event_log função com valor de tabela

Aplica-se a: Databricks SQL Databricks Runtime 13.3 LTS ou posterior

Devolve o registo de eventos para vistas materializadas, tabelas de streaming e pipelines declarativos do Lakeflow Spark.

Saiba mais sobre o log de eventos do Lakeflow Spark Declarative Pipelines.

Syntax

event_log( { TABLE ( table_name ) | pipeline_id } )

Arguments

• table_name: O nome de uma vista materializada ou tabela de streaming. O nome não deve incluir uma especificação temporal. Se o nome não estiver qualificado, o catálogo e o esquema atuais serão usados para qualificar o identificador.
• pipeline_id: O identificador de cadeia de caracteres de um pipeline.

Returns

• id STRING NOT NULL: Um identificador exclusivo para o registro de log de eventos.
• sequence STRING NOT NULL: Um objeto JSON contendo metadados para identificar e ordenar eventos.
• origin STRING NOT NULL: Um objeto JSON contendo metadados para a origem do evento, por exemplo, provedor de nuvem, região user_idou pipeline_id.
• timestamp TIMESTAMP NOT NULL: A hora em que o evento foi gravado em UTC.
• message STRING NOT NULL: Uma mensagem legível por humanos descrevendo o evento.
• level STRING NOT NULL: O nível de registo, por exemplo, INFO, WARN, ERROR ou METRICS.
• maturity_level STRING NOT NULL: A estabilidade do esquema de eventos. Os valores possíveis são:
  • STABLE: O esquema é estável e não será alterado.
  • NULL: O esquema é estável e não será alterado. O valor pode ser NULL se o registro foi criado antes do maturity_level campo ser adicionado (versão 2022.37).
  • EVOLVING: O esquema não é estável e pode mudar.
  • DEPRECATED: O esquema foi preterido e o tempo de execução do Lakeflow Spark Declarative Pipelines pode parar de produzir esse evento a qualquer momento.
• error STRING: Se ocorreu um erro, detalhes descrevendo o erro.
• details STRING NOT NULL: Um objeto JSON contendo detalhes estruturados do evento. Este é o campo principal usado para analisar eventos.
• event_type STRING NOT NULL: O tipo de evento.

Examples

Para obter mais exemplos, consulte Log de eventos do pipeline.

-- 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

Artigos relacionados

• Monitorizar pipelines
• Log de eventos do pipeline
• Oleodutos declarativos Lakeflow Spark
• CREATE STREAMING TABLE