aggregate_table

用法

explore: explore_name {
  aggregate_table: table_name {

    query:  {
      dimensions: [dimension1, dimension2, ... ]
      measures: [measure1, measure2, ... ]
      sorts: [field1: asc, field2: desc, ... ]
      filters: [field1: "value1", field2: "value2", ... ]
      timezone: timezone
    }

    materialization:  {
      ...
    }
  }

  ...

}

层次结构 模型文件 explore aggregate_table

默认值 无 接受 汇总表格的名称、用于定义表格的 query 子参数，以及用于定义表格的持久性策略的 materialization 子参数 特殊规则 table_name 在给定的 explore 中必须是唯一的 在 materialization 子参数中，您必须为汇总表格指定持久性策略

定义

aggregate_table 参数用于创建汇总表格，以最大程度减少对数据库中大型表格执行查询的次数。

Looker 使用汇总感知逻辑在数据库中查找最小、最有效的可用汇总表格，从而运行查询，同时仍保持正确性。（如需简要了解汇总表格以及创建汇总表格的策略，请参阅汇总感知文档页面。）

对于数据库中的超大型表，您可以创建较小的汇总表，该表中包含按各种属性组合分组的数据。这些汇总表格充当汇总或摘要表，Looker 可以在查询时尽可能使用它们来替代原始大型表。

注意：为了能够访问汇总感知，汇总表格必须在数据库中持久化。持久性策略在汇总表格的 materialization 参数中指定。此外，由于汇总表格是一种永久性派生表 (PDT)，因此汇总表格与 PDT 具有相同的数据库连接和方言要求。如需了解详情，请参阅 Looker 中的派生表文档页面。

创建汇总表格后，您可以在探索中运行查询，以便查看 Looker 使用了哪些汇总表格。如需了解详情，请参阅汇总感知文档页面上的确定用于查询的汇总表格部分。

如需了解未使用汇总表的常见原因，请参阅汇总感知文档页面上的问题排查部分。

在 LookML 中定义汇总表格

注意：您无需从头开始创建 LookML，而是可以使用“探索”或信息中心为您创建汇总表格 LookML。如需了解详情，请参阅本页面上的从“探索”中获取汇总表格 LookML 和从信息中心获取汇总表格 LookML 部分。

每个 aggregate_table 参数都必须具有在给定 explore 中唯一的名称。

aggregate_table 参数具有 query 和 materialization 子参数。

query

query 参数用于定义汇总表格的查询，包括要使用的维度和度量。query 参数包含以下子参数：

注意：本部分介绍的是 aggregate_table 中的 query 参数。

query 也可以用作 explore 的一部分，如 query 参数文档页面中所述。

参数名称	说明	示例
dimensions	要包含在汇总表格中的探索维度的逗号分隔列表。dimensions 字段采用以下格式： dimensions: [dimension1, dimension2, ...] 此列表中的每个维度都必须在查询的探索对应的视图文件中定义为 dimension。如果您想在“探索”查询中添加定义为 filter 字段的字段，可以将其添加到汇总表格查询中的 filters 列表中。	dimensions:   [orders.created_month, orders.country]
measures	探索中要包含在汇总表格中的度量的逗号分隔列表。measures 字段采用以下格式： measures: [measure1, measure2, ...] 如需了解聚合感知支持的测量类型，请参阅聚合感知文档页面上的测量类型因素部分。	measures:   [orders.count]
filters	（可选）向 query 添加过滤条件。过滤条件会添加到生成汇总表格的 SQL 的 WHERE 子句中。 filters 字段采用以下格式： filters: [field1: "value1", field2: "value2", ...] 如需了解过滤条件如何阻止使用汇总表格，请参阅汇总感知文档页面上的过滤条件因素部分。	filters: [orders.country: "United States", orders.state: "California"]
sorts	（可选）指定 query 的排序字段和排序方向（升序或降序）。 sorts 字段采用以下格式： sorts: [field1: asc|desc, field2: asc|desc, ...]	[orders.country: asc, orders.state: desc]
timezone	设置 query 的时区。如果未指定时区，汇总表格不会执行任何时区转换，而是使用数据库时区。 如需了解如何设置时区，以便将汇总表格用作查询来源，请参阅汇总感知文档页面上的时区因素部分。 当您在 IDE 中输入 timezone 参数时，IDE 会自动建议时区值。IDE 还会在“快捷帮助”面板中显示支持的时区值列表。	timezone: America/Los_Angeles

materialization

materialization 参数用于指定汇总表格的持久性策略，以及 SQL 方言可能支持的其他分布、分区、索引和聚簇选项。

为了能够访问汇总感知，您的汇总表格必须在数据库中持久化。汇总表格的 materialization 参数必须具有以下子参数之一，以指定持久化策略：

• datagroup_trigger
• sql_trigger_value
• persist_for（不推荐）

此外，汇总表格可能还支持以下 materialization 子参数，具体取决于您的 SQL 方言：

• cluster_keys
• distribution
• distribution_style
• indexes
• partition_keys
• publish_as_db_view
• sortkeys

如需创建增量汇总表格，请使用以下 materialization 子参数：

• increment_key
• increment_offset

datagroup_trigger

使用 datagroup_trigger 参数，根据模型文件中定义的现有数据组触发汇总表格的重新生成：

explore: event {
  aggregate_table: monthly_orders {
    materialization: {
      datagroup_trigger: order_datagroup
    }
    query: {
      ...
    }
  }
  ...
}

sql_trigger_value

使用 sql_trigger_value 参数可根据您提供的 SQL 语句触发汇总表格的重新生成。如果 SQL 语句的结果与之前的值不同，系统会重新生成表。当日期发生变化时，此 sql_trigger_value 语句将触发重新生成：

explore: event {
  aggregate_table: monthly_orders {
    materialization: {
      sql_trigger_value: SELECT CURDATE() ;;
    }
    query: {
      ...
    }
  }
  ...
}

persist_for

汇总表格也支持 persist_for 参数。不过，persist_for 策略可能无法为您带来最佳的总体认知度效果。这是因为，当用户运行依赖于 persist_for 表的查询时，Looker 会根据 persist_for 设置检查表的年龄。如果表的创建时间早于 persist_for 设置，则系统会在运行查询之前重新生成该表。如果存在时间小于 persist_for 设置，则使用现有表。因此，除非用户在 persist_for 时间内运行查询，否则必须先重新构建汇总表格，然后才能将其用于汇总感知。

explore: event {
  aggregate_table: monthly_orders {
    materialization: {
      persist_for: "90 minutes"
    }
    query: {
      ...
    }
  }
  ...
}

除非您了解相关限制并且有特定的 persist_for 实现用例，否则最好使用 datagroup_trigger 或 sql_trigger_value 作为汇总表格的持久化策略。

cluster_keys

借助 cluster_keys 参数，您可以向 BigQuery 或 Snowflake 上的分区表添加聚簇列。聚簇会根据聚簇列中的值对分区中的数据进行排序，并将聚簇列整理到大小经过优化的存储块中。

注意：对于 BigQuery，还支持对使用 partition_keys 参数进行分区的汇总表格进行聚簇。

如需了解详情，请参阅 cluster_keys 参数文档页面。

distribution

借助 distribution 参数，您可以指定要应用分布键的汇总表格中的列。distribution 仅适用于 Redshift 和 Aster 数据库。对于其他 SQL 方言（例如 MySQL 和 Postgres），请改用 indexes。

如需了解详情，请参阅 distribution 参数文档页面。

distribution_style

借助 distribution_style 参数，您可以指定如何将汇总表格的查询分布到 Redshift 数据库中的各个节点：

• distribution_style: all 表示所有行都会完整复制到每个节点。
• distribution_style: even 指定均匀分布，以便以轮循方式将行分布到不同的节点。

注意：如需根据特定列中的唯一值（分布键）分布查询，您可以使用 distribution 参数。

如需了解详情，请参阅 distribution_style 参数文档页面。

indexes

借助 indexes 参数，您可以将索引应用于汇总表格的列。

如需了解详情，请参阅 indexes 参数文档页面。

partition_keys

partition_keys 参数定义了一个列数组，汇总表格将按这些列进行分区。partition_keys 支持能够对列进行分区的数据库方言。运行按分区列过滤的查询时，数据库将仅扫描包含过滤后数据的分区，而不是扫描整个表。只有 Presto 和 BigQuery 方言支持 partition_keys。

如需了解详情，请参阅 partition_keys 参数文档页面。

publish_as_db_view

借助 publish_as_db_view 参数，您可以标记汇总表格，以便在 Looker 之外进行查询。对于 publish_as_db_view 设置为 yes 的汇总表格，Looker 会在数据库中为汇总表格创建一个稳定的数据库视图。稳定的数据库视图是在数据库本身上创建的，因此可以在 Looker 之外进行查询。

如需了解详情，请参阅 publish_as_db_view 参数文档页面。

sortkeys

借助 sortkeys 参数，您可以指定要应用常规排序键的汇总表格的一个或多个列。

如需了解详情，请参阅 sortkeys 参数文档页面。

increment_key

如果您的方言支持，您可以在项目中创建增量 PDT。增量 PDT 是一种永久性派生表 (PDT)，Looker 通过向表中附加新数据来构建该表，而不是重新构建整个表。如需了解详情，请参阅增量 PDT 文档页面。

汇总表格是一种 PDT，可以通过添加 increment_key 参数以增量方式构建。increment_key 参数指定应查询最新数据并将其附加到汇总表格的时间增量。

如需了解详情，请参阅 increment_key 参数文档页面。

increment_offset

increment_offset 参数定义了在向汇总表格附加数据时，将重新构建的先前时间段（按增量键的粒度）的数量。对于增量 PDT 和汇总表格，increment_offset 参数是可选的。

如需了解详情，请参阅 increment_offset 参数文档页面。

从探索中获取汇总表格 LookML

作为快捷方式，Looker 开发者可以使用“探索”查询创建汇总表格，然后将 LookML 复制到 LookML 项目中：

1. 在“探索”中，选择要包含在汇总表格中的所有字段和过滤条件。
2. 点击运行，获取结果。
3. 从“探索”的齿轮菜单中选择获取 LookML。此选项仅适用于 Looker 开发者。
4. 点击汇总表格标签页。
5. Looker 会提供一个探索优化所对应的 LookML，该优化会将汇总表格添加到探索中。复制 LookML 并将其粘贴到关联的模型文件中，该文件在探索优化前面的注释中指明。如果探索是在单独的探索文件中定义的，而不是在模型文件中定义的，则您可以将优化添加到探索的文件中，而不是模型文件中。这两个位置都可以。

注意：Looker 会根据探索中的维度为汇总表格命名。每次为探索提供汇总表格 LookML 时，Looker 都会为汇总表格使用相同的名称。请注意之前可能已添加到同一“探索”的其他优化。如果您或其他开发者已从某个“探索”中获取汇总表格 LookML，Looker 会为该汇总表格指定相同的名称。如果一个探索有多个优化，且每个优化都有同名的汇总表格，则其中一个优化会覆盖其他优化，如 LookML 优化文档页面的按顺序应用优化部分所述。

如果您需要修改汇总表格 LookML，可以使用本页在 LookML 中定义汇总表格部分中所述的参数。您可以重命名汇总表格，而不会影响其对原始“探索”查询的适用性。不过，对汇总表格所做的任何其他更改都可能会影响 Looker 能否将汇总表格用于探索查询。如需了解如何优化汇总表格以确保其用于汇总感知，请参阅汇总感知文档页面中的设计汇总表格部分。

从信息中心获取汇总表格 LookML

Looker 开发者还可以选择获取信息中心内所有模块的汇总表格 LookML，然后将 LookML 复制到 LookML 项目中。

创建汇总表格可以显著提升信息中心的性能，尤其是对于查询大型数据集的图块。

如果您拥有 develop 权限，则可以获取 LookML，以便为信息中心创建汇总表格。为此，请打开信息中心，从信息中心的三点状菜单中选择获取 LookML，然后选择汇总表格标签页：

对于每个尚未通过汇总感知进行优化的模块，Looker 都会提供一个探索优化的 LookML，用于将汇总表格添加到探索中。如果信息中心包含来自同一探索的多个图块，Looker 会将所有汇总表格放在一个探索优化中。为了减少生成的汇总表格数量，Looker 会确定生成的汇总表格是否可用于多个模块，如果是，则会舍弃可用于较少模块的所有冗余汇总表格。

将每个探索优化复制并粘贴到关联的模型文件中，该文件在探索优化前面的注释中指明。如果探索是在单独的探索文件中定义的，而不是在模型文件中定义的，则您可以将优化添加到探索文件，而不是模型文件。这两个位置都可以。

注意：Looker 会根据图块查询中的维度为每个汇总表格命名。每次为模块查询提供汇总表格 LookML 时，Looker 都会为汇总表格使用相同的名称。请务必考虑之前可能已添加的对功能块的“探索”的其他优化。如果您或其他开发者已从信息中心图块的查询中获取汇总表格 LookML，Looker 将为汇总表格指定相同的名称。如果一个探索有多个优化，且每个优化都有同名的汇总表格，则其中一个优化会覆盖其他优化，如 LookML 优化文档页面的按顺序应用优化部分所述。

如果将信息中心过滤条件应用于某个模块，Looker 会将该过滤条件的维度添加到该模块的汇总表格中，以便该汇总表格可用于该模块。这是因为，只有当查询的过滤条件引用了汇总表格中作为维度提供的字段时，汇总表格才能用于查询。如需了解相关信息，请参阅汇总感知文档页面。

如果您需要修改汇总表格 LookML，可以使用本页在 LookML 中定义汇总表格部分中所述的参数。您可以重命名汇总表格，而不会影响其对原始信息中心模块的适用性，但对汇总表格的任何其他更改都可能会影响 Looker 为信息中心使用汇总表格的能力。如需了解如何优化汇总表格以确保其用于汇总感知，请参阅汇总感知文档页面中的设计汇总表格部分。

示例

以下示例为 event 探索创建了一个 monthly_orders 汇总表格。汇总表格会创建每月订单计数。Looker 会将此汇总表格用于可采用每月粒度的订单数查询，例如年度、季度和月度订单数查询。

汇总表格使用数据组 orders_datagroup 设置了持久性。此外，汇总表格是使用 publish_as_db_view: yes 定义的，这意味着 Looker 将在数据库中为汇总表格创建一个稳定的数据库视图。

汇总表格定义如下所示：

explore: event {
  aggregate_table: monthly_orders {
    materialization: {
      datagroup_trigger: orders_datagroup
      publish_as_db_view: yes
    }
    query: {
      dimensions: [orders.created_month]
      measures: [orders.count]
      filters: [orders.created_date: "1 year", orders.status: "fulfilled"]
      timezone: America/Los_Angeles
    }
  }
}

注意事项

如需了解如何有策略地创建汇总表格，请参阅汇总感知文档页面中的设计汇总表格部分：

• 时段因素
• 时区因素
• 过滤因素
• 实测因素
• 测量类型因素

对汇总感知功能的方言支持

能否使用汇总感知取决于 Looker 连接使用的数据库方言。在最新版本的 Looker 中，以下方言支持汇总感知：

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.x - 0.17.x
Apache Druid 0.18+
Apache Hive 2.3+
Apache Hive 3.1.2+
Apache Spark 3+
ClickHouse
ClickHouse 26+
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+
Dremio 26+ with Arrow Flight SQL
Exasol
Google BigQuery Legacy SQL
Google BigQuery Standard SQL
Google Cloud AlloyDB for PostgreSQL
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
MongoSQL
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