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 ausgearbeiteten 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. Welche Blöcke verfügbar sind, erfahren Sie im Looker Marketplace unter Blockierungen.
Klicke auf einen Block, der dich interessiert, um die entsprechenden Nutzungsanweisungen anzuzeigen.
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. Für die Installation von Blöcken, die einen local_dependency-Parameter enthalten, müssen Sie auch die Labs-Funktion Lokaler Projektimport aktivieren. Weitere Informationen zum Installieren und Anpassen von Looker-Blöcken aus dem Looker Marketplace finden Sie auf der Dokumentationsseite zum Looker Marketplace.
Standardisierung und Anpassung
Wie einfach die verschiedenen Blöcke verwendet werden können, hängt davon ab, inwieweit Ihr Datenbankschema standardisiert ist. Die meisten Looker-Blöcke erfordern einige Anpassungen, um sie an Ihr Datenschema anzupassen. Eine Ausnahme bilden Datenblöcke, die am einfachsten zu implementieren sind, aber nicht anpassbar sind.
Für Datenblöcke, die sowohl öffentliche Datasets als auch vollständige LookML-Modelle enthalten, muss das LookML-Modell einfach aus dem GitHub-Repository kopiert werden, um auf die modellierten Tabellen zugreifen zu können. Eine ausführliche Anleitung finden Sie auf dieser Seite unter Datenblöcke verwenden.
Anwendungen zur Datenerfassung wie Segment und Snowplow verfolgen Ereignisse in einem relativ standardisierten Format. So lassen sich vorlagenbasierte Designmuster erstellen, die für die Datenbereinigung, -transformation und -analyse geeignet sind und von allen Kunden verwendet werden können, die diese Anwendungen nutzen.
In anderen Webanwendungen wie Salesforce können Sie benutzerdefinierte Felder für Ihre internen Nutzer hinzufügen. Dadurch entstehen die Daten natürlich in einem weniger standardisierten Format. Daher können wir einen Teil des Datenmodells als Vorlagen erstellen, um die Analyse einzurichten, aber Sie müssen den nicht standardisierten Teil anpassen.
Schließlich gibt es noch Blöcke für allgemeine Geschäftseinblicke. Dies sind optimierte SQL- oder LookML-Designmuster, die von der Datenquelle unabhängig sind. Viele Unternehmen möchten beispielsweise den Lifetime-Wert eines Kunden über einen längeren Zeitraum hinweg analysieren. Bei diesen Mustern sind einige Annahmen verankert, die Sie jedoch an Ihre spezifischen Geschäftsanforderungen anpassen können. Diese Muster spiegeln den Standpunkt von Looker hinsichtlich der besten Art der Durchführung bestimmter Arten von Analysen wider.
Wenn Sie neu bei Looker sind, kann Ihr Looker-Analyst Ihnen helfen, diese Modelle optimal zu nutzen.
Blöcke zu LookML hinzufügen
- Einige Blöcke enthalten sowohl Explores als auch Ansichten in derselben Datei. Dies dient der besseren Übersicht, 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 Modell- und Ansichtsdateien.
- In einigen Fällen möchten Sie wahrscheinlich neue LookML-Dateien in Ihrem Datenmodell erstellen, um die Beispiele unterzubringen.
Datenblöcke verwenden
Datenblöcke sind ein spezieller Looker-Blocktyp, der sowohl das Dataset als auch das Datenmodell bereitstellt. Looker-Datenblöcke umfassen öffentliche Datenquellen wie:
- Demografische Daten: Dies sind gängige demografische Messwerte aus der American Community Survey für Bundesstaaten, Countys, Postleitzahlenbereiche und sogar Volkszählungsblockgruppen.
- Wetterdaten: Wetterberichte in den USA auf Postleitzahlebene von 1920 bis zum Vortag. Dieser Block wird jede Nacht aktualisiert.
Die vollständige Liste der verfügbaren Blöcke finden Sie im Looker Marketplace unter Blockierungen.
Auf Datasets in verschiedenen Datenbanken zugreifen
Das Verfahren für den Zugriff auf das Dataset eines Datenblocks 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 die in BigQuery gehosteten Datasets von 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.
Auf Datasets in anderen Datenbanken zugreifen
Verwenden 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 wird nun die Datendefinitionssprache (DDL) für jedes Dataset im GitHub-Repository zur Verfügung gestellt. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank geändert werden, sollten jedoch eine Vorstellung von den Spaltentypen für jede Tabelle vermitteln.
Sie können Daten direkt von 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
Verzweigen Sie eines unserer GitHub-Repositories in ein neues GitHub-Repository (entweder von Looker oder Ihrem Unternehmen), das Sie dann in Ihrer Instanz erweitern oder verfeinern 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:
Verzweigen oder kopieren Sie die zuvor erwähnten GitHub-Repositories, um auf vordefinierte LookML-Codes zuzugreifen. Achten Sie darauf, ein neues GitHub-Repository zu erstellen.
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-Datenansichtsdateien, die Google BigQuery-Explore-Datei und die Google BigQuery-Modelldatei.
Ersetzen Sie den Verbindungsnamen in Ihrer Modelldatei durch Ihre Datenbankverbindung, über die sich die Daten für Datenblöcke befinden. Wenn Sie Google BigQuery oder Snowflake verwenden, nutzen Sie die Datenbankverbindung, über die Sie erweitern oder verfeinern.
Die gesamte Join-Logik ist in jedem der Repositories in einer
.explore-Datei vorhanden. Dies ist die Datei, die Sie in die folgenden Schritte aufnehmen werden, nachdem Sie Ihr Projektmanifest eingerichtet haben.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, können Sie auf alle Dateien mit _bq_ im Dateinamen verweisen. Möglicherweise müssen Sie die Modelldialekte von Google BigQuery 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: In unserer Dokumentation zu nativen abgeleiteten Tabellen finden Sie weitere Informationen. Sie können Looker das Schreiben von SQL für Sie auf verschiedenen Aggregationsebenen in unseren öffentlich verfügbaren Datasets überlassen und diese in Ihr Modell einbinden.
Ergebnissätze zusammenführen: Sie können auch Ergebnissätze aus unseren Datasets mit Ihren Daten zusammenführen, indem Sie die Abfrageergebnisse kombinieren.
Beispielkonfiguration für das demografische Dataset
Erhalten Sie Zugriff auf Daten, indem Sie entweder Rohdaten aus unseren S3- oder Google Cloud-Dienst-Buckets herunterladen oder eine Verbindung zu einer Looker-Datenbank herstellen.
Importieren Sie das Modell Demografische Daten-Block aus LookML als separates Projekt in Ihre Looker-Instanz.
Verwenden Sie den Parameter
include, um die Ansichtsdatei einzubinden.Anschließend können Sie die Ansichtsdatei entweder erweitern oder verfeinern oder native abgeleitete Tabellen verwenden, um Daten auf der für Explores erforderlichen Aggregationsebene zu erhalten.
Da sich die demografischen Daten in unserem Beispiel auf einer anderen Aggregationsebene befinden als unser E-Commerce-Dataset (Blockgruppe oder Postleitzahl), verwenden wir native abgeleitete Tabellen, um Statistiken bis zur Postleitzahlebene zusammenzufassen. Dadurch werden unübersichtliche m:n-Joins eliminiert:
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 }Führen Sie Ansichtsdateien im Modell zusammen:
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 } }
Visualisierungsblöcke verwenden
Looker bietet eine Vielzahl von integrierten Visualisierungstypen. Sollten Sie jedoch Diagrammanforderungen haben, die nicht von den integrierten Visualisierungstypen von Looker abgedeckt werden, können Sie auch eigene benutzerdefinierte Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und sie im 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. Sie verhalten sich ähnlich wie alle integrierten Visualisierungstypen von Looker: Sie werden auf der Visualisierungsmenüleiste angezeigt und beinhalten Kernfunktionen wie Drilldown-Vorgänge, Herunterladen, Einbetten und Planung.
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 gehen Sie zur Datei READ.ME des Visualisierungsblocks. Die Datei READ.ME zeigt ein Beispiel für die Visualisierung und enthält weitere Informationen zum Visualisierungsblock. 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 Dokumentationsseite zu Visualisierungen.