ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Data Engineering with dbt: A practical guide to building a cloud-based pragmatic and dependable data platform with SQL

دانلود کتاب مهندسی داده با dbt: راهنمای عملی برای ساختن یک پلت فرم داده عملی و قابل اعتماد مبتنی بر ابر با SQL

Data Engineering with dbt: A practical guide to building a cloud-based pragmatic and dependable data platform with SQL

مشخصات کتاب

Data Engineering with dbt: A practical guide to building a cloud-based pragmatic and dependable data platform with SQL

ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 9781803246284 
ناشر: Packt Publishing Pvt. Ltd. 
سال نشر: 2023 
تعداد صفحات: 578 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 13 Mb 

قیمت کتاب (تومان) : 35,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 2


در صورت تبدیل فایل کتاب Data Engineering with dbt: A practical guide to building a cloud-based pragmatic and dependable data platform with SQL به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب مهندسی داده با dbt: راهنمای عملی برای ساختن یک پلت فرم داده عملی و قابل اعتماد مبتنی بر ابر با SQL نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب مهندسی داده با dbt: راهنمای عملی برای ساختن یک پلت فرم داده عملی و قابل اعتماد مبتنی بر ابر با SQL

از الگوهای کاربردی آسان در SQL و Python استفاده کنید تا از مهندسی تحلیل مدرن استفاده کنید تا پلتفرم‌های چابک با dbt بسازید که به خوبی آزمایش شده و ساده برای گسترش و اجرای آن هستند. خرید کتاب چاپی یا Kindle شامل یک کتاب الکترونیکی PDF رایگان است. ویژگی‌های کلیدی: ایجاد یک پایه محکم dbt و یادگیری مدل سازی داده و پشته داده های مدرن برای تبدیل شدن به یک مهندس تجزیه و تحلیل ساخت خطوط لوله خودکار و قابل اعتماد برای استقرار، آزمایش، اجرا و نظارت بر ELT با پروژه dbt Cloud Guided dbt Snowflake برای ایجاد معماری مبتنی بر الگو که مجموعه داده های قابل اعتمادی را ارائه می دهد. توضیحات کتاب: dbt Cloud به مهندسان حرفه‌ای تجزیه و تحلیل کمک می‌کند تا استفاده از الگوهای قدرتمند و اثبات‌شده را برای تبدیل داده‌ها از دریافت به تحویل، خودکار کنند و DataOps واقعی را فعال کنند. این کتاب با معرفی شما با dbt و نقش آن در پشته داده، به همراه نحوه استفاده از SQL ساده برای ساخت پلت فرم داده شما شروع می شود و به شما و تیمتان کمک می کند تا با هم بهتر کار کنید. شما خواهید فهمید که چگونه می توانید از مدل سازی داده ها، کیفیت داده ها، مدیریت اصلی داده ها و موارد دیگر برای ایجاد یک راه حل ساده برای درک و اثبات آینده استفاده کنید. با پیشروی، پشته داده های مدرن را کاوش خواهید کرد، درک خواهید کرد که چگونه مشاغل مرتبط با داده ها در حال تغییر هستند، و خواهید دید که چگونه dbt این انتقال را به نقش نوظهور یک مهندس تجزیه و تحلیل امکان پذیر می کند. فصل‌ها به شما کمک می‌کنند با استفاده از نسخه رایگان dbt Cloud، Snowflake، و GitHub یک پروژه نمونه بسازید تا یک راه‌اندازی حرفه‌ای DevOps با یکپارچه‌سازی مداوم، استقرار خودکار، اجرای ELT، زمان‌بندی و نظارت، حل موارد عملی که در کار روزانه خود با آن مواجه می‌شوید ایجاد کنید. . در پایان این کتاب dbt، می‌توانید با استفاده از داده‌های صادر شده از سیستم‌های منبع خود، کدگذاری تحولات مورد نیاز، از جمله داده‌های اصلی و قوانین کسب‌وکار مورد نظر، و ایجاد یک پلت‌فرم داده عمل‌گرایانه سرتاسر بسازید. مدل‌های ابعادی خوب یا جداول گسترده که به شما امکان می‌دهند با ابزار BI انتخابی خود گزارش بسازید. آنچه خواهید آموخت: ایجاد یک حساب dbt Cloud و درک گردش کار ELT ترکیب Snowflake و dbt برای ساخت خطوط لوله مهندسی داده مدرن از SQL برای تبدیل داده های خام به داده های قابل استفاده و آزمایش دقت آن استفاده کنید. ماکروهای dbt بنویسید و از Jinja برای اعمال اصول مهندسی نرم افزار استفاده کنید. آزمایش داده‌ها و تبدیل‌ها برای اطمینان از قابلیت اطمینان و کیفیت داده‌ها با استفاده از الگوهای اثبات‌شده، یک پلت‌فرم داده کاربردی سبک وزن بسازید. با استفاده از تحقق dbt کدی با قابلیت نگهداری آسان بنویسید این کتاب برای چه کسی است: این کتاب برای مهندسین داده، مهندسین تحلیل، متخصصان BI، و تحلیلگران داده که می خواهند یاد بگیرند که چگونه پلتفرم های داده ساده، مقاوم در برابر آینده و قابل نگهداری را به روشی چابک بسازند. مدیران پروژه، مدیران تیم داده و تصمیم گیرندگانی که به دنبال درک اهمیت ساخت یک پلت فرم داده و پرورش فرهنگ تیم های داده با عملکرد بالا هستند نیز این کتاب را مفید خواهند یافت. دانش اولیه SQL و مدل‌سازی داده به شما کمک می‌کند از لایه‌های متعدد این کتاب حداکثر استفاده را ببرید. این کتاب همچنین شامل آغازگرهایی در مورد بسیاری از موضوعات مرتبط با داده است تا به جوانان کمک کند تا شروع کنند.


توضیحاتی درمورد کتاب به خارجی

Use easy-to-apply patterns in SQL and Python to adopt modern analytics engineering to build agile platforms with dbt that are well-tested and simple to extend and run Purchase of the print or Kindle book includes a free PDF eBook Key Features: Build a solid dbt base and learn data modeling and the modern data stack to become an analytics engineer Build automated and reliable pipelines to deploy, test, run, and monitor ELTs with dbt Cloud Guided dbt + Snowflake project to build a pattern-based architecture that delivers reliable datasets Book Description: dbt Cloud helps professional analytics engineers automate the application of powerful and proven patterns to transform data from ingestion to delivery, enabling real DataOps. This book begins by introducing you to dbt and its role in the data stack, along with how it uses simple SQL to build your data platform, helping you and your team work better together. You\'ll find out how to leverage data modeling, data quality, master data management, and more to build a simple-to-understand and future-proof solution. As you advance, you\'ll explore the modern data stack, understand how data-related careers are changing, and see how dbt enables this transition into the emerging role of an analytics engineer. The chapters help you build a sample project using the free version of dbt Cloud, Snowflake, and GitHub to create a professional DevOps setup with continuous integration, automated deployment, ELT run, scheduling, and monitoring, solving practical cases you encounter in your daily work. By the end of this dbt book, you\'ll be able to build an end-to-end pragmatic data platform by ingesting data exported from your source systems, coding the needed transformations, including master data and the desired business rules, and building well-formed dimensional models or wide tables that\'ll enable you to build reports with the BI tool of your choice. What You Will Learn: Create a dbt Cloud account and understand the ELT workflow Combine Snowflake and dbt for building modern data engineering pipelines Use SQL to transform raw data into usable data, and test its accuracy Write dbt macros and use Jinja to apply software engineering principles Test data and transformations to ensure reliability and data quality Build a lightweight pragmatic data platform using proven patterns Write easy-to-maintain idempotent code using dbt materialization Who this book is for: This book is for data engineers, analytics engineers, BI professionals, and data analysts who want to learn how to build simple, futureproof, and maintainable data platforms in an agile way. Project managers, data team managers, and decision makers looking to understand the importance of building a data platform and foster a culture of high-performing data teams will also find this book useful. Basic knowledge of SQL and data modeling will help you get the most out of the many layers of this book. The book also includes primers on many data-related subjects to help juniors get started.



فهرست مطالب

Data Engineering with dbt
Contributors
About the author
About the reviewers
Preface
   Who this book is for
   What this book covers
   To get the most out of this book
   Download the example code files
   Conventions used
   Get in touch
   Share Your Thoughts
   Download a free PDF copy of this book
Part 1: The Foundations of Data Engineering
1
The Basics of SQL to Transform Data
   Technical requirements
   Introducing SQL
   SQL basics – core concepts and commands
      SQL core concepts
      Understanding the categories of SQL commands
   Setting up a Snowflake database with users and roles
      Creating your Snowflake account
      Setting up initial users, roles, and a database in Snowflake
      Creating and granting your first role
   Querying data in SQL – syntax and operators
      Snowflake query syntax
      SQL operators
   Combining data in SQL – the JOIN clause
      Combining orders and customers
      JOIN types
      Visual representation of join types
   Advanced – introducing window functions
      Window definition
      Window frame definition
   Summary
   Further reading
2
Setting Up Your dbt Cloud Development Environment
   Technical requirements
   Setting up your GitHub account
      Introducing Version Control
      Creating your GitHub account
      Setting up your first repository for dbt
   Setting up your dbt Cloud account
      Signing up for a dbt Cloud account
      Setting up your first dbt Cloud project
      Adding the default project to an empty repository
   Comparing dbt Core and dbt Cloud workflows
      dbt Core workflows
      dbt Cloud workflows
   Experimenting with SQL in dbt Cloud
      Exploring the dbt Cloud IDE
      Executing SQL from the dbt IDE
   Introducing the source and ref dbt functions
      Exploring the dbt default model
      Using ref and source to connect models
      Running your first models
      Testing your first models
      Editing your first model
   Summary
   Further reading
3
Data Modeling for Data Engineering
   Technical requirements
   What is and why do we need data modeling?
      Understanding data
      What is data modeling?
      Why we need data modeling
      Complementing a visual data model
   Conceptual, logical, and physical data models
      Conceptual data model
      Logical data model
      Physical data model
      Tools to draw data models
   Entity-Relationship modeling
      Main notation
      Cardinality
      Time perspective
      An example of an E-R model at different levels of detail
      Generalization and specialization
   Modeling use cases and patterns
      Header-detail use case
      Hierarchical relationships
      Forecasts and actuals
      Libraries of standard data models
   Common problems in data models
      Fan trap
      Chasm trap
   Modeling styles and architectures
      Kimball method or dimensional modeling or star schema
      Unified Star Schema
      Inmon design style
      Data Vault
      Data mesh
      Our approach, the Pragmatic Data Platform - PDP
   Summary
   Further reading
4
Analytics Engineering as the New Core of Data Engineering
   Technical requirements
   The data life cycle and its evolution
      Understanding the data flow
      Data creation
      Data movement and storage
      Data transformation
      Business reporting
      Feeding back to the source systems
   Understanding the modern data stack
      The traditional data stack
      The modern data stack
   Defining analytics engineering
      The roles in the modern data stack
      The analytics engineer
   DataOps – software engineering best practices for data
      Version control
      Quality assurance
      The modularity of the code base
      Development environments
      Designing for maintainability
   Summary
   Further reading
5
Transforming Data with dbt
   Technical requirements
   The dbt Core workflow for ingesting and transforming data
   Introducing our stock tracking project
      The initial data model and glossary
      Setting up the project in dbt, Snowflake, and GitHub
   Defining data sources and providing reference data
      Defining data sources in dbt
      Loading the first data for the portfolio project
   How to write and test transformations
      Writing the first dbt model
      Real-time lineage and project navigation
      Deploying the first dbt model
      Committing the first dbt model
      Configuring our project and where we store data
      Re-deploying our environment to the desired schema
      Configuring the layers for our architecture
      Ensuring data quality with tests
      Generating the documentation
   Summary
Part 2: Agile Data Engineering with dbt
6
Writing Maintainable Code
   Technical requirements
   Writing code for humans
      Refactoring our initial model to be human-readable
   Creating the architectural layers
      Creating the Staging layer
      Goals and contents of the staging models
      Connecting the REF model to the STG
      Goals and contents of the refined layer
      Creating the first data mart
   Saving history is crucial
      Saving history with dbt
      Saving history using snapshots
      Connecting the REF layer with the snapshot
   Summary
7
Working with Dimensional Data
   Adding dimensional data
      Creating clear data models for the refined and data mart layers
   Loading the data of the first dimension
      Creating and loading a CSV as a seed
      Configuring the seeds and loading them
      Adding data types and a load timestamp to your seed
   Building the STG model for the first dimension
      Defining the external data source for seeds
      Creating an STG model for the security dimension
      Adding the default record to the STG
   Saving history for the dimensional data
      Saving the history with a snapshot
   Building the REF layer with the dimensional data
   Adding the dimensional data to the data mart
   Exercise – adding a few more hand-maintained dimensions
   Summary
8
Delivering Consistency in Your Data
   Technical requirements
   Keeping consistency by reusing code – macros
      Repetition is inherent in data projects
      Why copy and paste kills your future self
      How to write a macro
      Refactoring the “current” CTE into a macro
      Fixing data loaded from our CSV file
      The basics of macro writing
   Building on the shoulders of giants – dbt packages
      Creating dbt packages
      How to import a package in dbt
      Browsing through noteworthy packages for dbt
      Adding the dbt-utils package to our project
   Summary
9
Delivering Reliability in Your Data
   Testing to provide reliability
      Types of tests
      Singular tests
      Generic tests
      Defining a generic test
   Testing the right things in the right places
      What do we test?
      Where to test what?
      Testing our models to ensure good quality
   Summary
10
Agile Development
   Technical requirements
   Agile development and collaboration
      Defining agile development
   Applying agile to data engineering
      Starting a project in an agile way
      Organizing work the agile way
      Managing the backlog in an agile way
   Building reports in an agile way
      S1 – designing a light data model for the data mart
      S2 – designing a light data model for the REF layer
      S3.x – developing with dbt models the pipeline for the XYZ table
      S4 – an acceptance test of the data produced in the data mart
      S5 – development and verification of the report in the BI application
   Summary
11
Team Collaboration
   Enabling collaboration
      Core collaboration practices
      Collaboration with dbt Cloud
   Working with branches and PRs
   Working with Git in dbt Cloud
      The dbt Cloud Git process
      Keeping your development environment healthy
      Suggested Git branch naming
      Adopting frequent releases
   Making your first PR
   Summary
   Further reading
Part 3: Hands-On Best Practices for Simple, Future-Proof Data Platforms
12
Deployment, Execution, and Documentation Automation
   Technical requirements
   Designing your deployment automation
      Working with dbt environments
      Creating our QA and PROD environments
      Deciding where to deploy
      Creating jobs
      Designing the architecture of your data platform
      Notifications
   Advanced automation – hooks and run-operations
      Hooks
      Run-operations
      Table migrations
   Documentation
      Lineage graph
      dbt-generated documentation
      Source freshness report
      Exposures
      Markdown documentation
   Summary
13
Moving Beyond the Basics
   Technical requirements
   Building for modularity
      Modularity in the storage layer
      Modularity in the refined layer
      Modularity in the delivery layer
   Managing identity
      Identity and semantics – defining your concepts
      Different types of keys
      Main uses of keys
   Master Data management
      Data for Master Data management
      A light MDM approach with DBT
   Saving history at scale
      Understanding the save_history macro
      Understanding the current_from_history macro
   Summary
14
Enhancing Software Quality
   Technical requirements
   Refactoring and evolving models
      Dealing with technical debt
   Implementing real-world code and business rules
      Replacing snapshots with HIST tables
      Renaming the REF_ABC_BANK_SECURITY_INFO model
      Handling orphans in facts
      Calculating closed positions
      Calculating transactions
   Publishing dependable datasets
      Managing data marts like APIs
      What shape should you use for your data mart?
      Self-completing dimensions
      History in reports – that is, slowly changing dimensions type two
   Summary
   Further reading
15
Patterns for Frequent Use Cases
   Technical requirements
   Ingestion patterns
      Basic setup for ingestion
      Loading data from files
      External tables
      Landing tables
   History patterns
      Storing history with deletions – full load
      Storing history with deletion – deletion list
      Storing history with multiple versions in the input
      Storing history with PII and GDPR compliance
      History and schema evolution
   Summary
   Further reading
Index
   Why subscribe?
Other Books You May Enjoy
   Packt is searching for authors like you
   Share Your Thoughts
   Download a free PDF copy of this book




نظرات کاربران