Looker Blocks™ sind vordefinierte Datenmodelle für gängige Analysemuster und Datenquellen. Nutzen Sie die Arbeit anderer, anstatt bei null anzufangen, und passen Sie die Blöcke dann genau an Ihre Anforderungen an. Von optimierten SQL-Mustern bis hin zu voll ausgereiften Datenmodellen können Looker Blocks als Ausgangspunkt für eine schnelle und flexible Datenmodellierung in Looker verwendet werden.
Verfügbare Blöcke
Es gibt viele Looker-Blöcke zur Auswahl. Welche Blöcke verfügbar sind, sehen Sie im Abschnitt Blöcke des Looker Marketplace.
Klicken Sie auf einen Block, um eine spezifische Anleitung zur Verwendung aufzurufen.
Einige Looker-Blöcke können schnell über den Looker Marketplace installiert werden. Bevor Sie einen Block über den Looker Marketplace bereitstellen können, muss ein Looker-Administrator die Funktion Marketplace aktiviert haben. Weitere Informationen zum Installieren und Anpassen von Looker-Blöcken, die im Looker Marketplace verfügbar sind, finden Sie auf der Dokumentationsseite Looker Marketplace.
Standardisierung und Anpassung
Wie einfach die verschiedenen Blöcke zu verwenden sind, hängt davon ab, wie stark Ihr Datenbankschema standardisiert ist. Die meisten Looker-Blöcke müssen an Ihr Datenschema angepasst werden, mit Ausnahme von Datenblöcken, die sich zwar am einfachsten implementieren lassen, aber nicht angepasst werden können.
Bei Datenblöcken, die sowohl öffentliche Datasets als auch vollständige LookML-Modelle enthalten, müssen Sie einfach das LookML-Modell aus dem GitHub-Repository kopieren, um auf die modellierten Tabellen zuzugreifen. Eine ausführliche Anleitung finden Sie auf dieser Seite unter Datenblöcke verwenden.
Mit Anwendungen zur Datenerhebung wie Segment und Snowplow werden Ereignisse in einem relativ standardisierten Format erfasst. So lassen sich vorlagenbasierte Designmuster erstellen, die Daten bereinigen, transformieren und analysieren können und von allen Kunden dieser Anwendungen verwendet werden können.
In anderen Webanwendungen wie Salesforce können Sie benutzerdefinierte Felder für Ihre internen Nutzer hinzufügen. Das führt natürlich zu Daten in einem weniger standardisierten Format. Daher können wir einen Teil des Datenmodells als Vorlage verwenden, um die Analysen einzurichten. Den nicht standardisierten Teil müssen Sie jedoch anpassen.
Schließlich gibt es Blöcke für allgemeine Geschäftsinformationen. Dies sind optimierte SQL- oder LookML-Designmuster, die unabhängig von der Datenquelle sind. Viele Unternehmen möchten beispielsweise den Lifetime-Wert eines Kunden im Zeitverlauf analysieren. Diese Muster beinhalten einige Annahmen, die jedoch an Ihre spezifischen Geschäftsanforderungen angepasst werden können. Diese Muster spiegeln die Meinung von Looker zur optimalen Durchführung bestimmter Analysetypen wider.
Wenn Sie neu bei Looker sind, kann Ihr Looker-Analyst Ihnen helfen, diese Modelle optimal zu nutzen.
LookML-Blöcken hinzufügen
- Einige Blöcke zeigen sowohl explorative Datenanalysen als auch Datenansichten in derselben Datei. Das ist für die bessere Ansicht gedacht. Im Allgemeinen sollten Sie die entsprechenden LookML-Abschnitte an die entsprechenden Stellen in Ihrem Datenmodell kopieren. Weitere Informationen finden Sie auf der Seite Modell- und Ansichtsdateien verstehen.
- In einigen Fällen sollten Sie in Ihrem Datenmodell neue LookML-Dateien erstellen, um die Beispiele darin unterzubringen.
Datenblöcke verwenden
Datenblöcke sind eine spezielle Art von Looker-Block, die sowohl den Datensatz als auch das Datenmodell bereitstellen. Looker-Datenblöcke umfassen öffentliche Datenquellen wie:
- Demografische Daten: Gängige demografische Messwerte aus der American Community Survey auf Ebene des Bundesstaats, des Landkreises, der ZCTA (Zip Code Tabulation Area) und sogar der Blockgruppe.
- Wetterdaten: Wetterberichte für die USA nach Postleitzahlengebiet von 1920 bis zum Vortag. Dieser Block wird jede Nacht aktualisiert.
Eine vollständige Liste der verfügbaren Blöcke finden Sie im Abschnitt Blöcke des Looker Marketplace.
Auf Datensätze in verschiedenen Datenbanken zugreifen
Wie Sie auf den Datensatz eines Datenblocks zugreifen, hängt von Ihrem Datenbankschema ab. In den folgenden Abschnitten finden Sie Anleitungen zum Zugriff auf Datensätze in diesen Datenbanken:
Auf Datasets in Google BigQuery zugreifen
Wenn Sie bereits ein Google BigQuery-Konto haben, können Sie auf die in BigQuery gehosteten Datasets von Looker zugreifen. Fahren Sie mit dem Abschnitt Projekten Datenblöcke 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.
Auf Datensätze in anderen Datenbanken zugreifen
Verwenden Sie Amazon Redshift, MySQL, PostgreSQL oder Oracle?
Wir haben die transformierten Daten für jeden dieser Datensätze sowohl im Google Cloud Dienst als auch in S3 öffentlich verfügbar gemacht, damit Sie sie direkt in die Datenbank Ihrer Wahl importieren können.
Außerdem haben wir die Data Definition Language (DDL) für jeden Datensatz im GitHub-Repository verfügbar gemacht. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank angepasst werden, sollten aber einen Eindruck von den Spaltentypen für jede Tabelle vermitteln.
Sie können Daten direkt an einem der folgenden Speicherorte herunterladen:
- Google Cloud Dienst:
_gs://looker-datablocks/_ - S3:
_s3://looker-datablocks/_ - S3-Bucket-Weblink: http://looker-datablocks.s3-website-us-east-1.amazonaws.com/
Auf das LookML-Modell zugreifen
Erstellen Sie eine Verzweigung eines unserer GitHub-Repositories in einem neuen GitHub-Repository (entweder von Looker oder von Ihrem Unternehmen gehostet), das Sie dann in Ihrer Instanz erweitern oder optimieren können:
- Demografische Daten (American Community Survey) – https://github.com/llooker/datablocks-acs
- Wetter (GSOD): https://github.com/llooker/datablocks-gsod
Projekten Datenblöcke hinzufügen
Zusätzlich zu der in diesem Abschnitt beschriebenen Methode können Sie auch LookML-Verfeinerungen verwenden, um die LookML von Ansichten und Explores in Ihren Projekten zu erweitern.
So fügen Sie Ihrem Projekt einen Datenblock hinzu:
Verzweigen oder kopieren Sie die zuvor genannten GitHub-Repositories, um auf vordefinierte LookML-Modelle zuzugreifen. Erstellen Sie ein neues GitHub-Repository.
Entfernen Sie alle anderen Dateien mit Datenbankdialekten aus dem Repository. Looker-Blöcke enthalten in der Regel 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-Explore-Datei und die Google BigQuery-Modelldatei.
Ersetzen Sie den Verbindungsnamen in Ihrer Modelldatei durch die Datenbankverbindung, in der sich die Daten für die Datenblöcke befinden. Wenn Sie Google BigQuery oder Snowflake verwenden, verwenden Sie die Datenbankverbindung, die Sie erweitern oder optimieren möchten.
Die gesamte Join-Logik befindet sich in einer
.explore-Datei in jedem der Repositories. Diese Datei verwenden Sie in den folgenden Schritten, nachdem Sie Ihr Projektmanifest eingerichtet haben.Erstellen Sie in Ihrem Haupt-Looker-Projekt, in dem Sie Datenblöcke erweitern oder optimieren möchten, eine Projektmanifestdatei.
Fügen Sie der Manifestdatei des Projekts 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\>"
}
Einrichtungsüberlegungen und -optionen
Google BigQuery: Verwenden Sie die richtigen modellierten Dateien. Wenn Sie Google BigQuery verwenden, sollten Sie alle Dateien mit _bq_ im Dateinamen referenzieren. Möglicherweise müssen Sie unsere Google BigQuery-Modelldialekte an Ihren eigenen Datenbankdialekt anpassen.
Erweiterungen: Alle unsere Projekte sind so eingerichtet, dass Erweiterungen aus Explore-Dateien zulässig sind, da Modellerweiterungen Probleme mit mehreren Verbindungen verursachen können.
Abgeleitete Tabellen zusammenführen: Weitere Informationen finden Sie in der Dokumentation zu nativen abgeleiteten Tabellen. Sie können Looker SQL-Code für Sie auf verschiedenen Aggregationsebenen für unsere öffentlich verfügbaren Datasets schreiben und sie mit Ihrem Modell zusammenführen lassen.
Ergebnismengen zusammenführen: Sie können auch Ergebnismengen aus unseren Datensätzen mit Ihren Daten zusammenführen, indem Sie Abfrageergebnismengen kombinieren.
Beispielkonfiguration des demografischen Datasets
Sie können entweder Rohdaten aus unseren S3- oder Google Cloud Dienst-Buckets herunterladen oder eine Verbindung zu einer Looker-Datenbank herstellen.
Importieren Sie das Modell Block mit demografischen Daten aus LookML als separates Projekt in Ihre Looker-Instanz.
Verwenden Sie den Parameter
include, um die Ansichtsdatei einzubinden.Erweitern oder optimieren Sie dann die Ansichtsdatei oder verwenden Sie native abgeleitete Tabellen, um Daten auf der für explorative Datenanalysen erforderlichen Aggregationsebene zu erhalten.
Da sich die demografischen Daten in unserem Beispiel auf einer anderen Aggregationsebene als unser E-Commerce-Dataset befinden (Blockgruppe im Vergleich zu Postleitzahl), verwenden wir native abgeleitete Tabellen, um Statistiken bis zur Postleitzahlenebene zu aggregieren. So werden komplizierte n:n-Joins vermieden:
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 }Ansichtsdateien mit dem Modell zusammenführen:
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 } }
Viz-Blöcke verwenden
Looker bietet eine Vielzahl von integrierten Visualisierungstypen. Wenn Ihre Anforderungen an Diagramme jedoch nicht durch die vordefinierten Visualisierungstypen von Looker abgedeckt werden, können Sie auch eigene benutzerdefinierte Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und sie über den Looker Marketplace für alle Looker-Nutzer verfügbar machen.
Viz-Blöcke sind vordefinierte JavaScript-Visualisierungstypen, die von Looker gehostet werden. Sie können die Viz-Blöcke Ihrer Looker-Instanz hinzufügen. Sie funktionieren dann ähnlich wie die integrierten Visualisierungstypen von Looker: Sie werden in der Menüleiste für Visualisierungen angezeigt und bieten grundlegende Funktionen wie Drilldown, Herunterladen, Einbetten und Planen.
Wenn Sie mehr über einen Visualisierungsblock erfahren möchten, wählen Sie im Looker Marketplace im Bereich Plug-ins den Visualisierungstyp aus. Klicken Sie dann auf Code ansehen und rufen Sie die READ.ME-Datei des Visualisierungsblocks auf. Die Datei READ.ME enthält ein Beispiel für die Visualisierung und weitere Informationen zum Viz-Block. Bei einigen Visualisierungen enthält die READ.ME-Datei auch eine URL und eine Anleitung zum Hinzufügen des Visualisierungsblocks.
Wenn Sie der Instanz den Visualisierungstyp hinzufügen möchten, folgen Sie der Anleitung in der READ.ME-Datei (falls vorhanden) und den Informationen auf der Dokumentationsseite Visualisierungen.