本文将介绍dbt中在模型和seed级别使用post-hook的几个具体示例。dbt中的Post-hooks是一个强大而简单的特性,它在构建模型之后(如果是pre-hook,甚至在此之前)执行SQL语句。这些语句实际上(几乎)可以是任何东西,从将表复制到另一个数据库/模式,或限制记录的数量,或重新格式化seed。我们将讨论的示例是指DuckDB,但是也可以适用于其他数据库。
认识 dbt hook
将原始数据转换为可供下游消费者使用的模型,直接使用SQL非常实用,但dbt默认不支持,仅支持SELECT 语句。如果遇到下列场景,我们可能需要SQL实现:
- 管理计算层的大小或容量
- 应用屏蔽策略或访问策略
- 管理数据库参数
dbt hook可以实现这些特殊任务。与dbt项目中的许多资源不同,钩子可以使用简单的SELECT语句之外的SQL命令,这打开了充满可能性的新世界。dbt hook 主要分为:
- On-run-start/end: 用于在执行某些dbt命令之前/之后运行SQL查询
在下列命令的开始或结束处运行SQL语句(或SQL语句列表): dbt build
, dbt compile
, dbt docs generate
, dbt run
, dbt seed
, dbt snapshot
, dbt test`. on-run-start和on-run-end hook也可以宏。语法如下:
yaml
-- dbt_project.yml
on-run-start: sql-statement | [sql-statement]
on-run-end: sql-statement | [sql-statement]
- Pre-/post-hooks: 用于在执行某些dbt节点之前/之后运行SQL查询
在model, seed, snapshot 被构建之前/后运行SQL语句(或SQL语句列表), Pre-/post-hooks子也可以调用宏。dbt旨在通过开箱即用的功能提供SQL模版代码 (DDL、DML和DCL),从而快速而简洁地配置模型转换业务。当需要执行dbt尚未提供的特性时,我们可以使用dbt的编译上下文编写所需的SQL,并将其传递到Pre-/post-hooks,以便在model, seed 或 snapshot之前或之后运行。语法如下:
yaml
-- dbt_project.yml
models:
<resource-path>:
+pre-hook: SQL-statement | [SQL-statement]
+post-hook: SQL-statement | [SQL-statement]
也可以在模型中配置:
jinja2
-- models/<model_name>.sql
{{ config(
pre_hook="SQL-statement" | ["SQL-statement"],
post_hook="SQL-statement" | ["SQL-statement"],
) }}
select ...
对于seed 和 snapshot 语法类似。
dbt模型使用post-hook
想象有业务需求如是:我们dbt项目中模型需存储在特定schema中,其访问权限是不公开的。这意味着组织中的任何人都无法从该模式中读取数据。这样做的原因可能与包含个人敏感数据有关,或者仅仅是数据治理规范,团队希望控制创建表的访问和使用权限。
我们可以使用post-hook实现对数据的访问,同时不影响安全管理规范。在本例中,这些数据需要被其他团队使用,我们将表的内容复制到另一个公共模式/表中:
jinja2
{{config(
materialized='table',
post_hook=[
"CREATE OR REPLACE TABLE {{ env_var('DBT_DATABASE') }}.public_schema.mart_orders AS
SELECT * FROM {{this}};"
]
)
}}
SELECT *
FROM {{ ref('ref_orders') }}
当这个模型运行时,用于构建模型的SQL首先运行,紧接着post-hook语句被执行。在这个示例中,我们使用:
- {{this}}函数,它引用了在此文件中构建的模型,特别是它在数据库中的表示
- env_var函数获取存储在profiles文件中的数据库变量。从技术上讲,如果您已经为本地使用设置了DEV环境,则不需要添加它,因为dbt将自动指向它。然而,这似乎是一个很好的做法,声明它,也使读者清楚。
请注意,建议这里使用{{this}},特别是如果在两个独立的环境,一个用于本地开发,一个用于生产。如前所述,如果在本地运行该模型,dbt将把FROM {{this}}和CREATE TABLE语句转换为在配置文件中声明的本地开发数据库。然而,很可能实际不需要在开发数据库中使用公开表,而只需要在生产中使用。在这种情况下,可以简单地在post-hook中进行显式设置,只需从生产环境中获取数据并将其构建到生产环境中。代码示例如下:
jinja2
{{config(
materialized='table',
post_hook=[
"CREATE OR REPLACE TABLE prod_database.public_schema.mart_orders AS
SELECT * FROM prod_database.team_private_schema.mart_orders;"
]
)
}}
SELECT *
FROM {{ ref('ref_orders') }}
现在,让我们给post-hook逻辑增加两个业务用例,基于以下现实场景:
- 我们要公开的表包含一些个人隐私数据,如customer_email或customer_phone_number
- 公共模式仅用于"展示"模型的内容,而实际的访问是在其他地方(例如按需)提供的,并且直接访问存储在私有schema中的表。
对于第一个用例,我们仅需排除不想暴露的字段以返回其部分内容:
jinja2
{{config(
materialized='table',
post_hook=[
"CREATE OR REPLACE TABLE prod_database.public_schema.mart_orders AS
SELECT * EXCLUDE (customer_email, customer_phone_number), split(customer_email,'@')[2] AS customer_email FROM prod_database.team_private_schema.mart_orders;"
]
)
}}
SELECT *
FROM {{ ref('ref_orders') }}
对于第二个用例,我们只是限制表中返回的记录数量。并添加一列,其中包含友好的提醒信息,以便与团队联系以访问表格:
jinja2
{{config(
materialized='table',
post_hook=[
"CREATE OR REPLACE TABLE prod_database.public_schema.mart_orders AS
SELECT 'request access to the table at team_data@company.com' AS readme, * EXCLUDE (customer_email, customer_phone_number), split(customer_email,'@')[2] AS customer_email FROM prod_database.team_private_schema.mart_orders
LIMIT 5;"
]
)
}}
SELECT *
FROM {{ ref('ref_orders') }}
dbt seed使用post-hook
Dbt seed可以直接加载CSV文件到数据仓库中,通常拥有处理不经常更改的静态数据。有时这些csv是由多个业务团体提供的,格式上可能缺乏标准化。让我们看一个简单的例子,理解post-hook是如何派上用场的。
我们有一个seed文件,包含新旧产品的名称映射,在中间层模型连接引用。我们希望确保列中的值都转换为小写,因为这是编码格式约定,要做的是在seed的.yml配置文件中添加post-hook和相关的SQL语句:
yaml
version: 2
seeds:
- name: seed_product_names
config:
post-hook: "CREATE OR REPLACE TABLE prod_database.team_private_schema.seed_product_names AS
SELECT LOWER(old_product_name) AS old_product_name, LOWER(new_product_name) as new_product_name
FROM prod_database.team_private_schema.seed_product_names;"
description: >
This seed contains all product names (old and new versions)
columns:
- name: old_product_name
description: The old product name used in previous platform
type: string
- name: new_product_name
description: The new product name used in current platform
type: string
dbt seed命令运行后,执行post-hook中的SQL,将dbt seed刚刚构建的模型替换为遵循约定的重新格式化版本。
很明显,我们可以在添加至seed之前直接格式化CSV文件:然而添加格式规则在SQL不仅能给你更多的质量控制能力,也会提高文档描述,因为格式化内容在SQL和描述中已清晰地说明。
或许有人认为这种重新格式化SQL操作,可以通过构建从seed获取数据的staging模型表来实现。虽然这显然是可行的,但它违背了将这些"规范"映射CSV文件存储和记录为dbt seed的约定。
同样与dbt模型一样,post-hook可以用于各种数据操作常见(例如,在seed中连接字符串创建新列,截取或替换字符串等),这些都可以通过SQL语句实现。
总结
本文通过提供在模型和种子级别上使用post-hook的具体示例,展示了dbt中post-hook的多种应用场景。这些示例演示了post-hook如何用于复制表、限制返回记录和重新格式化数据。总之,通过使用post-hooks,用户可以更好地控制数据质量并提升模型文档。期待您的真诚反馈,更多内容请阅读数据分析工程专栏。