Olá a todos

Breve revisão

Estrutura do projeto DBT

• Modelo (.sql) - unidade de transformação expressa por uma consulta SELECT
• Arquivo de configuração (.yml) - parâmetros, configurações, testes, documentação

• O usuário prepara o código do modelo em qualquer IDE conveniente
• Usando a CLI, os modelos são iniciados, o DBT compila o código do modelo no SQL
• O código SQL compilado é executado no Warehouse na sequência especificada (gráfico)

Tudo é 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

• Em tempo de compilação, ref será convertido em um ponteiro de destino em uma tabela ou exibição no Repositório
• ref permite criar um gráfico de dependências do modelo

• Instruções if / else - instruções de ramificação
• Para loops - loops
• Variáveis ​​- Variáveis
• Macro - Criar macros

Materialização: Tabela, Vista, Incremental

• Tabela - tabela física no armazenamento
• Ver - visualizar, tabela virtual no Repositório

• Incremental - carregamento incremental (grandes tabelas de fatos); novas linhas são adicionadas, as modificadas são atualizadas, as excluídas são limpas 
• Efêmero - o modelo não se materializa diretamente, mas participa como CTE em outros modelos
• Quaisquer outras estratégias que você possa adicionar

• Floco de neve : tabelas transitórias, comportamento de mesclagem, clustering de tabelas, concessões de cópia, visualizações seguras
• Redshift : Distkey, Sortkey (intercalada, composta), Visualizações de ligação tardia
• BigQuery : particionamento e cluster de tabelas, comportamento de mesclagem, criptografia KMS, etiquetas e tags
• Spark : formato de arquivo (parquet, csv, json, orc, delta), partition_by, clustered_by, buckets, incremental_strategy

• Postgres
• Redshift
• Bigquery
• Floco de neve
• Presto (parcialmente)
• Faísca (parcialmente)
• Microsoft SQL Server (adaptador da comunidade)

• Tornar seu preenchimento incremental (Incremental)
• Adicionar segmentação e chaves de classificação 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 Dependência do Modelo

• Executando modelos na sequência correta
• Paralelização do curativo da janela
• Executando um subgráfico arbitrário 

Qualidade e documentação de dados

• Não nulo
• Único
• Integridade de referência - integridade de referência (por exemplo, customer_id na tabela de pedidos corresponde ao ID na tabela de clientes)
• Lista válida correspondente

 - 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 e 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 : trabalhando com Data / Hora, Chaves Substitutas, Testes de Esquema, Pivô / Não Dinâmico e outros
• Modelos de vitrine prontos para serviços como Snowplow e Stripe 
• Bibliotecas para Data Warehouses específicos, como Redshift 
• Registro - Módulo de registro DBT

Ainda mais recursos

Separação de ambientes de tempo de execução 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 -%}
 
)

Materialização alternativa de codificação de coluna

{{ 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) }}

Lançamento do modelo de log

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

Automação de armazenamento

{% 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 para desenvolvimento de projetos e modelos
• Configuração do trabalho e definição de agendamento
• Acesso simples e conveniente aos logs
• Site com a documentação do seu projeto
• Conexão CI (Integração Contínua)

Conclusão

• Código, não GUI, é a melhor abstração para expressar lógica analítica complexa
• O trabalho com dados deve adaptar as melhores práticas de desenvolvimento de software (Engenharia de Software)

• A infraestrutura crítica de dados deve ser controlada pela comunidade de usuários como software de código aberto
• Não apenas ferramentas de análise, mas o código se tornará cada vez mais parte da comunidade Open Source.

• Conceitos de arquitetura para aplicativos de Big Data
• Pratique com Spark e Spark Streaming
• Métodos e ferramentas de aprendizado para carregar fontes de dados
• Construindo mostruários analíticos em 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,