Configura una tabla incremental

En este documento, se muestra cómo usar Núcleo de Dataform para configurar en una tabla incremental.

Acerca de una tabla incremental

Dataform actualiza las tablas de manera diferente según su tipo. Durante cada ejecución de una tabla o vista, Dataform vuelve a compilar una tabla o una vista desde cero.

Cuando defines una tabla incremental, Dataform crea desde cero solo por primera vez. Durante ejecuciones posteriores, Dataform solo inserta o combina filas nuevas en la tabla incremental. según las condiciones que configures.

Dataform inserta filas nuevas solo en columnas que ya existen en el en una tabla incremental. Si realizas cambios en la definición de la tabla incremental consulta, por ejemplo, agrega una nueva columna, debes volver a compilar la tabla desde cero. Para ello, la próxima vez que Activar una ejecución de la tabla Selecciona la opción Run with full refresh.

Estos son algunos casos de uso comunes de las tablas incrementales:

Optimización del rendimiento
Para algunos tipos de datos, como registros web o datos de estadísticas, es posible que desees para procesar solo registros nuevos en lugar de volver a procesar toda la tabla
Reducción de la latencia
Puedes usar tablas incrementales para ejecutar flujos de trabajo con rapidez y frecuencia, y reduce la latencia downstream de las tablas de salida.
Resúmenes diarios
Puedes configurar una tabla incremental para crear instantáneas diarias del datos de tablas, por ejemplo, para el análisis longitudinal de la configuración del usuario almacenada en una base de datos de producción.

Antes de comenzar

  1. En la consola de Google Cloud, ve a la página Dataform.

    Ir a la página de Dataform

  2. Selecciona o crea un repositorio.

  3. Selecciona o crea un lugar de trabajo de desarrollo.

  4. Crea una tabla de los Tipo de tabla incremental.

Roles obligatorios

A fin de obtener los permisos que necesitas para configurar una tabla incremental, solicita a tu administrador que te otorgue el Es el rol de IAM de Editor de Dataform (roles/dataform.editor) en los lugares de trabajo. Para obtener más información sobre cómo otorgar roles, consulta Administra el acceso.

También puedes obtener los permisos necesarios mediante roles personalizados o cualquier otro rol predefinido.

Procesar un subconjunto de filas en una tabla incremental

Determinar un subconjunto de filas para que Dataform lo procese durante cada una ejecución, agrega una cláusula WHERE condicional a la tabla incremental SQLX definición. En la cláusula WHERE, puedes especificar una condición incremental y una no incremental. Dataform aplica la condición incremental durante la ejecución de la tabla. sin una actualización completa y la condición no incremental durante la ejecución con una actualización completa.

Para configurar una tabla incremental, sigue estos pasos:

  1. Ve a tu lugar de trabajo de desarrollo.
  2. En el panel Files, expande definitions/.
  3. Abre un archivo SQLX de definición de tabla incremental.
  4. Ingresa una cláusula WHERE en el siguiente formato:

    config { type: "incremental" }
    
    SELECT_STATEMENT
    
    ${when(incremental(), `WHERE INCREMENTAL_CONDITION`, `WHERE NON_INCREMENTAL_CONDITION`) }
    

    Reemplaza lo siguiente:

    • SELECT_STATEMENT: Es la sentencia SELECT que define tu tabla
    • INCREMENTAL_CONDITION: Es la condición que especificas en WHERE. para seleccionar filas para que Dataform las procese durante la ejecución de la tabla sin tener que actualizar por completo.

    • NON_INCREMENTAL_CONDITION: Es la condición que especificas en el Cláusula WHERE para seleccionar filas para que Dataform las procese durante la tabla la ejecución con una actualización completa.

  5. Opcional: Haz clic en Formato.

En la siguiente muestra de código, aparece una tabla incremental que procesa las filas de la tabla productiondb.logs:

config { type: "incremental" }

SELECT timestamp, message FROM ${ref("productiondb", "logs")}

${when(incremental(),
   `WHERE date > (SELECT MAX(date) FROM ${self()}) AND country = "UK"`,
   `WHERE country = "UK"`)}

En la siguiente muestra de código, se indica una tabla incremental que crea una instantánea de la tabla productiondb.customers:

config { type: "incremental" }

SELECT CURRENT_DATE() AS snapshot_date, customer_id, name, account_settings FROM ${ref("productiondb", "customers")}

${when(incremental(), `WHERE snapshot_date > (SELECT MAX(snapshot_date) FROM ${self()})`) }

Combinar filas en una tabla incremental

Para asegurarse de que una tabla incremental contenga solo una fila que corresponda a un combinación de columnas seleccionada, establecer las columnas seleccionadas como uniqueKey para combinar filas que tengan el mismo uniqueKey. Cuando actualices la tabla, Dataform combina filas con uniqueKey en lugar de anexarlas.

Para configurar la combinación en una tabla incremental, sigue estos pasos:

  1. Ve a tu lugar de trabajo de desarrollo.
  2. En el panel Files, expande definitions/.
  3. Seleccionar un archivo SQLX de definición de tabla incremental
  4. En el bloque config, establece las columnas seleccionadas como uniqueKey en el siguiente formato:

    uniqueKey: ["COLUMN_NAME"]
    

    Reemplaza COLUMN_NAME por el nombre de una columna seleccionada.

  5. Opcional: Haz clic en Formato.

En la siguiente muestra de código, se observa una tabla incremental con transaction_id. establecida como uniqueKey para asegurarte de que siempre contenga una fila:

config {
  type: "incremental",
  uniqueKey: ["transaction_id"]
}

SELECT timestamp, action FROM weblogs.user_actions
${ when(incremental(), `WHERE timestamp > (SELECT MAX(timestamp) FROM ${self()})`) }

Filtrar filas en una tabla incremental

En una tabla particionada incremental, para evitar que Dataform analice el toda la tabla para encontrar filas coincidentes, configura updatePartitionFilter para considerarlo solo un subconjunto de registros.

En la siguiente muestra de código, se observa una tabla particionada incremental con combinación Para ello, configura las propiedades uniqueKey y updatePartitionFilter:

config {
  type: "incremental",
  uniqueKey: ["transaction_id"],
  bigquery: {
    partitionBy: "DATE(timestamp)",
    updatePartitionFilter:
        "timestamp >= timestamp_sub(current_timestamp(), interval 24 hour)"
  }
}

SELECT timestamp, action FROM weblogs.user_actions
${ when(incremental(), `WHERE timestamp > (SELECT MAX(timestamp) FROM ${self()})`) }

Evita los análisis completos de la tabla cuando se transfieren datos desde una tabla particionada

Cuando creas una tabla incremental que hace referencia a una tabla particionada recomendamos que crees tu consulta de tabla para evitar análisis completos de la tabla de la tabla particionada durante cada actualización incremental.

Puedes limitar la cantidad de particiones que analiza BigQuery para actualizar la tabla incremental usando una expresión constante en tu consulta de tabla. Convertir un valor de la tabla particionada en una constante expresión, usa la secuencia de comandos de BigQuery para declara el valor como una variable en el bloque pre_operations. Luego, usa la variable como una expresión constante en una cláusula WHERE en la consulta SELECT.

Con esta configuración, Dataform actualiza la tabla incremental basada en las particiones más recientes de la tabla particionada, sin analizar toda la tabla.

Para configurar una tabla incremental que hace referencia a una tabla particionada y evita los análisis completos de la tabla, sigue estos pasos:

  1. Ve a tu lugar de trabajo de desarrollo.
  2. En el panel Files, expande definitions/.
  3. Seleccionar un archivo SQLX de definición de tabla incremental
  4. En el bloque pre_operations, declara una variable con la secuencia de comandos de BigQuery.
  5. Filtra la sentencia SELECT que define la tabla con una cláusula WHERE. que haga referencia a la variable declarada.
  6. Opcional: Haz clic en Formato.

En la siguiente muestra de código, se observa una tabla incremental en la que los valores de referencia La tabla raw_events está particionada por event_timestamp:

config {
  type: "incremental",
}

pre_operations {
  DECLARE event_timestamp_checkpoint DEFAULT (
    ${when(incremental(),
    `SELECT max(event_timestamp) FROM ${self()}`,
    `SELECT timestamp("2000-01-01")`)}
  )
}

SELECT
  *
FROM
  ${ref("raw_events")}
WHERE event_timestamp > event_timestamp_checkpoint

En la muestra de código anterior, la variable event_timestamp_checkpoint es definido en el bloque pre_operations. Luego, se usa la variable event_timestamp_checkpoint como expresión constante en la cláusula WHERE.

Vuelve a compilar una tabla incremental desde cero con una actualización completa

Puedes hacer que una tabla incremental se vuelva a compilar desde cero con el comando interfaz de línea de comandos con la opción --full-refresh o con la opción Run with full refresh cuando activar la ejecución de un flujo de trabajo.

Cuando seleccionas la opción de actualización completa, en tu lugar de trabajo de desarrollo o con la CLI de Dataform, este ignora los ${when(incremental(), ... } durante la ejecución y vuelve a crear el tabla con una sentencia CREATE OR REPLACE.

Cómo proteger una tabla incremental de la actualización completa

Para evitar que una tabla incremental se vuelva a compilar desde cero y pueda evitarse de datos, puedes establecer la tabla incremental como protected. Es posible que desees evitar que se vuelva a compilar una tabla incremental si tu fuente de datos es temporal.

Para marcar una tabla incremental como protected, sigue estos pasos:

  1. Ve a tu lugar de trabajo de desarrollo.
  2. En el panel Files, expande definitions/.
  3. Selecciona un archivo SQLX de definición de tabla incremental.
  4. En el bloque config, ingresa protected: true.
  5. Opcional: Haz clic en Formato.

En la siguiente muestra de código, se muestran tablas incrementales marcadas como protected:

config {
  type: "incremental",
  protected: true
}
SELECT ...

¿Qué sigue?