리지 않는 방향으로 가게 됩니다.</p><pre>// 이 코드는 함부로 건들이지 말 것...<br>function legacyFunction() {<br>  return &#39;아주 중요한 데이터&#39;;<br>}</pre><p>저 또한 오래된 코드들을 보고도 당장 해야 할 일이 많고 해당 코드들로 기능이 큰 버그를 일으키지 않는다면 눈감고 코드를 지나친 적이 많습니다.<br>하지만 잘못했다고 하는 것은 아닙니다. 현재 레거시가 되어 버린 그 코드는 작성할 당시에는 나름대로 최고의 방법을 선택한 코드였을테니까요.</p><h3>어느 날 갑자기 리팩터링</h3><p>어느 날 운영자분께 아주 간단한 기능 업데이트 요구사항을 받고, 오랜만에 프로젝트를 열어봤습니다.</p><p>해당 요구사항은 20분도 채 걸리지 않아 구현되었지만, 이미 12 버전을 달리고 있는 Next.js의 버전은 9버전에 멈춰있고, 각종 This package has been deprecated를 내뿜는 패키지들 그리고 눈에 보이는 과거의 내가 짠 코드들을 마주하니 지나치기가 어려웠습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SqksxpME91wvOUkH4F_D1A.png" /></figure><p>해당 프로젝트는 외부 사용자가 사용하는 서비스가 아닌, 사내 서비스 운영자분들이 관리하시는 사내 서비스였기에 이슈가 생겨도 바로 공유할 수 있어 비교적 큰 부담 없이 진행을 결정했습니다.</p><h3>Analyzer 도입하기</h3><p>리팩터링을 진행하면서 번들 크기도 줄이고 싶어, @next/bundle-analyzer를 도입해 최종 번들된 프로젝트 사이즈를 시각화해서 볼 수 있도록 했습니다.</p><pre>// next.conofig.js<br>const withBundleAnalyzer = require(&#39;@next/bundle-analyzer&#39;)({<br>  enabled: process.env.ANALYZE === &#39;true&#39;,<br>  openAnalyzer: false,<br>})<br>module.exports = withBundleAnalyzer({})</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DyKb_7UllSHQVJP773B2pw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-dMEDHVP5lKlXHoaSBqdyg.png" /></figure><p><strong>parsed</strong> 값을 보면 됩니다.<br>전체 <strong>2.4MB</strong> 정도라 아주 큰 정도는 아니지만, 충분히 줄여볼 만한 것들이 보입니다.</p><h3>Next.js, React 버전 올리기</h3><p>우선 버전 9 에 머물러 있는 Next.js를 버전 12로 올렸습니다.<br>React는 버전 16이었기에 18로 올릴까 하다가 아직 완벽 지원되지 않는 라이브러리가 있을 수 있음을 고려해 17로 올렸습니다.<br>(아마 조만간 18로 올리게 될 것 같습니다.)</p><h3>import React 제거</h3><p>react 17로 버전업을 하면서 새로운 <a href="https://ko.reactjs.org/blog/2020/09/22/introducing-the-new-jsx-transform.html"><strong>JSX Transform</strong></a>덕에 더이상 import React from ‘react’ 구문을 정의해줄 필요가 없어졌습니다.</p><p>따라서 모든 파일의 import React from ‘react’ 문을 제거했습니다.</p><h3>Babel을 제거하고 SWC 도입</h3><p>SWC는 <strong>Speedy Web Compiler</strong>의 약자로, 빠른 웹 컴파일러의 기능을 제공하는 툴입니다.</p><p>Next v12부터는 Babel을 사용하지 않고, Rust기반의 <a href="https://github.com/swc-project/swc">SWC</a>를 완전 도입했기에 더욱 빨라진 속도를 체감할 수 있다고 합니다.</p><p>로컬에서는 <strong>3배 더 빠른 새로고침</strong> 속도를, 프로덕션에선 <strong>5배 더 빠른 빌드 속도</strong>를 보여준다고 합니다. 특히 <strong>Babel에 비해 Rust의 컴파일 속도는 무려 17배나 빠르다고 합니다.</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VJxyOzsTqD7ivxzUlXI_fQ.png" /><figcaption>next 공식 페이지</figcaption></figure><p><strong>왜 SWC에서 더 빨라진 속도를 보여줄까요?</strong></p><p>SWC는 성능 최적화를 위해 다양한 기법을 사용했지만, 가장 대표적인 이유는 Rust의 병렬처리라고 할 수 있습니다. 이벤트 루프 기반의 싱글 스레드 언어인 Javascript와 달리 Rust는 병렬 처리를 고려해서 설계된 언어입니다. 즉 동시에 여러 파일을 처리할 수 있습니다. 그래서 코어 개수가 늘어날수록, 큰 프로젝트일수록 성능의 차이를 확연하게 느낄 수 있습니다.</p><p>SWC를 적용시키기 위해 옵션을 추가하고 기존 Babel config 파일은 제거하였습니다.</p><pre>// next.config.js</pre><pre>module.exports = {<br>  swcMinify: true<br>}</pre><p>로컬에서 빌드를 돌렸을 때도 무려 약 2배나 빨라진 빌드 속도도 확인할 수 있었습니다.</p><p><strong>(전)✨ Done in 40.40s. 👉🏻 (후)✨ Done in 21.00s.</strong></p><h3><strong>Modularize Imports</strong></h3><p>NextJS v12에서는 modularizeImports 를 제공합니다.</p><p>이게 어떻게 강력한지 설명해드리겠습니다. 예를 들어 아래와 같은 코드가 있다고 가정해 보겠습니다.</p><pre>import { merge } from &#39;lodash&#39;</pre><p>해당 코드만 보면 merge만 불러온 것 같지만, 사실 내부적으로는 lodash의 모든 메서드를 불러온 것과 동일합니다. 즉 아래 코드랑 동일하다고 볼 수 있습니다.</p><pre>import _ from &#39;lodash&#39;</pre><p>따라서 lodash를 쓸 때는 직접 import 해오는 방식을 사용하라는 글을 많이 보셨을 겁니다. (혹은 lodash-es)</p><pre>import merge from &#39;lodash/merge&#39;</pre><p>하지만 이제 그럴 필요가 없습니다. nextJS에서 modularizeImports 옵션을 활용하면 됩니다.</p><pre>experimental: {<br>  modularizeImports: {<br>    lodash: {<br>      transform: &#39;lodash/{{member}}&#39;,<br>    },<br>  }<br>}</pre><p>그럼 이제 빌드 타임에 아래와 같이 변환됩니다.</p><pre>import { merge } from &#39;lodash&#39; -&gt; import merge from &#39;lodash/merge&#39;</pre><h3>Moment.js 잘가</h3><p>날짜 관련 라이브러리로 Moment.js를 채택하고 있었습니다.</p><p>하지만 지원이 중단되어 더 이상 업데이트되지 않고, 사이즈 또한 큰(트리쉐이킹이 지원되지 않습니다.) Moment.js를 보내줄 때가 온 것 같습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yGJ5nZZzsOEQJoqJeOGktg.jpeg" /></figure><p>Day.js와 date-fns 라이브러리 둘 중에 어떤 것을 도입할지 고민이 되었습니다.</p><p>글 작성일자 기준으로 npm trends에서의 다운로드 수는 date-fns의 인기가 더 높음을 알 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*7TIqc2EWxvSR1Z7xS7dLQw.png" /></figure><p>Unpacked Size도 살펴볼까요?</p><p><strong>Day.js 648KB</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/754/1*9lHRi4VWT05TMFEEdJ2LjQ.png" /></figure><p><strong>date-fns 6.61MB</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*0G4ylTZP4OexY8EVkW669A.png" /></figure><p>Size는 Day.js가 훨씬 가벼운 것 같습니다. Day.js가 애초에 작은 이유는 기타 플러그인을 제거한 코어 기능만 가지고 있기 때문입니다.</p><p>하지만 date-fns는 “트리쉐이킹”을 지원합니다! 심지어 다양한 API들의 성능을 비교했을 때 date-fns가 Day.js보다 빠른 경우가 많았습니다.</p><p>해당 라이브러리들을 비교한 Repository를 공유합니다.</p><p><a href="https://github.com/you-dont-need/You-Dont-Need-Momentjs">https://github.com/you-dont-need/You-Dont-Need-Momentjs</a></p><p>이렇게만 보면 date-fns의 장점이 더 많은 거 아닌가? 싶을 수 있겠습니다.</p><p>하지만 저는 최종적으로 Day.js를 선택했습니다.</p><p>이유는 다음과 같습니다.</p><ul><li>Moment.js에서 마이그레이션을 진행해야 하는 환경에서 같은 기능의 같은 API를 제공해 주는 Day.js 를 사용하면, 더욱 안전하고 쉽게 마이그레이션을 진행할 수 있다.</li><li>locale를 포함한다면, date-fns가 결코 작지 않다.</li><li>코어한 기능만 담겨 있기 때문에 불필요한 플러그인을 굳이 가져올 필요가 없다.</li></ul><p>공식문서에는 아래와 같이 쓰여 있습니다.</p><blockquote><strong><em>If you use Moment.js, you already know how to use Day.js.</em></strong></blockquote><blockquote>Moment.js를 사용한다면 이미 Day.js 사용법을 알고 있는 것입니다.</blockquote><p>Moment.js에서 제공해주는 자주 쓰는 API 들은 Day.js도 지원해주기 때문에, 무리 없이 마이그레이션을 진행할 수 있었습니다. 시간이 비용인 개발팀에서 전체적인 성능에 차이가 미미하다면, 더 빠르게 작업할 수 있는 라이브러리를 선택하는 것이 좋다고 생각합니다.</p><p>단, Day.js는 Moment.js와 달리 Immutable하므로 마이그레이션 할 때 이 부분을 주의해서 작업해야 합니다.</p><pre>// moment<br>const momentDate = moment(&#39;2022-09-01&#39;);<br>momentDate.add(1, &#39;day&#39;); // 1일 추가<br>console.log(momentDate.format(&#39;YYYY-MM-DD&#39;)) // &#39;2022-09-02&#39;<br><br>// dayjs<br>const dayjsDate = dayjs(&#39;2022-09-01&#39;);<br>dayjsDate.add(1, &#39;day&#39;); // 1일 추가(반영 X)<br>console.log(dayjsDate.format(&#39;YYYY-MM-DD&#39;)); // &#39;2022-09-01&#39;</pre><p>여기까지만 작업해도 2.6MB -&gt; 2.01MB로 줄어든 것을 보실 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m-m3OX7iQWS8afCm2V4K4A.png" /></figure><h3>마치며</h3><p><strong>1. 변수 이름을 잘 짓자, 기능은 잘게 쪼개자.</strong></p><p>해당 기능과 역할을 제대로 담아내지 못한 변수 때문에, 이게 뭐 하는 코드였는지 기억이 나지 않아서, 코드 내부 로직을 다시 파악해보아야 했습니다. 더군다나 여러 기능이 한 함수에 담겨 있는 경우에는 더욱 코드를 파악하기가 어려웠습니다.</p><p><strong>2. 테스트 코드가 진가를 발휘했다.</strong></p><p>전체 코드에 대한 테스트를 작성해놓은 것은 아니었지만, 복잡한 로직들에 대한 테스트 코드는 작성된 상태였습니다. 처음 테스트 코드를 작성할 때는 효율성이 떨어진다고 생각했었는데, 이번 리팩터링을 진행하면서 마음 편하게 코드를 수정할 수 있었습니다.<br>특히 유틸 함수들에 대한 테스트 코드를 꼼꼼하게 작성해두었더니, 리팩터링 하면서 실수했는데 미처 발견하지 못한 부분을 잡아줘서 굉장히 든든했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/988/1*mYS-cBov_aOvkFlSY0vIvQ.png" /></figure><h3>참고</h3><ul><li><a href="https://kdy1.github.io/post/2022/08/swc-perf/">SWC 성능</a></li><li><a href="https://www.rust-lang.org/">Rust</a></li><li><a href="https://nextjs.org/">Next.js by Vercel - The React Framework</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fbab8c43f504" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/nextjs-%ED%94%84%EB%A1%9C%EC%A0%9D%ED%8A%B8-migration%EA%B3%BC-refactoring-%EA%B3%BC%EC%A0%95%EC%9D%84-%EA%B3%B5%EC%9C%A0-%ED%95%A9%EB%8B%88%EB%8B%A4-fbab8c43f504">Next.js 프로젝트 Migration과 Refactoring 과정을 공유합니다.</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Jotai는 조-타이 라고 읽습니다.]]></title>
            <link>https://medium.com/pinkfong/jotai%EB%8A%94-%EC%A1%B0-%ED%83%80%EC%9D%B4-%EB%9D%BC%EA%B3%A0-%EC%9D%BD%EC%8A%B5%EB%8B%88%EB%8B%A4-6498535abe11?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/6498535abe11</guid>
            <dc:creator><![CDATA[valley]]></dc:creator>
            <pubDate>Thu, 14 Jul 2022 11:16:48 GMT</pubDate>
            <atom:updated>2022-07-14T11:16:47.910Z</atom:updated>
            <content:encoded><![CDATA[<p>안녕하세요. 웹개발팀에서 프론트엔드 업무를 맡고 있는 밸리입니다.🐰</p><p>사내에서 새로운 프로젝트를 맡게 되면서 상태 관리에 대한 필요성을 느끼게 되어 도입한 조타이에 대한 포스팅입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*T14136UddV7nGfmh6zSzjA.png" /></figure><h3>⚙️ 상태를 관리한다.</h3><p>여러분은 프로젝트에서 상태를 어떻게 관리하고 계신가요?</p><p>react에서는 기본적으로 자신의 state와 부모가 자식에게 내려주는 props 개념을 도입해 사용하고 있습니다.</p><p>순수 state와 props만으로도 상태 관리가 이루어질 수 있지만, 관리해야 하는 상태가 늘어나고 하나의 상태를 다양한 곳에서 공유해서 쓰기에는 여러 한계에 부딪히게 됩니다. 대표적으로 prop drilling의 문제가 있습니다.</p><p>요즘 많이 쓰고 있는 Redux, MobX, Zustand 아직은 베타 버전(2022년 7월 기준)이지만, 요즘 핫한 Recoil 그리고 이번 포스팅 주제인 Jotai까지. 이 외에도 상태를 관리하는 라이브러리와 여러 방법론이 대두되는 것을 보아 프론트엔드에서의 상태 관리는 계속 해나가야 할 숙제이자, 높은 중요도를 요하는 작업이 아닌가 싶습니다.</p><p>코드의 관심사를 분리하고 쉽게 관리할 수 있어야 하며, 오류 트래킹이 쉬운 프로젝트를 만들기 위해 상태 관리는 꼭 필요한 요소라고 생각합니다.</p><p>필자 또한 다양한 상태 관리 라이브러리들을 사용해보고 상태 관리에 대한 많은 고민을 했던 것 같습니다.</p><p>물론 지금도 그렇습니다.</p><h3>🤔 라이브러리 선택에 대한 고민</h3><p>프로젝트 내에서 관리해야 하는 상태가 많아지면서 상태관리를 어떻게 할 것인가에 대한 고민과 더불어 라이브러리 선택에 대한 고민이 시작되었습니다.</p><p>여러 라이브러리들 중 선택지를 추려보았습니다.</p><p>아래 라이브러리들은 서로의 대체재라기보다는 각 상황에 가장 잘 맞는 라이브러리를 선택하셔서 쓰시면 됩니다.</p><p>현재까지 가장 높은 점유율을 차지하고 있는 것은 역시 react-redux입니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DGM_bL-dqVYYSCFJ7W9ETg.png" /></figure><ul><li>Redux</li><li>ContextAPI(라이브러리는 아닙니다.)</li><li>Recoil</li><li>Jotai</li></ul><p><strong>아주 간략하게만 정리해보았습니다.</strong></p><ol><li>Redux</li></ol><p>Redux는 Flux 아키텍쳐에서 영감을 받아 상태의 중앙화로 prop drilling의 문제를 해결했습니다. 현재까지도 굉장히 인기 있는 라이브러리이며, 저 또한 가장 많이 사용했고, Redux Toolkit과 Redux-Saga를 함께 사용했었습니다.</p><p>장점으로는 관련 자료 및 커뮤니티가 방대하며, 신뢰성 있는 라이브러리입니다. 더불어 디버깅에 굉장히 용이하다는 장점을 가지고 있습니다. 큰 서비스일수록 디버깅의 역할이 돋보일 것이라고 생각합니다.</p><p>하지만 Redux는 코드량과 학습의 러닝커브 초기에 구성에 있어서 장황한 보일러플레이트를 작성해야 한다는 점을 단점으로 뽑을 수 있습니다.</p><p>2. Context API</p><p>Context API의 경우 리액트에 내장되어 있기에 별도의 설치가 필요 없다는 게 가장 큰 장점입니다. react-redux 또한 Context API가 내장되어 있습니다.</p><p>하지만 Provider의 값이 변경될 경우 그 Context를 구독하고 있는 하위의 모든 컴포넌트들의 불필요한 렌더링이 일어나기 때문에 반복, 복잡한 업데이트에서 사용할 경우 최적화에 신경 써야 할 부분이 늘어나 오히려 비효율적입니다.</p><p>3. Recoil</p><p>Recoil은 페이스북에서 개발한 요즘 새롭게 뜨고 있는 상태 관리 라이브러리입니다. 데이터를 atom이라는 단위로 선언하여 사용합니다. Recoil은 리액트스럽고. 리액트처럼 사고합니다. React hooks에 익숙한 분들이라면 다루기가 굉장히 쉽다는 장점이 있습니다. Recoil에서 가장 크게 느꼈던 매력이 바로 이 부분입니다. 최근에는 많이 안정화가 되긴 했지만 아직 베타 버전이라는 단점을 가지고 있습니다.</p><p>4. Jotai</p><p>사내 다른 개발자 분께 추천을 받았던 라이브러리 입니다. Recoil을 사용하고 싶은데, 베타 버전이라는 점에서 아쉬움을 느꼈다면 서칭해보기 좋은 라이브러리라는 생각이 듭니다. Jotai는 굉장히 가볍습니다. Recoil에 비해 1/6 정도의 번들 사이즈를 가지고 있습니다. Context의 re-rendering 문제를 해결하고자 나왔으며, Recoil에서 영감을 받아 atomic한 상태 관리 방식으로 구현되었습니다. 이 라이브러리도 굉장히 React스럽습니다. 하지만 타 라이브러리에 비해 아직 자료가 많지는 않습니다.</p><p>여러 라이브러리들을 서칭한 결과 현재 프로젝트 규모, 개발 규모, 라이브러리 안정화 등을 다양하게 고려해 보았을 때 Context API의 단점을 보완한 규모 정도의 가벼운 라이브러리가 필요했기에 Jotai 라는 라이브러리를 선택하게 되었습니다.</p><h3>Jotai</h3><h3>💁🏼‍♀️ 소개</h3><p>jotai 는 일본어로 ‘상태’ 라는 뜻입니다.</p><p>리액트의 애니메이션 라이브러리로 유명한 react-spring을 개발한 <a href="https://pmnd.rs/">Pmndrs</a> 팀에서 만들었습니다.</p><p>정확한 발음은 조타이가 아닌, 조-타이(Jōtai) 입니다.🙂</p><p>[공식 문서 소개]</p><blockquote><em>Welcome to the Jotai documentation! Jotai is a primitive and flexible state management library for React. It takes a bottom-up approach with an atomic model inspired by Recoil.</em></blockquote><h3>💁🏼‍♀️ 특징</h3><ul><li>최소한의 API</li><li>TypeScript 기본 내장</li><li>작은 번들 크기</li><li>많은 추가 유틸리티 및 공식 통합</li><li>리액트에서만 사용 가능</li><li>Next.js 및 React Native 지원</li><li>atomic한 상태 관리 방식으로 구성</li></ul><h3>💡 정말 쉬운 사용법</h3><p>초기값 atom으로 생성하고, useAtom으로 값을 받고 수정할 수 있습니다.</p><pre>import { atom, useAtom } from &#39;jotai&#39;;</pre><pre>const textAtom = atom(&#39;hello&#39;);</pre><pre>const Input = () =&gt; {<br>  const [text, setText] = useAtom(textAtom)<br>  const handleChange = (e) =&gt; setText(e.target.value)<br>  return (<br>    &lt;input value={text} onChange={handleChange} /&gt;<br>  )<br>}</pre><p>useAtom을 보면 어디서 많이 본 것 같지 않나요?</p><p>react hooks를 한번이라도 접해보신 분들이라면, useState랑 비슷하다는 느낌을 받으실 것 같습니다.</p><p>여기서 Jotai의 적용하기 쉽고, 배우기 쉽다는 장점이 드러납니다. 기본 사용법은 이게 끝입니다.</p><p>“J<strong>otai는 리액트스럽습니다.”</strong></p><h3>atom</h3><pre>const textAtom = atom(&#39;hello&#39;);</pre><p>atom의 화학적 뜻은 “원자” 입니다.</p><p>원자는 화학 반응을 통해 더이상 쪼갤 수 없는 단위를 말하는데, Jotai에서의 원자는 독립된 하나의 상태 조각을 나타냅니다. Jotai는 atomic한 접근 방식을 따르고 있습니다.</p><p><strong>Recoil과는 다르게 키를 필요로 하지 않습니다.</strong></p><pre>// Recoil&#39;s atom<br>const productState = atom({<br> product: {<br>  options: [],<br>  name: &#39;&#39;,<br>  isSale: false<br> }<br>})</pre><pre>// Jotai&#39;s atom<br>const productAtom = atom({<br> options: [],<br> name: &#39;&#39;,<br> isSale: false<br>})</pre><p>atom의 내부 구현은 어떻게 되어 있을까요? 코드를 보면 초기값을 받아서 객체(config)를 반환해주는 함수라는 것을 알 수 있습니다.</p><pre>type PrimitiveAtomWithInitialValue&lt;Value&gt; = PrimitiveAtom&lt;Value&gt; &amp; {<br>  init: Value<br>}</pre><pre>// primitive atom<br>export function atom&lt;Value&gt;(<br>  initialValue: Value<br>): PrimitiveAtomWithInitialValue&lt;Value&gt;</pre><p>jotai는 3가지의 파생 atom을 만들 수 있습니다.</p><ul><li>Read-only atom — get을 사용해서 atom 값을 읽을 수 있고 읽은 값을 아래 예시처럼 원하는 값으로 변환 후 값을 제공할 수 있습니다.</li><li>Write-only atom — 수정(쓰기) 기능은 set을 이용하여 제공할 수 있습니다.</li><li>Read-Write atom — 읽기 및 쓰기 모두 가능합니다.</li></ul><pre>import { atom } from &#39;jotai&#39;;<br><br>const priceAtom = atom(10);<br><br>const readOnlyAtom = atom((get) =&gt; get(priceAtom) * 2);<br>// const [price] = useAtom(readOnlyAtom);<br><br>const writeOnlyAtom = atom(<br>  null,<br>  (get, set, update) =&gt; {<br>    set(priceAtom, get(priceAtom) - update.discount)<br>  }<br>);<br>// const [, setPrice] = useAtom(writeOnlyAtom);<br><br>const readWriteAtom = atom(<br>  (get) =&gt; get(priceAtom) * 2,<br>  (get, set, newPrice) =&gt; {<br>    set(priceAtom, newPrice / 2)<br>   }<br>);<br>// const [price, setPrice] = useAtom(readWriteAtom);</pre><h3>uesAtom</h3><p>값을 조회하고 변경할 때는 uesAtom을 사용할 수 있습니다.</p><p>여러분들이 만약 useState를 쓰고 있다면 useState를 useAtom로 바꾸기만 해도 동일한 동작을 얻을 수 있습니다.</p><pre>const [text, setText] = useAtom(textAtom);</pre><p>자바스크립트 엔진은 도달 가능하거나 추후 사용될 가능성이 있는 값을 메모리에 유지합니다.</p><p>Map으로 생성한 객체나 객체의 프로퍼티, 배열 등등이 이에 포함됩니다. 즉 가비지 컬렉션의 대상이 아닙니다.</p><p>하지만 WeakMap을 사용하면 키로 쓰인 객체가 가비지 컬렉션의 대상이 됩니다. 따라서 메모리 누수를 방지할 수 있습니다.</p><p>Jotai가 atom의 상태를 추적할 때는 WeakMap을 활용하여 메모리 누수를 방지하고 있습니다.</p><p>useAtom에서 사용되는 atom 값이 더이상 사용되지 않으면 <strong>가비지 컬렉션</strong>의 대상이 됩니다.</p><p>어떤식으로 구현 되어 있는지 코드를 첨부합니다.</p><p>*실제 구현코드는 아닙니다. 하지만 핵심되는 구현 컨셉은 동일합니다.</p><p>실제 구현 코드는 👉🏻 <a href="https://github.com/pmndrs/jotai/blob/535f669bcee552e80108edb9bb63635012f6da60/src/core/store.ts">여기</a> 👈🏻에서 보실 수 있습니다.</p><pre>const atomStateMap = new WeakMap();<br><br>const getAtomState = (atom) =&gt; {<br>  let atomState = atomStateMap.get(atom);<br>  if (!atomState) {<br>    atomState = { value: atom.init, listeners: new Set() };<br>    atomStateMap.set(atom, atomState);<br>  }<br>  return atomState;<br>}<br><br>export const useAtom = (atom) =&gt; {<br>  const atomState = getAtomState(atom);<br>  const [value, setValue] = useState(atomState.value);<br><br>  useEffect(() =&gt; {<br>    const callback = () =&gt; setValue(atomState.value);<br>    atomState.listeners.add(callback);<br>    callback();<br>    return () =&gt; atomState.listeners.delete(callback);<br>  }, [atomState]);<br><br>  const setAtom = (nextValue) =&gt; {<br>    atomState.value = nextValue;<br>    atomState.listeners.forEach((l) =&gt; l());<br>  }<br><br>  return [value, setAtom];<br>}</pre><p><strong>주의할 점이 있습니다.</strong> atom의 config 객체는 언제 어디서든 만들 수 있지만, 항상 <strong>참조 대상</strong>이 동일해야 합니다. 예를 들어 아래와 같이 사용하면, 무한루프에 빠지게 됩니다.</p><pre>const [atomValue] = useAtom(atom(0));</pre><p>따라서 반드시 이렇게 사용해야 합니다.</p><pre>const stableAtom = atom(0);<br>const [atomValue] = useAtom(stableAtom);</pre><p>또는 참조하는 대상이 같기만 하면 되므로 React의 useMemo hook을 활용할 수도 있습니다.</p><pre>const [derivedAtomValue] = useAtom(<br>  useMemo(<br>    () =&gt; atom((get) =&gt; get(stableAtom) * 2),<br>    []<br>  )<br>)</pre><h3>Provider</h3><p><strong>atom의 값은 React context처럼 컴포넌트 트리상에 저장</strong>됩니다.</p><p>Provider를 지정하지 않으면 기본 저장소를 사용하지만, 스코프를 나누고 싶다면 Provider를 활용할 수 있습니다.</p><p>Provider를 활용해 스코프가 나뉘면, 같은 atom을 사용해도 각자의 값을 지닐 수 있습니다.</p><pre>const ComponentTree = () =&gt; (<br>	&lt;&gt;<br>		&lt;Provider&gt;<br>	    &lt;Child /&gt;<br>	  &lt;/Provider&gt;<br>		&lt;Provider&gt;<br>	    &lt;SecondChild /&gt;<br>	  &lt;/Provider&gt;<br>	&lt;/&gt;<br>)</pre><h3>Utils</h3><p>Jotai 에서는 다양한 util들을 제공합니다. 대부분은 문서에 잘 정리가 되어 있어 문서정독을 추천합니다.</p><p>해당 글에서는 몇 가지 유용하게 사용했던 util들을 소개합니다.</p><ol><li><a href="https://jotai.org/docs/utils/atom-with-storage">atomWithStorage</a></li></ol><p>만약 여러분들의 어플리케이션에서 새로고침 시에 상태를 초기화하지 않고 유지해야 한다면, 스토리지를 잘 활용해야 합니다. Jotai에서는 상태를 로컬스토리지에 저장해주는 atomWithStorage util을 제공하고 있습니다.</p><pre>import { useAtom } from &#39;jotai&#39;;<br>import { atomWithStorage } from &#39;jotai/utils&#39;;<br><br>const darkModeAtom = atomWithStorage(&#39;darkMode&#39;, false);<br><br>const Page = () =&gt; {<br>  const [darkMode, setDarkMode] = useAtom(darkModeAtom);<br><br>  return (<br>    &lt;&gt;<br>      &lt;h1&gt;Welcome to {darkMode ? &#39;dark&#39; : &#39;light&#39;} mode!&lt;/h1&gt;<br>      &lt;button onClick={() =&gt; setDarkMode(!darkMode)}&gt;toggle theme&lt;/button&gt;<br>    &lt;/&gt;<br>  )<br>}</pre><p>atomWithStorage 를 사용하면 상태가 로컬 스토리지에 저장됩니다.</p><p>물론 localStorage에 한정되어 있지는 않습니다. 세번째 인자로 storage에 대한 정보를 넣을 수도 있습니다.</p><pre>const cookieStorage = createJSONStorage(() =&gt; {<br>  ...<br>  return {<br>    getItem: ...,<br>    setItem: ...,<br>    removeItem: ...,<br>  };<br>});<br>const anAtom = atomWithStorage(&#39;key&#39;, &#39;initial value&#39;, cookieStorage);</pre><p><a href="https://jotai.org/docs/utils/use-update-atom">2. useUpdateAtom</a> / <a href="https://jotai.org/docs/utils/use-atom-value">useAtomValue</a></p><p>값을 업데이트하거나 조회만 할 때 사용할 수 있습니다.</p><p>만약 아래와 같이 값을 업데이트하기만 하는 로직이 있다고 했을 때 useAtom을 사용하면, 아래처럼 작성할 수 있습니다.</p><pre>const priceAtom = atom(1000);<br>const [, setPrice] = useAtom(priceAtom);</pre><p>이 때 useUpdateAtom을 사용하면 유용합니다.</p><pre>const priceAtom = atom(1000);<br>const setPrice = useUpdateAtom(priceAtom);</pre><p>값을 조회만 하는 경우는 useAtomValue이 유용합니다.</p><pre>const priceAtom = atom(1000);<br>const price = useAtomValue(priceAtom);</pre><p>3. useResetAtom</p><p>값을 지정해둔 초기값으로 돌려줄 때 유용합니다.</p><pre>function useResetAtom&lt;Value&gt;(<br>  anAtom: WritableAtom&lt;Value, typeof RESET&gt;<br>): () =&gt; void | Promise&lt;void&gt;</pre><p>예를 들어 이렇게 사용할 수 있습니다.</p><pre>import { useResetAtom } from &#39;jotai/utils&#39;;<br>import { todoListAtom } from &#39;./store&#39;;<br><br>const TodoResetButton = () =&gt; {<br>  const resetTodoList = useResetAtom(todoListAtom)<br>  return &lt;button onClick={resetTodoList}&gt;Reset&lt;/button&gt;<br>}</pre><p>단, 사용하려는 atom이 <strong>atomWithReset</strong>으로 정의가 되어 있어야 사용할 수 있습니다.</p><pre>const todoListAtom = atomWithReset([<br>  { description: &#39;Add a todo&#39;, checked: false },<br>]);</pre><pre>const dataAtom = atom([]);</pre><pre>const TodoResetButton = () =&gt; {<br>  const resetTodoList = useResetAtom(todoListAtom); // ✅<br>	const resetData = useResetAtom(dataAtom) // ❌<br>  return &lt;button onClick={resetTodoList}&gt;Reset&lt;/button&gt;<br>}</pre><p>4. selectAtom</p><p>slelctAtom은 객체에서 원하는 값만 뽑아서 보여주고자 할 때 유용합니다.</p><pre>function selectAtom&lt;Value, Slice&gt;(<br>  anAtom: Atom&lt;Value&gt;,<br>  selector: (v: Value) =&gt; Slice,<br>  equalityFn: (a: Slice, b: Slice) =&gt; boolean = Object.is<br>): Atom&lt;Slice&gt;</pre><p>아래처럼 selectAtom을 사용해 상태 가져오기를 분리했을 때 얻을 수 있는 이점은 nameAtom을 사용하고 있는 부분이 변경되면, 해당 컴포넌트만 리렌더링이 일어납니다.</p><pre>const defaultPerson = {<br>  name: {<br>    first: &#39;Valley&#39;,<br>    last: &#39;Yoon&#39;,<br>  },<br>  birth: {<br>    year: 2001,<br>    month: &#39;May&#39;,<br>    day: 1,<br>    time: {<br>      hour: 1,<br>      minute: 1,<br>    },<br>  },<br>}<br><br>const personAtom = atom(defaultPerson)<br><br>const nameAtom = selectAtom(personAtom, (person) =&gt; person.name)<br>const birthAtom = selectAtom(personAtom, (person) =&gt; person.birth)</pre><h3>🌊 Jotai가 사용된 서비스</h3><p>Jotai가 사용된 재밌는 오픈 소스를 첨부합니다. 그림판 프로그램입니다.</p><p>해당 오픈 소스에서 Jotai를 사용할 때의 폴더 구조 등도 같이 엿볼 수 있습니다:)</p><p><a href="https://github.com/dai-shi/katachidraw/tree/main/src/atoms">katachidraw/src/atoms at main · dai-shi/katachidraw</a></p><h3><strong>👋🏻 마치며</strong></h3><p>사내 프로젝트에서 Jotai를 도입하면서 느낀 점은 ‘쉽다’였습니다.</p><p>물론 완벽하게 내부 구조나 최적화 부분까지 이해하고 쓰려면 쉽지만은 않겠지만, 그럼에도 Jotai의 러닝 커브는 굉장히 낮다고 생각합니다. 그리고 굉장히 가볍습니다. 제공되는 유틸들이 다양한데도 불구하고 총 번들 사이즈가 다른 라이브러리에 비해 낮은 편에 속합니다.</p><p>React State + Context API 를 고려하고 계신다면, Jotai를 도입해 보는 것도 좋은 선택이란 생각이 듭니다.</p><p>같은 팀에서 개발한 Zustand라는 라이브러리도 있습니다.</p><p>Redux를 고려 하고 계신다면 Zustand도 한번 살펴 보시는 것도 좋을 것 같습니다. (Jotai가 일본어로 ‘상태’라는 뜻인데, Zustand도 독일어로 ‘상태’라는 뜻입니다😁)</p><h3>📍참고 문서</h3><ul><li><a href="https://developer.mozilla.org/ko/docs/Web/JavaScript/Reference/Global_Objects/WeakMap">WeakMap - JavaScript | MDN</a></li><li><a href="https://jotai.org/">Jotai, primitive and flexible state management for React</a></li><li><a href="https://ko.reactjs.org/docs/context.html">Context - React</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6498535abe11" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/jotai%EB%8A%94-%EC%A1%B0-%ED%83%80%EC%9D%B4-%EB%9D%BC%EA%B3%A0-%EC%9D%BD%EC%8A%B5%EB%8B%88%EB%8B%A4-6498535abe11">Jotai는 조-타이 라고 읽습니다.</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[MSW 사용하여 테스트 코드 작성하기 with GraphQL, react-query]]></title>
            <link>https://medium.com/pinkfong/msw-%EC%82%AC%EC%9A%A9%ED%95%98%EC%97%AC-%ED%85%8C%EC%8A%A4%ED%8A%B8-%ED%95%98%EA%B8%B0-with-graphql-react-query-382da1529950?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/382da1529950</guid>
            <dc:creator><![CDATA[valley]]></dc:creator>
            <pubDate>Tue, 14 Jun 2022 05:31:18 GMT</pubDate>
            <atom:updated>2022-06-14T05:31:18.204Z</atom:updated>
            <content:encoded><![CDATA[<h3>서론</h3><p>안녕하세요. 더핑크퐁컴퍼니 웹개발팀에서 프론트엔드 개발 업무를 맡고 있는 밸리입니다.🐰</p><p>기존 프로젝트는 GraphQL과 Apollo Client의 조합으로 개발하였고, 테스트를 진행할 때는 Apollo Client에서 제공하는 MockedProvider를 사용하여 테스트를 진행했었습니다.</p><p>새로운 프로젝트에서 GraphQL과 react-query의 조합으로 개발을 진행하게 되면서, 어떻게 테스트를 진행할지에 대해 고민을 하게 되었습니다.</p><p>react-query 공식문서에는 @testing-library/react-hooks 를 이용한 테스트 방법이 기재되어 있으나,</p><p>단순 react-query hooks에 대한 테스트뿐만 아니라, 다양한 케이스의 API request, response로 렌더링된 요소들에 대한 테스트를 진행하기 위해서 다른 방법을 고민해보아야 했습니다.</p><p>애초에 테스트 환경에서는 실제 서버에 API 요청을 날리는 경우는 많지 않습니다. 프론트엔드 테스트인데, 서버의 API 가 실제로 작동하고 안 하고는 서버쪽의 관심사이기 때문입니다.</p><p>또한 실제 서버에 API Call을 날리면 여러 리스크가 생길 수 있습니다.(물론 서버에 직접 API Call을 하는 테스트도 있습니다.)</p><p>따라서 테스트 환경에서 API request, response를 Mocking하는 작업이 필요했습니다.</p><blockquote>@testing-library/react-hooks 을 활용한 테스트 예제는 아래 공식 문서를 참고 하세요!</blockquote><blockquote><a href="https://react-query.tanstack.com/guides/testing#_top">https://react-query.tanstack.com/guides/testing#_top</a></blockquote><h3>Mock Service Worker(MSW)</h3><p>고민 끝에, 저희팀에서는 <a href="https://mswjs.io/"><strong>Mock Service Worker</strong></a><strong> (MSW) </strong>라이브러리를 채택했습니다.</p><p>MSW는 API Mocking 라이브러리로, 서버로 가는 네트워크 요청을 가로채서 mocked response를 내려주는 역할을 합니다.</p><p>즉 API를 Mocking 해야 하는 모든 상황에서 유용하게 쓰일 수 있습니다.</p><p>예로 프론트엔드 개발자가 백엔드 개발자로부터 아직 개발에 필요한 API 를 받지 못한 상황이라면, MockData를 작성해두고, 화면을 구상할 수 있을 것 입니다.</p><p>하지만 이는 네트워크 레벨에서 사용해 볼 수 없다는 단점을 가지고 있습니다.</p><p>네트워크 레벨에서 통신하는 게 아니므로 axios 나 fetch 도 사용할 수가 없을뿐더러, 네트워크 통신 속에 발생하는 여러 상황들에 맞추어 처리해 놓은 UI 부분에 대해서는 (loading이나 error 등) 완벽한 테스트를 해볼 수가 없습니다.</p><p>이럴 때 MSW를 사용하면, Mock 서버 없이도 API 요청들을 네트워크 레벨에서 Mocking 하여 사용할 수 있게 됩니다.</p><p>MSW는 어떻게 Mocking한 API 요청들을 네트워크 레벨에서 사용할 수 있게 하는 것 일 까요?</p><h3>Service Worker를 사용하는 MSW</h3><p>우선 MSW의 내부 동작 원리를 보면 아래와 같이 동작하는 것을 알 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*J4ejHSIiN0hUo8ODMS6nXg.jpeg" /></figure><p>중간에 보면 Service Worker 라는 것이 보이시나요?</p><p>MSW는 Service Worker를 통해 네트워크 요청을 가로채고 모의 응답을 반환합니다.</p><h3>Service Worker란 무엇일까요?</h3><blockquote><em>서비스 워커는 웹 응용 프로그램, 브라우저, 그리고 (사용 가능한 경우) 네트워크 사이의 프록시 서버 역할을 합니다.</em></blockquote><p>MDN에 기재되어 있는 Service Worker의 설명입니다.</p><p>MSW는 Service Worker를 통해 네트워크 사이의 프록시 서버 역할을 하고 있는 것입니다.</p><p>Service Workder API는 모던 브라우저에서 제공하는 표준 API이므로 타 라이브러리들과의 종속성 문제나 호환성 문제를 고려하지 않아도 된다는 장점이 있습니다.</p><p><strong>핵심은 Service Worker 는 앱을 구동하는 메인 스레드와는 다른 스레드(백그라운드 스레드)에서 동작합니다. 즉, 논블로킹으로 작동하므로 메인 스레드의 연산을 가로막지 않습니다.</strong></p><p>❗️ <strong>단, 주의할 점이 있습니다.</strong></p><ul><li>서비스 워커는 보안 상의 이유로 HTTPS에서만 동작합니다. 네트워크 요청을 수정할 수 있다는 점에서 중간자 공격에 굉장히 취약하기 때문입니다.</li><li>Firefox에서는 시크릿 모드에서 Service Worker API에 접근할 수 없습니다.</li><li>IE 에서는 사용이 불가능합니다.</li></ul><h3>MSW Install</h3><pre>npm install msw --save-dev<br># or<br>yarn add msw --dev</pre><h3>Mock definition</h3><p>MSW를 사용할 때 Mocking 해둘 작업들을 미리 정의할 수 있습니다.</p><p>저는 테스트 환경에서만 MSW를 사용할 예정이므로 아래와 같은 폴더 구조를 만들었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/406/1*KXpa1gvxef7bPjN0bdHMjQ.png" /></figure><p>handlers 폴더 안에 유저 정보를 불러오는 getUserInfo.ts 파일을 만들고, Query를 mocking하여 넣어보겠습니다.</p><p>handlers/getUserInfo.ts</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d7b042c91b2aac36e53b222c05c14029/href">https://medium.com/media/d7b042c91b2aac36e53b222c05c14029/href</a></iframe><p>그리고 이러한 핸들러들은 여러 개가 생길 수 있으므로 index.js 를 만들어 여러 핸들러를 한번에 export 해주는 파일을 만들어 주고, 방금 만든 handler를 import해서 넣어 줍니다.</p><p>handlers/index.js</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c8006a3e6c45cf82a6dacbc8460b1d7d/href">https://medium.com/media/c8006a3e6c45cf82a6dacbc8460b1d7d/href</a></iframe><p>테스트 환경은 브라우저가 아닌 Node 환경에서 진행합니다. 하지만 Service Worker API는 브라우저 환경에서만 사용할 수 있습니다. 즉 Node 환경에서는 사용할 수 없습니다.</p><p>이를 위해 MSW 내부에서는 <strong>https</strong> or <strong>XMLHttpRequest</strong> 확장하는 방식으로 처리가 되어있습니다. 따라서 Node 환경에서도 MSW를 사용할 수 있습니다.</p><h3>Create Server Instance</h3><p>앞서 만들어둔 handler를 사용해 server instance를 만들겠습니다.</p><p>/mocks/server.js</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/90399e761399da1606be058e714c964d/href">https://medium.com/media/90399e761399da1606be058e714c964d/href</a></iframe><p>이번 프로젝트는 테스트 시에 Jest 환경에서 테스트를 진행하므로, 셋업 파일에 아래와 같이 세팅을 진행하였습니다. 여러분들의 테스트 셋업 파일이 있다면, <em>(ex)setupTests.js) </em>해당 파일에 아래 코드를 작성하면 됩니다.</p><p>jest.setup.js</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/f0a6962a96f90b420ea3ef8fc55078c3/href">https://medium.com/media/f0a6962a96f90b420ea3ef8fc55078c3/href</a></iframe><p>jest.config.js</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/de2abdc38d107db9e9f8ab558ba0568d/href">https://medium.com/media/de2abdc38d107db9e9f8ab558ba0568d/href</a></iframe><h3>렌더링 테스트</h3><p>Mocking한 Query API를 통해 렌더링한 요소들에 대한 UI 테스트를 진행해 보겠습니다.</p><p>react testing 도구는 <strong>@testing-library/react</strong> 라이브러리를 사용했습니다.</p><p>해당 라이브러리에 대한 이야기는 아래 링크에서 보실 수 있습니다.</p><p>👉🏻<a href="https://medium.com/pinkfong/react-testing-library-%EC%9D%98-fireevent-%EB%A5%BC-userevent%EB%A1%9C-%EB%A7%88%EC%9D%B4%EA%B7%B8%EB%A0%88%EC%9D%B4%EC%85%98-%ED%95%98%EA%B8%B0-with-antd-ad0de218bb98"> react-testing-library-의-fireevent-를-userevent로-마이그레이션-하기</a></p><p>우선 렌더링 테스트하기 위한 기본적인 세팅들이 필요합니다. 이러한 세팅들을 여러 테스트 파일에서 모두 작성해도 되지만, 그렇게 하면 많은 중복 코드가 생성되기 때문에 공통 세팅을 묶어 제공하는 <strong>Randerer</strong> 컴포넌트를 만들어 두겠습니다.</p><p>test-utils/customTestRanderer.tsx</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c5e122c30c2fc47f33fb955689c9a97d/href">https://medium.com/media/c5e122c30c2fc47f33fb955689c9a97d/href</a></iframe><p>유저 인터렉션 테스트를 위해 <strong>@testing-library/user-event</strong> 를 사용했습니다.</p><p>user-event 기본 세팅 하는 부분도 여러 곳에서 동일하게 사용될 예정이므로 기본 세팅을 마친 userEvent를 모듈화하도록 하겠습니다.</p><p>customUserEvent.ts</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/033da08dd321d70c740ee2eed4c5d2ac/href">https://medium.com/media/033da08dd321d70c740ee2eed4c5d2ac/href</a></iframe><p>이제 테스트 파일을 하나 만들어서, 유저의 이름을 화면에 그려주는 UserName 컴포넌트를 테스트해보겠습니다.</p><p>❗️ 주의할 점은 MSW에서 GraphQL API의 네트워크 요청을 가로채려면, 반드시 <strong>Operation name이 같아야 합니다. </strong>예로 user 정보를 불러오는 쿼리의 Operation name은 ‘GetUserInfo’ 를 사용했습니다. handlers/getUserInfo.ts 에도 Operation name 자리에 ‘GetUserInfo’ 를 적어 두었습니다.</p><p>UserName.tsx</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/8b155ed43be7e761d7bd6f193a50a70b/href">https://medium.com/media/8b155ed43be7e761d7bd6f193a50a70b/href</a></iframe><p>이제 테스트를 진행할 수 있습니다. 🎉 지금까지 만들어둔 모듈들을 이용해 아래처럼 테스트 코드를 작성하시면 됩니다.</p><p>tests/UserName.test.tsx</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c32526e70f6fc846c2302c23091f9eb8/href">https://medium.com/media/c32526e70f6fc846c2302c23091f9eb8/href</a></iframe><h3>끝으로</h3><p>이번 글에서는 MSW를 활용해 API를 Mocking하고, 테스트 코드를 작성하는 과정을 담아 보았습니다.</p><p>이번 프로젝트에서는 이미 서버 API가 거의 개발이 완료된 상태에서 프론트 개발 작업이 들어가게 되어 브라우저 환경에서는 별도로 사용하진 않았지만, 추후 서버 개발이 완료되기 전에 프론트엔드 작업을 해야 하는 상황에서 MSW를 활용하면 굉장히 높은 수준의 완성도를 가진 작업물을 개발할 수 있을 것 같습니다.</p><p>읽어주셔서 감사합니다.🙂</p><h3>참고 문서</h3><ul><li><a href="https://react-query.tanstack.com/">React Query</a></li><li><a href="https://developer.mozilla.org/ko/docs/Web/API/Service_Worker_API">Service Worker API - Web API | MDN</a></li><li><a href="https://mswjs.io/docs/">Introduction</a></li><li><a href="https://graphql.org/learn/queries/">Queries | GraphQL</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=382da1529950" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/msw-%EC%82%AC%EC%9A%A9%ED%95%98%EC%97%AC-%ED%85%8C%EC%8A%A4%ED%8A%B8-%ED%95%98%EA%B8%B0-with-graphql-react-query-382da1529950">MSW 사용하여 테스트 코드 작성하기 with GraphQL, react-query</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Google BigQuery와 Data Studio를 활용한 앱 광고 매출 대시보드 개발기]]></title>
            <link>https://medium.com/pinkfong/google-bigquery%EC%99%80-data-studio%EB%A5%BC-%ED%99%9C%EC%9A%A9%ED%95%9C-%EC%95%B1-%EA%B4%91%EA%B3%A0-%EB%A7%A4%EC%B6%9C-%EB%8C%80%EC%8B%9C%EB%B3%B4%EB%93%9C-%EA%B0%9C%EB%B0%9C%EA%B8%B0-af4e227ba77b?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/af4e227ba77b</guid>
            <dc:creator><![CDATA[Yesung Han]]></dc:creator>
            <pubDate>Fri, 10 Jun 2022 01:44:35 GMT</pubDate>
            <atom:updated>2022-06-10T01:44:35.726Z</atom:updated>
            <content:encoded><![CDATA[<h3>Google BigQuery와 Data Studio를 활용한 매출 분석 대시보드 개발기</h3><p>안녕하세요, 더핑크퐁컴퍼니 웹개발팀에서 백엔드 업무를 맡고 있는 메타입니다. 🌱</p><p>이번에 기존 AWS RDS와 PHP로 운영중이었던, 앱 광고 매출 분석 시스템을 Google BigQuery와 Data Studio를 이용해 이전 및 확장 작업을 진행하면서 느낀 점을 정리해보았습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/582/0*lQnSvG900kUFXYLf.png" /></figure><p>먼저 요구사항은 아래와 같았습니다.</p><blockquote>사내 앱 광고 매출 분석 시스템에서 트래킹 하고 있던 플랫폼을 기존 Admob 1곳에서 8곳으로 늘려주세요. 그리고 그 8곳에서의 매출 현황을 한눈에 보고 싶어요!</blockquote><h4>🤔 레거시 시스템을 수정할 것이냐 VS 새로운 시스템을 도입할 것이냐</h4><p>기존 시스템은 새로운 광고 플랫폼 1곳을 추가 할때마다, 별도 추가 테이블을 생성하고 추가된 데이터를 보여주기 위한 프론트 단 개발도 들어가야 했기 때문에 플랫폼이 추가되고 제거될 때마다 PHP 버전 이슈 등 프론트 쪽에서도 신경써야 하는 부분이 많았고, 플랫폼에 등록되어있는 매출 이외에 부가정보(앱정보, 광고단위 정보 등)를 수동으로 관리 하고 있었기 때문에, 운영하면서 타깃 플랫폼이 늘어날 때마다 수동으로 관리해야 하는 포인트도 따라서 늘어나는 문제가 있었습니다.</p><p>그래서 과감하게 새로운 시스템을 도입하기로 했습니다.</p><p>먼저 프론트 개발 없이 데이터 분석을 가능하게 하는 도구들을 리서치해보았습니다.</p><p>후보군은 아래와 같았습니다.</p><ul><li>elasticsearch + Kibana</li><li>BigQuery + Data Studio</li></ul><p>제일 먼저 생각해 보았던 것은 이전에 앱 사용자 로그 처리 및 분석 작업을 진행 하면서 사용해보았던 elasticsearch + Kibana 스택이었습니다.</p><p>하지만 elasticsearch는 RDB에서의 relation과 같은 개념이 없기 때문에 매출정보와 앱정보, 광고단위 정보를 별도 index로 관리할 수 없다는 단점이 있었습니다. (<a href="https://www.samsungsds.com/kr/insights/elastic_data_modeling.html">elasticsearch에서 관계형 데이터 모델링 방법</a>이 있기는 하지만, 별도의 두 인덱스를 조인하는 개념이 아니라 하나의 인덱스에 계층이나, 부모 구조의 형태로 구성된 데이터를 넣고 관리하는 느낌)</p><p>한번 발생하면 수정될 일이 없는 로그 정보와는 달리 각 광고 플랫폼에 등록된 앱정보나, 광고단위 정보는 운영 중 수시로 바뀔 수 있는 정보였기 때문에 elasticsearch + Kibana로 그 정보들까지 묶어서 확인하기에는 쉽지 않을것 같았습니다.</p><p>그리고 elastic cloud 서비스를 이용해 240GB 까지의 스토리지를 할당 받아 사용하고 있었기 때문에, 추후 별도의 확장 이슈가 또 생긴다는 점도 단점으로 생각했습니다.</p><p>그래서 그 대안으로 고민해보았던 도구는 BigQuery + Data Studio 였습니다.</p><h3>Google BigQuery 장단점</h3><p>😃 BigQuery를 알아보면서 장점으로 생각되었던 점은</p><ul><li>완전관리형 엔터프라이즈 데이터 웨어하우스로, 별도 설치 운영할 필요가 없고 그렇기 때문에 나중에 생길 수 있는 확장 이슈에 대응이 쉽다.</li><li>SQL을 지원하기 때문에 접근성이 좋고, RDB처럼 테이블간 relation을 지원하기 때문에 데이터를 테이블 별로 나누어 관리가 가능하다.</li><li>쿼리 결과를 클릭 몇 번으로 구글 시트로 내보거나, Data Studio를 통해 시각화 대시보드를 만들어 다른 사람들과 공유할 수 있다.</li><li>on-demand 가격 정책을 지원하기 때문에 사용량이 많지 않을 때 비용 절감이 가능하다.</li><li>파티션 나누기, 자동 캐싱 처리 등 쿼리 비용 절감을 위한 여러 방법들이 존재한다.</li></ul><p>🤔 단점으로 생각되었던 점은</p><ul><li>BigQuery에는 키나 인덱스의 개념이 없다. 무조건 풀스캔이다.</li></ul><p>그렇기 때문에 기존 RDB나 elasticsearch로 운영했을 때만큼의 쿼리 속도를 보장하기 힘들다는 점이었습니다.</p><p>하지만 앱 광고 매출 분석 시스템의 경우 <strong>빈번하게 데이터의 수정, 삭제가 일어나지도 않고</strong>, 조회 작업도 대시보드를 이용하는 팀에서<strong> 데이터 분석 작업이 있을 때만 몇 번 일어나는 게 전부</strong>이기에, OLTP보다는 OLAP 시스템에 특화 된 BigQuery로 이전하는 것이 추후 관련 부서의 여러 요청에 더 유연하게 대응할 수 있을 것 같다는 결론을 내렸습니다.</p><h3>Google BigQuery 테이블 만들어 보기</h3><p>먼저 BigQuery의 경우 아래와 같은 구조로 되어있습니다.</p><p>GCP 프로젝트 &gt; 데이터세트 &gt;테이블</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/843/1*kjsPUdGyZl7bvW8GE7TjCA.png" /></figure><p>각 GCP 프로젝트 별로 데이터세트를 구성할 수 있고 그 아래 테이블을 만들어 운영할 수 있게 되어있습니다.</p><p>테이블 생성시에는 크게 2가지 항목을 설정합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*I00l5ma-9wtZjufiaesEag.png" /></figure><ol><li><strong>스키마 정보 정하기</strong></li></ol><p>필드 데이터 유형의 경우, STRING, INTEGER 이외에 다양한 필드들을 설정 할 수 있었습니다.</p><p><a href="https://cloud.google.com/bigquery/docs/reference/standard-sql/data-types?hl=ko">데이터 유형 | BigQuery | Google Cloud</a></p><p>2. <strong>파티션 방식 정하기</strong></p><p>파티션 방식을 지정하면 해당 테이블은 특정 세그먼트로 분할된 특수한 테이블인 “<strong>파티션을 나눈 테이블</strong>&quot; 이 됩니다.</p><p>기본적으로 빅쿼리에서는 풀스캔이 일어나고, 스캔되는 데이터의 양이 늘어날수록 청구되는 비용도 늘어나기 때문에, 큰 테이블을 작은 파티션으로 나누면 쿼리 성능을 높일 수 있으며 쿼리에서 읽는 바이트 수를 줄여 비용을 제어할 수 있다고 합니다.</p><p>파티션을 나눌수 있는 방법에는</p><p>데이터가 빅쿼리로 들어온 1. <strong>수집시간대로</strong> 알아서 빅쿼리가 테이블을 나누게 하거나,</p><p>특정 2. <strong>컬럼 값대로</strong> 테이블을 쪼개도록 지정할 수 있습니다. (아래 링크에 자세한 설명이 있습니다.)</p><p><a href="https://cloud.google.com/bigquery/docs/partitioned-tables?hl=ko">파티션을 나눈 테이블 소개 | BigQuery | Google Cloud</a></p><p>파티션을 지정하여 테이블 생성 시, 아래 사진처럼 세부정보란에서 파티션에 대한 정보를 확인할 수 있었습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/798/1*j2z8qzVuVlUTLRpFRs8olA.png" /><figcaption>date라는 날짜 컬럼을 기준으로 파티션을 나눈 모습</figcaption></figure><p>+추가로, 테이블 생성시 아래 사진처럼 ‘데이터를 쿼리하려면 WHERE 절 필요’ 항목에 체크를 할 경우, 매 쿼리 시마다 꼭 파티션에 기준이 되는 필드를 WHERE 절로 필수적으로 걸어줘야 했습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/907/1*PRzKN5ILzBnoJwXDZraM-A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/904/1*QnIEIZDGBQyBgD-W3C3hyg.png" /><figcaption>테이블 생성 시 ‘데이터를 쿼리하려면 WHERE 절 필요’ 항목에 체크를 할 경우, 매 쿼리 시마다 꼭 파티션에 기준이 되는 필드를 WHERE 절로 걸어주어야 한다. 그렇지 않을 경우 에러가 발생한다.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/884/1*1jfx2mWI_yBd134F4E6Awg.png" /><figcaption>파티션 기준 필드인 date로 WHERE 절을 걸어 주었을 경우, 에러 없이 성공한 모습</figcaption></figure><h4><strong>파티션 결과 쿼리 테스트</strong></h4><p>테스트 쿼리 (1) : 전체 기간 (&gt; 10M rows)<br>SELECT * FROM `project.dataset.table` WHERE date &gt; ‘2010–01–01’;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*y2T2g7OdAydQX2ts5uDW3A.png" /><figcaption>테스트 쿼리 (1) 실행 결과</figcaption></figure><p>테스트 쿼리 (2) : 올해 기간 (&lt; 1M rows)<br>SELECT * FROM `project.dataset.table` WHERE date &gt; ‘2022–01–01’;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*pBpdFZmyA15219GpJFuwog.png" /><figcaption>테스트 쿼리(2) 실행 결과</figcaption></figure><p>파티션을 적용 한 경우, SELECT 범위가 좁아질수록 처리 및 청구된 바이트와 시간이 감소되는 것을 확인할 수 있었습니다.</p><p>쿼리 비용 관리에 많은 도움이 되기 때문에 추후 데이터 양이 계속해서 많아질수 있는 테이블은 파티션을 필수로 설정하는 것이 좋다는 느낌을 받았습니다.</p><h3>Google BigQuery에 데이터 넣어 보기</h3><p>BigQuery의 경우 google에서 공식 node.js 클라이언트도 제공하기 때문에 node.js로 구성된 시스템에 이식하기 쉽게 되어있었습니다.</p><p><a href="https://github.com/googleapis/nodejs-bigquery">GitHub - googleapis/nodejs-bigquery: Node.js client for Google Cloud BigQuery: A fast, economical and fully-managed enterprise data warehouse for large-scale data analytics.</a></p><pre><em>const</em> { BigQuery } = require(&#39;@google-cloud/bigquery&#39;);</pre><pre><em>const</em> options = {<br>    keyFilename: &#39;test-bigquery-user-key.json&#39;,<br>    projectId: &#39;GCP 프로젝트 ID&#39;<br>};</pre><pre><em>const</em> bigquery = new BigQuery(options);</pre><p>node.js 시스템 내에서 위와 같이 BigQuery 인스턴스를 생성해서 제공되는 기능을 사용할 수 있습니다.</p><p>데이터를 넣는 방식에는 크게 2가지 방식이 존재했습니다.</p><ol><li><strong>데이터 넣기: 스트리밍 방식</strong></li></ol><p><a href="https://github.com/googleapis/nodejs-bigquery/blob/main/samples/insertRowsAsStream.js">https://github.com/googleapis/nodejs-bigquery/blob/main/samples/insertRowsAsStream.js</a></p><pre>await bigquery<br>.dataset(&#39;타깃데이터세트명&#39;)<br>.table(&#39;타깃테이블명&#39;)<br>.insert(records);</pre><p>Google BigQuery 스트리밍 삽입은 데이터가 ‘거의 실시간’으로 펌핑되도록 하지만, 주의사항이 있습니다.</p><ul><li>스트리밍 방식으로 데이터 삽입 시 비용이 청구됩니다.</li><li>스트리밍 방식으로 넣은 데이터는 30분간 DML문으로 삭제, 변경을 할 수 없습니다. (<a href="https://cloud.google.com/bigquery/docs/reference/standard-sql/data-manipulation-language#limitations">문서</a>)</li><li>프로젝트 별 초당 1GB까지 스트리밍할 수 있는 등 제한이 존재합니다.</li></ul><p><strong>2. 데이터 넣기: INSERT DML 이용 방식</strong></p><p><a href="https://cloud.google.com/bigquery/docs/reference/standard-sql/data-manipulation-language">https://cloud.google.com/bigquery/docs/reference/standard-sql/data-manipulation-language</a></p><pre><em>const</em> query = `INSERT dataset.Inventory (product, quantity)<br>VALUES(&#39;top load washer&#39;, 10),<br>      (&#39;front load washer&#39;, 20),<br>      (&#39;dryer&#39;, 30),<br>      (&#39;refrigerator&#39;, 10),<br>      (&#39;microwave&#39;, 20),<br>      (&#39;dishwasher&#39;, 30),<br>      (&#39;oven&#39;, 5)`</pre><pre><em>const</em> options = {<br> query: query,<br> location: commonConfig.location<br>};</pre><pre><em>const</em> [ job ] = await bigquery.createQueryJob(options);<br><em>const</em> result = await job.getQueryResults();</pre><pre>return result;</pre><p>DML 방식의 경우 스트리밍처럼 거의 실시간 펌핑이 일어나지는 않지만,</p><p>프로젝트에서 하루에 실행할 수 있는 DML문 수의 제한도 없고, 데이터를 삽입한 이후부터 자유롭게 수정, 삭제 가능했습니다.<br>(DML 한도 관련 자세한 정보는 여기 <a href="https://cloud.google.com/bigquery/quotas#data-manipulation-language-statements">공식 문서</a>에서 확인 가능합니다. )</p><p>앱 광고 매출 데이터의 경우 배치 작업으로 매일 매일 데이터를 가져오기 때문에 스트리밍 방식을 이용할 이유가 없었습니다. 그래서 DML 방식을 사용했습니다.</p><h3><strong>쿼리 결과 분석하기</strong></h3><p>BigQuery에서는 쿼리 결과를 다양한 방식으로 분석할 수 있는 방법을 제공합니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*K7jnyZ45M5kwHyoDaVsUSw.png" /><figcaption>쿼리 결과 창 왼쪽에 결과 저장 및 분석을 위한 다양한 옵션을 선택 할 수 있습니다.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/981/1*6bTN4rSrPrYb7Nu4bL4R1g.png" /><figcaption>BigQuery에서 제공하는 다양한 내보내기 및 탐색 방법들</figcaption></figure><p>저희는 위의 여러 방법 중, 시각화 대시보드 페이지가 필요했기 때문에, 필요한 쿼리 결과를 운용하기 쉽게 뷰테이블로 생성했고,</p><p>해당 뷰들을 Data Studio 대시보드에 리소스로 연결하여 대시보드 화면을 구성했습니다.</p><p><a href="https://cloud.google.com/bigquery/docs/views?hl=ko">뷰 만들기 | BigQuery | Google Cloud</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/887/1*hWbUgyaemtoG-s1INJA8Cg.png" /><figcaption>Data Studio 내 리소스 메뉴 &gt; 추가된 데이터 소스 관리 에서 BigQuery 테이블 을 불러올 수 있습니다.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/972/1*Bb5b1g3joEij-kdXHnQZuw.png" /><figcaption>데이터에 연결 항목에서 BigQuery 를 지정하면 BigQuery 내 테이블들을 Data Studio로 불러올 수 있습니다.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*NPLWp5iivFMfE-IXcqLgbg.png" /></figure><p>Data Studio에서는 표, 시계열, 막대 등 다양한 그래프를 제공하고 있어서 요구사항에 맞게 대시보드를 구성할 수 있었습니다.</p><p>그리고 무엇보다도 Kibana와 달리 색상 테마나, 레이아웃 지정하는 것이 자유로워서 아래 처럼 여러 디자인으로 대시보드를 꾸미는 것이 가능했습니다!! 😃</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/337/1*EIf3eIstS_yARSMOzI1LnQ.png" /><figcaption>Data Studio에 존재하는 다양한 테마 옵션들, 항목별로 원하는 색깔을 지정하는 커스터마이징도 가능하다.</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/946/1*mDkLNZ6WstdVxjeV3-5EeA.png" /><figcaption>Data Studio를 통해 광고 매출 대시보드를 구성한 모습</figcaption></figure><h3><strong>마지막으로,</strong></h3><p>이번 작업을 진행하면서 느낀 점은, 기존 시스템이 RDB로 구성된 환경이었다면, 게다가 빠른 쿼리 속도가 그다지 필요 하지 않고, 사용도 빈번하지 않다면 elasticsearch 보다 Google BigQuery를 차기 데이터 웨어하우스로 사용하는 것이 더 작업하기 쉬울 것 같다는 것이었습니다.</p><p>elasticsearch + Kibana의 경우, 쿼리 속도가 빠르기 때문에 실시간으로 대응해야 하는 라이브 데이터 분석에,</p><p>BigQuery + Data Studio의 경우, 데이터 수가 1M rows 미만이어도 쿼리 속도가 1초 이상 걸리고, 자체 자동 캐싱 시스템이 있지만 그래도 매 새로운 쿼리마다 비용이 청구되기 때문에, 매출 데이터 처럼 어느정도 배치 처리가 가능하고 요청도 그리 빈번하지 않은 프로젝트에 적용하는 것이 알맞을 것 같습니다.</p><p>무엇보다도 <strong>완전관리형 서비스이기 때문에 설치 및 운영에 큰 공수가 들지 않는다는 점</strong>에서 프로젝트에 빠르게 적용해서 원하는 결과를 여러 방법으로 뽑아내고 공유할수 있다는 점이 가장 큰 장점 이라고 느꼈습니다.</p><p>추가로, 광고 플랫폼별 API 리서치, Data Studio 대시보드 작업을 함께 진행해주신 웹개발팀 페이지님, BigQuery관련 인사이트를 제공해주신 gTech professional service팀 고락윤님께 감사드립니다.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=af4e227ba77b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/google-bigquery%EC%99%80-data-studio%EB%A5%BC-%ED%99%9C%EC%9A%A9%ED%95%9C-%EC%95%B1-%EA%B4%91%EA%B3%A0-%EB%A7%A4%EC%B6%9C-%EB%8C%80%EC%8B%9C%EB%B3%B4%EB%93%9C-%EA%B0%9C%EB%B0%9C%EA%B8%B0-af4e227ba77b">Google BigQuery와 Data Studio를 활용한 앱 광고 매출 대시보드 개발기</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[react-testing-library 의 fireEvent 를 userEvent로 마이그레이션 하기 with Antd]]></title>
            <link>https://medium.com/pinkfong/react-testing-library-%EC%9D%98-fireevent-%EB%A5%BC-userevent%EB%A1%9C-%EB%A7%88%EC%9D%B4%EA%B7%B8%EB%A0%88%EC%9D%B4%EC%85%98-%ED%95%98%EA%B8%B0-with-antd-ad0de218bb98?source=rss----49b00914057a---4</link>
            <guid isPermaLink="false">https://medium.com/p/ad0de218bb98</guid>
            <dc:creator><![CDATA[valley]]></dc:creator>
            <pubDate>Tue, 03 May 2022 06:42:33 GMT</pubDate>
            <atom:updated>2022-05-03T06:42:33.232Z</atom:updated>
            <content:encoded><![CDATA[<p>안녕하세요. 더핑크퐁컴퍼니에서 프론트엔드 개발 업무를 맡고 있는 밸리 입니다.🐰</p><p>이번 글에서는 사내 백오피스 서비스에 프론트엔드 테스트를 붙이고, 마이그레이션한 경험을 공유 드리고자 합니다.</p><h3>글을 읽기 전</h3><p>userEvent에 대한 모든 API를 다루지 않습니다. 사용하면서 겪었던 어려움이나, 14로 업데이트 하며 바뀐 점 그리고 사용 경험기를 공유합니다. 자세한 내용은 <a href="https://testing-library.com/docs/user-event/intro/">공식 문서</a>를 참고하시길 바랍니다.</p><h3>@testing-library</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/128/1*1CoMbOwQiEOFiahw5qB-Hw.png" /></figure><p>testing-library는 UI 컴포넌트를 테스트하도록 도와주는 패키지 묶음입니다.</p><p>해당 라이브러리는 <strong>BDT(Behavior Driven Test)</strong>라는 행위 주도 테스트 방법론을 기반으로 하고 있습니다.</p><p>기존에는 <strong>IDT(Implementation Driven Test)</strong>라는 구현 주도 테스트를 주로 진행해왔습니다. 이에 대표적인 테스트 도구로 <strong>Enzyme</strong>이 있습니다.</p><p>둘의 차이를 간단하게 설명하기 위해 간단한 코드를 작성해보았습니다. 아래 코드를 테스트한다고 했을 때 BDT와 IDT는 테스트의 목적이 다릅니다.</p><pre>&lt;div&gt; <br>  Hello My Test<br>  &lt;strong&gt;important content&lt;/strong&gt;<br>&lt;/div&gt;</pre><p><strong>IDT</strong>는 Hello My Test 라는 텍스트가 div 태그에 들어가 있는지, important content 라는 텍스트가 strong 태그 안에 들어 있는지에 대한 여부가 테스트가 중심이 되지만,</p><p><strong>BDT</strong>는 Hello My Test 가 실제로 페이지 내에 그려졌는지, important content 가 페이지 내에 그려졌는지가 중심이 됩니다.</p><p><strong>BDT</strong>가 대두되었던 이유는 유저 입장에서는 해당 콘텐츠가 어떤 태그로 구현되어 있고 어떤 구조를 가지고 있는지보다, 내가 원하는 콘텐츠가 보여지고 있는지가 더 중요하기 때문입니다.</p><p><strong>@testing-library 에서는 리액트 코드를 테스트 할 수 있도록 @testing-library/react 를 제공합니다.</strong></p><p><a href="https://www.npmtrends.com/@testing-library/react-vs-enzyme">npm trends</a> 에서 근 1년간 npm 다운로드수를 표시한 그래프 입니다. <strong>@testing-library/react</strong>와 <strong>Enzyme</strong>을 비교했을 때 그 인기를 실감할 수 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*qEQxTXi5v0HH4zhB4X0lBg.png" /></figure><h3>react-testing-library의 fireEvent를 userEvent로 변경한 이유</h3><p>기존에 사내 백오피스에 붙어있던 테스트 코드는 fireEvent를 사용했습니다.</p><p>fireEvent는 유저가 발생시키는 액션에 대한 테스트를 진행하기 위해 나온 react-testing-library api 입니다.</p><p>click, type, focus, cut 등의 유저의 이벤트를 정의하고 있습니다.</p><p>2018년도 무렵 userEvent 의 v1 이 출시 되었습니다.</p><p>userEvent는 fireEvent보다 사용자의 상호작용을 더 세세하게 구현했다고 되어있습니다.</p><p>간단한 예시를 들어보겠습니다.</p><blockquote><strong>유저가 클릭 이벤트를 호출할 때 무슨 일이 일어날까요?</strong></blockquote><p>상황마다 다를 수 있지만, 일반적으로는 마우스를 호버한 후에 클릭을 하는 등의 이벤트들이 발생할 것입니다.</p><p>대표적인 fireEvent의 click 과 userEvent 의 click 을 비교해보겠습니다.</p><p>fireEvent.click 은 단순히 click 이벤트만 발생시키지만,</p><p>userEvent.click 은 어떤 element에서 발생한 이벤트인지 체크한 후에 해당 element 에서 클릭이벤트 호출 시 실제 브라우저에서 발생하는 모든 이벤트를 같이 발생시켜줍니다.</p><p>아래는 userEvent click의 내부 코드 입니다.</p><pre>function click(element, init, {skipHover = false, clickCount = 0} = {}) {<br>  if (!skipHover) hover(element, init)<br>  switch (element.tagName) {<br>    case &#39;LABEL&#39;:<br>      clickLabel(element, init, {clickCount})<br>      break<br>    case &#39;INPUT&#39;:<br>      if (element.type === &#39;checkbox&#39; || element.type === &#39;radio&#39;) {<br>        clickBooleanElement(element, init, {clickCount})<br>      } else {<br>        clickElement(element, init, {clickCount})<br>      }<br>      break<br>    default:<br>      clickElement(element, init, {clickCount})<br>  }<br>}</pre><p>코드에서 보다시피, userEvent 의 click API 는 element 의 tagName 에 따라 클릭과 그에 따르는 이벤트들을 발생시켜 줍니다.</p><p>이뿐만아니라 셀렉트 옵션을 클릭하거나 날짜를 선택하는 등의 이벤트도 실제 유저가 브라우저와 상호작용하듯이 이벤트를 발생시켜 줍니다.</p><p>위와 같은 이유로 기존에 작성되어 있던 테스트 코드를 userEvent로 마이그레이션하는 작업을 진행하게 되었습니다.</p><blockquote><em>테스트 코드를 작성하던 중 (2022.03) 14버전이 출시 되었습니다. 따라서 이번 글은 14버전 기준으로 작성하겠습니다.</em></blockquote><h3>userEvent v14 버전은 뭐가 달라졌나?</h3><p><a href="https://github.com/testing-library/user-event/releases/tag/v14.0.0">userEvent v14</a>에는 각종 버그들이 fix되고, 새로운 기능들이 추가 및 변경 되었습니다. 아래 목록은 많이 사용했던 API의 주요 변경사항을 정리해 두었습니다.</p><p>자세한 내용은 <a href="https://github.com/testing-library/user-event/releases/tag/v14.0.0">github</a> 에서 보실 수 있습니다.</p><ul><li>userEvent api의 return type이 Promise로 변경 되어, 비동기 환경 테스트에서도 await를 걸어 테스트할 수 있게 되었다.</li><li>pointer의 skipPointerEvents가 사라지고, pointerEventsCheck: PointerEventsCheckLevel.Never를 대신 사용하도록 바뀌었다.</li><li>userEvent.upload에서 applyAccept: true가 기본값이 되었다.</li><li>userEvent.paste API에 새로운 매개변수가 나왔다.</li><li>아래 API에서 init 매개변수가 제거되었다.</li></ul><p>userEvent.upload</p><p>userEvent.click</p><p>userEvent.dblClick</p><p>userEvent.tripleClick</p><p>userEvent.hover</p><p>userEvent.unhover</p><p>userEvent.selectOptions</p><p>userEvent.deselectOptions</p><ul><li>setup api가 추가되었다.</li><li>userEvent.tab()에서 focusTrap 옵션이 제거되었다.</li></ul><h3>Install &amp; Setting</h3><pre>yarn add -D @testing-library/user-event @testing-library/jest-dom @testing-library/react</pre><p>myUserEventTest.test.js</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/d9877fccab7e777c2c3eac13ea298b20/href">https://medium.com/media/d9877fccab7e777c2c3eac13ea298b20/href</a></iframe><h3>fireEvent를 userEvent 로 마이그레이션 하기</h3><h3>userEvent 에서 인풋값을 변경할 때는 userEvent.type 사용하기</h3><p>기존 fireEvent 에서는 인풋값을 변경할 때 change API를 사용했습니다.</p><pre>fireEvent.change(input, {target: {value: &#39;World&#39;}})</pre><p>userEvent에서는 type을 사용할 수 있습니다.</p><pre>userEvent.type(input, &#39;World&#39;);</pre><p>인풋박스에 이미<strong> ‘Hello,’</strong> 라는 값이 있다고 가정해보겠습니다.</p><pre>render(&lt;input defaultValue=&quot;Hello,&quot;/&gt;)<br>const input = screen.getByRole(&#39;textbox&#39;)</pre><pre>await user.type(input, &#39; World!&#39;)</pre><pre>expect(input).toHaveValue(&#39;Hello, World!&#39;)</pre><p>이 상태에서 해당 코드를 사용하면, 인풋값 value 는 ‘<strong>Hello, World</strong>’ 가 되어 있는 것을 확인할 수 있습니다.</p><p><strong>만약 World만 넣고 싶다면, clear를 사용해서 value를 초기화 시켜주어야 합니다.</strong></p><pre>user.clear(input);<br>user.type(input, &#39;World&#39;);<br>expect(input).toHaveValue(&#39;World&#39;);</pre><p>기존 fireEvent는 change를 통해 <strong>value 값을 바꿔주는</strong> 테스트를 진행했다면, userEvent는 실제로 유저가 브라우저에서 하는 행동을 반영합니다.</p><p>방금 예시에서와 같이 input에 defaultValue가 들어있는 상황이라면, fireEvent는 이를 덮어쓰는 반면, userEvent 는 텍스트를 추가 합니다.</p><p>새로운 값을 넣으려고 할때 fireEvent 가 더 편해보일 수 있지만, 유저는 input에 있는 값을 지운 적이 없으므로 userEvent의 동작이 더 정확하다고 말할 수 있습니다.</p><h3>userEvent 로 클릭할 수 없는 요소를 클릭해야 할 때</h3><p>클릭할 수 없는 요소란, <strong>pointer-events: none</strong> 상태를 말합니다.</p><p>UI 라이브러리를 사용하는 경우, 기능에 걸맞는 htmlElement를 사용하는 것이 아닌, div나 span 등의 다른 태그로 기능과 모양을 흉내내어 구현되어있는 경우가 있습니다.</p><p>예시로 antd의 select component의 구현은 htmlSelectElement 가 아닌 div 와 span 태그를 사용하여 구현되어 있습니다.</p><p>date picker 또한 날짜를 선택 하는 부분은 table 태그를 사용했습니다.</p><p>antd의 date picker component 테스트를 살펴보겠습니다. 테스트의 과정은 아래와 같습니다.</p><ol><li>input 창을 클릭하고 원하는 날짜를 클릭한다.</li><li>클릭한 상태로 다음 날짜(end)를 선택한다.</li><li>startDate와 endDate 인풋 요소를 업데이트한다.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0-JZu1w1ZBOWRGFJDzPUEQ.png" /></figure><p>우선 기존 fireEvent로 작성된 예제를 살펴보겠습니다.</p><p>mouseDown, click, change 등 모두 함께 작성하여 테스트를 진행한 것을 보실 수 있습니다.</p><pre>const [startDate, endDate] = container.querySelectorAll(<br>  &#39;div[name=&quot;period&quot;] input&#39;<br>);<br><br>fireEvent.mouseDown(startDate);</pre><pre>fireEvent.change(startDate, {<br>  target: { value: &#39;2022-05-01&#39; },<br>});</pre><pre>fireEvent.click(document.querySelector(&#39;.ant-picker-cell-selected&#39;));</pre><pre>fireEvent.change(endDate, { target: { value: &#39;2022-06-05&#39;` } });</pre><pre>fireEvent.click(document.querySelector(&#39;.ant-picker-cell-selected&#39;));</pre><p>이번엔 userEvent로 작성해보겠습니다. 이제 저희는 mouseDown 같은 요소들을 신경 쓸 필요가 없습니다.</p><pre>userEvent.click(startDate);</pre><pre>userEvent.type(startDate, `${year}-${padMonth}-01`);</pre><pre>userEvent.click(document.querySelector(&#39;.ant-picker-cell-selected&#39;));</pre><pre>userEvent.type(endDate, `${year}-${padMonth}-02`);</pre><pre>userEvent.click(document.querySelector(&#39;.ant-picker-cell-selected&#39;));</pre><p>하지만 위 테스트 코드를 돌려보면 아래와 같은 에러가 발생합니다.</p><blockquote><strong>unable to click element as it has or inherits pointer-events set to “none”.</strong></blockquote><p>클릭할 수 있는 요소가 아니라는 에러 입니다. 우리가 선택한 태그는 td 이며, td 는 클릭 하도록 나온 요소가 아닙니다. 단순하게 생각하면 아래처럼 요소의 css 속성을 변경해줄 수도 있습니다.</p><pre>.ant-picker-cell-selected {<br>  pointer-events: auto !important;<br>}</pre><p>이런 경우 가장 좋은 방법은 <strong>userEvent</strong> 에서 제공하는 <strong>pointerEventsCheck</strong> 옵션을 사용하는 것입니다.</p><pre>const user = userEvent.setup({<br>  pointerEventsCheck: PointerEventsCheckLevel.Never,<br>});</pre><h3>Select 테스트 하기</h3><p>userEvent에서는 selectOptions라는 API를 제공합니다. selectOptions 는 select 태그에만 사용할 수 있으며, 다중선택은 multiple select 에만 사용할 수 있습니다.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/c94dc92fd062129a5b1aecc8e821b085/href">https://medium.com/media/c94dc92fd062129a5b1aecc8e821b085/href</a></iframe><h3>Antd Multiple Select Component 테스트</h3><p>antd multiple select 테스트를 진행해보겠습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*buE09SeL_L4z203k7fD6YQ.gif" /></figure><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/fbb16228e6d77071a98d6c05f788e497/href">https://medium.com/media/fbb16228e6d77071a98d6c05f788e497/href</a></iframe><p>위에서 말했다시피 antd의 select component의 구현은 htmlSelectElement가 아닌 div 와 span 태그를 사용하여 구현되어 있습니다.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UZH-lOunn4T6MA5E-zemrA.png" /></figure><p>이런 경우 selectOptions 를 사용할 수 없기에 mocking 을 해주어야 합니다.</p><p>mocking은 아래처럼 할 수 있습니다. (setupTests.js)</p><p>(아래 코드는 정상작동 하지 않습니다. 이유는 아래에서 설명하겠습니다)</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/9203dbff4bc410227c0be00f53480234/href">https://medium.com/media/9203dbff4bc410227c0be00f53480234/href</a></iframe><p>그리고 테스트를 진행했습니다.</p><p>기존에는 아래와 같이 fireEvent 로 작성되어 있었습니다.</p><pre>fireEvent.change(sample, {<br>  target: {<br>    value: &#39;a&#39;<br>  }<br>});<br>fireEvent.change(sample, {<br>  target: {<br>    value: &#39;b&#39;<br>  }<br>});</pre><p>해당 코드를 userEvent 의 selectOptions를 사용하도록 변경했습니다.</p><p><em>(실제 프로젝트 로직상의 이유로 selectOptions 을 두 번 호출했습니다. userEvent의 selectOptions API는 누적되도록 설계되었기 때문에 여러 번 호출하면 여러 개 선택됩니다.)</em></p><pre>userEvent.selectOptions(sample, [&#39;a&#39;]);<br>userEvent.selectOptions(sample, [&#39;b&#39;]);</pre><p>그런데, 이렇게 하니 a만 두 번 선택되는 것처럼 보이는 이슈가 생겼습니다.</p><p>원인을 알 수가 없어 antd multiple select를 mocking한 코드 그대로 화면상에 그려보고 값이 바뀔 때마다 console을 찍도록 해보았습니다.</p><iframe src="" width="0" height="0" frameborder="0" scrolling="no"><a href="https://medium.com/media/130cf6c9afaefa1700c66d64de4ca24c/href">https://medium.com/media/130cf6c9afaefa1700c66d64de4ca24c/href</a></iframe><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*F0Y34z0e2551WcFpg7hGrw.gif" /></figure><p>위 화면을 보면 분명 a 선택 후 b를 선택했음에도 불구하고, a가 두 번 선택 된 것처럼 동작했습니다.</p><p>알고보니 antd select 를 mocking 한 코드의 L14 에 문제가 있었습니다.</p><blockquote><a href="https://usefulangle.com/post/83/html-select-common-operations-with-javascript">value : It gives the value of the first selected option</a></blockquote><p><strong>value는 첫 번째 선택한 옵션의 값을 제공합니다.</strong> 라고 되어 있었습니다.</p><p>따라서 <strong>e.target.selectedOptions</strong>를 사용해 setupTest.js의 L14 번째 코드를 변경해주었습니다.</p><pre>selectValues = Array.from(e.target.selectedOptions).map(element =&gt; element.value );</pre><p>이렇게 하니 테스트가 정상적으로 돌아가는 것을 확인할 수 있었습니다.</p><h4>🧐 <strong>그런데 </strong>왜 <strong>fireEvent 때는 발생하지 않았을까요?</strong></h4><p>fireEvent는 change를 통해 말그대로 value를 직접 수정하기에, html multiple select의 기본 동작에 방해받지 않고 테스트가 되었기 때문입니다.</p><p>따라서 userEvent에서만 발생하게 되었던 것입니다.</p><p><em>해당 과정을 통해 UI 라이브러리 테스트를 위해 컴포넌트를 mocking 할 때는 html의 기본 특성을 잘 파악하고 있어야 겠다고 느꼈습니다.</em></p><h3>blur 요소는 어떻게 테스트?</h3><p>input 창에 아무 데이터도 입력하지 않았을 때 필수 입력 값 이라는 문구가 잘뜨는지 테스트를 하고 싶은 경우가 있을 겁니다.</p><p>fireEvent를 사용하면 아래 처럼 할 수 있습니다.</p><pre>fireEvent.blur(input);<br>await waitFor(() =&gt; {<br>  expect(screen.getByText(&#39;필수 입력사항 입니다.&#39;)).toBeInTheDocument();<br>});</pre><p>해당 로직을 userEvent로 테스트할 땐 좀 더 유저와 친숙하게 짜야 합니다.</p><p>현재 저희는 인풋 창을 클릭하고, 데이터를 입력 안 한 채 다른 아무 곳을 클릭하면 필수 입력 문구가 뜨게 구현이 되어 있습니다.</p><p>따라서 아래처럼 작성할 수 있습니다.</p><pre>userEvent.click(name);<br>userEvent.click(document.body);<br>await waitFor(() =&gt; {<br>  expect(screen.getByText(&#39;필수 입력사항 입니다.&#39;)).toBeInTheDocument();<br>});</pre><h3><strong>끝으로</strong></h3><p>이렇게 Form UI 테스트 시에 userEvent에서 가장 많이 쓰이는 click, selectOptions, type API 사용 및 UI Library를 mocking하여 테스트하는 일부 과정까지 공유해보았습니다.</p><p>예전보다는 프론트엔드 생태계에서 테스트 코드를 짜는 비율이 높아졌지만 아직도 프론트엔드 개발자가 테스트 코드를 짜야 하는가에 대한 갑론을박이 나오고 있는 것 같습니다.</p><p>개인적인 생각으로는 Coverage 100%는 굳이? 라는 생각이 들면서도, 비지니스 로직을 담당하는 부분들은 테스트 코드의 여부가 개발자의 수고를 덜어주고 생산성을 높이는데 도움이 될 것 이라고 생각합니다.</p><p>읽어주셔서 감사합니다.🙂</p><h3>참고 문서</h3><ul><li><a href="https://usefulangle.com/post/83/html-select-common-operations-with-javascript">Manipulation of HTML Select Element with Javascript</a></li><li><a href="https://testing-library.com/docs/user-event/utility">Utility APIs | Testing Library</a></li><li><a href="https://developer.mozilla.org/ko/docs/Web/API/HTMLSelectElement/selectedOptions">HTMLSelectElement.selectedOptions - Web API | MDN</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ad0de218bb98" width="1" height="1" alt=""><hr><p><a href="https://medium.com/pinkfong/react-testing-library-%EC%9D%98-fireevent-%EB%A5%BC-userevent%EB%A1%9C-%EB%A7%88%EC%9D%B4%EA%B7%B8%EB%A0%88%EC%9D%B4%EC%85%98-%ED%95%98%EA%B8%B0-with-antd-ad0de218bb98">react-testing-library 의 fireEvent 를 userEvent로 마이그레이션 하기 with Antd</a> was originally published in <a href="https://medium.com/pinkfong">더핑크퐁컴퍼니 기술 블로그</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>