Быстрый старт для dbt Cloud и Teradata

dbt Cloud

Quickstart

Teradata

Beginner

Menu

Введение

В этом руководстве по быстрому старту вы узнаете, как использовать dbt Cloud с Teradata Vantage. Оно покажет вам, как:

• Создать новый экземпляр Teradata Clearscape
• Загрузить пример данных в вашу базу данных Teradata
• Подключить dbt Cloud к Teradata
• Взять пример запроса и превратить его в модель в вашем проекте dbt. Модель в dbt — это оператор select.
• Добавить тесты к вашим моделям.
• Документировать ваши модели.
• Запланировать выполнение задания.

Видео для вас

Вы можете бесплатно ознакомиться с Основами dbt, если вас интересует обучение с видео.

Предварительные требования

• У вас есть аккаунт dbt Cloud.
• У вас есть доступ к экземпляру Teradata Vantage. Вы можете бесплатно создать его на https://clearscape.teradata.com. Подробности смотрите в руководстве по ClearScape Analytics Experience.

Связанные материалы

• Узнайте больше с курсами dbt Learn
• Как мы создаем экземпляр Teradata Clearscape Vantage
• CI задания
• Развертывание заданий
• Уведомления о заданиях
• Актуальность источников

Загрузка данных

Следующие шаги помогут вам получить данные, хранящиеся в виде CSV-файлов в общедоступном S3-бакете, и вставить их в таблицы.

SQL IDE

Если вы создали экземпляр базы данных Teradata Vantage на https://clearscape.teradata.com и у вас нет под рукой SQL IDE, используйте JupyterLab, поставляемый с вашей базой данных, для выполнения SQL:

1. Перейдите на панель управления ClearScape Analytics Experience и нажмите кнопку Run Demos. Демонстрация запустит JupyterLab.

2. В JupyterLab перейдите в Launcher, нажав на синюю иконку + в верхнем левом углу. Найдите раздел Notebooks и нажмите Teradata SQL.

3. В первой ячейке блокнота подключитесь к базе данных, используя connect magic. Вам будет предложено ввести пароль от базы данных при выполнении:

   %connect local

4. Используйте дополнительные ячейки для ввода и выполнения SQL-запросов.

1. Используйте предпочитаемый редактор SQL IDE для создания базы данных jaffle_shop:

   CREATE DATABASE jaffle_shop AS PERM = 1e9;

2. В базе данных jaffle_shop создайте три внешние таблицы и укажите соответствующие csv-файлы, расположенные в объектном хранилище:

   CREATE FOREIGN TABLE jaffle_shop.customers (
       id integer,
       first_name varchar (100),
       last_name varchar (100),
       email varchar (100)
   )
   USING (
       LOCATION ('/gs/storage.googleapis.com/clearscape_analytics_demo_data/dbt/raw_customers.csv')
   )
   NO PRIMARY INDEX;
   
   CREATE FOREIGN TABLE jaffle_shop.orders (
       id integer,
       user_id integer,
       order_date date,
       status varchar(100)
   )
   USING (
       LOCATION ('/gs/storage.googleapis.com/clearscape_analytics_demo_data/dbt/raw_orders.csv')
   )
   NO PRIMARY INDEX;
   
   CREATE FOREIGN TABLE jaffle_shop.payments (
       id integer,
       orderid integer,
       paymentmethod varchar (100),
       amount integer
   )
   USING (
       LOCATION ('/gs/storage.googleapis.com/clearscape_analytics_demo_data/dbt/raw_payments.csv')
   )
   NO PRIMARY INDEX;

Подключение dbt Cloud к Teradata

1. Создайте новый проект в dbt Cloud. Нажмите на имя вашего аккаунта в левом меню, выберите Account settings и нажмите + New Project.
2. Введите имя проекта и нажмите Continue.
3. В Configure your development environment нажмите Add new connection.
4. Выберите Teradata, заполните все необходимые данные в разделе Settings и протестируйте подключение.

dbt Cloud - Выбор подключения Teradata

dbt Cloud - Настройки аккаунта Teradata

5. Введите ваши Development Credentials для Teradata:

   • Username — Имя пользователя базы данных Teradata.
   • Password — Пароль базы данных Teradata.
   • Schema — База данных по умолчанию для использования.
   dbt Cloud - Учетные данные для разработки Teradata

6. Нажмите Test Connection, чтобы убедиться, что dbt Cloud может получить доступ к вашему экземпляру Teradata Vantage.

7. Если тест подключения прошел успешно, нажмите Next. Если он не удался, проверьте настройки и учетные данные Teradata.

Настройка управляемого репозитория dbt Cloud

Когда вы разрабатываете в dbt Cloud, вы можете использовать Git для управления версиями вашего кода.

Чтобы подключиться к репозиторию, вы можете либо настроить размещаемый в dbt Cloud управляемый репозиторий, либо напрямую подключиться к поддерживаемому git-провайдеру. Управляемые репозитории — отличный способ попробовать dbt без необходимости создавать новый репозиторий. В долгосрочной перспективе лучше подключиться к поддерживаемому git-провайдеру, чтобы использовать такие функции, как автоматизация и непрерывная интеграция.

Чтобы настроить управляемый репозиторий:

1. В разделе "Настроить репозиторий" выберите Управляемый.
2. Введите имя для вашего репозитория, например, bbaggins-dbt-quickstart.
3. Нажмите Создать. Создание и импорт вашего репозитория займет несколько секунд.
4. Как только вы увидите сообщение "Репозиторий успешно импортирован", нажмите Продолжить.

Инициализация вашего проекта dbt и начало разработки

Теперь, когда у вас настроен репозиторий, вы можете инициализировать ваш проект и начать разработку в dbt Cloud:

1. Нажмите Start developing in the IDE. Это может занять несколько минут, так как ваш проект впервые запускается, устанавливает соединение с git, клонирует ваш репозиторий и тестирует подключение к хранилищу.
2. Над деревом файлов слева нажмите Initialize your project, чтобы создать структуру папок с примерами моделей.
3. Сделайте ваш первый коммит, нажав Commit and sync. Используйте сообщение коммита initial commit, чтобы создать первый коммит в вашем управляемом репозитории. После создания коммита вы можете открыть ветку для добавления нового кода dbt.

Удаление примерных моделей

Теперь вы можете удалить файлы, которые dbt создал при инициализации проекта:

1. Удалите директорию models/example/.

2. Удалите ключ example: из вашего файла dbt_project.yml и любые конфигурации, которые перечислены под ним.

   dbt_project.yml

   # до
   models:
     my_new_project:
       +materialized: table
       example:
         +materialized: view
   dbt_project.yml

   # после
   models:
     my_new_project:
       +materialized: table

3. Сохраните изменения.

4. Зафиксируйте изменения и объедините с основной веткой.

Часто задаваемые вопросы

Как удалить удаленные модели из моего хранилища данных?

Если вы удаляете модель из вашего dbt проекта, dbt не удаляет автоматически связь из вашей схемы. Это означает, что в схемах, которые создает dbt, могут остаться лишние объекты, что может запутать других пользователей.

(Это также может произойти, когда вы переключаете модель с или на эфемерную)

Когда вы удаляете модели из вашего dbt проекта, вам следует вручную удалить связанные связи из вашей схемы.

Я получил сообщение об ошибке "неиспользуемые конфигурации модели", что это значит?

Возможно, вы забыли вложить ваши конфигурации под именем вашего проекта, или вы пытаетесь применить конфигурации к директории, которая не существует.

Ознакомьтесь с этой статьей, чтобы понять больше.

Создание вашей первой модели

У вас есть два варианта работы с файлами в IDE dbt Cloud:

• Создать новую ветку (рекомендуется) — Создайте новую ветку, чтобы редактировать и фиксировать ваши изменения. Перейдите в Version Control на левой боковой панели и нажмите Create branch.
• Редактировать в защищенной основной ветке — Если вы предпочитаете редактировать, форматировать, проверять файлы или выполнять команды dbt непосредственно в вашей основной ветке git. IDE dbt Cloud предотвращает коммиты в защищенную ветку, поэтому вы получите запрос на фиксацию изменений в новую ветку.

Назовите новую ветку add-customers-model.

1. Нажмите ... рядом с директорией models, затем выберите Create file.
2. Назовите файл bi_customers.sql, затем нажмите Create.
3. Скопируйте следующий запрос в файл и нажмите Save.

with customers as (

   select
       id as customer_id,
       first_name,
       last_name

   from jaffle_shop.customers

),

orders as (

   select
       id as order_id,
       user_id as customer_id,
       order_date,
       status

   from jaffle_shop.orders

),

customer_orders as (

   select
       customer_id,

       min(order_date) as first_order_date,
       max(order_date) as most_recent_order_date,
       count(order_id) as number_of_orders

   from orders

   group by 1

),

final as (

   select
       customers.customer_id,
       customers.first_name,
       customers.last_name,
       customer_orders.first_order_date,
       customer_orders.most_recent_order_date,
       coalesce(customer_orders.number_of_orders, 0) as number_of_orders

   from customers

   left join customer_orders on customers.customer_id = customer_orders.customer_id

)

select * from final

4. Введите dbt run в командной строке внизу экрана. Вы должны получить успешное выполнение и увидеть три модели.

Вы можете подключить ваши инструменты бизнес-аналитики (BI) к этим представлениям и таблицам, чтобы они читали только очищенные данные, а не сырые данные в вашем инструменте BI.

Изменение способа материализации вашей модели

Одна из самых мощных функций dbt заключается в том, что вы можете изменить способ материализации модели в вашем хранилище, просто изменив значение конфигурации. Вы можете менять вещи между таблицами и представлениями, изменяя ключевое слово, а не записывая язык определения данных (DDL) для этого за кулисами.

По умолчанию все создается как представление. Вы можете переопределить это на уровне директории, чтобы все в этой директории материализовалось в другую материализацию.

1. Отредактируйте ваш файл dbt_project.yml.

   • Обновите имя вашего проекта на:

     dbt_project.yml

     name: 'jaffle_shop'

   • Настройте jaffle_shop, чтобы все в нем материализовалось как таблица; и настройте example, чтобы все в нем материализовалось как представление. Обновите ваш блок конфигурации models на:

     dbt_project.yml

     models:
       jaffle_shop:
         +materialized: table

   • Нажмите Save.

2. Введите команду dbt run. Ваша модель bi_customers теперь должна быть построена как таблица!

   к сведению

   Для этого dbt сначала должен был выполнить оператор drop view (или API вызов на BigQuery), затем оператор create table as.

3. Отредактируйте models/bi_customers.sql, чтобы переопределить dbt_project.yml только для модели customers, добавив следующий фрагмент в начало, и нажмите Save:

   models/bi_customers.sql

   {{
     config(
       materialized='view'
     )
   }}
   
   with customers as (
   
       select
           id as customer_id
           ...
   
   )
   

4. Введите команду dbt run. Ваша модель bi_customers теперь должна быть построена как представление.

Часто задаваемые вопросы

Какие материализации доступны в dbt?

dbt поставляется с пятью материализациями: view, table, incremental, ephemeral и materialized_view. Ознакомьтесь с документацией по материализациям для получения дополнительной информации о каждом из этих вариантов.

Вы также можете создать свои собственные пользовательские материализации, если это необходимо, однако это является продвинутой функцией dbt.

Какую материализацию использовать для моей модели?

Начните с представлений (views), а затем измените модели на таблицы, когда это потребуется по причинам производительности (например, когда последующие запросы замедлились).

Ознакомьтесь с документацией по материализациям для получения советов о том, когда использовать каждую .

Какие существуют конфигурации моделей?

Вы также можете настроить:

• теги для поддержки легкой категоризации и выбора графа
• пользовательские схемы для разделения ваших моделей по нескольким схемам
• алиасы, если имя вашего / должно отличаться от имени файла
• Фрагменты SQL, которые выполняются в начале или в конце модели, известные как хуки
• Конфигурации, специфичные для хранилища, для повышения производительности (например, ключи sort и dist на Redshift, partitions на BigQuery)

Ознакомьтесь с документацией по конфигурациям моделей, чтобы узнать больше.

Создание моделей на основе других моделей

Как лучшая практика в SQL, следует разделять логику, которая очищает ваши данные, от логики, которая трансформирует ваши данные. Вы уже начали делать это в существующем запросе, используя общие табличные выражения (CTE).

Теперь вы можете поэкспериментировать, разделив логику на отдельные модели и используя функцию ref для построения моделей на основе других моделей:

Граф, который мы хотим для нашего проекта dbt

1. Создайте новый SQL файл, models/stg_customers.sql, с SQL из CTE customers в вашем оригинальном запросе.

   models/stg_customers.sql

   select
      id as customer_id,
      first_name,
      last_name
   
   from jaffle_shop.customers

2. Создайте второй новый SQL файл, models/stg_orders.sql, с SQL из CTE orders в вашем оригинальном запросе.

   models/stg_orders.sql

   select
      id as order_id,
      user_id as customer_id,
      order_date,
      status
   
   from jaffle_shop.orders

3. Отредактируйте SQL в вашем файле models/bi_customers.sql следующим образом:

   models/bi_customers.sql

   with customers as (
   
      select * from {{ ref('stg_customers') }}
   
   ),
   
   orders as (
   
      select * from {{ ref('stg_orders') }}
   
   ),
   
   customer_orders as (
   
      select
          customer_id,
   
          min(order_date) as first_order_date,
          max(order_date) as most_recent_order_date,
          count(order_id) as number_of_orders
   
      from orders
   
      group by 1
   
   ),
   
   final as (
   
      select
          customers.customer_id,
          customers.first_name,
          customers.last_name,
          customer_orders.first_order_date,
          customer_orders.most_recent_order_date,
          coalesce(customer_orders.number_of_orders, 0) as number_of_orders
   
      from customers
   
      left join customer_orders on customers.customer_id = customer_orders.customer_id
   
   )
   
   select * from final
   

4. Выполните dbt run.

   На этот раз, когда вы выполнили dbt run, были созданы отдельные представления/таблицы для stg_customers, stg_orders и customers. dbt определил порядок, в котором эти модели должны выполняться. Поскольку customers зависит от stg_customers и stg_orders, dbt строит customers последним. Вам не нужно явно определять эти зависимости.

Часто задаваемые вопросы

Как запустить одну модель за раз?

Чтобы запустить одну модель, используйте флаг --select (или флаг -s), указав имя модели:

$ dbt run --select customers

Ознакомьтесь с документацией по синтаксису выбора моделей для получения информации о других операторах и примерах.

Должны ли имена ресурсов, используемых в ref, быть уникальными?

В рамках одного проекта: да! Чтобы построить зависимости между ресурсами (такими как модели, семена и снимки), вам нужно использовать функцию ref и передать в нее имя ресурса в качестве аргумента. dbt использует это имя ресурса для уникального разрешения ref на конкретный ресурс. В результате, эти имена ресурсов должны быть уникальными, даже если они находятся в разных папках.

Ресурс в одном проекте может иметь то же имя, что и ресурс в другом проекте (установленном как зависимость). dbt использует имя проекта для уникальной идентификации каждого ресурса. Мы называем это "пространством имен". Если вы используете ref для ресурса с дублированным именем, он будет разрешен в ресурс в том же пространстве имен (пакет или проект) или вызовет ошибку из-за неоднозначной ссылки. Используйте двухаргументный ref для устранения неоднозначности ссылок, указав пространство имен.

Эти ресурсы все равно должны размещаться в разных местах в хранилище данных. Прочтите документацию по пользовательским псевдонимам и пользовательским схемам для получения подробной информации о том, как этого добиться.

Как я должен организовать свой проект по мере создания большего количества моделей? Как я должен называть свои модели?

Нет единственного лучшего способа структурировать проект! Каждая организация уникальна.

Если вы только начинаете, ознакомьтесь с тем, как мы (dbt Labs) структурируем наши dbt проекты.

Создание моделей на основе источников

Источники позволяют называть и описывать данные, загруженные в ваше хранилище вашими инструментами извлечения и загрузки. Объявляя эти таблицы как источники в dbt, вы можете:

• Выбирать из исходных таблиц в ваших моделях, используя функцию {{ source() }}, помогая определить происхождение ваших данных
• Проверять ваши предположения о ваших исходных данных
• Рассчитывать актуальность ваших исходных данных

1. Создайте новый YML файл, models/sources.yml.

2. Объявите источники, скопировав следующее в файл и нажав Save.

   models/sources.yml

   version: 2
   
   sources:
      - name: jaffle_shop
        description: Это реплика базы данных Postgres, используемой приложением
        database: raw
        schema: jaffle_shop
        tables:
            - name: customers
              description: Одна запись на клиента.
            - name: orders
              description: Одна запись на заказ. Включает отмененные и удаленные заказы.

3. Отредактируйте файл models/stg_customers.sql, чтобы выбрать из таблицы customers в источнике jaffle_shop.

   models/stg_customers.sql

   select
      id as customer_id,
      first_name,
      last_name
   
   from {{ source('jaffle_shop', 'customers') }}

4. Отредактируйте файл models/stg_orders.sql, чтобы выбрать из таблицы orders в источнике jaffle_shop.

   models/stg_orders.sql

   select
      id as order_id,
      user_id as customer_id,
      order_date,
      status
   
   from {{ source('jaffle_shop', 'orders') }}

5. Выполните dbt run.

   Результаты вашего dbt run будут такими же, как и на предыдущем шаге. Ваши модели stg_customers и stg_orders все еще будут запрашивать из того же источника сырых данных в Teradata. Используя source, вы можете тестировать и документировать ваши сырые данные, а также понимать происхождение ваших источников.

Добавление тестов к вашим моделям

Добавление тестов в проект помогает убедиться, что ваши модели работают правильно.

Чтобы добавить тесты в ваш проект:

1. Создайте новый YAML файл в директории models, названный models/schema.yml

2. Добавьте следующее содержимое в файл:

   models/schema.yml

   version: 2
   
   models:
     - name: bi_customers
       columns:
         - name: customer_id
           tests:
             - unique
             - not_null
   
     - name: stg_customers
       columns:
         - name: customer_id
           tests:
             - unique
             - not_null
   
     - name: stg_orders
       columns:
         - name: order_id
           tests:
             - unique
             - not_null
         - name: status
           tests:
             - accepted_values:
                 values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']
         - name: customer_id
           tests:
             - not_null
             - relationships:
                 to: ref('stg_customers')
                 field: customer_id
   

3. Запустите dbt test и убедитесь, что все ваши тесты прошли.

Когда вы запускаете dbt test, dbt проходит через ваши YAML файлы и создает запрос для каждого теста. Каждый запрос вернет количество записей, которые не прошли тест. Если это число равно 0, то тест успешен.

Часто задаваемые вопросы

Какие тесты доступны для использования в dbt? Могу ли я добавить свои собственные тесты?

Из коробки dbt поставляется со следующими тестами:

• unique
• not_null
• accepted_values
• relationships (т.е. ссылочная целостность)

Вы также можете написать свои собственные пользовательские тесты схемы данных.

Некоторые дополнительные пользовательские тесты схемы были опубликованы с открытым исходным кодом в пакете dbt-utils, ознакомьтесь с документацией по пакетам, чтобы узнать, как сделать эти тесты доступными в вашем проекте.

Обратите внимание, что хотя вы пока не можете документировать тесты данных, мы рекомендуем ознакомиться с этим обсуждением dbt Core, где сообщество dbt делится идеями.

Как протестировать одну модель за раз?

Запуск тестов для одной модели очень похож на запуск самой модели: используйте флаг --select (или флаг -s), за которым следует имя модели:

dbt test --select customers

Ознакомьтесь с документацией по синтаксису выбора моделей для полного синтаксиса, и примерами выбора тестов в частности.

Один из моих тестов не прошел, как я могу его отладить?

Чтобы отладить неудачный тест, найдите SQL, который выполнил dbt, следующим образом:

• dbt Cloud:

  • В выводе теста нажмите на неудачный тест, а затем выберите "Details"

• dbt Core:

  • Откройте путь к файлу, возвращенный в сообщении об ошибке.
  • Перейдите в директорию target/compiled/schema_tests для всех скомпилированных тестовых запросов

Скопируйте SQL в редактор запросов (в dbt Cloud вы можете вставить его в новый Statement) и выполните запрос, чтобы найти записи, которые не прошли.

Должен ли мой файл тестов называться `schema.yml`?

Нет! Вы можете назвать этот файл как угодно (включая whatever_you_want.yml), при условии, что:

• Файл находится в вашем каталоге models/¹
• Файл имеет расширение .yml

Посмотрите документацию для получения дополнительной информации.

¹Если вы объявляете свойства для seeds, snapshots или macros, вы также можете разместить этот файл в соответствующем каталоге — seeds/, snapshots/ и macros/ соответственно.

Почему файлы yml для моделей и источников всегда начинаются с `version: 2`?

Когда-то структура этих файлов .yml была совсем другой (привет всем, кто использовал dbt в те времена!). Добавление version: 2 позволило нам сделать эту структуру более расширяемой.

Файлы yml ресурсов в настоящее время не требуют этой настройки. Мы поддерживаем только version: 2, если она указана. Хотя мы не планируем обновлять файлы yml до version: 3 в ближайшее время, наличие этой настройки облегчит нам введение новых структур в будущем.

Какие тесты следует добавить в мой проект?

Мы рекомендуем, чтобы у каждой модели был тест на , то есть на столбец, который является unique и not_null.

Мы также рекомендуем тестировать любые предположения о ваших исходных данных. Например, если вы считаете, что ваши платежи могут быть только одним из трех методов оплаты, вы должны регулярно проверять это предположение — новый метод оплаты может привести к логическим ошибкам в вашем SQL.

В продвинутых проектах dbt мы рекомендуем использовать sources и запускать эти тесты целостности данных источника против источников, а не моделей.

Когда следует запускать тесты?

Вы должны запускать свои тесты всякий раз, когда пишете новый код (чтобы убедиться, что вы не нарушили существующие модели, изменив SQL), и всякий раз, когда запускаете свои трансформации в продакшене (чтобы убедиться, что ваши предположения о исходных данных все еще верны).

Документирование ваших моделей

Добавление документации в ваш проект позволяет вам описывать ваши модели в подробностях и делиться этой информацией с вашей командой. Здесь мы добавим некоторую базовую документацию в наш проект.

1. Обновите ваш файл models/schema.yml, чтобы включить некоторые описания, такие как те, что ниже.

   models/schema.yml

   version: 2
   
   models:
     - name: bi_customers
       description: Одна запись на клиента
       columns:
         - name: customer_id
           description: Первичный ключ
           tests:
             - unique
             - not_null
         - name: first_order_date
           description: NULL, когда клиент еще не сделал заказ.
   
     - name: stg_customers
       description: Эта модель очищает данные клиентов
       columns:
         - name: customer_id
           description: Первичный ключ
           tests:
             - unique
             - not_null
   
     - name: stg_orders
       description: Эта модель очищает данные заказов
       columns:
         - name: order_id
           description: Первичный ключ
           tests:
             - unique
             - not_null
         - name: status
           tests:
             - accepted_values:
                 values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']
         - name: customer_id
           tests:
             - not_null
             - relationships:
                 to: ref('stg_customers')
                 field: customer_id

2. Запустите dbt docs generate, чтобы сгенерировать документацию для вашего проекта. dbt анализирует ваш проект и ваше хранилище, чтобы сгенерировать файл с подробной документацией о вашем проекте.

3. Нажмите на иконку книги в интерфейсе Develop, чтобы открыть документацию в новой вкладке.

Часто задаваемые вопросы

Как писать развернутые объяснения в описаниях?

Если вам нужно больше одного предложения, чтобы объяснить модель, вы можете:

1. Разделить ваше описание на несколько строк, используя >. Внутренние разрывы строк будут удалены, и можно использовать Markdown. Этот метод рекомендуется для простых, одноабзацных описаний:

  version: 2

  models:
  - name: customers
    description: >
      Lorem ipsum **dolor** sit amet, consectetur adipisicing elit, sed do eiusmod
      tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam,
      quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo
      consequat.

2. Разделить ваше описание на несколько строк, используя |. Внутренние разрывы строк сохраняются, и можно использовать Markdown. Этот метод рекомендуется для более сложных описаний:

  version: 2

  models:
  - name: customers
    description: |
      ### Lorem ipsum

      * dolor sit amet, consectetur adipisicing elit, sed do eiusmod
      * tempor incididunt ut labore et dolore magna aliqua.

3. Использовать блок docs, чтобы написать описание в отдельном Markdown файле.

Как получить доступ к документации в dbt Explorer?

Если вы используете dbt Cloud для развертывания вашего проекта и у вас есть план Team или Enterprise, вы можете использовать dbt Explorer для просмотра ресурсов вашего проекта (таких как модели, тесты и метрики) и их происхождения данных, чтобы лучше понять его текущее состояние в производстве.

Получите доступ к dbt Explorer в dbt Cloud, нажав на ссылку Explore в навигации. Вы можете предоставить доступ к документации вашего проекта до 5 пользователям с правами только для чтения.

Пользователи плана разработчика dbt Cloud и dbt Core могут использовать dbt Docs, который генерирует базовую документацию, но не предлагает такую же скорость, метаданные или видимость, как dbt Explorer.

Зафиксируйте ваши изменения

Теперь, когда вы создали вашу модель клиентов, вам нужно зафиксировать изменения, которые вы внесли в проект, чтобы репозиторий содержал ваш последний код.

Если вы редактировали непосредственно в защищенной основной ветке:

1. Нажмите кнопку Commit and sync git. Это действие подготавливает ваши изменения для фиксации.
2. Появится модальное окно с заголовком Commit to a new branch.
3. В модальном окне назовите вашу новую ветку add-customers-model. Это создаст ветку от вашей основной ветки с вашими новыми изменениями.
4. Добавьте сообщение коммита, например, "Add customers model, tests, docs" и зафиксируйте ваши изменения.
5. Нажмите Merge this branch to main, чтобы добавить эти изменения в основную ветку вашего репозитория.

Если вы создали новую ветку перед редактированием:

1. Поскольку вы уже ответвились от основной защищенной ветки, перейдите в Version Control слева.
2. Нажмите Commit and sync, чтобы добавить сообщение.
3. Добавьте сообщение коммита, например, "Add customers model, tests, docs."
4. Нажмите Merge this branch to main, чтобы добавить эти изменения в основную ветку вашего репозитория.

Развертывание dbt

Используйте Планировщик dbt Cloud, чтобы уверенно развертывать ваши производственные задания и встраивать наблюдаемость в ваши процессы. Вы узнаете, как создать среду развертывания и запустить задание в следующих шагах.

Создание среды развертывания

1. В верхнем левом углу выберите Deploy, затем нажмите Environments.
2. Нажмите Create Environment.
3. В поле Name напишите имя вашей среды развертывания. Например, "Production."
4. В поле dbt Version выберите последнюю версию из выпадающего списка.
5. В разделе Deployment connection введите имя набора данных, который вы хотите использовать в качестве цели, например, jaffle_shop_prod. Это позволит dbt строить и работать с этим набором данных.
6. Нажмите Save.

Создание и запуск задания

Задания — это набор команд dbt, которые вы хотите выполнять по расписанию. Например, dbt build.

По мере того, как бизнес jaffle_shop привлекает больше клиентов, и эти клиенты создают больше заказов, вы увидите больше записей, добавленных в ваши исходные данные. Поскольку вы материализовали модель bi_customers как таблицу, вам нужно будет периодически перестраивать вашу таблицу, чтобы данные оставались актуальными. Это обновление произойдет, когда вы запустите задание.

1. После создания вашей среды развертывания вы должны быть перенаправлены на страницу для новой среды. Если нет, выберите Deploy в верхнем левом углу, затем нажмите Jobs.
2. Нажмите + Create job, а затем выберите Deploy job. Укажите имя, например, "Production run", и свяжите его с только что созданной средой.
3. Прокрутите вниз до раздела Execution Settings.
4. В разделе Commands добавьте эту команду как часть вашего задания, если вы ее не видите:
   • dbt build
5. Выберите флажок Generate docs on run, чтобы автоматически генерировать обновленную документацию проекта каждый раз, когда выполняется ваше задание.
6. Для этого упражнения не устанавливайте расписание для выполнения вашего проекта — хотя проект вашей организации должен выполняться регулярно, нет необходимости запускать этот пример проекта по расписанию. Установка расписания для задания иногда называется развертыванием проекта.
7. Выберите Save, затем нажмите Run now, чтобы запустить ваше задание.
8. Нажмите на выполнение и наблюдайте за его прогрессом в разделе "Run history."
9. После завершения выполнения нажмите View Documentation, чтобы увидеть документацию для вашего проекта.

Поздравляем 🎉! Вы только что развернули ваш первый проект dbt!

Часто задаваемые вопросы

Что произойдет, если один из моих запусков завершится неудачей?

Если вы используете dbt Cloud, мы рекомендуем настроить уведомления по электронной почте и в Slack (Account Settings > Notifications) для любых неудачных запусков. Затем отлаживайте эти запуски так же, как вы бы отлаживали любые запуски в процессе разработки.