معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

ویژگی	مقدار
سیستم عامل	-
نام فایل	dlt-metabase-source-0.0.26
نام	dlt-metabase-source
نسخه کتابخانه	0.0.26
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Adrian Brudaru
ایمیل نویسنده	adrian@scalevector.ai
آدرس صفحه اصلی	-
آدرس اینترنتی	https://pypi.org/project/dlt-metabase-source/
مجوز	apache

# dlt-metabase-source # Parent tables Stateful tables: these get replaced on each load ``` 'stats', 'cards', 'collections', 'dashboards', 'databases', 'metrics', 'pulses', 'tables', 'segments', 'users', 'fields' ``` Append (event) tables: these endpoints buffer a small event window, you need to merge it afterwards to do - add time filter parameters to only load filtered requested data. ``` 'activity', 'logs' ``` some of these tables have sub-tables to join the parent table to the sub table, use the join `parent.dlt_id = child.parent_dlt_id` # Usage optionally Create a virtual environment ``` python3 -m venv ./dlt_metabase_env4 source ./dlt_metabase_env4/bin/activate ``` install library ```pip install dlt-metabase-source``` If the library cannot be found, ensure you have the required python version as per the `pyproject.toml`file. (3.8+) You can run the snippet file below to load a sample data set. You would need to add your target credentials first. ```python run_load.py``` First, import the loading method and add your credentials ``` from dlt_metabase_source import load # target credentials # example for bigquery creds = { "type": "service_account", "project_id": "zinc-mantra-353207", "private_key_id": "example", "private_key": "", "client_email": "example@zinc-mantra-353207.iam.gserviceaccount.com", "client_id": "100909481823688180493"} # or example for redshift: # creds = ["redshift", "database_name", "schema_name", "user_name", "host", "password"] ``` Metabase credentials ``` url='http....com', user='example@ai', password='dolphins', ``` Now, you can use the code below to do a serial load: `mock_data=True` flag below will load sample data. Remove or set to False the `mock_data` flag to enable loading your data. ``` # remove some tables from this list of you only want some endpoints tables=['activity', 'logs', 'stats', 'cards', 'collections', 'dashboards', 'databases', 'metrics', 'pulses', 'tables', 'segments', 'users', 'fields'] load(url=url, user=user', password=password, target_credentials=creds, tables=tables, schema_name='metabase', mock_data=True) ``` or, for parallel load, create airflow tasks for each table like so: ``` for table in tables: load(url=url, user=user', password=password, target_credentials=creds, tables=[table], schema_name='metabase', mock_data=True) ``` If you want to do your own pipeline or consume the source differently: ``` from dlt_metabase_source import MetabaseSource, MetabaseMockSource prod = MetabaseSource(url='http....com', user='example@ai', password='dolphins') dummy = PersonioSourceDummy() sample_data = dummy.tasks() for task in tasks: print(task['table_name']) for row in task['data'] print(row) ```

نیازمندی

مقدار	نام
-	python-dlt
-	google-cloud-bigquery
-	psycopg2-binary

زبان مورد نیاز

مقدار	نام
>=3.8,<4.0	Python

نحوه نصب

نصب پکیج whl dlt-metabase-source-0.0.26:

pip install dlt-metabase-source-0.0.26.whl

نصب پکیج tar.gz dlt-metabase-source-0.0.26:

pip install dlt-metabase-source-0.0.26.tar.gz