Hola a todos

Breve reseña

Estructura del proyecto DBT

• Modelo (.sql): unidad de transformación expresada por una consulta SELECT
• Archivo de configuración (.yml): parámetros, configuraciones, pruebas, documentación

• El usuario prepara el código del modelo en cualquier IDE conveniente
• Usando la CLI, se lanzan los modelos, DBT compila el código del modelo en SQL
• El código SQL compilado se ejecuta en el Almacén en la secuencia especificada (gráfico)

Todo es SELECCIONAR

{% 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

• En el momento de la compilación, ref se convertirá en un puntero de destino a una tabla o vista en el Repositorio
• ref le permite construir un gráfico de dependencias del modelo

• Declaraciones if / else - declaraciones de ramificación
• Para bucles - bucles
• Variables - Variables
• Macro: crear macros

Materialización: tabla, vista, incremental

• Tabla - tabla física en el almacenamiento
• Ver - ver, tabla virtual en el repositorio

• Incremental: carga incremental (tablas de hechos grandes); se agregan nuevas líneas, se actualizan las modificadas, se borran las eliminadas 
• Efímero: el modelo no se materializa directamente, pero participa como CTE en otros modelos
• Cualquier otra estrategia que pueda agregar usted mismo

• Copo de nieve : tablas transitorias, comportamiento de fusión, agrupación de tablas, copia de concesiones, vistas seguras
• Redshift : Distkey, Sortkey (intercalado, compuesto), Vistas de enlace tardío
• BigQuery : particionamiento y agrupación de tablas, comportamiento de fusión, cifrado KMS, etiquetas y etiquetas
• Spark : formato de archivo (parquet, csv, json, orc, delta), partición_by, clustered_by, cubos, estrategia_de_gramental

• Postgres
• Redshift
• Bigquery
• Copo de nieve
• Presto (parcialmente)
• Chispa (parcialmente)
• Microsoft SQL Server (adaptador de comunidad)

• Hacer su relleno incremental (incremental)
• Agregar segmentación y ordenar claves para 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

Gráfico de dependencia del modelo

• Ejecutar modelos en la secuencia correcta
• Paralelización de escaparatismo
• Ejecutar un subgrafo arbitrario 

Calidad de datos y documentación

• No nulo
• Único
• Integridad de referencia: integridad de referencia (por ejemplo, customer_id en la tabla de pedidos corresponde a id en la tabla de clientes)
• Lista válida coincidente

 - 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']

Macros y Módulos

{% 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 : trabajando con fecha / hora, claves sustitutas, pruebas de esquema, pivote / unpivot y otros
• Plantillas de escaparate listas para usar para servicios como Snowplow y Stripe 
• Bibliotecas para almacenes de datos específicos, como Redshift 
• Registro - Módulo de registro DBT

Aún más funciones

Separación de entornos de tiempo de ejecución 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 -%}
 
)

Materialización de codificación de columna alternativa

{{ 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) }}

Lanzamientos de modelos de registro

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

Automatización de almacenamiento

{% 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

• IDE web para desarrollar proyectos y modelos
• Configuración de trabajo y configuración de programación
• Acceso simple y conveniente a los registros
• Sitio web con la documentación de su proyecto.
• Conexión CI (integración continua)

Conclusión

• El código, no la GUI, es la mejor abstracción para expresar una lógica analítica compleja
• El trabajo con datos debe adaptar las mejores prácticas de desarrollo de software (Ingeniería de software)

• La infraestructura de datos críticos debe ser controlada por la comunidad de usuarios como software de código abierto
• No solo las herramientas de análisis, sino que el código se convertirá cada vez más en parte de la comunidad Open Source.

• Conceptos arquitectónicos para aplicaciones de Big Data
• Practica con Spark y Spark Streaming
• Métodos y herramientas de aprendizaje para cargar fuentes de datos.
• Construcción de vitrinas analíticas en 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,