partition_keys

用法

view: view_name {
  derived_table: {
    partition_keys: [ "created_date" ]
    ...
  }
}

层次结构 查看文件 view derived_table partition_keys - 或 - 模型文件 explore aggregate_table materialization partition_keys

默认值 None 接受 一个或多个分区列名称 特殊规则 partition_keys 仅在特定方言中受支持

定义

partition_keys 参数支持能够对列进行分区的数据库方言。当运行按分区列过滤的查询时，数据库将仅扫描包含过滤数据的分区，而不是扫描整个表。由于扫描的只是表中的一小部分，因此在指定适当的分区和过滤条件后，查询大型表所需的时间和费用会大幅减少。

partition_keys 参数仅适用于永久性表，例如 PDT 和汇总表。对于没有持久性策略的派生表，不支持 partition_keys。

此外，对于使用 create_process 或 sql_create 定义的派生表，不支持 partition_keys 参数。

创建持久性派生表 (PDT) 或汇总表时，如果底层数据库表使用分区，Looker 可以使用该分区。

如需查看支持 partition_keys 的方言列表，请参阅partition_keys 的方言支持部分。

如需向 PDT 或汇总表添加分区列，请使用 partition_keys 并提供数据库表中相应分区列的名称。

示例

在 BigQuery 数据库中创建一个 customer_day_facts PDT，并以 date 列作为分区键：

view: customer_order_facts {
  derived_table: {
    explore_source: order {
      column: customer_id { field: order.customer_id }
      column: date { field: order.order_time }
      derived_column: num_orders {
        sql: COUNT(order.customer_id) ;;
      }
    }
    partition_keys: [ "date" ]
    datagroup_trigger: daily_datagroup
  }
}

在 Presto 数据库上创建基于 customer_day_facts SQL 的派生表，并在 date 和 state 列上设置分区键：

view: customer_day_facts {
  derived_table: {
    sql:
      SELECT
        customer_id,
        DATE(order_time) AS date,
        COUNT(*) AS num_orders
      FROM
        order
      GROUP BY
        customer_id ;;
    partition_keys: [ "date", "state" ]
    datagroup_trigger: daily_datagroup
  }
}

针对 partition_keys 的方言支持

能否使用 partition_keys 取决于 Looker 连接所使用的数据库方言。在最新版 Looker 中，以下方言支持 partition_keys：

在 BigQuery 中，分区只能用于一个表列，该列必须是日期/时间列，因此基于 BigQuery 表的 Looker PDT 只能使用一个日期/时间列进行分区。

方言	是否支持？
Actian Avalanche
Amazon Athena
Amazon Aurora MySQL
Amazon Redshift
Amazon Redshift 2.1+
Amazon Redshift Serverless 2.1+
Apache Druid
Apache Druid 0.13+
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
Cloudera Impala 3.1+
Cloudera Impala 3.1+ with Native Driver
Cloudera Impala with Native Driver
DataVirtuality
Databricks
Denodo 7
Denodo 8 & 9
Dremio
Dremio 11+
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud PostgreSQL
Google Cloud SQL
Google Spanner
Greenplum
HyperSQL
IBM Netezza
MariaDB
Microsoft Azure PostgreSQL
Microsoft Azure SQL Database
Microsoft Azure Synapse Analytics
Microsoft SQL Server 2008+
Microsoft SQL Server 2012+
Microsoft SQL Server 2016
Microsoft SQL Server 2017+
MongoBI
MySQL
MySQL 8.0.12+
Oracle
Oracle ADWC
PostgreSQL 9.5+
PostgreSQL pre-9.5
PrestoDB
PrestoSQL
SAP HANA
SAP HANA 2+
SingleStore
SingleStore 7+
Snowflake
Teradata
Trino
Vector
Vertica