当 dbt 遇见 TiDB丨高效的数据转换工具让数据分析更简单

dbt （data build tool）是一款流行的开源数据转换工具，能够通过 SQL 实现数据转化，将命令转化为表或者视图，提升数据分析师的工作效率。TiDB 社区在近日推出了 dbt-tidb插件，实现了 TiDB 和 dbt的兼容适配。本文将通过一个简单的案例介绍如何通过 dbt 实现 TiDB 中数据的简单分析。

dbt 主要功能在于转换数据库或数据仓库中的数据，在 E（Extract）、L（Load）、T（Transform） 的流程中，仅负责转换（transform）的过程。 通过 dbt-tidb 插件，数据分析师在使用 TiDB 的过程中，能够通过 SQL 直接建立表单并匹配数据，而无需关注创建 table 或 view 的过程，并且可以直观地看到数据的流动；同时能够运用 dbt 的 Jinja 编写 SQL、测试、包管理等功能，大大提升工作效率。

（图片来源： https://blog.getdbt.com/what-exactly-is-dbt/）

接下来，我将以 dbt 官方教程为例，给大家介绍下 TiDB 与 dbt 的结合使用。

本例用到的相关软件及其版本要求：

• TiDB 5.3 或更高版本
• dbt 1.0.1 或更高版本
• dbt-tidb 1.0.0

安装

dbt 除了本地 CLI 工具外，还支持 dbt Cloud(目前，dbt Cloud 只支持 dbt-lab 官方维护的 adapter)，其中本地 CLI 工具有多种安装方式。我们这里直接使用 pypi 安装 dbt 和 dbt-tidb 插件。

安装 dbt 和 dbt-tidb，只需要一条命令，因为 dbt 会作为依赖在安装 dbt-tidb 的时候顺便安装。

$ pip install dbt-tidb

dbt 也可自行安装，安装方式参考 官方安装教程。

创建项目：jaffle_shop

jaffle_shop 是 dbt-lab 提供的用于演示 dbt 功能的工程项目，你可以直接从 GitHub 上获取它。

$ git clone https://github.com/dbt-labs/jaffle_shop

$ cd jaffle_shop

这里展开 jaffle_shop 工程目录下所有文件。

• dbt_project.yml是 dbt 项目的配置文件，其中保存着项目名称、数据库配置文件的路径信息等。
• models目录下存放该项目的 SQL 模型和 table 约束，注意这部分是数据分析师自行编写的。
• seed目录存放 CSV 文件。此类文件可以来源于数据库导出工具，例如TiDB 可以通过 Dumpling把 table 中的数据导出为 CSV 文件。jaffle_shop 工程中，这些 CSV 文件用来作为待处理的原始数据。

关于它们更加具体的内容，在用到上面的某个文件或目录后，我会再次进行更详细的说明。

ubuntu@ubuntu:~/jaffle_shop$ tree
.

├── dbt_project.yml

├── etc

│   ├── dbdiagram_definition.txt

│   └── jaffle_shop_erd.png

├── LICENSE

├── models

│   ├── customers.sql

│   ├── docs.md

│   ├── orders.sql

│   ├── overview.md

│   ├── schema.yml

│   └── staging

│       ├── schema.yml

│       ├── stg_customers.sql

│       ├── stg_orders.sql

│       └── stg_payments.sql

├── README.md

└── seeds

    ├── raw_customers.csv

    ├── raw_orders.csv

    └── raw_payments.csv

配置项目

1.全局配置

dbt 有一个默认的全局配置文件：~/.dbt/profiles.yml，我们首先在用户目录下建立该文件，并配置 TiDB 数据库的连接信息。

 $ vi ~/.dbt/profiles.yml

 jaffle_shop_tidb:                        # 工程名称

  target: dev                             # 目标

  outputs:

    dev:

      type: tidb                         # 适配器类型

      server: 127.0.0.1                  # 地址

      port: 4000                         # 端口号

      schema: analytics                  # 数据库名称

      username: root                     # 用户名

      password: ""                       # 密码

2.项目配置

jaffle_shop 工程目录下，有此项目的配置文件，名为dbt_project.yml。把profile配置项改为jaffle_shop_tidb，即profiles.yml文件中的工程名称。这样此工程在会到 ~/.dbt/profiles.yml文件中查询数据库连接配置。

$ cat dbt_project.yml 

name: 'jaffle_shop'



config-version: 2

version: '0.1'



profile: 'jaffle_shop_tidb'                   # 注意此处修改



model-paths: ["models"]                       # model 路径

seed-paths: ["seeds"]                         # seed 路径

test-paths: ["tests"]                         

analysis-paths: ["analysis"]

macro-paths: ["macros"]



target-path: "target"

clean-targets:

    - "target"

    - "dbt_modules"

    - "logs"



require-dbt-version: [">=1.0.0", "<2.0.0"]



models:

  jaffle_shop:

      materialized: table            # models/ 中的 *.sql 物化为表

      staging:           

        materialized: view           # models/staging/ 中的 *.sql 物化为视图

3.验证配置

可以通过以下命令，检测数据库和项目配置是否正确。

$ dbt debug

06:59:18  Running with dbt=1.0.1

dbt version: 1.0.1

python version: 3.8.10

python path: /usr/bin/python3

os info: Linux-5.4.0-97-generic-x86_64-with-glibc2.29

Using profiles.yml file at /home/ubuntu/.dbt/profiles.yml

Using dbt_project.yml file at /home/ubuntu/jaffle_shop/dbt_project.yml



Configuration:

  profiles.yml file [OK found and valid]

  dbt_project.yml file [OK found and valid]



Configuration:

  profiles.yml file [OK found and valid]

  dbt_project.yml file [OK found and valid]



Required dependencies:

 - git [OK found]



Connection:

  server: 127.0.0.1

  port: 4000

  database: None

  schema: analytics

  user: root

  Connection test: [OK connection ok]



All checks passed!

加载 CSV

加载 CSV 数据，把 CSV 具体化为目标数据库中的表。注意：一般来说，dbt 项目不需要这个步骤，因为你的待处理项目的数据都在数据库中。

$ dbt seed

07:03:24  Running with dbt=1.0.1

07:03:24  Partial parse save file not found. Starting full parse.

07:03:25  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics

07:03:25

07:03:25  Concurrency: 1 threads (target='dev')

07:03:25

07:03:25  1 of 3 START seed file analytics.raw_customers.................................. [RUN]

07:03:25  1 of 3 OK loaded seed file analytics.raw_customers.............................. [INSERT 100 in 0.19s]

07:03:25  2 of 3 START seed file analytics.raw_orders..................................... [RUN]

07:03:25  2 of 3 OK loaded seed file analytics.raw_orders................................. [INSERT 99 in 0.14s]

07:03:25  3 of 3 START seed file analytics.raw_payments................................... [RUN]

07:03:26  3 of 3 OK loaded seed file analytics.raw_payments............................... [INSERT 113 in 0.24s]

07:03:26

07:03:26  Finished running 3 seeds in 0.71s.

07:03:26

07:03:26  Completed successfully

07:03:26

07:03:26  Done. PASS=3 WARN=0 ERROR=0 SKIP=0 TOTAL=3

上述结果中，可以清楚的看到共执行了三个任务，分别加载了 analytics.raw_customers、analytics.raw_orders、analytics.raw_payments三张表。

接着，去 TiDB 数据库中看看发生了什么。

发现多出了 analytics数据库，这是 dbt 为我们创建的工程数据库。

mysql> show databases;

+--------------------+

| Database           |

+--------------------+

| INFORMATION_SCHEMA |

| METRICS_SCHEMA     |

| PERFORMANCE_SCHEMA |

| analytics          |

| mysql              |

| test               |

+--------------------+

6 rows in set (0.00 sec)

analytics数据库中有三张表，分别对应着上述三个任务结果。

mysql> show tables;

+---------------------+

| Tables_in_analytics |

+---------------------+

| raw_customers       |

| raw_orders          |

| raw_payments        |

+---------------------+

3 rows in set (0.00 sec)

model 是什么？

在进行下一个步骤之前，我们有必要先了解下 dbt 中的 model 扮演着什么角色？

dbt 中使用 model 来描述一组数据表或视图的结构，其中主要有两类文件：SQL 和 YML。还需要注意到的是：在 jaffle_shop 这个项目中，根据 物化配置，models/目录下保存的是表结构，而 models/staging/目录下保存的是视图结构。

以 models/orders.sql为例，它是一句 SQL 查询语句，支持 jinja语法，接下来的命令中，会根据这条 SQL 创建出 orders表。

$ cat models/orders.sql

{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}



with orders as (



    select * from {{ ref('stg_orders') }}



),



payments as (



    select * from {{ ref('stg_payments') }}



),



order_payments as (



    select

        order_id,



        {% for payment_method in payment_methods -%}

        sum(case when payment_method = '{{ payment_method }}' then amount else 0 end) as {{ payment_method }}_amount,

        {% endfor -%}



        sum(amount) as total_amount



    from payments



    group by order_id



),



final as (



    select

        orders.order_id,

        orders.customer_id,

        orders.order_date,

        orders.status,



        {% for payment_method in payment_methods -%}



        order_payments.{{ payment_method }}_amount,



        {% endfor -%}



        order_payments.total_amount as amount



    from orders





    left join order_payments

        on orders.order_id = order_payments.order_id



)



select * from final

并且，与这条 SQL 配套的约束信息在 models/schema.yml文件中。

schema.yml是当前目录下所有模型的注册表，所有的模型都被组织成一个树形结构，描述了每条字段的说明和属性。其中 tests条目表示这个字段的一些约束项，可以通过 dbt test命令来检测，更多信息请查阅 官网文档。

cat models/schema.yml

version: 2

...

  - name: orders

    description: This table has basic information about orders, as well as some derived facts based on payments



    columns:

      - name: order_id

        tests:

          - unique

          - not_null

        description: This is a unique identifier for an order



      - name: customer_id

        description: Foreign key to the customers table

        tests:

          - not_null

          - relationships:

              to: ref('customers')

              field: customer_id



      - name: order_date

        description: Date (UTC) that the order was placed



      - name: status

        description: '{{ doc("orders_status") }}'

        tests:

          - accepted_values:

              values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']



      - name: amount

        description: Total amount (AUD) of the order

        tests:

          - not_null



      - name: credit_card_amount

        description: Amount of the order (AUD) paid for by credit card

        tests:

          - not_null



      - name: coupon_amount

        description: Amount of the order (AUD) paid for by coupon

        tests:

          - not_null



      - name: bank_transfer_amount

        description: Amount of the order (AUD) paid for by bank transfer

        tests:

          - not_null



      - name: gift_card_amount

        description: Amount of the order (AUD) paid for by gift card

        tests:

          - not_null

运行

结果中显示成功创建了三张视图（analytics.stg_customers、analytics.stg_orders、analytics.stg_payments）和两张表（analytics.customers、analytics.orders）。

$ dbt run

07:28:43  Running with dbt=1.0.1

07:28:43  Unable to do partial parsing because profile has changed

07:28:43  Unable to do partial parsing because a project dependency has been added

07:28:44  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics

07:28:44

07:28:44  Concurrency: 1 threads (target='dev')

07:28:44

07:28:44  1 of 5 START view model analytics.stg_customers................................. [RUN]

07:28:44  1 of 5 OK created view model analytics.stg_customers............................ [SUCCESS 0 in 0.12s]

07:28:44  2 of 5 START view model analytics.stg_orders.................................... [RUN]

07:28:44  2 of 5 OK created view model analytics.stg_orders............................... [SUCCESS 0 in 0.08s]

07:28:44  3 of 5 START view model analytics.stg_payments.................................. [RUN]

07:28:44  3 of 5 OK created view model analytics.stg_payments............................. [SUCCESS 0 in 0.07s]

07:28:44  4 of 5 START table model analytics.customers.................................... [RUN]

07:28:44  4 of 5 OK created table model analytics.customers............................... [SUCCESS 0 in 0.16s]

07:28:44  5 of 5 START table model analytics.orders....................................... [RUN]

07:28:45  5 of 5 OK created table model analytics.orders.................................. [SUCCESS 0 in 0.12s]

07:28:45

07:28:45  Finished running 3 view models, 2 table models in 0.64s.

07:28:45

07:28:45  Completed successfully

07:28:45

07:28:45  Done. PASS=5 WARN=0 ERROR=0 SKIP=0 TOTAL=5

去 TiDB 数据库中验证下，是否真的创建成功。

结果显示多出了 customers等五张表格或视图，并且表或视图中的数据也都转换完成。这里只展示 customers的部分数据。

mysql> show tables;

+---------------------+

| Tables_in_analytics |

+---------------------+

| customers           |

| orders              |

| raw_customers       |

| raw_orders          |

| raw_payments        |

| stg_customers       |

| stg_orders          |

| stg_payments        |

+---------------------+

8 rows in set (0.00 sec)



mysql> select * from customers;

+-------------+------------+-----------+-------------+-------------------+------------------+-------------------------+

| customer_id | first_name | last_name | first_order | most_recent_order | number_of_orders | customer_lifetime_value |

+-------------+------------+-----------+-------------+-------------------+------------------+-------------------------+

|           1 | Michael    | P.        | 2018-01-01  | 2018-02-10        |                2 |                 33.0000 |

|           2 | Shawn      | M.        | 2018-01-11  | 2018-01-11        |                1 |                 23.0000 |

|           3 | Kathleen   | P.        | 2018-01-02  | 2018-03-11        |                3 |                 65.0000 |

|           4 | Jimmy      | C.        | NULL        | NULL              |             NULL |                    NULL |

|           5 | Katherine  | R.        | NULL        | NULL              |             NULL |                    NULL |

|           6 | Sarah      | R.        | 2018-02-19  | 2018-02-19        |                1 |                  8.0000 |

|           7 | Martin     | M.        | 2018-01-14  | 2018-01-14        |                1 |                 26.0000 |

|           8 | Frank      | R.        | 2018-01-29  | 2018-03-12        |                2 |                 45.0000 |

....

生成文档

dbt 还支持生成可视化的文档，命令如下。

1.生成文档

$ dbt docs generate

07:33:59  Running with dbt=1.0.1

07:33:59  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics

07:33:59

07:33:59  Concurrency: 1 threads (target='dev')

07:33:59

07:33:59  Done.

07:33:59  Building catalog

07:33:59  Catalog written to /home/ubuntu/jaffle_shop/target/catalog.json

2.开启服务

$ dbt docs serve

07:43:01  Running with dbt=1.0.1

07:43:01  Serving docs at 0.0.0.0:8080

07:43:01  To access from your browser, navigate to:  http://localhost:8080

07:43:01

07:43:01

07:43:01  Press Ctrl+C to exit.

可以通过浏览器查看文档，其中包含 jaffle_shop 项目的整体结构以及所有表和视图的描述说明。

总结

TiDB 在 dbt 中的使用主要有以下几步：

1. 安装 dbt 和 dbt-tidb
2. 配置项目
3. 编写 SQL 和 YML 文件
4. 运行项目

目前，TiDB 支持 dbt 的版本在 4.0 以上，但根据 dbt-tidb 项目文档描述，低版本的 TiDB 在和 dbt 结合使用中还存在一些问题，例如：不支持临时表和临时视图、不支持 WITH 语法等。想要痛快的使用 dbt ，建议使用 TiDB 5.3 以上版本，此版本支持 dbt 的全部功能。