Looker Blocks

Looker BlocksTM sind vordefinierte Datenmodelle für gängige Analysemuster und Datenquellen. Profitieren Sie von der Arbeit, die wir bereits für Sie erledigt haben, und passen Sie die Blocks anschließend exakt an Ihre Spezifikationen an. Von optimierten SQL-Mustern bis hin zu vollständig integrierten Datenmodellen: Looker-Blöcke können als Ausgangspunkt für eine schnelle und flexible Datenmodellierung in Looker verwendet werden.

Verfügbare Blockierungen

Es gibt viele Looker-Blöcke zur Auswahl. Informationen zu den aktuell verfügbaren Blöcken finden Sie auf dem Looker Marketplace im Abschnitt Blocks.

Es wurden Looker-Blöcke erstellt, um die Analyse von Daten einfacher und effizienter zu machen. Sie sind aktuell verfügbar, es gibt also keine Updates mehr. Looker kann nicht garantieren oder garantieren, dass diese Daten korrekt, zuverlässig oder fehlerfrei sind. Details zur Erfassung und Auswertung der Daten finden Sie auf den entsprechenden Websites.

Klicken Sie auf einen Block, der Sie interessiert, um die entsprechende Nutzungsanleitung aufzurufen.

Einige Looker Blocks können schnell und einfach über den Looker Marketplace installiert werden. Bevor Sie eine Blockierung über den Looker Marketplace bereitstellen können, muss ein Looker-Administrator die Funktion Marketplace aktiviert haben. Zum Installieren von Blöcken, die einen Parameter local_dependency enthalten, muss außerdem die Funktion Lokales Projekt importieren Labs aktiviert werden. Weitere Informationen zum Installieren und Anpassen von Looker Blocks finden Sie auf der Dokumentationsseite zum Looker Marketplace.

Standardisierung und Anpassung

Bevor Sie auf einem vorhandenen Block mit einem local_dependency-Parameter aufbauen können, muss ein Looker-Administrator die Funktion Lokales Projekt importieren Labs aktivieren.

Die Verwendung der verschiedenen Blöcke hängt davon ab, wie stark Ihr Datenbankschema standardisiert ist. Die meisten Looker Blocks müssen an Ihr Datenschema angepasst werden, mit Ausnahme von Datenblöcken, die am einfachsten zu implementieren, aber nicht anpassbar sind.

  • Bei Datenblöcken, die sowohl öffentliche Datasets als auch vollständige LookML-Modelle enthalten, muss einfach das LookML-Modell aus dem GitHub-Repository kopiert werden, um auf die modellierten Tabellen zuzugreifen. Eine ausführliche Anleitung finden Sie auf dieser Seite unter Datenblöcke verwenden.

  • Datenerhebungsanwendungen wie Segment und Snowplow erfassen Ereignisse in einem relativ standardisierten Format. So lassen sich vorlagenbasierte Designmuster erstellen, die von jedem Kunden mit diesen Anwendungen bereinigt, transformiert und analysiert werden können.

  • In anderen Webanwendungen wie Salesforce können Sie benutzerdefinierte Felder für Ihre internen Nutzer hinzufügen. Dadurch werden Daten in einem weniger standardisierten Format erstellt. In diesem Fall können wir einen Teil des Datenmodells verwenden, um die Analysen zu starten. Allerdings müssen Sie den nicht standardisierten Teil anpassen.

  • Und zu guter Letzt haben wir Blockierungen für allgemeine Geschäftsinformationen. Dies sind optimierte SQL- oder LookML-Designmuster, die nicht aus der Datenquelle stammen. Viele Unternehmen möchten beispielsweise den Lifetime-Wert eines Kunden im Zeitverlauf analysieren. Es gibt einige Annahmen in diesen Mustern, die sich aber an Ihre geschäftlichen Anforderungen anpassen lassen. Diese Muster spiegeln die Perspektive von Looker wider, wie bestimmte Arten von Analysen am besten durchgeführt werden können.

Wenn Sie mit Looker noch nicht vertraut sind, kann Ihnen der Looker-Analyst helfen, diese Modelle optimal zu nutzen.

Blocks zu LookML hinzufügen

  • Bei einigen Blöcken werden in einer Datei sowohl „Erkundungen“ als auch Aufrufe angezeigt. Dies ist aus Gründen der Übersichtlichkeit besser, aber im Allgemeinen sollten Sie die entsprechenden Bereiche von LookML an die entsprechenden Stellen in Ihrem Datenmodell kopieren. Weitere Informationen finden Sie auf der Dokumentationsseite Modell und Dateien ansehen.

  • In manchen Fällen möchten Sie wahrscheinlich neue LookML-Dateien in Ihrem Datenmodell erstellen, um die Beispiele zu speichern.

Datenblöcke verwenden

Datenblöcke sind eine spezielle Art von Looker Block, der das Dataset und das Datenmodell bereitstellt. Zu Looker-Datenblöcken gehören öffentliche Datenquellen wie:

  • Demografische Daten: Dies sind gängige demografische Messwerte aus der American Community Survey auf Bundesebene, Landkreis, Postleitzahlbereich und sogar auf der Ebene einer Zensusblockgruppe.
  • Wetterdaten: Wetterberichte in den USA von 1920 bis zum Vortag auf Postleitzahlebene Dieser Block wird jede Nacht aktualisiert.

Die vollständige Liste der derzeit verfügbaren Blockierungen finden Sie im Looker Marketplace im Abschnitt Blocks.

Auf Datasets in verschiedenen Datenbanken zugreifen

Das Verfahren für den Zugriff auf einen Datenblock hängt von Ihrem Datenbankschema ab. Die folgenden Abschnitte enthalten eine Anleitung für den Zugriff auf Datasets in diesen Datenbanken:

Auf Datasets in Google BigQuery zugreifen

Wenn Sie bereits ein Google BigQuery-Konto haben, können Sie auf von BigQuery gehostete Datasets in Looker zugreifen. Fahren Sie mit dem Abschnitt Datenblöcke zu Projekten hinzufügen auf dieser Seite fort.

Wenn Sie noch kein Google BigQuery-Konto haben, können Sie eine kostenlose Testversion einrichten und dann auf die öffentlichen Datasets von Looker in BigQuery zugreifen.

Google BigQuery unterstützt keine regionsübergreifende Projektfreigabe. Wenn Sie von außerhalb der USA direkt auf Datenblöcke in Google BigQuery zugreifen möchten, haben Sie folgende Möglichkeiten:

Auf Datasets in Snowflake zugreifen

Sie können auf ein von Looker gehostetes Snowflake-Data-Warehouse zugreifen und die Datenfreigabe verwenden, um Zugriff auf die öffentlichen Datasets von Looker zu erhalten.

Snowflake unterstützt keine Projektfreigabe in verschiedenen Regionen. Wenn Sie direkt auf Datenblöcke in Snowflake von außerhalb der USA zugreifen möchten, haben Sie folgende Möglichkeiten:

Wenden Sie sich zuerst mit den folgenden Informationen an Ihren Looker-Analysten:

  • Kundenname: <Company1>
  • Kunden-Looker-Instanz: <instance_name.looker.com>
  • Snowflake-Kontoname: <company1.snowflakecomputing.com>

Sobald das Ops-Team von Looker dem Snowflake-Konto Zugriff auf die Datenblöcke gewährt, führen Sie die folgenden Befehle aus, um Zugriff auf die öffentlichen Datasets von Looker zu erhalten:

&#8208;&#8208; Data Consumer Side (* Need to be ACCOUNT ADMIN *)
&#8208;&#8208; For customers in us-west region
create database looker_datablocks from share looker.looker_share_datablocks;

&#8208;&#8208; For customers in us-east region
create database looker_datablocks from share gt97609.looker_share_datablocks;

grant imported privileges on database looker_datablocks to role sysadmin;

use role sysadmin;

grant imported privileges on database looker_datablocks to &#60;other_role&#62;;

show databases;

use looker_datablocks;

show tables;

Wenn Sie eines der öffentlichen Datasets von Looker mit Ihrem eigenen Snowflake-Data-Warehouse verwenden, muss der Looker-Nutzer Datenbankschreibberechtigungen haben, um PDTs zu erstellen. Weitere Informationen zum Verbinden von Looker mit Snowflake finden Sie auf der Dokumentationsseite Schneeflocke-Konfiguration.

Auf Datasets in anderen Datenbanken zugreifen

Nutzen Sie Amazon Redshift? MySQL? PostgreSQL? Oracle?

Wir haben die transformierten Daten für jedes dieser Datasets sowohl in GCS als auch in S3 öffentlich verfügbar gemacht, sodass Sie sie direkt in die Datenbank Ihrer Wahl importieren können.

Außerdem haben wir die Datendefinitionssprache (DDL) für jedes Dataset im GitHub-Repository verfügbar gemacht. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank geändert werden, sollten aber eine Vorstellung von den Spaltentypen für die einzelnen Tabellen liefern.

Laden Sie Daten direkt von einem dieser Speicherorte herunter:

Auf das LookML-Modell zugreifen

Forken Sie einen unserer GitHub-Repositories in ein neues GitHub-Repository (entweder von Looker oder von Ihrem Unternehmen gehostet), das Sie dann in Ihrer Instanz erweitern oder optimieren können:

Datenblöcke zu Projekten hinzufügen

Neben der in diesem Abschnitt beschriebenen Methode können Sie auch LookML-Optimierungen verwenden, um auf den LookML von Ansichten und explorativen Datenanalysen in Ihren Projekten aufzubauen.

Bevor Sie auf einem Datenblock mit einem local_dependency-Parameter aufbauen können, muss ein Looker-Administrator die Funktion Lokales Projekt importieren Labs aktivieren.

So fügen Sie Ihrem Projekt einen Datenblock hinzu:

  1. Fügen Sie der Looker-Instanz ein neues Projekt hinzu.

  2. Fork oder kopieren Sie die oben genannten GitHub-Repositories, um auf die vordefinierte LookML zuzugreifen. Erstellen Sie unbedingt ein neues GitHub-Repository.

  3. Entfernen Sie andere Datenbankdialekt-Dateien aus dem Repository. Looker Blocks enthalten normalerweise Dateien für Google BigQuery, Amazon Redshift und Snowflake. Wenn Sie beispielsweise Datenblöcke in Google BigQuery einrichten, benötigen Sie nur die Google BigQuery-Ansichtsdateien, die Google BigQuery-Erkundungsdatei und die Google BigQuery-Modelldatei.

  4. Ersetzen Sie den Verbindungsnamen in der Modelldatei durch die Datenbankverbindung, in der sich die Datenblöcke befinden, oder – im Fall von Google BigQuery und Snowflake – durch die Datenbankverbindung, von der aus Sie die Daten erweitern oder optimieren:

    Die gesamte Join-Logik befindet sich in jeder Datei in einer .explore-Datei. Die Datei ist in den folgenden Schritten enthalten, nachdem Sie das Projektmanifest eingerichtet haben.

  5. Erstellen Sie eine Projektmanifestdatei in Ihrem Haupt-Looker-Projekt, in dem Sie Datenblöcke erweitern oder optimieren möchten:

  6. Fügen Sie der Projektmanifestdatei die folgende LookML hinzu, um auf Datenblöcke in Ihrem Haupt-Looker-Projekt zu verweisen:

    project_name: "<your_project_name\>"

    local_dependency: {
      project: "<project_name_of_datablock\>"
    }

Hinweise und Optionen zur Einrichtung

Google BigQuery: Achten Sie darauf, dass Sie die richtigen modellierten Dateien verwenden. Wenn Sie Google BigQuery verwenden, sollten Sie auf alle Dateien verweisen, deren Dateiname _bq_ enthält. Möglicherweise müssen Sie unsere Google BigQuery-Modelldialekte an Ihren eigenen Datenbankdialekt anpassen.

Google BigQuery unterstützt keine regionsübergreifende Projektfreigabe. Wenn Sie von außerhalb der USA direkt auf Datenblöcke in Google BigQuery zugreifen möchten, haben Sie folgende Möglichkeiten:

Erweiterungen: Alle unsere Projekte sind so eingerichtet, dass Erweiterungen aus Dateien des Typs „Entdecken“ verwendet werden können, da Modellerweiterungen zu Problemen mit mehreren Verbindungen führen können.

Abgeleitete Tabellen zusammenführen: In unserer Dokumentation finden Sie weitere Informationen zu abgeleiteten Tabellen. Sie können Looker zulassen, dass SQL-Code auf verschiedenen Aggregationsebenen für unsere öffentlich verfügbaren Datasets erstellt wird, und sie dann in Ihr Modell einbindet.

Ergebnissätze zusammenführen: Sie können auch Ergebnissätze aus unseren Datasets mit Ihren Daten zusammenführen, indem Sie die Ergebnismengen von Abfragen kombinieren. In diesem kurzen Video erfahren Sie mehr über das Zusammenführen von Daten.

Beispiel für die Einrichtung des demografischen Datasets

  1. Laden Sie Rohdaten aus unseren S3- oder GCS-Buckets herunter oder stellen Sie eine Verbindung zu einer Looker-Datenbank her, um Zugriff auf Daten zu erhalten.

  2. Importieren Sie das Modell Demografischer Datenblock aus LookML als separates Projekt in Ihre Looker-Instanz:

  3. Verwenden Sie den Parameter include, um die Ansichtsdatei einzufügen.

  4. Anschließend erweitern oder verfeinern Sie die Ansichtsdatei oder verwenden Sie native abgeleitete Tabellen, um Daten auf der Ebene der Aggregation zu erhalten, die für „Erkunden“ erforderlich ist.

    Da sich die demografischen Daten in unserem Beispiel auf einer anderen Aggregationsebene als unser E-Commerce-Dataset (Blockierungsgruppe und Postleitzahl) befinden, verwenden wir native abgeleitete Tabellen, um Statistiken bis zur Postleitzahlebene zu aggregieren. Dadurch werden unordentliche m:n-Verknüpfungen ausgeschlossen:

    include: "/american_community_survey/bq.explore"

    view: zipcode_income_facts {
      derived_table: {
        persist_for: "10000 hours"
        explore_source: fast_facts {
          column: ZCTA5 { field: tract_zcta_map.ZCTA5 }
          column: income_household { field: bg_facts.avg_income_house }
          column: total_population { field: bg_facts.total_population }
        }
      }
      dimension: ZCTA5 {}
      dimension: income_household {
        hidden: yes
      }
  1. So fügen Sie Ansichtsdateien dem Modell hinzu:
    include: "acs*.view"

    explore: order_items {
      join: users {
        sql_on: ${users.id} = ${order_items.user_id} ;;
        type: left_outer
        relationship: many_to_one
      }

      join: zipcode_income_facts {
        sql_on: ${users.zip} = ${zipcode_income_facts.ZCTA5} ;;
        type: left_outer
        relationship: many_to_one
      }
    }

  1. So analysieren Sie Ihre Daten:

  2. Daten visualisieren:

Viz-Blöcke verwenden

Looker bietet verschiedene native Visualisierungstypen. Wenn Sie jedoch eigene Diagrammerstellungsbedürfnisse haben, können Sie auch eigene benutzerdefinierte Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und sie allen Looker-Nutzern über den Looker Marketplace zur Verfügung stellen.

Viz-Blöcke sind vorgefertigte JavaScript-Visualisierungstypen, die von Looker gehostet werden. Sie können die Viz-Blöcke zu Ihrer Looker-Instanz hinzufügen. Sie verhalten sich ähnlich wie die nativen Visualisierungstypen von Looker: Sie werden in der Menüleiste der Visualisierung angezeigt und enthalten zentrale Funktionen wie Bohren, Herunterladen, Einbetten und Planen.

Wenn Sie mehr über einen Viz-Block erfahren möchten, wählen Sie im Bereich Plug-ins des Looker Marketplace den Visualisierungstyp aus. Klicken Sie dann auf Code ansehen und rufen Sie die Datei READ.ME auf. Die Datei READ.ME enthält ein Beispiel für die Visualisierung und enthält weitere Informationen zum Viz-Block. Für einige Visualisierungen enthält die Datei READ.ME auch eine URL und eine Anleitung zum Hinzufügen des Visualisierungsblocks.

Informationen zum Hinzufügen des Visualisierungstyps zu Ihrer Instanz finden Sie in der Anleitung in der Datei READ.ME (falls vorhanden) und auf der Dokumentation zu Visualisierungen.