[英]How to choose the latest partition of a bigquery table in DBT without scanning the whole table?
我正在尝试 select 来自 BigQuery 表的最新分区,而不扫描 DBT model 中的整个表以节省查询成本。
DBT 不允许在数据 model 中使用分号,因此使用DECLARE
+ SET
脚本语句不能按照此处的建议工作。
DBT 有一个 sql_header 宏,它允许在 header 中设置一些变量,但 header 不接受对数据 model 的引用或至少不编译以下代码:
{{ config(
sql_header=" DECLARE latest_partition_date DATE;
DECLARE latest_load_timestamp TIMESTAMP;
SET latest_partition_date = (SELECT MAX(_PARTITIONDATE) FROM {{ ref("model") }} );
SET latest_load_timestamp = (SELECT MAX(loaded_at) FROM {{ ref("model") }} WHERE _PARTITIONDATE = latest_partition_date);"
) }}
-- set the main query
SELECT * FROM {{ ref("model") }}
WHERE
-- Select the latest partition to reduce 'Bytes processed' for loading the query.
_PARTITIONDATE = latest_partition_date
-- Select the latest load within the latest partition to get only one duplicate of data.
AND loaded_at = latest_load_timestamp
我需要在标准 SQL 中解决这个问题。
建议的其他方法包括设置WHERE _PARTITIONDATE = CURRENT_DATE()
或使用DATE_SUB(CURRENT_DATE(), 3)
但这些方法不能满足要求,因为数据加载中断是不可预测的,只有动态选择最新的才能在这里工作。 那可能吗?
您可以在另一个查询中执行此操作并将结果作为变量获取,如下所示:
{%- call statement('max_partition', fetch_result=True) -%}
SELECT MAX(_PARTITIONDATE) FROM {{ ref("model") }} )
{%- endcall -%}
{%- set max_date = load_result('max_partition')['data'][0][0] -%}
SELECT * FROM {{ ref("model") }}
WHERE
_PARTITIONDATE = {{ max_date }}
由于最初的问题是处理日期,因此缺少正确的数据类型转换。
最后,我认为需要在 jinja 中完成对正确数据类型的转换,而不是使用 SQL 来让查询接受正确的变量。 此外, {{ max_date }}
需要引号。
我得到的最终解决方案是:
{%- call statement('max_partition_date_query', True) -%}
SELECT MAX(_PARTITIONDATE) as max_partition_date FROM {{ ref('model') }}
{%- endcall -%}
{%- set max_timestamp = load_result('max_partition_date_query')['data'][0][0] -%}
{%- set max_date = max_timestamp.strftime('%Y-%m-%d') -%}
select * FROM {{ ref('model') }}
WHERE _PARTITIONDATE = '{{ max_date }}'
上述方法适用于https://cloud.google.com/bigquery/docs/partitioned-tables#ingestion_time但不适用于https://cloud.google.com/bigquery/docs/partitioned-tables#date_timestamp_partitioned_table
另一种选择是利用https://cloud.google.com/bigquery/docs/information-schema-tables获取日期/时间戳分区表的最新分区。
{% set last_snapshot_at_query %}
SELECT
PARSE_TIMESTAMP("%Y%m%d", MAX(PARTITION_ID))
FROM
{{ source("change-me-source", "INFORMATION_SCHEMA.PARTITIONS") }}
WHERE
table_name = "change-me-table"
{% endset %}
{% if execute %}
{% set last_snapshot_at = run_query(last_snapshot_at_query).columns[0][0] %}
{% endif %}
SELECT
*
FROM
{{ source('change-me-source', 'change-me-table') }},
WHERE
snapshot_at = "{{ last_snapshot_at }}"
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.