Кубы (OLAP-сервер)

Оригинальный автор(ы)	Стефан Урбанек
Первоначальный выпуск	27 марта 2011 г ( 27.03.2011 )
Стабильная версия	1.1 / 2 июля 2016 г ( 2016-07-02 )
Репозиторий	github .с /DataBrewery /кубики
Написано в	Питон
Операционная система	Кросс-платформенный
Тип	ОЛАП
Лицензия	МОЯ лицензия
Веб-сайт	кубики .databrewery .org

Cubes — это легкий с открытым исходным кодом набор инструментов многомерного моделирования и OLAP для разработки приложений для создания отчетов и просмотра агрегированных данных, написанных на языке программирования Python, выпущенный под лицензией MIT .

Cubes предоставляет аналитику или любому конечному пользователю приложения «понятный и естественный способ составления отчетов с использованием концепции кубов данных – многомерных объектов данных».

Первоначально проект разрабатывался для Службы государственных закупок Словакии Впервые Cubes был публично выпущен в марте 2011 года . . Cubes 1.0 был выпущен в сентябре 2014 года и представлен на конференции PyData в Нью-Йорке.

Функции

• OLAP и агрегированный просмотр (по умолчанию — ROLAP)
• логическая модель OLAP-кубов в формате JSON или предоставленная из внешних источников
• иерархические измерения (атрибуты, имеющие иерархические зависимости, например категория-подкатегория или страна-регион)
• несколько иерархий в измерении
• арифметические выражения для вычисления производных показателей и агрегатов
• локализуемые метаданные и данные

Cubes способен обрабатывать большие объемы данных и сложные запросы. Согласно обзору TechTarget, Cubes может обрабатывать «объемы данных в сотни миллионов строк» ​​и «сложные запросы и вычисления, требующие многоуровневого агрегирования и динамического подмножества». Кроме того, в обзоре отмечается, что Cubes хорошо подходит для небольших организаций или групп, которым не требуется сложность и масштабируемость решений OLAP корпоративного уровня.

Модель

Логическая концептуальная модель в Cubes описывается с использованием JSON и может быть предоставлена ​​либо в форме файла, пакета каталогов, либо от внешнего поставщика модели (например, базы данных). Базовыми объектами модели являются: кубы и их меры и агрегаты, измерения и их атрибуты, иерархии. Логическая модель также содержит сопоставление логических атрибутов с их физическим расположением в базе данных (или другом источнике данных).

Пример модели:

{
    "cubes": [
        {
            "name": "sales",
            "label": "Our Sales",
            "dimensions": [ "date", "customer", "location", "product" ],
            "measures": [ "amount" ]
        }
    ]
    "dimensions": [
        {
            "name": "product",
            "label": "Product",
            "levels": [
                {
                    "name":"category",
                    "label":"Category",
                    "attributes": [ "category_id", "category_label" ],
                },
                {
                    "name":"product",
                    "label":"Product",
                    "attributes": [ "product_id", "product_label" ],
                }
            ]
        },
        ...
    ]
}

Операции

Кубы предоставляют базовый набор операций, таких как данных детализация и фильтрация ( нарезка и нарезка кубиками ). Доступ к операциям можно получить либо через интерфейс Python, либо через легкий веб-сервер под названием Slicer.

Пример интерфейса Python:

import cubes

workspace = Workspace("slicer.ini")
browser = workspace.browser("sales")

result = browser.aggregate()

print(result.summary)

Сервер

Cubes предоставляет нетрадиционный OLAP-сервер с HTTP- запросами и JSON ответов API . Пример запроса для получения «общей суммы всех контрактов с января 2012 г. по июнь 2016 г. по месяцам»:

http://localhost:5000/cube/contracts/aggregate?drilldown=date&drilldown=criteria&cut=date:2012,1-2012,6&order=date.month:desc

Ответ выглядит так:

{
    "summary": {
        "contract_amount_sum": 10000000.0
    },
    "remainder": {},
    "cells": [
        {
            "date.year": 2012,
            "criteria.code": "ekonaj",
            "contract_amount_sum": 12345.0,
            "criteria.description": "economically best offer",
            "criteria.sdesc": "best offer",
            "criteria.id": 3
        },
        {
            "date.year": 2012,
            "criteria.code": "cena",
            "contract_amount_sum": 23456.0,
            "criteria.description": "lowest price",
            "criteria.sdesc": "lowest price",
            "criteria.id": 4
        },
...
    "total_cell_count": 6,
    "aggregates": [
        "contract_amount_sum"
    ],
    "cell": [
        {
            "type": "range",
            "dimension": "date",
            "hierarchy": "default",
            "level_depth": 2,
            "invert": false,
            "hidden": false,
            "from": ["2012", "1" ],
            "to": ["2015", "6" ]
        }
    ],
    "levels": {
        "criteria": [ "criteria" ],
        "date": [ "year" ]
    }
}

Простой интерфейс HTTP/JSON позволяет легко интегрировать отчеты OLAP в веб-приложения, написанные на чистом HTML и JavaScript .

Сервер Slicer содержит конечные точки, описывающие метаданные куба , которые помогают создавать универсальные приложения для создания отчетов. которым не обязательно заранее знать структуру модели базы данных и концептуальные иерархии.

Сервер Slicer написан с использованием Flask (веб-фреймворка) .

РОЛАП и SQL

Встроенный SQL- сервер платформы обеспечивает функциональность ROLAP поверх реляционной базы данных. Кубы содержат генератор запросов SQL , который преобразует запросы отчетов в инструкции SQL. Генератор запросов учитывает топологию и выполняет только схемы «звезда» или «снежинка» соединения, необходимые для получения атрибутов, необходимых аналитику данных.

Серверная часть SQL использует набор инструментов SQLAlchemy Python для построения запросов.

См. также

• SQLАлхимия

Внешние ссылки

• Официальный сайт