Bonjour à tous

Bref avis

Structure du projet DBT

• Modèle (.sql) - unité de transformation exprimée par une requête SELECT
• Fichier de configuration (.yml) - paramètres, réglages, tests, documentation

• L'utilisateur prépare le code du modèle dans n'importe quel IDE pratique
• À l'aide de la CLI, les modèles sont lancés, DBT compile le code du modèle en SQL
• Le code SQL compilé est exécuté dans l'entrepôt dans la séquence spécifiée (graphique)

Tout est 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

• Au moment de la compilation, ref sera converti en un pointeur cible vers une table ou une vue dans le référentiel
• ref vous permet de construire un graphe des dépendances du modèle

• Instructions if / else - instructions de branchement
• Pour boucles - boucles
• Variables - Variables
• Macro - Créer des macros

Matérialisation: table, vue, incrémentielle

• Table - table physique dans le stockage
• Vue - vue, table virtuelle dans le référentiel

• Incrémentiel - chargement incrémentiel (grandes tables de faits); de nouvelles lignes sont ajoutées, celles modifiées sont mises à jour, celles supprimées sont effacées 
• Éphémère - le modèle ne se matérialise pas directement, mais participe en tant que CTE dans d'autres modèles
• Toutes autres stratégies que vous pouvez ajouter vous-même

• Flocon de neige : tables transitoires, comportement de fusion, regroupement de tables, copie de subventions, vues sécurisées
• Redshift : Distkey, Sortkey (entrelacé, composé), vues à liaison tardive
• BigQuery : partitionnement et clustering de table, comportement de fusion, chiffrement KMS, étiquettes et balises
• Spark : format de fichier (parquet, csv, json, orc, delta), partition_by, clustered_by, buckets, incremental_strategy

• Postgres
• Redshift
• Bigquery
• Flocon de neige
• Presto (partiellement)
• Étincelle (partiellement)
• Microsoft SQL Server (adaptateur de communauté)

• Rendre son remplissage incrémental (incrémental)
• Ajouter des clés de segmentation et de tri pour 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

Graphique de dépendance du modèle

• Exécution de modèles dans le bon ordre
• Parallélisation de l'habillage des fenêtres
• Exécution d'un sous-graphique arbitraire 

Qualité des données et documentation

• Non nul
• Unique
• Intégrité de référence - intégrité de référence (par exemple, customer_id dans le tableau des commandes correspond à l'id dans le tableau des clients)
• Liste valide correspondante

 - 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 et modules

{% 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 : travailler avec Date / Heure, Clés de substitution, Tests de schéma, Pivot / Unpivot et autres
• Modèles de vitrine prêts à l'emploi pour des services tels que Snowplow et Stripe 
• Bibliothèques pour des entrepôts de données spécifiques, tels que Redshift 
• Journalisation - Module de journalisation DBT

Encore plus de fonctionnalités

Séparation des environnements d'exécution 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 -%}
 
)

Matérialisation du codage des colonnes alternatives

{{ 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) }}

Lancement du modèle de journalisation

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

Automatisation du stockage

{% 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 pour développer des projets et des modèles
• Configuration du travail et réglage du calendrier
• Accès simple et pratique aux journaux
• Site Web avec la documentation de votre projet
• Connexion CI (intégration continue)

Conclusion

• Le code, et non l'interface graphique, est la meilleure abstraction pour exprimer une logique analytique complexe
• Le travail avec les données doit adapter les meilleures pratiques de développement logiciel (Software Engineering)

• L'infrastructure de données critique doit être contrôlée par la communauté des utilisateurs en tant que logiciel open source
• Non seulement les outils d'analyse, mais le code feront de plus en plus partie de la communauté Open Source.

• Concepts architecturaux pour les applications Big Data
• Entraînez-vous avec Spark et Spark Streaming
• Méthodes d'apprentissage et outils de chargement des sources de données
• Création de vitrines analytiques dans 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,