SQL Genius vs SDF

Tapez une question en anglais dans SQL Genius et il renvoie une requête Postgres SQL construite à partir des schémas de tables que vous définissez sur la page. Vous ajoutez une ou plusieurs tables avec les noms et types de colonnes, décrivez le résultat souhaité en langage clair, puis cliquez sur Écrire SQL pour générer la requête. Un panneau SQL Explainer distinct vous permet de coller du SQL existant et de lire une explication en langage clair de ce que fait chaque clause.

Les outils dédiés de conversion texte vers SQL supposent généralement que vous connaissez déjà votre schéma. SQL Genius maintient l’édition du schéma dans le même espace de travail que la génération de requêtes, avec des tables d’hôpital exemples comme patients, médecins et admissions préchargées pour que vous puissiez tester les requêtes immédiatement. Le sélecteur de type SQL avancé cible spécifiquement Postgres SQL, ce qui restreint la sortie comparé aux générateurs qui prétendent couvrir tous les dialectes de base de données.

Les analystes, chercheurs et développeurs juniors qui connaissent leur modèle de données mais pas la syntaxe SQL l’utilisent pour rédiger des requêtes plus rapidement et vérifier la cohérence des instructions avant de les exécuter dans un client de base de données. Le site indique que le produit est en version bêta et propose la conversion anglais vers SQL, SQL Explainer et un blog depuis la navigation principale.

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.