dbt项目采用工程化思维，数据模型分层实现，支持描述模型文档和测试，非常适合大型数据工程项目。但也需要用户编写大量yaml描述文件，这个过程非常容易出错且无聊。主要表现：
- 手工为dbt模型编写yaml文件，这过程可能会导致错误和拼写失误。
- 手工编写yaml文件非常耗时，特别是在包括很多模型的大型项目中。
- 当数据模型发生变化时，更新yaml文件可能是一件令人头痛的事情。
- 确保所有yaml文件看起来一致，并遵循相同的最佳实践具有挑战性。
dbt-codegen简介
dbt-lab提供了 dbt-codegen工具包，实现一组宏，用于dbt代码并在命令行中输出结果。Codegen旨在为dbt模型自动生成YAML文件，解决与手动创建文件的痛点挑战。Codegen是如何解决这些问题的：
-
Codegen自动化YAML文件创建的整个过程。它基于dbt模型生成YAML配置，减少了手动干预的需要。这大大节省了时间，并最大限度地减少了错误的风险。
-
通过自动生成YAML文件，Codegen确保了所有dbt模型的一致性和标准化。它遵循预定义的规则和模板，消除了配置差异的可能性。
-
Codegen具有高度可扩展性，允许你有效地管理许多dbt模型。随着数据转换需求的增长，Codegen适应规模，为处理众多模型和配置提供无缝解决方案。
实现过程如下：
Codegen通过分析dbt模型并提取相关信息以生成YAML文件，过程包括：
- Codegen分析dbt模型，提取列名、数据类型和关系等细节。然后基于分析结果生成YAML配置，包括模型、列和关系。
- Codegen应用预定义模板，确保标准化配置和一致性，最终输出是一组可以在dbt项目中使用的YAML文件配置信息。
完整功能列表：
- generate_source (source)
- generate_base_model (source)
- create_base_models (source)
- base_model_creation (source)
- generate_model_yaml (source)
- generate_model_import_ctes (source)
dbt-codegen实战
我们看到该包可用于为源和模型列表生成YAML，此外还可以用于为源的基本模型生成SQL。下面介绍几个常用的代码生成功能。读者可以在上文介绍的入门项目中测试。
安装
packages: - package: dbt-labs/dbt_utils version: 1.3.0 - package: dbt-labs/codegen version: 0.12.1
运行dbt deps安装包。安装成功后，包文件将被安装到dbt_packages目录下。
示例1： 生成schema.yml
在命令行运行，直接输出到控制台：
dbt run-operation generate_source --args 'schema_name: shop'# 多个参数
dbt run-operation generate_source --args '{"schema_name": "shop", "database_name": "raw", "table_names":["table_1", "table_2"]}'也可以直接输出到文件：
dbt --quiet run-operation generate_source --args '{"table_names": ["orders"]}' > models/staging/jaffle_shop/_sources.yml
还可以编码方式执行，拷贝宏代码至DBT项目中, 因为是一次性任务，可以放置analysis 目录下, 然后编译代码：
{{ codegen.generate_source('raw_jaffle_shop') }}
# 包括多个参数
{{ codegen.generate_source(schema_name= 'jaffle_shop', database_name= 'raw') }}
生成结果大致如下：
version: 2sources:- name: shopdatabase: rawschema: shoptables:- name: customersdescription: ""- name: ordersdescription: ""- name: paymentsdescription: ""
示例2： 生成模型yaml文件
model_names(required): The model(s) you wish to generate YAML for.upstream_descriptions(optional, default=False): Whether you want to include descriptions for identical column names from upstream models and sources.include_data_types(optional, default=True): Whether you want to add data types to your model column definitions.
dbt run-operation generate_model_yaml --args '{"model_names": ["customers"]}'
生成结果：
version: 2models:- name: customersdescription: ""columns:- name: customer_iddata_type: integerdescription: ""- name: customer_namedata_type: textdescription: ""
当然也可以在analyse模型中编码方式生成：
{{ codegen.generate_model_yaml(model_names=['customers']
) }}
还可以使用辅助函数代码。Get_models并指定一个目录和/或前缀，以获得所有匹配模型的列表，这些模型将被传递到model_names列表中。
{% set models_to_generate = codegen.get_models(directory='marts', prefix='fct_') %}
{{ codegen.generate_model_yaml(model_names = models_to_generate
) }}
助手方法可以在源码中找到，请参考下面截图：
总结
本文介绍dbt-codegen工具，它可以帮助我们快速生成dbt模型描述文件、生成源等代码。我们介绍多种生成方式，包括命令行和分析模型代码等，有想法的读者还可以考虑编写vscode插件实现。更多示例及详细文档，可以参照官方文档。
_百度推广优化方案_郑州官网网络营销外包)
