当 dbt 遇见 TiDB

dbt （data build tool）是一款流行的开源数据转换工具，能够通过 SQL 实现数据转化，将命令转化为表或者视图，提升数据分析师的工作效率。TiDB 社区在近日推出了 dbt-tidb 插件，实现了 TiDB 和 dbt 的兼容适配。本文将通过一个简单的案例介绍如何通过 dbt 实现 TiDB 中数据的简单分析。

dbt 主要功能在于转换数据库或数据仓库中的数据，在 E（Extract）、L（Load）、T（Transform）的流程中，仅负责转换（transform）的过程。通过 dbt-tidb 插件，数据分析师在使用 TiDB 的过程中，能够通过 SQL 直接建立表单并匹配数据，而无需关注创建 table 或 view 的过程，并且可以直观地看到数据的流动；同时能够运用 dbt 的 Jinja 编写 SQL、测试、包管理等功能，大大提升工作效率。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xwT7Kf9P-1649816248320)(/media/when-tidb-meets-dbt/1.png)]

（图片来源：https://blog.getdbt.com/what-exactly-is-dbt/）

接下来，我将以 dbt 官方教程为例，给大家介绍下 TiDB 与 dbt 的结合使用。

本例用到的相关软件及其版本要求：

TiDB 5.3 或更高版本
dbt 1.0.1 或更高版本
dbt-tidb 1.0.0

安装

dbt 除了本地 CLI 工具外，还支持 dbt Cloud (目前，dbt Cloud 只支持 dbt-lab 官方维护的 adapter)，其中本地 CLI 工具有多种安装方式。我们这里直接使用 pypi 安装 dbt 和 dbt-tidb 插件。

安装 dbt 和 dbt-tidb，只需要一条命令，因为 dbt 会作为依赖在安装 dbt-tidb 的时候顺便安装。

$ pip install dbt-tidb

dbt 也可自行安装，安装方式参考官方安装教程。

创建项目：jaffle_shop

jaffle_shop 是 dbt-lab 提供的用于演示 dbt 功能的工程项目，你可以直接从 GitHub 上获取它。

$ git clone https://github.com/dbt-labs/jaffle_shop$ cd jaffle_shop

这里展开 jaffle_shop 工程目录下所有文件。

dbt_project.yml 是 dbt 项目的配置文件，其中保存着项目名称、数据库配置文件的路径信息等。
models 目录下存放该项目的 SQL 模型和 table 约束，注意这部分是数据分析师自行编写的。
seed 目录存放 CSV 文件。此类文件可以来源于数据库导出工具，例如TiDB 可以通过 Dumpling 把 table 中的数据导出为 CSV 文件。jaffle_shop 工程中，这些 CSV 文件用来作为待处理的原始数据。

关于它们更加具体的内容，在用到上面的某个文件或目录后，我会再次进行更详细的说明。

ubuntu@ubuntu:~/jaffle_shop$ tree.├── dbt_project.yml├── etc│   ├── dbdiagram_definition.txt│   └── jaffle_shop_erd.png├── LICENSE├── models│   ├── customers.sql│   ├── docs.md│   ├── orders.sql│   ├── overview.md│   ├── schema.yml│   └── staging│       ├── schema.yml│       ├── stg_customers.sql│       ├── stg_orders.sql│       └── stg_payments.sql├── README.md└── seeds├── raw_customers.csv├── raw_orders.csv└── raw_payments.csv

配置项目

全局配置

dbt 有一个默认的全局配置文件：~/.dbt/profiles.yml，我们首先在用户目录下建立该文件，并配置 TiDB 数据库的连接信息。

 $ vi ~/.dbt/profiles.ymljaffle_shop_tidb:                        # 工程名称target: dev                             # 目标outputs:dev:type: tidb                         # 适配器类型server: 127.0.0.1                  # 地址port: 4000                         # 端口号schema: analytics                  # 数据库名称username: root                     # 用户名password: ""                       # 密码

项目配置

jaffle_shop 工程目录下，有此项目的配置文件，名为dbt_project.yml。把profile配置项改为jaffle_shop_tidb，即profiles.yml文件中的工程名称。这样此工程在会到 ~/.dbt/profiles.yml文件中查询数据库连接配置。

$ cat dbt_project.yml name: 'jaffle_shop'config-version: 2version: '0.1'profile: 'jaffle_shop_tidb'                   # 注意此处修改model-paths: ["models"]                       # model 路径seed-paths: ["seeds"]                         # seed 路径test-paths: ["tests"]                         analysis-paths: ["analysis"]macro-paths: ["macros"]target-path: "target"clean-targets:- "target"- "dbt_modules"- "logs"require-dbt-version: [">=1.0.0", "<2.0.0"]models:jaffle_shop:materialized: table            # models/ 中的 *.sql 物化为表staging:           materialized: view           # models/staging/ 中的 *.sql 物化为视图

验证配置

可以通过以下命令，检测数据库和项目配置是否正确。

$ dbt debug06:59:18  Running with dbt=1.0.1dbt version: 1.0.1python version: 3.8.10python path: /usr/bin/python3os info: Linux-5.4.0-97-generic-x86_64-with-glibc2.29Using profiles.yml file at /home/ubuntu/.dbt/profiles.ymlUsing dbt_project.yml file at /home/ubuntu/jaffle_shop/dbt_project.ymlConfiguration:profiles.yml file [OK found and valid]dbt_project.yml file [OK found and valid]Configuration:profiles.yml file [OK found and valid]dbt_project.yml file [OK found and valid]Required dependencies:- git [OK found]Connection:server: 127.0.0.1port: 4000database: Noneschema: analyticsuser: rootConnection test: [OK connection ok]All checks passed!

加载 CSV

加载 CSV 数据，把 CSV 具体化为目标数据库中的表。注意：一般来说，dbt 项目不需要这个步骤，因为你的待处理项目的数据都在数据库中。

$ dbt seed07:03:24  Running with dbt=1.0.107:03:24  Partial parse save file not found. Starting full parse.07:03:25  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics07:03:2507:03:25  Concurrency: 1 threads (target='dev')07:03:2507:03:25  1 of 3 START seed file analytics.raw_customers.................................. [RUN]07:03:25  1 of 3 OK loaded seed file analytics.raw_customers.............................. [INSERT 100 in 0.19s]07:03:25  2 of 3 START seed file analytics.raw_orders..................................... [RUN]07:03:25  2 of 3 OK loaded seed file analytics.raw_orders................................. [INSERT 99 in 0.14s]07:03:25  3 of 3 START seed file analytics.raw_payments................................... [RUN]07:03:26  3 of 3 OK loaded seed file analytics.raw_payments............................... [INSERT 113 in 0.24s]07:03:2607:03:26  Finished running 3 seeds in 0.71s.07:03:2607:03:26  Completed successfully07:03:2607:03:26  Done. PASS=3 WARN=0 ERROR=0 SKIP=0 TOTAL=3

上述结果中，可以清楚的看到共执行了三个任务，分别加载了 analytics.raw_customers、analytics.raw_orders、analytics.raw_payments 三张表。

接着，去 TiDB 数据库中看看发生了什么。

发现多出了 analytics 数据库，这是 dbt 为我们创建的工程数据库。

mysql> show databases;+--------------------+| Database           |+--------------------+| INFORMATION_SCHEMA || METRICS_SCHEMA     || PERFORMANCE_SCHEMA || analytics          || mysql              || test               |+--------------------+6 rows in set (0.00 sec)

analytics 数据库中有三张表，分别对应着上述三个任务结果。

mysql> show tables;+---------------------+| Tables_in_analytics |+---------------------+| raw_customers       || raw_orders          || raw_payments        |+---------------------+3 rows in set (0.00 sec)

model 是什么？

在进行下一个步骤之前，我们有必要先了解下 dbt 中的 model 扮演着什么角色？

dbt 中使用 model 来描述一组数据表或视图的结构，其中主要有两类文件：SQL 和 YML。还需要注意到的是：在 jaffle_shop 这个项目中，根据物化配置，models/ 目录下保存的是表结构，而 models/staging/ 目录下保存的是视图结构。

以 models/orders.sql 为例，它是一句 SQL 查询语句，支持 jinja 语法，接下来的命令中，会根据这条 SQL 创建出 orders 表。

$ cat models/orders.sql{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}with orders as (select * from {{ ref('stg_orders') }}),payments as (select * from {{ ref('stg_payments') }}),order_payments as (selectorder_id,{% for payment_method in payment_methods -%}sum(case when payment_method = '{{ payment_method }}' then amount else 0 end) as {{ payment_method }}_amount,{% endfor -%}sum(amount) as total_amountfrom paymentsgroup by order_id),final as (selectorders.order_id,orders.customer_id,orders.order_date,orders.status,{% for payment_method in payment_methods -%}order_payments.{{ payment_method }}_amount,{% endfor -%}order_payments.total_amount as amountfrom ordersleft join order_paymentson orders.order_id = order_payments.order_id)select * from final

并且，与这条 SQL 配套的约束信息在 models/schema.yml 文件中。

schema.yml 是当前目录下所有模型的注册表，所有的模型都被组织成一个树形结构，描述了每条字段的说明和属性。其中 tests 条目表示这个字段的一些约束项，可以通过 dbt test 命令来检测，更多信息请查阅官网文档。

cat models/schema.ymlversion: 2...- name: ordersdescription: This table has basic information about orders, as well as some derived facts based on paymentscolumns:- name: order_idtests:- unique- not_nulldescription: This is a unique identifier for an order- name: customer_iddescription: Foreign key to the customers tabletests:- not_null- relationships:to: ref('customers')field: customer_id- name: order_datedescription: Date (UTC) that the order was placed- name: statusdescription: '{{ doc("orders_status") }}'tests:- accepted_values:values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']- name: amountdescription: Total amount (AUD) of the ordertests:- not_null- name: credit_card_amountdescription: Amount of the order (AUD) paid for by credit cardtests:- not_null- name: coupon_amountdescription: Amount of the order (AUD) paid for by coupontests:- not_null- name: bank_transfer_amountdescription: Amount of the order (AUD) paid for by bank transfertests:- not_null- name: gift_card_amountdescription: Amount of the order (AUD) paid for by gift cardtests:- not_null

运行

结果中显示成功创建了三张视图（analytics.stg_customers、analytics.stg_orders、analytics.stg_payments）和两张表（analytics.customers、analytics.orders）。

$ dbt run07:28:43  Running with dbt=1.0.107:28:43  Unable to do partial parsing because profile has changed07:28:43  Unable to do partial parsing because a project dependency has been added07:28:44  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics07:28:4407:28:44  Concurrency: 1 threads (target='dev')07:28:4407:28:44  1 of 5 START view model analytics.stg_customers................................. [RUN]07:28:44  1 of 5 OK created view model analytics.stg_customers............................ [SUCCESS 0 in 0.12s]07:28:44  2 of 5 START view model analytics.stg_orders.................................... [RUN]07:28:44  2 of 5 OK created view model analytics.stg_orders............................... [SUCCESS 0 in 0.08s]07:28:44  3 of 5 START view model analytics.stg_payments.................................. [RUN]07:28:44  3 of 5 OK created view model analytics.stg_payments............................. [SUCCESS 0 in 0.07s]07:28:44  4 of 5 START table model analytics.customers.................................... [RUN]07:28:44  4 of 5 OK created table model analytics.customers............................... [SUCCESS 0 in 0.16s]07:28:44  5 of 5 START table model analytics.orders....................................... [RUN]07:28:45  5 of 5 OK created table model analytics.orders.................................. [SUCCESS 0 in 0.12s]07:28:4507:28:45  Finished running 3 view models, 2 table models in 0.64s.07:28:4507:28:45  Completed successfully07:28:4507:28:45  Done. PASS=5 WARN=0 ERROR=0 SKIP=0 TOTAL=5

去 TiDB 数据库中验证下，是否真的创建成功。

结果显示多出了 customers 等五张表格或视图，并且表或视图中的数据也都转换完成。这里只展示 customers 的部分数据。

mysql> show tables;+---------------------+| Tables_in_analytics |+---------------------+| customers           || orders              || raw_customers       || raw_orders          || raw_payments        || stg_customers       || stg_orders          || stg_payments        |+---------------------+8 rows in set (0.00 sec)mysql> select * from customers;+-------------+------------+-----------+-------------+-------------------+------------------+-------------------------+| customer_id | first_name | last_name | first_order | most_recent_order | number_of_orders | customer_lifetime_value |+-------------+------------+-----------+-------------+-------------------+------------------+-------------------------+|           1 | Michael    | P.        | 2018-01-01  | 2018-02-10        |                2 |                 33.0000 ||           2 | Shawn      | M.        | 2018-01-11  | 2018-01-11        |                1 |                 23.0000 ||           3 | Kathleen   | P.        | 2018-01-02  | 2018-03-11        |                3 |                 65.0000 ||           4 | Jimmy      | C.        | NULL        | NULL              |             NULL |                    NULL ||           5 | Katherine  | R.        | NULL        | NULL              |             NULL |                    NULL ||           6 | Sarah      | R.        | 2018-02-19  | 2018-02-19        |                1 |                  8.0000 ||           7 | Martin     | M.        | 2018-01-14  | 2018-01-14        |                1 |                 26.0000 ||           8 | Frank      | R.        | 2018-01-29  | 2018-03-12        |                2 |                 45.0000 |....

生成文档

dbt 还支持生成可视化的文档，命令如下。

生成文档

$ dbt docs generate07:33:59  Running with dbt=1.0.107:33:59  Found 5 models, 20 tests, 0 snapshots, 0 analyses, 172 macros, 0 operations, 3 seed files, 0 sources, 0 exposures, 0 metrics07:33:5907:33:59  Concurrency: 1 threads (target='dev')07:33:5907:33:59  Done.07:33:59  Building catalog07:33:59  Catalog written to /home/ubuntu/jaffle_shop/target/catalog.json

开启服务

$ dbt docs serve07:43:01  Running with dbt=1.0.107:43:01  Serving docs at 0.0.0.0:808007:43:01  To access from your browser, navigate to:  http://localhost:808007:43:0107:43:0107:43:01  Press Ctrl+C to exit.

可以通过浏览器查看文档，其中包含 jaffle_shop 项目的整体结构以及所有表和视图的描述说明。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NdVusX94-1649816248322)(/media/when-tidb-meets-dbt/2.png)]

总结

TiDB 在 dbt 中的使用主要有以下几步：

安装 dbt 和 dbt-tidb
配置项目
编写 SQL 和 YML 文件
运行项目

目前，TiDB 支持 dbt 的版本在 4.0 以上，但根据 dbt-tidb 项目文档描述，低版本的 TiDB 在和 dbt 结合使用中还存在一些问题，例如：不支持临时表和临时视图、不支持 WITH 语法等。想要痛快的使用 dbt ，建议使用 TiDB 5.3 以上版本，此版本支持 dbt 的全部功能。