event_log table-valued 函式

適用於： Databricks SQL Databricks Runtime 13.3 LTS 和更新版本

傳回具體化檢視、串流數據表和 DLT 管線的事件記錄檔。

深入瞭解 Delta Live Tables 事件記錄檔。

注意

數據表 event_log 值函式只能由串流數據表或具體化檢視的擁有者呼叫，而透過 event_log 數據表值函式建立的檢視只能由串流數據表或具體化檢視的擁有者查詢。 檢視無法與其他使用者共用。

語法

event_log( { TABLE ( table_name ) | pipeline_id } )

引數

• table_name：具體化檢視或串流數據表的名稱。 名稱不得包含時態性規格。 如果名稱不合格，則會使用目前的目錄和架構來限定標識符。
• pipeline_id:D elta Live Tables 管線的字串標識碼。

傳回

• id STRING NOT NULL：事件記錄檔記錄的唯一標識符。
• sequence STRING NOT NULL：JSON 物件，其中包含用來識別和排序事件的元數據。
• origin STRING NOT NULL：JSON 物件，包含事件來源的元數據，例如雲端提供者、區域、 user_id或 pipeline_id。
• timestamp TIMESTAMP NOT NULL：事件以UTC記錄的時間。
• message STRING NOT NULL：描述事件的人類可讀取訊息。
• level STRING NOT NULL：記錄層級，例如 、INFO、WARNERROR、 或 METRICS。
• maturity_level STRING NOT NULL：事件架構的穩定性。 可能的值為：
  • STABLE：結構描述穩定且不會變更。
  • NULL：結構描述穩定且不會變更。 如果記錄是在新增欄位之前建立的（2022.37 版）建立，maturity_level則此值可能是 NULL 。
  • EVOLVING：結構描述不穩定且可能會變更。
  • DEPRECATED：結構描述已被取代，差異即時資料表執行階段可能隨時停止產生此事件。
• error STRING：如果發生錯誤，描述錯誤的詳細數據。
• details STRING NOT NULL：JSON 物件，其中包含事件的結構化詳細數據。 這是用來分析事件的主要欄位。
• event_type STRING NOT NULL：事件類型。

範例

如需更多範例，請參閱 查詢事件記錄檔。

-- 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

相關文章

• 查詢事件記錄檔
• 差異即時資料表管線為何？
• 建立串流資料表