تحية للجميع

مراجعة قصيرة

هيكل مشروع DBT

• Model (.sql) - وحدة التحويل التي يعبر عنها استعلام SELECT
• ملف التكوين (.yml) - المعلمات والإعدادات والاختبارات والتوثيق

• يقوم المستخدم بإعداد رمز النموذج في أي بيئة تطوير متكاملة مناسبة
• باستخدام CLI ، يتم إطلاق النماذج ، يجمع DBT رمز النموذج في SQL
• يتم تنفيذ كود SQL المترجم في المستودع بالتسلسل المحدد (الرسم البياني)

كل شيء هو SELECT

{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}
 
with orders as (
 
   select * from {{ ref('stg_orders') }}
 
),
 
order_payments as (
 
   select * from {{ ref('order_payments') }}
 
),
 
final as (
 
   select
       orders.order_id,
       orders.customer_id,
       orders.order_date,
       orders.status,
       {% for payment_method in payment_methods -%}
       order_payments.{{payment_method}}_amount,
       {% endfor -%}
       order_payments.total_amount as amount
   from orders
       left join order_payments using (order_id)
 
)
 
select * from final

• في وقت الترجمة ، سيتم تحويل المرجع إلى مؤشر هدف إلى جدول أو طريقة عرض في المستودع
• يسمح لك المرجع بإنشاء رسم بياني لتبعيات النموذج

• عبارات If / else - عبارات متفرعة
• للحلقات - الحلقات
• المتغيرات - المتغيرات
• ؛ Macro - إنشاء وحدات الماكرو

التجسيد: جدول ، عرض ، تزايدي

• الجدول - الجدول الفعلي في التخزين
• عرض - عرض ، جدول افتراضي في المستودع

• تزايدي - تحميل تدريجي (جداول حقائق كبيرة) ؛ يتم إضافة خطوط جديدة ، يتم تحديث الخطوط المعدلة ، يتم مسح الخطوط المحذوفة 
• سريع الزوال - لا يتحقق النموذج بشكل مباشر ، ولكنه يشارك مثل CTE في النماذج الأخرى
• أي استراتيجيات أخرى يمكنك إضافتها بنفسك

• ندفة الثلج : جداول عابرة ، سلوك الدمج ، تجميع الجداول ، نسخ المنح ، طرق عرض آمنة
• الانزياح الأحمر : Distkey ، Sortkey (معشق ، مركب) ، طرق عرض الربط المتأخرة
• BigQuery : تقسيم الجدول وتجميعه ، ودمج السلوك ، وتشفير KMS ، والعلامات والعلامات
• Spark : تنسيق الملف (الباركيه ، csv ، json ، orc ، delta) ، التقسيم_بواسطة ، clustered_by ، المجموعات ، تزايدي_الاستراتيجية

• Postgres
• الانزياح الأحمر
• Bigquery
• ندفة الثلج
• المعزوفة (جزئيًا)
• شرارة (جزئيا)
• Microsoft SQL Server (محول المجتمع)

• جعل حشوها تزايدي (تزايدي)
• أضف التقسيم وفرز المفاتيح لـ Redshift

--  : 
--  ,      (unique_key)
--   (dist),   (sort)
{{
  config(
       materialized='incremental',
       unique_key='order_id',
       dist="customer_id",
       sort="order_date"
   )
}}
 
{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}
 
with orders as (
 
   select * from {{ ref('stg_orders') }}
   where 1=1
   {% if is_incremental() -%}
       --        
       and order_date >= (select max(order_date) from {{ this }})
   {%- endif %} 
 
),
 
order_payments as (
 
   select * from {{ ref('order_payments') }}
 
),
 
final as (
 
   select
       orders.order_id,
       orders.customer_id,
       orders.order_date,
       orders.status,
       {% for payment_method in payment_methods -%}
       order_payments.{{payment_method}}_amount,
       {% endfor -%}
       order_payments.total_amount as amount
   from orders
       left join order_payments using (order_id)
 
)
 
select * from final

الرسم البياني على التبعية النموذجية

• تشغيل النماذج بالتسلسل الصحيح
• موازاة تضميد النوافذ
• تشغيل مخطط فرعي تعسفي 

جودة البيانات والتوثيق

• غير فارغة
• فريد
• التكامل المرجعي - التكامل المرجعي (على سبيل المثال ، customer_id في جدول الطلبات يقابل المعرف في جدول العملاء)
• مطابقة قائمة صالحة

 - name: fct_orders
   description: This table has basic information about orders, as well as some derived facts based on payments
   columns:
     - name: order_id
       tests:
         - unique #    
         - not_null #    null
       description: This is a unique identifier for an order
     - name: customer_id
       description: Foreign key to the customers table
       tests:
         - not_null
         - relationships: #   
             to: ref('dim_customers')
             field: customer_id
     - name: order_date
       description: Date (UTC) that the order was placed
     - name: status
       description: '{{ doc("orders_status") }}'
       tests:
         - accepted_values: #    
             values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']

وحدات الماكرو والوحدات

{% macro rename_category(column_name) %}
case
 when {{ column_name }} ilike  '%osx%' then 'osx'
 when {{ column_name }} ilike  '%android%' then 'android'
 when {{ column_name }} ilike  '%ios%' then 'ios'
 else 'other'
end as renamed_product
{% endmacro %}

{% set column_name = 'product' %}
select
 product,
 {{ rename_category(column_name) }} --  
from my_table

• dbt_utils : العمل مع التاريخ / الوقت والمفاتيح البديلة واختبارات المخطط و Pivot / Unpivot وغيرها
• قوالب عرض جاهزة للخدمات مثل Snowplow و Stripe 
• مكتبات لمستودعات البيانات المحددة ، مثل Redshift 
• التسجيل - وحدة تسجيل DBT

المزيد من الميزات

فصل بيئات وقت التشغيل DEV - TEST - PROD

with source as (
 
   select * from {{ source('salesforce', 'users') }}
   where 1=1
   {%- if target.name in ['dev', 'test', 'ci'] -%}           
       where timestamp >= dateadd(day, -3, current_date)   
   {%- endif -%}
 
)

ترميز العمود البديل تجسيد

{{ compress_table(schema, table,
                 drop_backup=False,
                 comprows=none|Integer,
                 sort_style=none|compound|interleaved,
                 sort_keys=none|List<String>,
                 dist_style=none|all|even,
                 dist_key=none|String) }}

يبدأ نموذج التسجيل

   pre-hook: "{{ logging.log_model_start_event() }}"
   post-hook: "{{ logging.log_model_end_event() }}"

أتمتة التخزين

{% macro create_udf() -%}
 
 {% set sql %}
       CREATE OR REPLACE FUNCTION {{ target.schema }}.f_sha256(mes "varchar")
           RETURNS varchar
           LANGUAGE plpythonu
           STABLE
       AS $$  
           import hashlib
           return hashlib.sha256(mes).hexdigest()
       $$
       ;
 {% endset %}
  
 {% set table = run_query(sql) %}
 
{%- endmacro %}

{% macro redshift_maintenance() %}
 
   {% set vacuumable_tables=run_query(vacuumable_tables_sql) %}
 
   {% for row in vacuumable_tables %}
       {% set message_prefix=loop.index ~ " of " ~ loop.length %}
 
       {%- set relation_to_vacuum = adapter.get_relation(
                                               database=row['table_database'],
                                               schema=row['table_schema'],
                                               identifier=row['table_name']
                                   ) -%}
       {% do run_query("commit") %}
 
       {% if relation_to_vacuum %}
           {% set start=modules.datetime.datetime.now() %}
           {{ dbt_utils.log_info(message_prefix ~ " Vacuuming " ~ relation_to_vacuum) }}
           {% do run_query("VACUUM " ~ relation_to_vacuum ~ " BOOST") %}
           {{ dbt_utils.log_info(message_prefix ~ " Analyzing " ~ relation_to_vacuum) }}
           {% do run_query("ANALYZE " ~ relation_to_vacuum) %}
           {% set end=modules.datetime.datetime.now() %}
           {% set total_seconds = (end - start).total_seconds() | round(2)  %}
           {{ dbt_utils.log_info(message_prefix ~ " Finished " ~ relation_to_vacuum ~ " in " ~ total_seconds ~ "s") }}
       {% else %}
           {{ dbt_utils.log_info(message_prefix ~ ' Skipping relation "' ~ row.values() | join ('"."') ~ '" as it does not exist') }}
       {% endif %}
 
   {% endfor %}
 
{% endmacro %}

DBT Cloud

• Web IDE لتطوير المشاريع والنماذج
• تكوين الوظيفة وتحديد الجدول الزمني
• وصول بسيط ومريح للسجلات
• موقع على شبكة الإنترنت مع توثيق مشروعك
• اتصال CI (التكامل المستمر)

استنتاج

• الكود ، وليس GUI ، هو أفضل تجريد للتعبير عن المنطق التحليلي المعقد
• يجب أن يتكيف العمل مع البيانات مع أفضل ممارسات تطوير البرمجيات (هندسة البرمجيات)

• يجب التحكم في البنية التحتية الحيوية للبيانات من قبل مجتمع المستخدمين كبرنامج مفتوح المصدر
• ليس فقط أدوات التحليلات ، ولكن الكود سيصبح بشكل متزايد جزءًا من مجتمع المصدر المفتوح.

• المفاهيم المعمارية لتطبيقات البيانات الضخمة
• تدرب مع Spark و Spark Streaming
• طرق وأدوات التعلم لتحميل مصادر البيانات
• بناء واجهات تحليلية في DWH
• NoSQL: HBase, Cassandra, ElasticSearch
•  
• :

:

1. DBT documentation — Introduction —
2. What, exactly, is dbt? — DBT 
3. Data Build Tool Amazon Redshift — YouTube, OTUS
4. Greenplum — 15 2020
5. Data Engineering — OTUS
6. Building a Mature Analytics Workflow —
7. It’s time for open source analytics — Open Source
8. Continuous Integration and Automated Build Testing with dbtCloud — CI DBT
9. Getting started with DBT tutorial — ,
10. Jaffle shop — Github DBT Tutorial — Github,