Looker Blocks 是适用于常见分析模式和数据源的预构建数据模型。重复利用他人已经完成的工作，而不是从头开始，然后根据具体的规范自定义数据块。从经过优化的 SQL 模式到完全内置的数据模型，Looker 块可以作为在 Looker 中快速灵活地进行数据建模的起点。
可用块
有许多 Looker Blocks 可供选择。如需了解目前有哪些屏蔽设置，请查看 Looker Marketplace 中的屏蔽设置部分。
Looker Blocks 旨在让您更加轻松高效地分析数据。它们是“按原样”提供的，这意味着今后将不再有更新。Looker 无法声明或保证这些数据将是准确、可靠或无错的。如需详细了解我们如何收集用户数据以及如何解读这些数据，请参阅相应文档。
点击您感兴趣的数据，查看具体的使用说明。
您可以使用 Looker Marketplace 快速轻松地安装某些 Looker Blocks。在通过 Looker Marketplace 部署屏蔽设置之前，Looker 管理员必须已启用市场功能。若要安装包含 local_dependency 参数的块，还需要启用本地项目导入 Labs 功能。参阅 Looker Marketplace 文档页面，详细了解如何安装和自定义 Looker Blocks（可从 Looker Marketplace 获得）。
标准化和自定义
在包含
local_dependency参数的现有代码块上构建项目之前，Looker 管理员必须启用本地项目导入实验室功能。
使用不同数据块的难易程度取决于数据库架构标准化程度。大多数 Looker Blocks 都需要进行一些自定义设置来适应您的数据架构，但数据块除外，后者是最简单的实现方式，但不可自定义。
数据块（包括公共数据集和完整的 LookML 模型）只需要从 GitHub 代码库中复制 LookML 模型即可访问根据模型估算的表。如需查看详细说明，请参阅本页面中的使用数据块。
数据收集应用（如 Segment 和 Snowplow）以相对标准化的格式跟踪事件。因此，我们能够创建模板化设计模式（支持数据清理、转换和分析），并且可供任何使用此类应用的客户使用。
其他 Web 应用（例如 Salesforce）可让您为内部用户添加自定义字段。当然，这会以不太标准化的格式创建数据。因此，您可以使用模板设置部分数据模型来启动并运行分析，但您需要对非标准化部分进行自定义。
最后，我们还提供了常规的业务数据洞见。这些是优化的 SQL 或 LookML 设计模式，与数据源无关。例如，许多公司都希望分析客户在一段时间内的生命周期价值。这些模式有一些假设条件，但它们可以根据您的具体业务需求进行自定义。这些模式反映了 Looker 对进行特定类型分析的最佳方式的观点。
如果您刚开始接触 Looker，您的 Looker 分析师可以帮助您充分利用这些模型。
向 LookML 添加块
- 有些屏蔽块会同时显示“探索”和“查看”视图。这是为了便于查看，但一般而言，您需要将 LookML 的相应部分复制到数据模型中的适当位置。如需了解详情，请参阅了解模型和查看文件文档页面。
在某些情况下，您可能需要在数据模型中创建新的 LookML 文件来存放示例。
使用数据块
数据块是特殊类型的 Looker 块，可提供数据集和数据模型。Looker 数据块包含公开数据源，例如：
- 受众特征数据：美国社区调查在州、县、邮政编码制表区域甚至是人口普查区块级别的常见受众特征指标。
- 天气数据：1920 年至前一天邮政编码级别美国的天气报告。此街区每晚更新一次。
如需查看当前可用的屏蔽的完整列表，请参阅 Looker Marketplace 中的屏蔽部分。
访问不同数据库上的数据集
访问数据块的数据集的过程因数据库架构而异。以下部分介绍了如何访问这些数据库上的数据集：
访问 Google BigQuery 上的数据集
如果您已有 Google BigQuery 帐号，则可以访问 Looker 的 BigQuery 托管数据集。请直接跳到本页面上的向项目添加数据块部分。
如果您还没有 Google BigQuery 帐号，可以先设置免费试用，然后访问 BigQuery 上的 Looker 公共数据集。
Google BigQuery 不支持跨区域共享项目。如需直接从美国区域访问 Google BigQuery 中的数据块，您可以执行以下操作：
- 从 Google Cloud 服务或 Amazon S3 导入 Looker 的公开数据。
- 创建新的美国 Google BigQuery 连接。
访问 Snowflake 上的数据集
您可以访问 Looker 托管的 Snowflake 数据仓库，并使用数据共享来访问 Looker 的公共数据集。
Snowflake 不支持跨区域共享项目。如需直接从美国区域之外访问 Snowflake 中的数据块，您可以执行以下操作：
- 从 Google Cloud 服务或 Amazon S3 导入 Looker 的公开数据。
- 创建新的位于美国区域的 Snowflake 连接。
首先，提供以下信息，与您的 Looker 分析师联系：
- 客户名称：
<Company1> - Customer Looker 实例：
<instance_name.looker.com> - Snowflake 帐号名称：
<company1.snowflakecomputing.com>
Looker 的运营团队向 Snowflake 帐号提供对数据块的访问权限后，可以运行以下命令来访问 Looker 的公共数据集：
‐‐ Data Consumer Side (* Need to be ACCOUNT ADMIN *)
‐‐ For customers in us-west region
create database looker_datablocks from share looker.looker_share_datablocks;
‐‐ 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 <other_role>;
show databases;
use looker_datablocks;
show tables;
如果您将 Looker 的某个公共数据集与您自己的 Snowflake 数据仓库搭配使用，您的 Looker 用户必须具有数据库写入权限才能创建 PDT。如需详细了解如何将 Looker 连接到 Snowflake，请参阅雪花配置文档页面。
访问其他数据库上的数据集
您正在使用 Amazon Redshift 吗？MySQL？PostgreSQL？Oracle？
我们在 GCS 和 S3 中公开了上述每个数据集的转换数据，以便您直接将其导入所选的数据库中。
我们还为 GitHub 代码库中的每个数据集提供了数据定义语言 (DDL)。您可能需要针对所选数据库中的数据类型修改 DDL 语句，但应该大致了解每个表的列类型。
直接从以下某个位置下载数据：
- GCS：
_gs://looker-datablocks/_ - S3：
_s3://looker-datablocks/_ - S3 存储分区网页链接：http://looker-datablocks.s3-website-us-east-1.amazonaws.com/
访问 LookML 模型
将我们的一个 GitHub 代码库克隆到新的 GitHub 代码库（由 Looker 或您的公司托管），然后您可以在实例中扩展或优化：
- 受众特征数据（美国社区问卷调查）- https://github.com/llooker/datablocks-acs
- 天气 (GSOD) - https://github.com/llooker/datablocks-gsod
向项目添加数据块
除了本部分中介绍的方法外，您还可以使用 LookML 优化在项目中的视图和探索的 LookML 的基础上进行构建。
在使用
local_dependency参数的数据块进行构建之前，Looker 管理员必须启用本地项目导入实验室功能。
如需向项目中添加数据块，请执行以下操作：
向 Looker 实例添加新项目。
创建分支或复制上述 GitHub 代码库以访问预构建的 LookML。请务必创建新的 GitHub 代码库。
从代码库中移除其他数据库方言文件。Looker Blocks 通常包含 Google BigQuery、Amazon Redshift 和 Snowflake 的文件。例如，如果您要在 Google BigQuery 上设置数据块，则仅需要 Google BigQuery 视图文件、Google BigQuery 探索文件和 Google BigQuery 模型文件。
将模型文件中的连接名称替换为数据块数据所在的数据库连接；如果是 Google BigQuery 和 Snowflake，则使用您要扩展或优化的现有数据库连接：
所有联接逻辑都存在于每个代码库的
.explore文件中。这是您在设置项目清单后要在后续步骤中添加的文件。在要扩展或优化数据块的主 Looker 项目中，创建项目清单文件：
将以下 LookML 添加到项目清单文件中，以便引用主 Looker 项目中的数据块：
project_name: "<your_project_name\>"
local_dependency: {
project: "<project_name_of_datablock\>"
}
设置注意事项和选项
Google BigQuery：请务必使用一组根据模型估算的文件。如果您使用的是 Google BigQuery，则可能需要引用文件名中包含 _bq_ 的所有文件。您可能必须根据自己的数据库方言调整 Google BigQuery 模型方言。
Google BigQuery 不支持跨区域共享项目。如需直接从美国区域访问 Google BigQuery 中的数据块，您可以执行以下操作：
- 从 Google Cloud 服务或 Amazon S3 导入 Looker 的公开数据。
- 创建新的美国 Google BigQuery 连接。
扩展程序：我们的所有项目都已设置为允许使用“探索”文件中的扩展程序，因为模型扩展程序可能会导致多个连接出现问题。
联接派生表：您可能需要查看我们的原生派生表文档。您可以让 Looker 在我们的公开数据集上以不同级别的汇总方式编写 SQL，并将其加入模型中。
合并结果集：您还可以选择通过组合查询结果集，将数据集内的结果集与您的数据合并。观看此短视频，详细了解如何合并数据。
受众特征数据集的设置示例
如需访问数据，请从我们的 S3 或 GCS 存储分区下载原始数据，或者连接到 Looker 数据库。
将 LookML 中的受众特征数据块模型作为 Looker 实例中的单独项目导入：
使用
include参数导入视图文件。然后，扩展或优化视图文件，或者使用原生派生表，在探索级别所需的汇总级别获取数据。
在我们的示例中，由于受众特征数据与电子商务数据集（屏蔽组与邮政编码）的汇总级别不同，因此我们使用原生派生的表格来汇总邮政编码级别的统计信息。这样可以消除混乱的多对多联接：
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
}
- 将视图文件联接到模型中：
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
}
}
探索您的数据：
直观呈现您的数据：
使用可视化块
Looker 提供多种原生可视化类型。但是，如果您有 Looker 的原生可视化类型未涵盖的图表需求，则还可以添加自己的自定义可视化图表类型。您还可以开发自定义图表，并面向 Looker Marketplace 中的所有 Looker 用户提供。
Viz 块是由 Looker 托管的预构建 JavaScript 可视化类型。您可以将 Viz 块添加到 Looker 实例，这些块的行为类似于 Looker 的任何原生可视化类型：它们显示在可视化菜单栏中，并且包含钻孔、下载、嵌入和调度等核心功能。
如需详细了解可视化块，请在 Looker Marketplace 的插件部分选择可视化类型，然后点击查看代码并导航到可视化块的 READ.ME 文件。READ.ME 文件显示了可视化图表的一个示例，并提供了有关可视化块的更多信息。对于某些可视化图表，READ.ME 文件还提供了用于添加可视化块的网址和说明。
如需向实例添加可视化类型，请参阅 READ.ME 文件（如果有）中的说明以及可视化图表文档页面上的信息。