Nutzung
view: my_view {
derived_table: {
increment_key: ["created_date"]
increment_offset: 1
...
}
}
|
Hierarchie
increment_offset- oder - increment_offset |
Standardwert
0
Akzeptiert
Ganzzahl
Sonderregeln
|
Definition
Sie können in Ihrem Projekt inkrementelle PDTs erstellen, wenn Ihr Dialekt sie unterstützt. Eine inkrementelle PDT ist eine persistente abgeleitete Tabelle (PDT), die von Looker aufgebaut wird. Dabei werden neue Daten an die Tabelle angehängt, anstatt dass die ganze Tabelle neu erstellt wird. Weitere Informationen finden Sie auf der Dokumentationsseite zu inkrementellen PDTs.
Der increment_key Parameter gibt den Zeitraum an, für den neue Daten abgefragt und an die zusammengefasste Tabelle angehängt werden sollen. Der Parameter increment_offset ist optional. Sie können ihn verwenden, wenn Sie die Tabelle für vorherige Zeiträume neu erstellen möchten, während neue Daten an die Tabelle angehängt werden. Der Parameter increment_offset definiert die Anzahl der vorherigen Zeiträume, die neu erstellt werden, wenn Daten an eine inkrementelle PDT angehängt werden.
Der Parameter increment_offset eignet sich im Fall spät eintreffender Daten, wenn vorherige Zeiträume neue Daten enthalten könnten, die beim ursprünglichen Erstellen und Anhängen an die PDT im entsprechenden Inkrement noch nicht enthalten waren.
Der Standardwert für increment_offset ist 0. Das bedeutet, dass nur die neuen Daten aus dem aktuellen Inkrement an die Tabelle angehängt werden. Wenn Sie increment_offset auf 1 setzen, werden der Tabelle zusätzlich zu den neuen Daten aus dem aktuellen Zeitinkrement auch spät eintreffende Daten aus dem vorherigen Inkrement hinzugefügt.
Auf der Dokumentationsseite zu inkrementellen PDTs finden Sie einige Beispielszenarien, die die Funktionsweise von inkrementellen PDTs veranschaulichen und die Interaktion von
increment_key,increment_offsetund der Persistenzstrategie zeigen.
Eine Liste der Dialekte, die inkrementelle PDTs unterstützen, finden Sie auf dieser Seite im Abschnitt Unterstützte Datenbankdialekte für inkrementelle PDTs.
Beispiel
Diese PDT wird beispielsweise in Schritten von einem Tag neu erstellt (increment_key: event_day), wobei drei Tage zurückgegangen wird (increment_offset: 3):
derived_table: {
datagroup_trigger: usagetable_etl
increment_key: "event_day"
increment_offset: 3
explore_source: events {
column: name { field: account.name }
column: account_id { field: account.id }
column: database_dialect {}
column: count_events {}
column: event_day {}
}
}
Unterstützte Datenbankdialekte für inkrementelle PDTs
Damit Looker inkrementelle PDTs in Ihrem Looker-Projekt unterstützen kann, muss Ihr Datenbankdialekt Data Definition Language (DDL)-Befehle zum Löschen und Einfügen von Zeilen unterstützen.
In der folgenden Tabelle ist zu sehen, welche Dialekte inkrementelle PDTs in der aktuellen Version von Looker unterstützen:
| Dialekt | Unterstützt? |
|---|---|
| Actian Avalanche | |
| Amazon Athena | |
| Amazon Aurora MySQL | |
| Amazon Redshift | |
| Amazon Redshift 2.1+ | |
| Amazon Redshift Serverless 2.1+ | |
| Apache Druid | |
| Apache Druid 0.13.x - 0.17.x | |
| Apache Druid 0.18+ | |
| Apache Hive 2.3+ | |
| Apache Hive 3.1.2+ | |
| Apache Spark 3+ | |
| ClickHouse | |
| Cloudera Impala 3.1+ | |
| Cloudera Impala 3.1+ with Native Driver | |
| Cloudera Impala with Native Driver | |
| DataVirtuality | |
| Databricks | |
| Denodo 7 | |
| Denodo 8 & 9 | |
| Dremio | |
| Dremio 11+ | |
| Exasol | |
| Google BigQuery Legacy SQL | |
| Google BigQuery Standard SQL | |
| Google Cloud AlloyDB for PostgreSQL | |
| Google Cloud PostgreSQL | |
| Google Cloud SQL | |
| Google Spanner | |
| Greenplum | |
| HyperSQL | |
| IBM Netezza | |
| MariaDB | |
| Microsoft Azure PostgreSQL | |
| Microsoft Azure SQL Database | |
| Microsoft Azure Synapse Analytics | |
| Microsoft SQL Server 2008+ | |
| Microsoft SQL Server 2012+ | |
| Microsoft SQL Server 2016 | |
| Microsoft SQL Server 2017+ | |
| MongoBI | |
| MongoSQL | |
| MySQL | |
| MySQL 8.0.12+ | |
| Oracle | |
| Oracle ADWC | |
| PostgreSQL 9.5+ | |
| PostgreSQL pre-9.5 | |
| PrestoDB | |
| PrestoSQL | |
| SAP HANA | |
| SAP HANA 2+ | |
| SingleStore | |
| SingleStore 7+ | |
| Snowflake | |
| Teradata | |
| Trino | |
| Vector | |
| Vertica |