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 geschriebenes Modell, um SQL-Abfragen für eine bestimmte Datenbank zu erstellen.

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. Sie benötigen keine Vorkenntnisse in Programmiersprachen, um LookML zu verstehen. LookML ist von bestimmten SQL-Dialekten unabhängig und kapselt SQL-Ausdrücke, um jede SQL-Implementierung zu unterstützen.

Für Datenanalysten unterstützt LookML den DRY-Stil („Nicht wiederholen“). Das bedeutet, dass Sie SQL-Ausdrücke einmal an einem Ort schreiben und Looker den Code wiederholt verwendet, um Ad-hoc-SQL-Abfragen zu generieren. Geschäftsanwender können die Ergebnisse verwenden, um komplexe Abfragen in Looker zu erstellen und sich nur auf den Inhalt zu konzentrieren, den sie benötigen, nicht auf die Komplexität der SQL-Struktur.

LookML-Projekte

LookML ist in Projekten definiert. Ein LookML-Projekt ist eine Sammlung von Dateien, die mindestens Modell- und Ansichtsdateien und optional andere Dateitypen enthalten. Diese Dateien werden in der Regel gemeinsam über ein Git-Repository versioniert. Die Modelldateien enthalten Informationen darüber, welche Tabellen im Projekt verwendet und wie die Tabellen verknüpft werden sollen. In den Ansichtsdateien wird beschrieben, wie Informationen über jede Tabelle (oder über mehrere Tabellen hinweg, sofern 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. Fachkräfte für Datenanalyse verwenden LookML, um Datenmodelle zu erstellen und zu pflegen, die die Datenstruktur und die Geschäftsregeln für die zu analysierenden Daten definieren. Der Looker SQL-Generator übersetzt LookML in SQL, sodass Geschäftsanwender Abfragen ausführen können, ohne LookML oder SQL schreiben zu müssen.

Geschäftliche Nutzer verwenden den Looker Query Builder oder die Explore-Oberfläche, um Abfragen zu erstellen, die auf dem von den Looker-Analysten definierten Datenmodell basieren. Nutzer können Dimensionen, Messwerte und Filter auswählen, um benutzerdefinierte Abfragen zu erstellen, die auf ihren eigenen Fragen basieren, und um eigene Statistiken zu generieren.

Wenn ein Benutzer eine Abfrage erstellt, wird sie an den Looker SQL-Generator gesendet, der die Abfrage in SQL übersetzt. Die SQL-Abfrage wird für die Datenbank ausgeführt. Dann gibt Looker die formatierten Ergebnisse an den Benutzer in der Explore-Oberfläche zurück. Die Nutzer können die Ergebnisse dann visualisieren und Erkenntnisse generieren.

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

Was Nutzer sehen

Wie das Projekt eingerichtet ist und der spezifische Inhalt der Dateien bestimmt, was Benutzer sehen und wie sie mit Looker interagieren können.

  1. Der Bereich „Explore“ im linken Navigationsbereich ist nach model organisiert. Unter jedem Modellnamen finden Sie eine Liste der verfügbaren Explores, die in diesem Modell definiert sind.
  2. Nutzer können nach einem bestimmten Explore suchen.

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

  4. Die Feldauswahl ist nach Ansichtsnamen organisiert. Unter jedem Ansichtsnamen befindet sich eine Liste der verfügbaren Felder aus den Tabellen, die in dieser Ansicht enthalten sind. In den meisten Ansichten sind sowohl Dimensionen als auch Messwerte enthalten. In diesem Beispiel wird die Dimension Monat aus einer Dimensionsgruppe vom Typ Zurückgegebenes Datum ausgewählt, die in der Ansichtsdatei definiert wurde.

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

  6. Nutzer können Optionen wie Filter und Drehpunkte im Feldauswahlbereich anwenden.

  7. Nutzer können die Begriffe der Suchanfrage weiter verfeinern.

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

  9. Das Ausführen dieses Explores generiert eine SQL-Abfrage, die sowohl eine Datentabelle als auch eine Visualisierung des Gesamtverkaufspreises und der Gesamtbruttomarge 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 Ressourcen

Wenn Sie mit der LookML-Entwicklung noch nicht vertraut sind, können Sie die in den folgenden Abschnitten beschriebenen Ressourcen verwenden, um Ihren Lernprozess zu beschleunigen:

Zugriff auf die Lernumgebung von Looker erhalten

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

Anleitung zum Abfragen und Erkunden von Daten mit Looker

Das Wissen, wie Sie Daten in Looker untersuchen können, ist bei der Modellierung Ihrer Daten in LookML sehr hilfreich. Wenn Sie mit Looker nicht vertraut sind, um Daten abzufragen, zu filtern und aufzuschlüsseln, empfehlen wir die folgenden Ressourcen:

SQL-Grundlagen für die Arbeit mit LookML

Für die Erstellung von LookML-Codes benötigen Sie Kenntnisse in der Erstellung und Durchführung von SQL-Abfragen. Sie müssen kein SQL-Experte sein, auch 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.

Wenn Sie die Grundlagen von LookML erlernt haben, finden Sie auf den folgenden Seiten eine Übersicht über die verschiedenen Typen von LookML-Parametern: