Looker BlocksTM sind vorgefertigte Datenmodelle für gängige analytische Muster 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 kompletten Datenmodellen können Looker Blocks als Ausgangspunkt für eine schnelle und flexible Datenmodellierung in Looker verwendet werden.
Verfügbare Blöcke
Es stehen viele Looker Blocks zur Auswahl. Informationen dazu, welche Blöcke verfügbar sind, finden Sie im Bereich Blockierungen des Looker Marketplace.
Klicken Sie auf einen Block, der Sie interessiert, um die entsprechenden Nutzungsanweisungen anzuzeigen.
Einige Looker Blocks können über den Looker Marketplace schnell installiert werden. Bevor Sie einen Block über den Looker Marketplace bereitstellen können, muss ein Looker-Administrator die Funktion Marketplace aktiviert haben. Für die Installation von Blöcken, die einen local_dependency-Parameter enthalten, muss außerdem die Funktion Lokales Projektimport Labs aktiviert werden. Weitere Informationen zum Installieren und Anpassen von Looker Blocks finden Sie auf der Dokumentationsseite des Looker Marketplace.
Standardisierung und Anpassung
Die einfache Verwendung der verschiedenen Blöcke hängt davon ab, inwieweit Ihr Datenbankschema standardisiert ist. Die meisten Looker Blocks erfordern eine gewisse Anpassung an Ihr Datenschema, mit Ausnahme von Datenblöcken, die am einfachsten zu implementieren sind, aber nicht anpassbar sind.
Für Datenblöcke, 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.
Anwendungen zur Datenerfassung wie Segment und Snowplow erfassen Ereignisse in einem relativ standardisierten Format. So lassen sich vorlagenbasierte Designmuster erstellen, die Datenbereinigung, -transformation und -analyse ermöglichen. Diese können von allen Kunden genutzt werden, die diese Anwendungen nutzen.
In anderen Webanwendungen wie z. B. Salesforce können Sie benutzerdefinierte Felder für Ihre internen Nutzer hinzufügen. Dadurch werden die Daten natürlich in einem weniger standardisierten Format erstellt. Daher können wir einen Teil des Datenmodells als Vorlagen verwenden, um die Analyse einzurichten, aber Sie müssen den nicht standardisierten Teil anpassen.
Schließlich haben wir Blöcke für allgemeine Geschäftseinblicke. Dabei handelt es sich um optimierte SQL- oder LookML-Designmuster, die unabhängig von der Datenquelle sind. Viele Unternehmen möchten beispielsweise den Lifetime-Wert eines Kunden im Zeitverlauf analysieren. In diese Muster sind einige Annahmen verankert, die jedoch an Ihre spezifischen Geschäftsanforderungen angepasst werden können. Diese Muster spiegeln den Standpunkt von Looker bezüglich der besten Art der Durchführung bestimmter Analysetypen wider.
Wenn Sie Looker noch nicht kennen, kann Ihnen Ihr Looker-Analyst dabei helfen, diese Modelle optimal zu nutzen.
Blöcke zu Ihrem LookML-Code hinzufügen
- Einige Blöcke stellen sowohl Explores als auch Ansichten in derselben Datei dar. Dies dient der besseren Übersichtlichkeit, aber im Allgemeinen sollten Sie die entsprechenden Abschnitte von LookML an die entsprechenden Stellen in Ihrem Datenmodell kopieren. Weitere Informationen finden Sie auf der Dokumentationsseite Informationen zu Modellen und Dateien ansehen.
- In einigen 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, die sowohl das Dataset als auch das Datenmodell bereitstellen. Looker-Daten-Blocks umfassen öffentliche Datenquellen wie z. B.:
- Demografische Daten: Gängige demografische Messwerte aus der American Community Survey auf Bundesstaat-, County-, Postleitzahlen- und sogar Zensus-Blockgruppen-Ebene.
- Wetterdaten: Wetterberichte in den USA auf Postleitzahlenebene von 1920 bis zum Vortag. Dieser Block wird jede Nacht aktualisiert.
Eine vollständige Liste der verfügbaren Blöcke finden Sie im Bereich Blockierungen des Looker Marketplace.
Auf Datasets in verschiedenen Datenbanken zugreifen
Wie Sie auf das Dataset eines Datenblocks zugreifen, hängt von Ihrem Datenbankschema ab. Die folgenden Abschnitte enthalten Anweisungen 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 Looker gehostete BigQuery-Datasets zugreifen. Fahren Sie mit dem Abschnitt Datenblöcke Projekten hinzufügen auf dieser Seite fort.
Wenn Sie noch kein Google BigQuery-Konto haben, können Sie eine kostenlose Testversion einrichten und anschließend in BigQuery auf die öffentlichen Datasets von Looker zugreifen.
Auf Datasets in anderen Datenbanken zugreifen
Nutzen Sie Amazon Redshift, MySQL, PostgreSQL oder Oracle?
Wir haben die transformierten Daten für jedes dieser Datasets sowohl im Google Cloud-Dienst als auch in S3 öffentlich verfügbar gemacht, sodass Sie sie direkt in die Datenbank Ihrer Wahl importieren können.
Außerdem stellen wir die Datendefinitionssprache (DDL) für jedes der Datasets im GitHub-Repository zur Verfügung. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank geändert werden, sollten aber eine Vorstellung davon haben, welche Spaltentypen für jede Tabelle verwendet werden.
Laden Sie die Daten direkt von einem der folgenden Speicherorte herunter:
- Google Cloud-Dienst:
_gs://looker-datablocks/_ - S3:
_s3://looker-datablocks/_ - S3 Bucket Web Link: http://looker-datablocks.s3-website-us-east-1.amazonaws.com/
Auf das LookML-Modell zugreifen
Verzweigen Sie eines unserer GitHub-Repositories in ein neues GitHub-Repository (entweder von Looker oder von Ihrem Unternehmen gehostet), das Sie dann innerhalb 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
Datenblöcke zu Projekten hinzufügen
Zusätzlich zu der in diesem Abschnitt beschriebenen Methode können Sie auch LookML-Verfeinerungen verwenden, um auf dem LookML-Code von Ansichten und Explores in Ihren Projekten aufzubauen.
So fügen Sie Ihrem Projekt einen Datenblock hinzu:
Fork oder kopieren Sie die zuvor erwähnten GitHub-Repositories, um auf vordefinierte LookML zuzugreifen. Erstellen Sie unbedingt ein neues GitHub-Repository.
Entfernen Sie andere Datenbankdialektdateien aus dem Repository. Looker Blocks 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 Datenblöcke befinden. Wenn Sie Google BigQuery oder Snowflake verwenden, verwenden Sie die Datenbankverbindung, über die Sie erweitern oder optimieren möchten.
Die gesamte Join-Logik ist in jedem der Repositories in einer
.explore-Datei vorhanden. Dies ist die Datei, die Sie in die folgenden Schritte einfügen, nachdem Sie Ihr Projektmanifest eingerichtet haben.Erstellen Sie eine Projektmanifestdatei in Ihrem Looker-Hauptprojekt, in dem Sie Datenblöcke erweitern oder optimieren möchten.
Fügen Sie der Projektmanifestdatei den folgenden LookML-Code hinzu, um auf Datenblöcke in Ihrem Looker-Hauptprojekt zu verweisen:
project_name: "<your_project_name\>"
local_dependency: {
project: "<project_name_of_datablock\>"
}
Überlegungen und Optionen zur Einrichtung
Google BigQuery: Achten Sie darauf, den richtigen Satz modellierter Dateien zu verwenden. Wenn Sie Google BigQuery verwenden, möchten Sie möglicherweise auf alle Dateien mit _bq_ im Dateinamen verweisen. 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 verknüpfen: Weitere Informationen finden Sie in unserer Dokumentation für native abgeleitete Tabellen. Sie können es Looker überlassen, SQL auf verschiedenen Aggregationsebenen für unsere öffentlich verfügbaren Datasets zu schreiben und diese mit Ihrem Modell zusammenzuführen.
Ergebnissätze zusammenführen: Sie können auch Ergebnissätze aus unseren Datasets mit Ihren Daten zusammenführen, indem Sie Abfrageergebnisse kombinieren.
Beispieleinrichtung des demografischen Datensatzes
Laden Sie entweder Rohdaten aus unseren S3- oder Google Cloud Service-Buckets herunter oder stellen Sie eine Verbindung zu einer Looker-Datenbank her, um Zugriff auf die Daten zu erhalten.
Importieren Sie das Modell Demografische Daten-Block aus LookML als separates Projekt in Ihre Looker-Instanz.
Verwenden Sie den Parameter
include, um die Ansichtsdatei aufzurufen.Anschließend können Sie die Ansichtsdatei erweitern oder optimieren oder native abgeleitete Tabellen verwenden, um Daten auf der für Explores erforderlichen Aggregationsebene zu erhalten.
Da sich in unserem Beispiel die demografischen Daten auf einer anderen Aggregationsebene befinden als unser E-Commerce-Dataset (Blockgruppe oder Postleitzahl), verwenden wir native abgeleitete Tabellen, um Statistiken bis zur Postleitzahlebene zusammenzufassen. Dies eliminiert unübersichtliche m:n-Joins:
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 } }Daten ansehen und visualisieren
Visualisierungsblöcke verwenden
Looker bietet eine Vielzahl von integrierten Visualisierungstypen. Wenn Sie jedoch Diagrammanforderungen haben, die von den integrierten Visualisierungstypen von Looker nicht abgedeckt werden, können Sie auch Ihre eigenen benutzerdefinierten Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und diese über den Looker Marketplace für alle Looker-Nutzer verfügbar machen.
Visualisierungsblöcke sind vorgefertigte JavaScript-Visualisierungstypen, die von Looker gehostet werden. Sie können die Visualisierungsblöcke zu Ihrer Looker-Instanz hinzufügen, und sie verhalten sich ähnlich wie alle in Looker integrierten Visualisierungstypen: Sie werden in der Visualisierungsmenüleiste angezeigt und enthalten Kernfunktionen wie Drilldown, Herunterladen, Einbetten und Planung.
Wenn Sie mehr über einen Visualisierungsblock erfahren möchten, wählen Sie im Looker Marketplace im Bereich Plug-ins (Plug-ins) den Visualisierungstyp aus. Klicken Sie dann auf See the Code (Code ansehen) und gehen Sie zur Datei READ.ME des Visualisierungsblocks. Die Datei READ.ME zeigt ein Beispiel für die Visualisierung und enthält weitere Informationen zum Visualisierungsblock. Bei einigen 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 in den Informationen auf der Dokumentationsseite Visualisierungen.