Raw Query vs SDF

Raw Query vous permet de discuter avec Postgres, MySQL et MariaDB en utilisant un langage naturel au lieu d'écrire du SQL à la main. Collez une chaîne de connexion à une base de données, posez des questions comme qui a rejoint votre plan Pro la semaine dernière, et Raw Query renvoie des réponses ou des exports CSV depuis un navigateur ou un appareil mobile.

Comparé aux tableaux de bord BI qui nécessitent une configuration et aux clients SQL qui supposent une maîtrise des requêtes, Raw Query cible les questions ponctuelles rapides des fondateurs et des analystes. Les connexions Postgres prennent en charge les insertions et mises à jour avec des confirmations, tandis que les connexions MySQL et MariaDB se concentrent sur les requêtes en lecture, de sorte que les équipes sur Postgres bénéficient d'un accès en écriture plus large.

Raw Query convient aux fondateurs en solo, aux développeurs évitant les outils internes ponctuels, et aux utilisateurs BI qui veulent des réponses sans apprendre la syntaxe SQL. Le plan gratuit inclut 300 requêtes réussies par mois sur deux bases de données, et les niveaux payants augmentent les limites de requêtes, les sièges et la priorité de support jusqu'à des sièges illimités sur le plan Team.

SDF est un moteur de compréhension SQL qui lit le SQL des entrepôts, construit des représentations intermédiaires de chaque requête et signale les erreurs avant toute exécution. Il se situe dans la pile analytique entre le texte SQL brut et la base de données, offrant aux équipes une visibilité à la compilation sur la syntaxe, les types et la structure des colonnes en aval.

La plupart des linters SQL s'arrêtent à la syntaxe superficielle. SDF fonctionne à travers trois niveaux empilés : l'analyse en un arbre syntaxique, la compilation d'un plan logique avec les signatures de fonctions et les types de retour, et l'exécution d'un plan physique lorsque les vérifications au niveau des données sont importantes. Cette hiérarchie détecte un ordre d'arguments incorrect sur les appels dateadd de Snowflake et des conversions de dates impossibles que seuls les analyseurs ne verraient pas, ce qui explique pourquoi dbt Labs a acquis SDF Labs pour intégrer le moteur directement dans dbt plutôt que d'ajouter un autre préprocesseur de chaînes.

Les ingénieurs analytiques et les développeurs dbt utilisent SDF pour renforcer les grands projets d'entrepôt, tracer la lignée au niveau des colonnes et livrer des transformations avec moins d'échecs d'exécution inattendus. Depuis le lancement GA de mi-2024, sdf.com redirige les visiteurs vers les pages de dbt Labs expliquant comment l'acquisition intègre SDF dans le prochain moteur dbt.