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 erstellten Datenmodellen – Looker-Blöcke können als Ausgangspunkt für eine schnelle und flexible Datenmodellierung in Looker verwendet werden.
Verfügbare Bausteine
Es stehen viele Looker Blocks zur Auswahl. Informationen zu den derzeit verfügbaren Blockierungen finden Sie im Looker Marketplace im Abschnitt Blockierungen.
Mit Looker-Blöcken lassen sich Daten einfacher und effizienter analysieren. Sie sind „wie besehen“ verfügbar und werden in Zukunft nicht mehr aktualisiert. Looker kann nicht dafür garantieren, dass diese Daten korrekt, zuverlässig und fehlerfrei sind. Informationen dazu, wie Daten erhoben und wie sie interpretiert werden, finden Sie in der Dokumentation zu Datenquellen.
Klicken Sie auf einen Block, der Sie interessiert, um seine spezifische Nutzungsanleitung aufzurufen.
Einige Looker Blocks können schnell und einfach mit dem Looker Marketplace installiert werden. Damit Sie einen Block über den Looker Marketplace bereitstellen können, muss ein Looker-Administrator die Funktion Marktplatz aktiviert haben. Für die Installation 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 aus dem Looker Marketplace finden Sie auf der Dokumentationsseite zu Looker Marketplace.
Standardisierung und Anpassung
Bevor Sie auf einem vorhandenen Block mit dem Parameter
local_dependency
aufbauen können, muss ein Looker-Administrator das Feature Lokales Projekt Labs aktivieren.
Wie einfach die verschiedenen Blöcke verwendet werden können, hängt davon ab, wie stark Ihr Datenbankschema standardisiert ist. Die meisten Looker Blocks müssen einige Anpassungen vornehmen, damit sie in Ihr Datenschema passen, mit Ausnahme von Datenblöcken, die zwar am einfachsten zu implementieren sind, aber nicht anpassbar sind.
Bei Datenblöcken, die sowohl öffentliche Datasets als auch vollständige LookML-Modelle umfassen, muss einfach das LookML-Modell aus dem GitHub-Repository kopiert werden, um auf die modellierten Tabellen zuzugreifen. Eine ausführliche Anleitung dazu finden Sie auf dieser Seite unter Datenblöcke verwenden.
Datenerhebungsanwendungen wie Segment und Snowplow erfassen Ereignisse in einem relativ standardisierten Format. So können Sie Vorlagen für Designmuster erstellen, die Datenbereinigung, -transformation und -analyse ermöglichen und von jedem Kunden mit diesen Anwendungen genutzt 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. Daher kann ein Teil des Datenmodells für die Analyse verwendet werden. Sie müssen den nicht standardisierten Teil aber anpassen.
Außerdem gibt es noch Blöcke für allgemeine Geschäftsinformationen. Dies sind optimierte SQL- oder LookML-Designmuster, die datenquellenunabhängig sind. Viele Unternehmen möchten beispielsweise den Lifetime-Wert von Kunden im Zeitverlauf analysieren. Einige dieser Annahmen basieren auf bestimmten Annahmen. Sie können jedoch an Ihre geschäftlichen Anforderungen angepasst werden. Diese Muster spiegeln die Perspektive von Looker für die beste Methode zur Durchführung bestimmter Arten von Analysen wider.
Wenn Sie neu bei Looker sind, kann Ihnen Ihr Looker-Analyst dabei helfen, diese Modelle optimal zu nutzen.
Blöcke zu LookML hinzufügen
- In einigen Blöcken werden in einer Datei sowohl die explorativen Datenanalysen als auch die Datenansichten angezeigt. Dies ist für eine einfachere Anzeige Von Vorteil, 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 Modelle und Dateien ansehen.
In manchen Fällen empfiehlt es sich, neue LookML-Dateien in Ihrem Datenmodell zu erstellen, um die Beispiele zu speichern.
Datenblöcke verwenden
Datenblöcke sind eine spezielle Art von Looker Block, der das Dataset und das Datenmodell liefert. Zu Looker-Datenblöcken gehören öffentliche Datenquellen wie:
- Demografische Daten: Hier werden allgemeine demografische Messwerte aus der American Community Survey auf bundesstaatlicher, County-, Postleitzahl-Tab- und sogar Volkszählungsebene blockiert.
- Wetterdaten: Wetterberichte in den USA von 1920 bis zum Vortag auf Postleitzahlenebene Dieser Block wird jede Nacht aktualisiert.
Die vollständige Liste der derzeit verfügbaren Blöcke finden Sie im Looker Marketplace im Abschnitt Blockierungen.
Auf Datasets in verschiedenen Datenbanken zugreifen
Das Verfahren für den Zugriff auf das Dataset eines Datenblocks hängt vom Datenbankschema ab. Die folgenden Abschnitte enthalten Anleitungen 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 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 die regionsübergreifende Projektfreigabe nicht. Wenn Sie direkt in Google BigQuery von außerhalb der USA auf Datenblöcke zugreifen möchten, haben Sie folgende Möglichkeiten:
- Importieren Sie die öffentlichen Daten von Looker aus Google Cloud-Dienste oder Amazon S3.
- Erstellen Sie eine neue Google BigQuery-Verbindung basierend auf der USA.
Auf Datasets in anderen Datenbanken zugreifen
Nutzen Sie Amazon Redshift? MySQL? PostgreSQL? Oracle –
Wir haben die transformierten Daten für jedes dieser Datasets sowohl im Google Cloud-Dienst als auch in S3 öffentlich zugänglich gemacht, sodass Sie sie direkt in die Datenbank Ihrer Wahl importieren können.
Wir haben auch die Data Definition Language (DDL) für jedes Dataset im GitHub-Repository zur Verfügung gestellt. Die DDL-Anweisungen müssen möglicherweise für die Datentypen in der ausgewählten Datenbank geändert werden. Sie sollten aber eine Vorstellung von den Spaltentypen für die einzelnen Tabellen enthalten.
Laden Sie Daten direkt von einem dieser Speicherorte herunter:
- Google Cloud-Dienst:
_gs://looker-datablocks/_
- S3:
_s3://looker-datablocks/_
- Weblink des S3-Buckets: http://looker-datablocks.s3-website-us-east-1.amazonaws.com/
Auf das LookML-Modell zugreifen
Erstellen Sie einen Fork von einem GitHub-Repository in einem neuen GitHub-Repository (entweder von Looker oder Ihrem Unternehmen gehostet), das Sie dann innerhalb 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
Neben der in diesem Abschnitt beschriebenen Methode können Sie auch LookML-Suchfilter 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 Lokaler Projektimport Labs aktivieren.
So fügen Sie Ihrem Projekt einen Datenblock hinzu:
Fork oder kopieren Sie die oben genannten GitHub-Repositories, um auf vordefinierte LookML zuzugreifen. Erstellen Sie unbedingt ein neues GitHub-Repository.
Entfernen Sie andere Datenbankdialektdateien 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 Dateien der Google BigQuery-Ansicht, die Datei „Google BigQuery-Erkundung“ und die Google BigQuery-Modelldatei.
Ersetzen Sie den Verbindungsnamen in der Modelldatei durch die Datenbankverbindung, in der sich die Daten für Datenblöcke befinden. Wenn Sie Google BigQuery oder Snowflake nutzen, nutzen Sie die Datenbankverbindung, von der aus Sie erweitern oder optimieren.
Die gesamte Join-Logik ist in jedem Repository in einer
.explore
-Datei vorhanden. Diese Datei fügen Sie in den folgenden Schritten ein, nachdem Sie das Projektmanifest eingerichtet haben.Erstellen Sie in Ihrem Looker-Hauptprojekt, in dem Sie Datenblöcke erweitern oder verfeinern, eine Projektmanifestdatei.
Fügen Sie der Projekt-Manifestdatei 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: Verwenden Sie die richtigen modellierten Dateien. Wenn Sie Google BigQuery verwenden, können Sie auf alle Dateien mit _bq_
im Dateinamen verweisen. Möglicherweise müssen Sie unsere Google BigQuery-Modelldialekte an Ihren eigenen Datenbankdialekt anpassen.
Google BigQuery unterstützt die regionsübergreifende Projektfreigabe nicht. Wenn Sie direkt in Google BigQuery von außerhalb der USA auf Datenblöcke zugreifen möchten, haben Sie folgende Möglichkeiten:
- Importieren Sie die öffentlichen Daten von Looker aus Google Cloud-Dienste oder Amazon S3.
- Erstellen Sie eine neue Google BigQuery-Verbindung basierend auf der USA.
Erweiterungen: Alle unsere Projekte sind so eingerichtet, dass Erweiterungen aus Explore-Dateien berücksichtigt werden können, da Modellerweiterungen Probleme mit mehreren Verbindungen verursachen können.
Abgeleitete Tabellen zusammenführen: Sehen Sie sich unsere Dokumentation für native abgeleitete Tabellen an. Sie können Looker SQL auf verschiedenen Aggregationsebenen in unseren öffentlich verfügbaren Datasets schreiben lassen und sie in Ihr Modell einbinden.
Ergebnismengen zusammenführen: Sie können auch Ergebnismengen aus unseren Datasets mit Ihren Daten zusammenführen, indem Sie Abfrageergebnissätze kombinieren.
Beispieleinrichtung des demografischen Datasets
Zugriff auf Daten erhalten Sie, indem Sie die Rohdaten aus den S3- oder Google Cloud-Dienst-Buckets herunterladen oder eine Verbindung zu einer Looker-Datenbank herstellen.
Importieren Sie das Modell Demografische Datenblockierung aus LookML als separates Projekt in Ihre Looker-Instanz.
Verwenden Sie den Parameter
include
, um die Ansichtsdatei abzurufen.Anschließend erweitern oder verfeinern Sie die Ansichtsdatei oder verwenden Sie native abgeleitete Tabellen, um Daten auf der Aggregationsebene zu erhalten, die für explorative Datenanalysen erforderlich ist.
Da sich die demografischen Daten in unserem Beispiel auf einer anderen Aggregationsebene als unser E-Commerce-Dataset (Blockierungsgruppe im Vergleich zu Postleitzahlen) befinden, verwenden wir native abgeleitete Tabellen, um Statistiken bis hin zur Postleitzahl zu aggregieren. So werden unordentliche m: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 in das Modell einbinden:
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 nativer Visualisierungstypen. Wenn Sie bestimmte Anforderungen an die Diagrammerstellung erfüllen, die nicht von den nativen Visualisierungstypen von Looker abgedeckt werden, können Sie auch eigene benutzerdefinierte Visualisierungstypen hinzufügen. Sie können auch eine benutzerdefinierte Visualisierung entwickeln und diese für alle Looker-Nutzer über den Looker Marketplace zur Verfügung stellen.
Viz-Blöcke sind vordefinierte JavaScript-Visualisierungstypen, die von Looker gehostet werden. Wenn Sie die Viz-Blöcke zu Ihrer Looker-Instanz hinzufügen, funktionieren sie wie alle nativen Visualisierungstypen von Looker: Sie werden in der Menüleiste der Visualisierung angezeigt und enthalten grundlegende Funktionen wie Bohren, Herunterladen, Einbetten und Planen.
Wenn Sie weitere Informationen zu einem Viz-Block erhalten möchten, wählen Sie im Abschnitt Plug-ins des Looker Marketplace den Visualisierungstyp aus, klicken Sie auf Code anzeigen und öffnen Sie die Datei READ.ME
des Viz-Blocks. Die Datei READ.ME
enthält ein Beispiel für die Visualisierung sowie weitere Informationen zum Visualisierungsblock. Bei einigen Visualisierungen enthält die Datei READ.ME
auch eine URL und eine Anleitung zum Hinzufügen des Visualisierungsblocks.
Weitere 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 unserer Dokumentationsseite Visualisierungen.