Raw Query vs SDF

Raw Query permite que você converse com Postgres, MySQL e MariaDB usando inglês simples em vez de escrever SQL manualmente. Cole uma string de conexão de banco de dados, faça perguntas como quem aderiu ao seu plano Pro na semana passada, e o Raw Query retorna respostas ou exportações CSV a partir de um navegador ou dispositivo móvel.

Comparado com painéis de BI que exigem configuração e clientes SQL que pressupõem fluência em consultas, o Raw Query é voltado para perguntas rápidas e pontuais de fundadores e analistas. Conexões Postgres suportam inserções e atualizações com prompts de confirmação, enquanto conexões MySQL e MariaDB focam em consultas de leitura, de modo que equipes no Postgres têm acesso mais amplo para escrita.

O Raw Query é adequado para fundadores solo, desenvolvedores que evitam ferramentas internas pontuais e usuários de BI que querem respostas sem aprender sintaxe SQL. O plano gratuito inclui 300 consultas bem-sucedidas por mês em dois bancos de dados, e os planos pagos aumentam os limites de consultas, assentos e prioridade de suporte até assentos ilimitados no plano Team.

SDF é um mecanismo de compreensão SQL que lê SQL de data warehouse, constrói representações intermediárias de cada consulta e sinaliza erros antes que qualquer coisa seja executada. Ele fica na pilha de análise entre o texto SQL bruto e o banco de dados, oferecendo às equipes uma visão em tempo de compilação sobre sintaxe, tipos e formatos de colunas a jusante.

A maioria dos linters SQL para na sintaxe superficial. O SDF trabalha em três níveis empilhados: análise em uma árvore sintática, compilação de um plano lógico com assinaturas de funções e tipos de retorno, e execução de um plano físico quando verificações em nível de dados são importantes. Essa hierarquia detecta ordem errada de argumentos em chamadas dateadd do Snowflake e conversões de datas impossíveis que apenas os analisadores não perceberiam, razão pela qual a dbt Labs comprou a SDF Labs para incorporar o mecanismo dentro do dbt em vez de adicionar outro pré-processador de strings.

Engenheiros de análise e desenvolvedores dbt usam o SDF para reforçar grandes projetos de data warehouse, rastrear linhagem em nível de coluna e entregar transformações com menos falhas inesperadas em tempo de execução. Desde o lançamento GA em meados de 2024, o sdf.com redireciona visitantes para páginas da dbt Labs que explicam como a aquisição integra o SDF ao próximo motor do dbt.