ProHoster > Blog > Administrim > Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie
Në cilat parime ndërtohet Depozita perfekte e të Dhënave?

Konzistenca në vlerën e biznesit dhe analizën në mungesë të kodit boilerplate. Menaxhimi i DWH si një bazë kodi: versionimi, rishikimi, testimi automatik dhe CI. Modulariteti, zgjerueshmëria, kodi i hapur dhe komuniteti. Dokumentacioni miqësor për përdoruesit dhe vizualizimi i varësive (Data Lineage).

Për të gjitha këto më shumë dhe për rolin e DBT në ekosistemin Big Data & Analytics - mirë se vini nën artikull.

Përshëndetje të gjithëve

Këtu është Artemiy Kozyr. Përafërsisht mbi 5 vjet kam punuar me depozitat e të dhënave, merrem me ndërtimin e ETL/ELT, si dhe me analizën e të dhënave dhe vizualizimin. Aktualisht punoj në Wheely, jap mësim në OTUS në kursin Data Engineer, dhe sot dua të ndaj me ju një artikull që e kam shkruar në prag të fillimit të grupit të ri në kursin.

Përmbledhje e shkurtër

Korniza DBT - është gjithçka për shkronjën T në akronimin ELT (Extract - Transform - Load).

Me shfaqjen e bazave të dhënash analitike të fuqishme dhe të shkallëzueshme si BigQuery, Redshift, Snowflake, ka humbur çdo kuptim të bësh transformime jashtë Deposites së të Dhënave. 

DBT nuk eksporton të dhëna nga burimet, por ofron mundësi të mëdha për të punuar me ato të dhëna që tashmë janë ngarkuar në Depozitë (në Storage të Brendshme ose të Jashtme).

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie
Qëllimi kryesor i DBT është të marrë kodin, ta përgatisë atë në SQL, të ekzekutojë komandat në rendin e duhur në Depozitë.

Struktura e projektit DBT

Projekti përbëhet nga dy lloje drejtorish dhe skedash:

  • Modeli (.sql) - njĂ«sia e transformimit e shprehur si njĂ« pyetje SELECT
  • Skeda e konfiguratĂ«s (.yml) - parametrat, cilĂ«simet, testet, dokumentacioni

Në nivelin bazik, puna zhvillohet kështu:

  • PĂ«rdoruesi pĂ«rgatit kodin e modeleve nĂ« çdo IDE tĂ« pĂ«rshtatshme
  • Me ndihmĂ«n e CLI-sĂ« thirret ekzekutimi i modeleve, DBT pĂ«rgatisin kodin e modeleve nĂ« SQL
  • Kodi SQL i pĂ«rgatitur ekzekutohet nĂ« DepozitĂ« nĂ« rendin e caktuar (graf)

Kështu mund të duket ekzekutimi nga CLI:

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

E gjitha është SELECT

Kjo është karakteristika kryesore e kornizës Data Build Tool. Në terma të tjerë, DBT abstrahon tërë kodin që lidhet me materializimin e pyetjeve tuaja në Depozitë (variacionet nga komandat CREATE, INSERT, UPDATE, DELETE ALTER, GRANT, 
).

Çdo model nĂ«nkupton shkruajtjen e njĂ« pyetje SELECT, e cila pĂ«rcakton grupin pĂ«rfundimtar tĂ« tĂ« dhĂ«nave.

Logjika e transformimeve mund të jetë shumënivele dhe të konsolidojë të dhënat nga disa modele të tjera. Një shembull modeli që do të ndërtojë një vitrinë poroshitjesh (f_orders):

{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}
 
me porositë si (
 
	select * from {{ ref('stg_orders') }}
 
),
 
pagesat_e_porosisë si (
 
	select * from {{ ref('order_payments') }}
 
),
 
fundi si (
 
	select
		porositë.order_id,
		porositë.customer_id,
		porositë.order_date,
		porositë.status,
		{% for payment_method in payment_methods -%}
		pagesat_e_porosisë.{{payment_method}}_amount,
		{% endfor -%}
		pagesat_e_porosisë.total_amount as amount
	from porositë
		left join pagesat_e_porosisë using (order_id)

)
 
select * from fundi

ÇfarĂ« interesante mund tĂ« shohim kĂ«tu?

SĂ« pari: JanĂ« pĂ«rdorur CTE (Shprehjet e zakonshme tĂ« tabelave) — pĂ«r organizimin dhe kuptimin e kodit, i cili pĂ«rmban shumĂ« transformime dhe logjikĂ« biznesi

SĂ« dyti: Kodi i modelit — Ă«shtĂ« njĂ« pĂ«rzierje SQL dhe Jinja (gjuha e shablloneve).

NĂ« shembull pĂ«rdoret njĂ« cikĂ«l pĂ«r pĂ«r formimin e shumĂ«s pĂ«r secilĂ«n metodĂ« pagese, tĂ« cituar nĂ« shprehje set. PĂ«rdoret gjithashtu funksioni ref — mundĂ«sia pĂ«r tĂ« referuar brenda kodit nĂ« modele tĂ« tjera:

  • GjatĂ« kompilimit ref do tĂ« transformohet nĂ« njĂ« tregues objektiv pĂ«r njĂ« tabelĂ« ose pamje nĂ« Depo
  • ref mundĂ«son ndĂ«rtimin e njĂ« grafiku tĂ« varĂ«sive tĂ« modeleve

Pikërisht Jinja shton në DBT mundësi pothuajse të pakufizuara. Më të përdorurat prej tyre janë:

  • If / else statements — operatorĂ«t e degĂ«zimit
  • For loops — ciklet
  • Variables — variablat
  • Macro — krijimi i makro

Materializimi: Tabelë, Pamje, Inkremental

Strategjia e Materializimit — qasja sipas sĂ« cilĂ«s seti rezultues i tĂ« dhĂ«nave tĂ« modelit do tĂ« ruhet nĂ« Depo.

Në shqyrtimin bazik kjo është:

  • Tabela — tabelĂ« fizike nĂ« Depo
  • Pamja — pamje, tabelĂ« virtuale nĂ« Depo

Ka edhe strategji më të ndërlikuara materializimi:

  • Inkremental — ngarkimi inkremental (i tabelave tĂ« mĂ«dha tĂ« fakteve); rreshtat e rinj shtohen, ato tĂ« ndryshuara azhurnohet, tĂ« fshirĂ« — hiqen 
  • Ephemeral — modeli nuk materializohet direkt, por merr pjesĂ« si CTE nĂ« modele tĂ« tjera
  • Çdo strategji tjetĂ«r qĂ« mund tĂ« shtoni vetĂ«

Përveç strategjive të materializimit, hapen mundësi për optimizim sipas depove specifike, për shembull:

  • Snowflake: Tabela Transient, Sjellja e Bashkimit, KlustĂ«rimi i Tabeleve, Kopjimi i dhuratave, Pamje tĂ« Sigurta
  • Redshift: Distkey, Sortkey (tĂ« ndara, tĂ« pĂ«rbĂ«rta), Pamje me lidhje tĂ« vonshme
  • BigQuery: NdĂ«rprerja e tabelĂ«s & klustĂ«rimi, Sjellja e Bashkimit, Enkriptimi KMS, Etiketat & Etiketat
  • Spark: Formati i skedarĂ«ve (parquet, csv, json, orc, delta), partition_by, clustered_by, buckets, incremental_strategy

Aktualisht mbështeten magazitë e mëposhtme:

  • Postgres
  • Redshift
  • BigQuery
  • Snowflake
  • Presto (pjesĂ«risht)
  • Spark (pjesĂ«risht)
  • Microsoft SQL Server (adapteri i komunitetit)

Le të përmirësojmë modelin tonë:

  • Le ta bĂ«jmĂ« mbushjen e tij inkrementale (Incremental)
  • TĂ« shtojmĂ« çelĂ«sat e segmentimit dhe renditjes pĂ«r Redshift

-- Konfigurimi i modelit:  
-- Mbushje inkrementale, çelësi unik për përditësimin e regjistrimeve (unique_key)  
-- ÇelĂ«si i segmentimit (dist), çelĂ«si i renditjes (sort)  
{{  
  config(  
        materialized='incremental',  
        unique_key='order_id',  
        dist="customer_id",  
        sort="order_date"  
   )  
}}  
  
{% set payment_methods = ['credit_card', 'coupon', 'bank_transfer', 'gift_card'] %}  
  
with orders as (  
  
   select * from {{ ref('stg_orders') }}  
   where 1=1  
   {% if is_incremental() -%}  
       -- Ky filtr do të aplikohet vetëm për ekzekutimin inkremental  
       and order_date >= (select max(order_date) from {{ this }})  
   {%- endif %}  
  
),  
  
order_payments as (  
  
   select * from {{ ref('order_payments') }}  
  
),  
  
final as (  
  
   select  
       orders.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 amount  
   from orders  
       left join order_payments using (order_id)  
  
)  
  
select * from final

Grafiku i varësive të modeleve

Gjithashtu quhet si pemĂ« varĂ«sish. Gjithashtu DAG (Grafi Ayklic i Drejtuar — Directed Acyclic Graph).

DBT ndalon ndërtimin e grafikut në bazë të konfigurimit të të gjitha modeleve të projektit, më saktësisht lidhjet ref() brenda modeleve me modele të tjera. Prania e grafikut lejon të bëhen gjërat e mëposhtme:

  • Ekzekutimi i modeleve nĂ« rendin e duhur
  • Paralelizimi i formimit tĂ« premi
  • Ekzekutimi i njĂ« podgrafi tĂ« rastĂ«sishĂ«m 

Shembulli i vizualizimit të grafikut:

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie
Çdo nyjĂ« e grafikut Ă«shtĂ« njĂ« model, drejtimet e grafikut pĂ«rcaktohen nga shprehja ref.

Cilësia e të dhënave dhe Dokumentacioni

Përveç formimit të modeleve vetë, DBT lejon testimin e disa supozimeve (assertions) mbi setin rezultat, të tilla si:

  • Not Null
  • Unike
  • Integriteti Referencial — integriteti referencial (p.sh., customer_id nĂ« tabelĂ«n orders pĂ«rputhet me id nĂ« tabelĂ«n customers)
  • PĂ«rputhshmĂ«ria me njĂ« listĂ« vlerash tĂ« lejuara

ËshtĂ« e mundur tĂ« shtoni testet tuaja (custom data tests), tĂ« tilla si, p.sh., % e deviacionit tĂ« tĂ« ardhurave ndaj treguesve njĂ« ditĂ«, njĂ« javĂ«, njĂ« muaj mĂ« parĂ«. Çdo supozim i formuluar si njĂ« pyetje SQL mund tĂ« bĂ«het njĂ« test.

Kështu mund të kapim në premi të magazinës devijime dhe gabime të padëshiruara në të dhëna.

Sa i përket dokumentacionit, DBT ofron mekanizma për shtimin, versionimin dhe shpërndarjen e metadatenëve dhe komenteve në nivelin e modeleve dhe madje edhe të atributeve. 

Ja si duket shtimi i testeve dhe dokumentacionit në nivelin e skedarit të konfigurimit:

 - name: fct_orders
   description: Kjo tabelë ka informacion bazik rreth porosive, si dhe disa fakte të nxjerra në bazë të pagesave
   columns:
     - name: order_id
       tests:
         - unique # kontroll për vlera unik
         - not_null # kontroll për prani null
       description: Ky është një identifikues unik për një porosi
     - name: customer_id
       description: ÇelĂ«si i huaj pĂ«r tabelĂ«n e klientĂ«ve
       tests:
         - not_null
         - relationships: # kontrolli i integritetit referencial
             to: ref('dim_customers')
             field: customer_id
     - name: order_date
       description: Data (UTC) kur u vendos porosia
     - name: status
       description: '{{ doc("orders_status") }}'
       tests:
         - accepted_values: # kontroll për vlera të pranuara
             values: ['placed', 'shipped', 'completed', 'return_pending', 'returned']

Dhe ja si duket ky dokumentacion tashmë në uebsajtin e gjeneruar:

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

Makro dhe MĂłdul

Qëllimi i DBT nuk është aq shumë të bëhet një set SQL-shkrimesh, por të ofrojë përdoruesve mjete të fuqishme dhe të pasura për ndërtimin e transformimeve të tyre dhe shpërndarjen e këtyre moduleve.

Makrot janë grupe konstruksionesh dhe shprehjesh që mund të thirren si funksione brenda modeleve. Makrot lejojnë ripërdorimin e SQL-it mes modeleve dhe projekteve duke ndjekur parimin inxhinierik DRY (Mos e Përsëris Vetën).

Shembulli i një makro:

{% macro rename_category(column_name) %}
case
 when {{ column_name }} ilike  '%osx%' then 'osx'
 when {{ column_name }} ilike  '%android%' then 'android'
 when {{ column_name }} ilike  '%ios%' then 'ios'
 else 'other'
end as renamed_product
{% endmacro %}

Dhe përdorimi i saj:

{% set column_name = 'product' %}
select
 product,
 {{ rename_category(column_name) }} -- thirja e makros
from my_table

DBT vjen me një menaxher paketash (packages), i cili lejon përdoruesit të publikojnë dhe ripërdorin module dhe makrot e veçanta.

Kjo do të thotë mundësinë për të shkarkuar dhe përdorur biblioteka si:

  • dbt_utils: punĂ« me Data/Time, ÇelĂ«sa ZĂ«vendĂ«sues, Testet e SkemĂ«s, Pivot/Unpivot dhe tĂ« tjera
  • Shabllone tĂ« gatshme pĂ«r vitrina pĂ«r shĂ«rbime si Snowplow dhe Stripe 
  • Biblioteka pĂ«r Depozita tĂ« PĂ«rcaktuara tĂ« DhĂ«nash, pĂ«r shembull Redshift 
  • Logging — Moduli pĂ«r logimin e punĂ«s DBT

Lista e plotë e pakove mund të shikohet në dbt hub.

Më shumë mundësi

Këtu do të përshkruaj disa veçori dhe realizime të tjera interesante që unë dhe ekipi im përdorim për ndërtimin e Depot të të Dhënave në Wheely.

Ndarja e ambienteve tĂ« ekzekutimit DEV — TEST — PROD

Madje brenda një klasteri DWH (në kuadër të skemave të ndryshme). Për shembull, me anë të shprehjes së mëposhtme:

with source as (
  
   select * from {{ source('salesforce', 'users') }}
   where 1=1
   {%- if target.name in ['dev', 'test', 'ci'] -%}           
       where timestamp >= dateadd(day, -3, current_date)   
   {%- endif -%}
  
)

Ky kod thotë praktikisht: për ambientet dev, test, ci merr vetëm të dhënat për tri ditët e fundit dhe asnjë më shumë. Kjo do të thotë që ekzekutimi në këto ambiente do të jetë shumë më i shpejtë dhe do të kërkojë më pak burime. Kur ekzekutohet në ambientin prod kushti i filtrit do të injorohet.

Materializimi me kodim alternativ të kolonave

Redshift është një DBMS kolonash që lejon përcaktimin e algoritmeve të kompresimit të të dhënave për secilën kolonë të veçantë. Zgjedhja e algoritmeve optimalë mund të reduktojë hapësirën e krijuar në disk nga 20-50%.

Makro redshift.compress_table do të ekzekutojë komandën ANALYZE COMPRESSION, do të krijojë një tabelë të re me algoritmet rekomanduese të kodimit të kolonave, të përcaktuara nga çelësat e segmentimit (dist_key) dhe renditjes (sort_key), do të transferojë të dhënat në të dhe, nëse është e nevojshme, do të fshijë kopjen e vjetër.

Nënshkrimi i makrosë:

{{ compress_table(schema, table,
                  drop_backup=False,
                  comprows=none|Integer,
                  sort_style=none|compound|interleaved,
                  sort_keys=none|List,
                  dist_style=none|all|even,
                  dist_key=none|String) }}

Regjistrimi i ekzekutimeve të modeleve

Mund të lidhni haki (hooks) për çdo ekzekutim modeli, të cilat do të ekzekutohen para fillimit ose menjëherë pas përfundimit të krijimit të modelit:

   pre-hook: "{{ logging.log_model_start_event() }}"
   post-hook: "{{ logging.log_model_end_event() }}"

Moduli i regjistrimit do të lejojë që të gjitha metadatat e nevojshme të regjistrohen në një tabelë të veçantë, mbi të cilën më pas mund të kryhet auditimi dhe analiza e vendeve problematike (bottlenecks).

Ja si duket tabela e treguesve në të dhënat e regjistrimit në Looker:

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

Automatizimi i mirëmbajtjes së Depots

Nëse po përdorni disa zgjerime funksionaliteti të Depot të përdorur, si UDF (Funksione të Përdoruesve), atëherë versionimi i këtyre funksioneve, menaxhimi i aksesit dhe ndihma automatike e rilëshimeve të reja është shumë e lehtë për t'u realizuar në DBT.

Ne përdorim UDF në Python për të llogaritur vlerat hash, domenet e adresave të postës, dekodimin e maskave të bitëve (bitmask).

Shembulli i një makroje që krijon UDF në çdo mjedis ekzekutimi (dev, test, prod):

{% macro create_udf() -%}
 
 {% set sql %}
 CREATE OR REPLACE FUNCTION {{ target.schema }}.f_sha256(mes "varchar")
 RETURNS varchar
 LANGUAGE plpythonu
 STABLE
 AS $$  
 import hashlib
 return hashlib.sha256(mes).hexdigest()
 $$
 ;
 {% endset %}
 
 {% set table = run_query(sql) %}
 
{%- endmacro %}

NĂ« Wheely pĂ«rdorim Amazon Redshift, i cili bazohet nĂ« PostgreSQL. PĂ«r Redshift, Ă«shtĂ« e rĂ«ndĂ«sishme tĂ« mbledhim rregullisht statistikat pĂ«r tabelat dhe tĂ« lironi hapĂ«sirĂ« nĂ« disk — komandat ANALYZE dhe VACUUM, pĂ«rkatĂ«sisht.

Për këtë, çdo natë ekzekutohen komandat nga makroja redshift_maintenance:

{% macro redshift_maintenance() %}
 
 {% set vacuumable_tables=run_query(vacuumable_tables_sql) %}
 
 {% for row in vacuumable_tables %}
 {% set message_prefix=loop.index ~ " of " ~ loop.length %}
 
 {%- set relation_to_vacuum = adapter.get_relation(
 database=row['table_database'],
 schema=row['table_schema'],
 identifier=row['table_name']
 ) -%}
 {% do run_query("commit") %}
 
 {% if relation_to_vacuum %}
 {% set start=modules.datetime.datetime.now() %}
 {{ dbt_utils.log_info(message_prefix ~ " Vacuuming " ~ relation_to_vacuum) }}
 {% do run_query("VACUUM " ~ relation_to_vacuum ~ " BOOST") %}
 {{ dbt_utils.log_info(message_prefix ~ " Analyzing " ~ relation_to_vacuum) }}
 {% do run_query("ANALYZE " ~ relation_to_vacuum) %}
 {% set end=modules.datetime.datetime.now() %}
 {% set total_seconds = (end - start).total_seconds() | round(2)  %}
 {{ dbt_utils.log_info(message_prefix ~ " Finished " ~ relation_to_vacuum ~ " in " ~ total_seconds ~ "s") }}
 {% else %}
 {{ dbt_utils.log_info(message_prefix ~ ' Skipping relation "' ~ row.values() | join ('"."') ~ '" as it does not exist') }}
 {% endif %}
 
 {% endfor %}
 
{% endmacro %}

DBT Cloud

Ka mundësinë të përdorni DBT si një shërbim (Managed Service). Në paketë:

  • Web IDE pĂ«r zhvillimin e projekteve dhe modeleve
  • Koncepcioni i punĂ«ve dhe vendosja nĂ« njĂ« orar
  • Qasje e thjeshtĂ« dhe e lehtĂ« nĂ« loge
  • Webfaqja me dokumentacionin e projektit tuaj
  • Lidhja CI (Continuous Integration)

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

PĂ«rfundim

Të gatuarit dhe konsumimi i DWH po bëhet po aq i këndshëm dhe i dobishëm, sa edhe pirja e smoothies. DBT përbëhet nga Jinja, zgjerime të personalizuara (module), kompilatori, motorin (executori) dhe menaxheri i pacakot. Duke përmbledhur këto elemente së bashku, ju merrni një ambient të plotë pune për Depozitën tuaj të Dhënash. Të thuash që sot ekziston një mënyrë më të mirë për të menaxhuar transformimet brenda DWH do të ishte e vështirë.

Data Build Tool ose çfarë kanë të përbashkët Depozita e të Dhënave dhe Smoothie

Besimet që ndoqën zhvilluesit e DBT formulohet kështu:

  • Kodi, jo GUI, Ă«shtĂ« abstraksioni mĂ« i mirĂ« pĂ«r tĂ« shprehur logjikĂ«n komplekse analitike.
  • Puna me tĂ« dhĂ«nat duhet tĂ« adaptohet pas praktikave mĂ« tĂ« mira tĂ« zhvillimit tĂ« softuerit (Software Engineering).

  • Infrastruktura mĂ« e rĂ«ndĂ«sishme pĂ«r punĂ«n me tĂ« dhĂ«nat duhet tĂ« kontrollohet nga komuniteti i pĂ«rdoruesve si softuer me kod tĂ« hapur.
  • Jo vetĂ«m mjetet analitike, por edhe kodi gjithnjĂ« e mĂ« shumĂ« do tĂ« bĂ«het pasuri e komunitetit Open Source.

Këto besime themelore krijuan një produkt që sot përdoret nga më shumë se 850 kompani, dhe ato përbëjnë bazën e shumë zgjerimeve interesante që do të krijohen në të ardhmen.

PĂ«r ata qĂ« janĂ« tĂ« interesuar, ka njĂ« regjistrim video tĂ« njĂ« leksioni tĂ« hapur qĂ« unĂ« mbajta disa muaj mĂ« parĂ« si pjesĂ« e njĂ« leksioni tĂ« hapur nĂ« OTUS — Data Build Tool pĂ«r depozitĂ«n Amazon Redshift..

PĂ«rveç DBT dhe Depozitave tĂ« DhĂ«nash, nĂ« kuadĂ«r tĂ« kursit Data Engineer nĂ« platformĂ«n OTUS, unĂ« dhe kolegĂ«t e mi mbajmĂ« seanca mbi njĂ« sĂ«rĂ« temash tĂ« tjera Đ°Đșтуale dhe moderne:

  • Koncepat arkitekturore tĂ« aplikacioneve tĂ« Big Data.
  • Praktika me Spark dhe Spark Streaming.
  • Studimi i metodave dhe mjeteve pĂ«r ngarkimin e burimeve tĂ« dhĂ«nash.
  • Krijimi i vitrinave analitike nĂ« DWH.
  • Koncepat NoSQL: HBase, Cassandra, ElasticSearch.
  • Parimet e organizimit tĂ« monitorimit dhe orkestrimit. 
  • Projekti pĂ«rfundimtar: mbledhja e tĂ« gjithĂ« aftĂ«sive nĂ«n mbĂ«shtetje mentorimi.

Lidhjet:

  1. Dokumentacioni DBT — Hyrje. — Dokumentacioni zyrtar.
  2. ÇfarĂ« Ă«shtĂ«, saktĂ«sisht, dbt? — Artikulli pĂ«rmbledhĂ«s nga njĂ« nga autorĂ«t e DBT. 
  3. Data Build Tool pĂ«r depozitĂ«n Amazon Redshift. — YouTube, Regjistrimi i leksionit tĂ« hapur OTUS.
  4. Njoftimi me Greenplum. — Leksi i hapur mĂ« 15 maj 2020.
  5. Kursi pĂ«r Data Engineering. — OTUS.
  6. NdĂ«rtimi i njĂ« rrjedhe mature analitike. — NjĂ« shikim mbi tĂ« ardhmen e punĂ«s me tĂ« dhĂ«nat dhe analitikĂ«.
  7. Ka ardhur koha pĂ«r analitikĂ«n me kod tĂ« hapur. — Evolucioni i analitikĂ«s dhe ndikimi i Open Source.
  8. Integrimi i vazhdueshĂ«m dhe Testimi i NdĂ«rtimeve Automatike me dbtCloud. — Parimet e ndĂ«rtimit tĂ« CI me pĂ«rdorimin e DBT.
  9. PĂ«r tĂ« filluar me tutorialin DBT. — Praktika, UdhĂ«zime hap pas hapi pĂ«r punĂ« tĂ« vetme.
  10. Jaffle shop — Github DBT Tutorial — Github, kodi i projektit tĂ« mĂ«simit

Më shumë rreth kursit.

Burimi: habr.com

Blini hosting tĂ« besueshĂ«m pĂ«r faqe interneti me mbrojtje nga DDoS, serverĂ« VPS VDS đŸ”„ Blini hosting tĂ« besueshĂ«m pĂ«r faqe interneti me mbrojtje nga DDoS, serverĂ« VPS VDS | ProHoster