Dela via

event_log tablevärdefunktion

  • Artikel

Gäller för:markerad ja Databricks SQL markerad ja Databricks Runtime 13.3 LTS och senare

Returnerar händelseloggen för materialiserade views, strömmande tablesoch DLT-pipelines.

Läs mer om Delta Live Tableshändelseloggen.

Kommentar

Funktionen event_logtable-valued kan bara anropas av ägaren till en strömmande table eller materialiserad vy, och en vy som skapats via funktionen event_logtable-valued kan endast efterfrågas av ägaren till en strömmande table eller materialiserad vy. Det går inte att dela vyn med andra användare.

Syntax

event_log( { TABLE ( table_name ) | pipeline_id } )

Argument

  • table_name: Namnet på en materialiserad vy eller strömmande data table. Namnet får inte innehålla någon temporal specifikation. Om namnet inte är kvalificerat används den aktuella catalog och schema för att qualifyidentifier.
  • pipeline_id: Strängen identifier för en Delta Live Tables-pipeline.

Returer

  • id STRING NOT NULL: En unik identifier för händelseloggposten.
  • sequence STRING NOT NULL: Ett JSON-objekt som innehåller metadata för att identifiera och beställa händelser.
  • origin STRING NOT NULL: Ett JSON-objekt som innehåller metadata för händelsens ursprung, till exempel molnleverantör, region, user_ideller pipeline_id.
  • timestamp TIMESTAMP NOT NULL: Den tid då händelsen registrerades i UTC.
  • message STRING NOT NULL: Ett läsbart meddelande som beskriver händelsen.
  • level STRING NOT NULL: Loggningsnivån, till exempel INFO, , WARNERROReller METRICS.
  • maturity_level STRING NOT NULL: Stabiliteten för händelsen schema. Möjliga values är:
    • STABLE: schema är stabil och ändras inte.
    • NULL: schema är stabil och ändras inte. Värdet kan vara NULL om posten skapades innan fältet maturity_level lades till (version 2022.37).
    • EVOLVING: schema är inte stabil och kan ändras.
    • DEPRECATED: schema är inaktuell och Delta Live-Tables-körningen kan sluta producera händelsen när som helst.
  • error STRING: Om ett fel uppstod finns information som beskriver felet.
  • details STRING NOT NULL: Ett JSON-objekt som innehåller strukturerad information om händelsen. Det här är det primära fältet som används för att analysera händelser.
  • event_type STRING NOT NULL: Händelsetypen.

Exempel

Fler exempel finns i Fråga efter händelseloggen.

-- View the events on a materialized view
> SELECT timestamp, message, details
  FROM event_log(table(my_mv))
  WHERE level in ('INFO', 'WARN', 'ERROR')
  ORDER BY timestamp;

timestamp, message, details
---------------------------
2023-08-12 01:03:05.000, 'Flow "my_mv" is STARTING.', '{"flow_progress":{"status":"STARTING"}}'

-- Create a temp view with the latest update to the table/pipeline
> CREATE OR REPLACE TEMP VIEW latest_update AS
  SELECT origin.update_id AS id FROM event_log('<pipeline-ID>')
  WHERE event_type = 'create_update' ORDER BY timestamp DESC LIMIT 1;

-- Query lineage information
> SELECT
  details:flow_definition.output_dataset as output_dataset,
  details:flow_definition.input_datasets as input_dataset
FROM
  event_log('<pipeline-ID>'),
  latest_update
WHERE
  event_type = 'flow_definition' AND origin.update_id = latest_update.id;

output_dataset, input_dataset
-----------------------------
customers, null
sales_orders_raw, null
sales_orders_cleaned, ["customers", "sales_orders_raw"]
sales_order_in_la, ["sales_orders_cleaned"]

-- Query data quality expectation history for a streaming table
> WITH expectations_parsed AS (
    SELECT
      explode(
        from_json(
          details:flow_progress.data_quality.expectations,
          "array<struct<name: string, dataset: string, passed_records: int, failed_records: int>>"
        )
      ) row_expectations
    FROM
      event_log(table(my_st)),
      latest_update
    WHERE
      event_type = 'flow_progress'
      AND origin.update_id = latest_update.id
  )
  SELECT
    row_expectations.dataset as dataset,
    row_expectations.name as expectation,
    SUM(row_expectations.passed_records) as passing_records,
    SUM(row_expectations.failed_records) as failing_records
  FROM expectations_parsed
  GROUP BY
    row_expectations.dataset,
    row_expectations.name;

dataset, expectation, passing_records, failing_records
------------------------------------------------------
sales_orders_cleaned, valid_order_number, 4083, 0