Einführung in LookML

LookML, kurz für Looker Modeling Language, ist die Sprache, die in Looker zum Erstellen semantischer Datenmodelle verwendet wird. Mit LookML können Sie Dimensionen, Zusammenfassungen, Berechnungen und Datenbeziehungen in Ihrer SQL-Datenbank beschreiben. Looker verwendet ein in LookML erstelltes Modell, um SQL-Abfragen für eine bestimmte Datenbank zu strukturieren.

LookML ist eine Abhängigkeitssprache wie make, im Gegensatz zu einer imperativen Sprache wie C oder Ruby. LookML stellt vordefinierte Datentypen und Syntax für die Datenmodellierung bereit. Für das Verständnis von LookML sind keine Vorkenntnisse in Programmiersprachen erforderlich. LookML ist von bestimmten SQL-Dialekten unabhängig und enthält alle wesentlichen SQL-Ausdrücke für jede SQL-Implementierung.

LookML fördert den DRY-Stil („Don't repeat yourself“), was bedeutet, dass Sie SQL-Ausdrücke einmal an einer Stelle schreiben und Looker den Code wiederholt verwendet, um Ad-hoc-SQL-Abfragen zu generieren. Geschäftsnutzer können dann anhand der Ergebnisse komplexe Abfragen in Looker erstellen und sich dabei nur auf den tatsächlich benötigten Inhalt konzentrieren, nicht auf die Komplexität der SQL-Struktur.

LookML-Projekte

LookML wird in Projekten definiert. Ein LookML-Projekt ist eine Sammlung von Dateien, die mindestens Modell- und Ansichtsdateien und optional andere Dateitypen enthalten. Sie werden in der Regel gemeinsam über ein Git-Repository versioniert. Die Modelldateien enthalten Informationen dazu, welche Tabellen im Projekt verwendet werden und wie sie verknüpft werden sollen. In den Ansichtsdateien wird beschrieben, wie Informationen zu den einzelnen Tabellen (oder für mehrere Tabellen, wenn die Joins dies zulassen) berechnet werden.

LookML trennt Struktur von Inhalt. Das heißt, die Abfragestruktur (wie Tabellen verbunden sind) ist vom Abfrageinhalt unabhängig (aufzurufende Spalten, abgeleitete Felder, zu berechnende Summenfunktionen und anzuwendende Filterausdrücke).

Looker-Abfragen basieren auf LookML-Projektdateien. Datenanalysten verwenden LookML, um Datenmodelle zu erstellen und zu verwalten, die die Datenstruktur und Geschäftsregeln für die zu analysierenden Daten definieren. Der Looker SQL-Generator übersetzt LookML in SQL, sodass Geschäftsnutzer Abfragen ausführen können, ohne LookML oder SQL zu schreiben.

Geschäftsnutzer verwenden den Looker-Abfragebaustein oder die Explore-Oberfläche, um Abfragen zu erstellen, die auf dem Datenmodell basieren, das Looker-Analysten definieren. Nutzer können Dimensionen, Messwerte und Filter auswählen, um benutzerdefinierte Abfragen zu erstellen, die auf ihren eigenen Fragen basieren, und eigene Statistiken zu generieren.

Wenn ein Nutzer eine Abfrage erstellt, wird sie an den Looker-SQL-Generator gesendet, der die Abfrage in SQL übersetzt. Die SQL-Abfrage wird in der Datenbank ausgeführt und Looker gibt die formatierten Ergebnisse dann auf der Explore-Benutzeroberfläche an den Nutzer zurück. Der Nutzer kann die Ergebnisse dann visualisieren und Erkenntnisse gewinnen.

Weitere Informationen zu den grundlegenden LookML-Elementen in einem Projekt und ihrer Beziehung zueinander finden Sie unter LookML – Begriffe und Konzepte.

Was Nutzer sehen

Die Konfiguration des Projekts und der Inhalt der Dateien bestimmen, was Nutzer sehen und wie sie mit Looker interagieren können.

  1. Der Bereich „Explore“ im linken Navigationsbereich ist nach Modellnamen organisiert. Unter dem jeweiligen Modellnamen befindet sich eine Liste der in diesem Modell verfügbaren Explores.
  2. Nutzer können nach einem bestimmten Explore suchen.

  3. Entwickler können Beschreibungen für Explores definieren. Nutzer können sich diese Beschreibungen ansehen, indem sie im Menü Explore den Mauszeiger auf den Namen des Explores bewegen.

  4. Der Bereich Feldauswahl ist nach Ansichtsnamen organisiert. Unter jedem Ansichtsnamen finden Sie eine Liste der verfügbaren Felder aus den Tabellen, die in dieser Ansicht enthalten sind. In den meisten Ansichten werden sowohl Dimensionen als auch Messwerte angezeigt. In diesem Beispiel wird die Dimension Monat aus einer Dimensionsgruppe vom Typ Datum der Rückgabe ausgewählt, die in der Datenansichtsdatei definiert wurde.

  5. Nutzer können mehrere Messwerte auswählen, auf denen die Abfrage basieren soll.

  6. Nutzer können im Bereich „Feldauswahl“ Optionen wie Filter und Pivot-Tabellen anwenden.

  7. Nutzer können die Suchbegriffe verfeinern.

  8. Nutzer können einen Visualisierungstyp auswählen, der auf die Abfrageergebnisse angewendet werden soll.

  9. Wenn Sie diese explorative Datenanalyse ausführen, wird eine SQL-Abfrage generiert, die sowohl eine Datentabelle als auch eine Visualisierung des Gesamtverkaufspreises und der Bruttomarge der zurückgegebenen Bestellungen aus dem letzten Jahr zurückgibt.

Codebeispiel

Das folgende Codebeispiel zeigt ein minimales LookML-Projekt für einen E-Commerce-Shop mit einer Modelldatei (ecommercestore.model.lkml) und zwei Ansichtsdateien (orders.view.lkml und customers.view.lkml):

######################################
# FILE: ecommercestore.model.lkml    #
# Define the explores and join logic #
######################################
connection: order_database
include: "*.view.lkml"
explore: orders {
  join: customers {
    sql_on: ${orders.customer_id} = ${customers.id} ;;
  }
}

##########################################################
# FILE: orders.view.lkml                                 #
# Define the dimensions and measures for the ORDERS view #
##########################################################
view: orders {
  dimension: id {
    primary_key: yes
    type: number
    sql: ${TABLE}.id ;;
  }
  dimension: customer_id {      # field: orders.customer_id
    sql: ${TABLE}.customer_id ;;
  }
  dimension: amount {           # field: orders.amount
    type: number
    value_format: "0.00"
    sql: ${TABLE}.amount ;;
  }
  dimension_group: created {                # generates fields:
    type: time                              # orders.created_time, orders.created_date
    timeframes: [time, date, week, month]   # orders.created_week, orders.created_month
    sql: ${TABLE}.created_at ;;
  }
  measure: count {             # field: orders.count
    type: count                # creates a sql COUNT(*)
    drill_fields: [drill_set*] # list of fields to show when someone clicks 'ORDERS Count'
  }
  measure: total_amount {
    type: sum
    sql: ${amount} ;;
  }
  set: drill_set {
    fields: [id, created_time, customers.name, amount]
  }
}

#############################################################
# FILE: customers.view.lkml                                 #
# Define the dimensions and measures for the CUSTOMERS view #
#############################################################
view: customers {
  dimension: id {
    primary_key: yes
    type: number
    sql: ${TABLE}.id ;;
  }
  dimension: city {                    # field: customers.city
    sql: ${TABLE}.city ;;
  }
  dimension: state {                   # field: customers.state
    sql: ${TABLE}.state ;;
  }
  dimension: name {
    sql: CONCAT(${TABLE}.firstname, " ", ${TABLE}.lastname) ;;
  }
  measure: count {             # field: customers.count
    type: count                # creates a sql COUNT(*)
    drill_fields: [drill_set*] # fields to show when someone clicks 'CUSTOMERS Count'
  }
  set: drill_set {                     # set: customers.drill_set
    fields: [id, state, orders.count]  # list of fields to show when someone clicks 'CUSTOMERS Count'
  }
}

Weitere Informationen

Wenn Sie noch keine Erfahrung mit der LookML-Entwicklung haben, können Sie die in den folgenden Abschnitten beschriebenen Ressourcen nutzen, um Ihr Lernen zu beschleunigen:

Zugriff auf die Looker-Lernumgebung erhalten

Sehen Sie sich die Kurse auf Google Cloud Skills Boost an.

Daten mithilfe von Looker abfragen und analysieren

Kenntnisse über die Datenanalyse in Looker erleichtern Ihnen die Modellierung von Daten in LookML. Wenn Sie mit der Verwendung von Looker zum Abfragen, Filtern und Aufschlüsseln von Daten nicht vertraut sind, empfehlen wir Ihnen Folgendes:

Erforderliche SQL-Grundlagen für die Verwendung von LookML

Für die Erstellung von LookML-Codes benötigen Sie Kenntnisse in der Erstellung und Durchführung von SQL-Abfragen. Sie müssen kein SQL-Experte sein, selbst Anfänger können leistungsstarke Looker-Modelle erstellen. Im Allgemeinen gilt: Je besser Ihre SQL-Kenntnisse sind, desto einfacher wird Ihnen die Arbeit in LookML fallen.

Konsultieren Sie einige unserer bevorzugten Ressourcen, wenn Sie Ihre SQL-Kenntnisse auffrischen möchten:

LookML-Grundlagen erlernen

Diese Ressourcen ermöglichen Ihnen einen direkten Einstieg in LookML. Nutzen Sie Ihr Lernkonto, um mit verschiedenen Entwurfsmustern zu experimentieren.

Nachdem Sie die Grundlagen von LookML kennengelernt haben, finden Sie auf den folgenden Seiten einen Überblick über die verschiedenen Arten von LookML-Parametern: