event_log table-值函數

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

傳回 具體化 views、串流 tables和 DLT 管線的事件記錄。

進一步了解 Delta Live Tables事件記錄檔。

注意

event_log table值函式只能由串流 table 或具體化檢視的擁有者呼叫，而透過 event_logtable值函式創建的檢視只能由串流 table 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：實體化檢視表或串流 table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 catalog 和 schema 來 qualify 當前的 identifier。
• pipeline_id：Delta Live Tables 管線的字串 identifier。

傳回

• id STRING NOT NULL：事件日誌記錄的唯一 identifier。
• 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：事件的穩定性 schema。 可能的 values 有如下：
  • STABLE：schema 穩定且不會變更。
  • NULL：schema 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，NULL則此值可能是 maturity_level 。
  • EVOLVING：schema 不穩定且可能會變更。
  • DEPRECATED：schema 已被取代，Delta Live Tables 運行時間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
• 什麼是 Delta Live Tables 管線？
• CREATE STREAMING TABLE