event_log テーブル値関数

適用対象: Databricks SQL Databricks Runtime 13.3 LTS 以上

具体化されたビュー、ストリーミング テーブル、および Lakeflow Spark 宣言パイプラインのイベント ログを返します。

Lakeflow Spark 宣言パイプライン のイベント ログの詳細を確認します。

Syntax

event_log( { TABLE ( table_name ) | pipeline_id } )

Arguments

• table_name: 具体化されたビューまたはストリーミング テーブルの名前。 この名前には、テンポラル仕様を含めることはできません。 名前が修飾されていない場合、現在のカタログとスキーマを使用して識別子を修飾します。
• pipeline_id: パイプラインの文字列識別子。

Returns

• id STRING NOT NULL: イベント ログ レコードの一意識別子。
• sequence STRING NOT NULL: イベントを識別し、順序付けるためのメタデータを含む JSON オブジェクト。
• origin STRING NOT NULL: イベントの発生元のメタデータを含む JSON オブジェクト (クラウド プロバイダー、リージョン、user_id、pipeline_id など)。
• timestamp TIMESTAMP NOT NULL: イベントが記録された時刻 (UTC)。
• message STRING NOT NULL: 人が判読できる、イベントを説明するメッセージ。
• level STRING NOT NULL: ログのレベル (INFO、WARN、ERROR、METRICS)。
• maturity_level STRING NOT NULL: イベント スキーマの安定性。 指定できる値は、
  • STABLE: このスキーマは安定しており、変更されません。
  • NULL: このスキーマは安定しており、変更されません。 NULL フィールドが追加される前にレコードが作成された場合、この値は maturity_level になる可能性があります (リリース 2022.37)。
  • EVOLVING: このスキーマは安定していないため、変更される可能性があります。
  • DEPRECATED: スキーマは非推奨となり、Lakeflow Spark 宣言パイプライン ランタイムは、いつでもこのイベントの生成を停止する可能性があります。
• error STRING: エラーが発生した場合の、エラーの詳細説明。
• details STRING NOT NULL: イベントの構造化された詳細を含む JSON オブジェクト。 これは、イベントの分析に使用される主なフィールドです。
• event_type STRING NOT NULL: イベントの種類。

Examples

その他の例については、 パイプライン イベント ログを参照してください。

-- 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

関連資料

• パイプラインを監視する
• パイプライン イベント ログ
• Lakeflow Spark 宣言型パイプライン
• CREATE STREAMING TABLE