如何在不扫描整个表的情况下选择 DBT 中 bigquery 表的最新分区？

问题描述

我正在尝试从 BigQuery 表中选择最新的分区，而不是在 DBT 模型中扫描整个表，以节省查询成本。

DBT 不允许在数据模型中使用分号，因此使用 DECLARE+SET 脚本语句不能像建议的 here 那样工作。

DBT 有一个 sql_header 宏，它允许在标头中设置一些变量，但该标头不接受对数据模型的引用，或者至少以下代码未编译：

{{ config(
  sql_header="  DECLARE latest_partition_date DATE;
  DECLARE latest_load_timestamp TIMESTAMP;
  SET latest_partition_date = (SELECT MAX(_PARTITIONDATE) FROM {{ ref("model") }} );
  SET latest_load_timestamp = (SELECT MAX(loaded_at) FROM {{ ref("model") }} WHERE _PARTITIONDATE = latest_partition_date);"
) }}

-- set the main query
SELECT * FROM {{ ref("model") }}
WHERE 
-- Select the latest partition to reduce 'Bytes processed' for loading the query.
_PARTITIONDATE = latest_partition_date
-- Select the latest load within the latest partition to get only one duplicate of data.
AND loaded_at = latest_load_timestamp

我需要在标准 sql 中解决这个问题。

建议的其他方法包括设置 WHERE _PARTITIONDATE = CURRENT_DATE() 或使用 DATE_SUB(CURRENT_DATE(),3)，但这些方法并不令人满意，因为数据加载中断是不可预测的，只有动态选择最新的才可以在这里工作。这可能吗？

解决方法

您可以在另一个查询中执行此操作并将结果作为变量获取，如下所示：

    {%- call statement('max_partition',fetch_result=True) -%}
      SELECT MAX(_PARTITIONDATE) FROM {{ ref("model") }} )
    {%- endcall -%}

    {%- set max_date = load_result('max_partition')['data'][0][0] -%}

    SELECT * FROM {{ ref("model") }}
    WHERE 
    _PARTITIONDATE = {{ max_date }}

由于最初的问题是处理日期，因此缺少正确的数据类型转换。

最后我认为转换到正确的数据类型需要在 jinja 中完成，而不是使用 SQL 来让查询接受正确的变量。此外，{{ max_date }} 需要引号。

我得到的最终解决方案是这样的：


{%- call statement('max_partition_date_query',True) -%}
  SELECT MAX(_PARTITIONDATE) as max_partition_date FROM {{ ref('model') }}
{%- endcall -%}

{%- set max_timestamp = load_result('max_partition_date_query')['data'][0][0] -%}
{%- set max_date = max_timestamp.strftime('%Y-%m-%d') -%}

select * FROM {{ ref('model') }}
WHERE _PARTITIONDATE = '{{ max_date }}'

dbt google-bigquery sql sql