SQLtroughAI vs SDF

Tapez une question de données en anglais simple et SQLtroughAI génère le SQL pour des dialectes comme MySQL, MongoDB et Oracle PL/SQL. Vous commencez par définir vos tables, soit en téléchargeant un fichier CSV ou Excel, soit en saisissant manuellement les noms de colonnes et les types de données. Le produit s'adresse à toute personne qui sait quelles données elle veut mais ne souhaite pas mémoriser la syntaxe SQL. Il fonctionne dans le navigateur avec inscription, historique des requêtes et facturation via Stripe.

La plupart des outils de conversion texte-vers-SQL supposent que vous avez déjà une connexion à une base de données active. SQLtroughAI inverse cet ordre et vous demande de modéliser d'abord le jeu de données, soit à partir d'un tableur, soit par saisie manuelle des colonnes. Le site indique également que le contenu des fichiers CSV et Excel téléchargés n'est pas stocké, ce qui est important si vous prototypez avec des fichiers d'exemple plutôt qu'avec des données de production. Cette approche centrée sur le schéma est plus restreinte que celle des assistants de requêtes d'entreprise, mais elle maintient une configuration légère pour des analyses ponctuelles.

Les analystes métier, les analystes de données et les étudiants qui savent quelles données ils veulent mais pas la formulation SQL exacte sont les utilisateurs évidents. SQLtroughAI conserve les exécutions passées dans "Old Queries", vous permettant de revoir les générations sans réécrire les requêtes. La facturation se fait via Stripe une fois la période d'essai dépassée.

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.