Data Studio prend en charge plusieurs types de nœuds pour le traitement des données : des nœuds d'intégration de données pour la synchronisation, des nœuds de calcul moteur (MaxCompute SQL, Hologres SQL, EMR Hive, entre autres) pour le nettoyage des données, ainsi que des nœuds polyvalents (nœuds virtuels, boucles do-while, etc.) destinés à la gestion d'une logique complexe.
Types de nœuds pris en charge
Le tableau ci-dessous répertorie les types de nœuds compatibles avec la planification périodique. Les types de nœuds pris en charge pour les tâches manuelles ou les workflows déclenchés manuellement peuvent différer. Pour obtenir la liste la plus récente, reportez-vous à l'interface utilisateur.
La disponibilité des nœuds varie selon l'édition et la région. Consultez l'interface utilisateur pour obtenir les informations les plus précises.
Certains nœuds ne peuvent pas être exécutés au sein d'un workflow. Consultez les détails du nœud pour plus de précisions.
|
Type de nœud |
Nom du nœud |
Description |
Code du nœud |
TaskType |
|
Intégration de données |
Synchronise les données par lots récurrents entre différentes sources de données, ce qui permet de gérer la synchronisation entre plusieurs sources hétérogènes dans des scénarios complexes. Pour plus d'informations sur les sources de données prises en charge par la synchronisation par lots, consultez Sources de données et solutions de synchronisation prises en charge. |
23 |
DI |
|
|
Synchronise en temps réel les modifications de données depuis une source vers une base de données de destination. Vous pouvez synchroniser une seule table ou une base de données entière afin de maintenir la cohérence des données. Pour plus d'informations sur les sources de données prises en charge par la synchronisation en temps réel, consultez Sources de données et solutions de synchronisation prises en charge. |
900 |
RI |
||
|
Notebook |
Plateforme interactive de traitement et d'analyse des données qui rend l'exploration des données, la visualisation et la création de modèles plus efficaces grâce à des flux de travail modulaires et interactifs. |
1323 |
NOTEBOOK |
|
|
MaxCompute |
Prend en charge la planification périodique des tâches MaxCompute SQL. MaxCompute SQL utilise une syntaxe semblable à celle du langage SQL et convient aux scénarios de traitement distribué impliquant des données à grande échelle (niveau téraoctet) qui ne nécessitent pas de hautes performances en temps réel. |
10 |
ODPS_SQL |
|
|
Modèle de code SQL réutilisable doté de plusieurs paramètres d'entrée et de sortie. Il filtre, joint et agrège les tables sources pour générer des tables de résultats. Créez des nœuds de composant SQL et utilisez ces composants prédéfinis pour créer rapidement des pipelines de traitement de données. |
1010 |
COMPONENT_SQL |
||
|
Combine plusieurs instructions SQL en un seul script pour une compilation et une exécution unifiées. Cette approche est idéale pour les scénarios de requêtes complexes, tels que les sous-requêtes imbriquées ou les opérations en plusieurs étapes. L'intégralité du script est soumise en une seule fois avec un plan d'exécution unifié ; la tâche n'a donc besoin d'être mise en file d'attente et exécutée qu'une seule fois. |
24 |
ODPS_SQL_SCRIPT |
||
|
Intègre le SDK Python de MaxCompute, ce qui vous permet d'écrire et de modifier directement du code Python sur les nœuds PyODPS 2 afin d'effectuer des tâches de traitement et d'analyse des données dans MaxCompute. |
221 |
PY_ODPS |
||
|
Écrivez directement des tâches MaxCompute en code Python et configurez-les pour une planification périodique. |
1221 |
PYODPS3 |
||
|
Exécute des tâches Spark par lots basées sur MaxCompute (mode cluster) sur la plateforme DataWorks. |
225 |
ODPS_SPARK |
||
|
Créez un nœud MaxCompute MR pour soumettre des programmes MapReduce qui traitent des ensembles de données à grande échelle dans MaxCompute à l'aide de l'API Java MapReduce. |
11 |
ODPS_MR |
||
|
Pour accélérer les requêtes sur les données MaxCompute dans Hologres, utilisez la fonctionnalité de mappage des métadonnées MaxCompute de Data Catalog afin de mapper les métadonnées des tables MaxCompute vers Hologres. Cela permet d'accélérer les requêtes via les tables externes Hologres. |
- |
- |
||
|
Synchronise les données d'une seule table de MaxCompute vers Hologres pour l'analyse du big data et les requêtes en temps réel. |
- |
- |
||
|
Hologres |
Interroge les données dans les instances Hologres. Hologres et MaxCompute sont connectés de manière transparente au niveau sous-jacent ; vous pouvez donc utiliser des instructions PostgreSQL standard pour interroger et analyser des données MaxCompute à grande échelle sans avoir à les migrer. |
1093 |
HOLOGRES_SQL |
|
|
Migre les données d'une seule table de Hologres vers MaxCompute. |
1070 |
HOLOGRES_SYNC_DATA_TO_MC |
||
|
Fournit une fonctionnalité d'importation de schéma de table en un clic pour créer rapidement des tables externes Hologres par lots qui correspondent aux schémas de table MaxCompute. |
1094 |
HOLOGRES_SYNC_DDL |
||
|
Synchronise rapidement les données de MaxCompute vers une base de données Hologres. |
1095 |
HOLOGRES_SYNC_DATA |
||
|
Serverless Spark |
Nœud Spark basé sur Serverless Spark, adapté au traitement de données à grande échelle. |
2100 |
SERVERLESS_SPARK_BATCH |
|
|
Nœud de requête SQL basé sur Serverless Spark qui prend en charge la syntaxe SQL standard et offre des capacités d'analyse de données haute performance. |
2101 |
SERVERLESS_SPARK_SQL |
||
|
Se connecte à Serverless Spark via l'interface JDBC/ODBC Kyuubi, fournissant des services Spark SQL multi-locataires. |
2103 |
SERVERLESS_KYUUBI |
||
|
Severless StarRocks |
Nœud SQL basé sur EMR Serverless StarRocks, compatible avec la syntaxe SQL open source de StarRocks, offrant une analyse de requêtes OLAP ultra-rapide et une analyse de requêtes de type lakehouse. |
2104 |
SERVERLESS_STARROCKS |
|
|
LLM |
Moteur intégré de traitement et d'analyse des données qui effectue le nettoyage et l'exploration des données en fonction de vos instructions en langage naturel. |
2200 |
LLM_NODE |
|
|
Flink |
Définit la logique de traitement des tâches en temps réel à l'aide d'instructions SQL standard. Il offre une prise en charge riche du langage SQL, une gestion puissante de l'état et une tolérance aux pannes, une compatibilité avec le temps événementiel et le temps de traitement, ainsi qu'une évolutivité flexible. Il s'intègre à des systèmes tels que Kafka et HDFS et fournit des outils de journalisation et de surveillance des performances. |
2012 |
FLINK_SQL_STREAM |
|
|
Définit et exécute des tâches de traitement de données à l'aide d'instructions SQL standard. Adapté à l'analyse et à la transformation de grands ensembles de données, y compris le nettoyage et l'agrégation des données. Prend en charge la configuration visuelle pour un traitement efficace des données par lots à grande échelle. |
2011 |
FLINK_SQL_BATCH |
||
|
Exécute des tâches Flink en temps réel en soumettant des packages JAR. Sélectionnez une ressource Flink JAR téléchargée comme point d'entrée de la tâche et configurez la classe d'entrée ainsi que les paramètres d'exécution. |
2016 |
FLINK_JAR_STREAM |
||
|
Exécute des tâches de traitement par lots Flink en soumettant des packages JAR. Sélectionnez une ressource Flink JAR téléchargée comme point d'entrée de la tâche et configurez la classe d'entrée ainsi que les paramètres de planification. |
2015 |
FLINK_JAR_BATCH |
||
|
Exécute des tâches Flink en temps réel en soumettant des fichiers Python. Sélectionnez une ressource Flink Python téléchargée comme adresse de fichier et configurez le module d'entrée ainsi que les paramètres d'exécution. |
2018 |
FLINK_PYTHON_STREAM |
||
|
Exécute des tâches de traitement par lots Flink en soumettant des fichiers Python. Sélectionnez une ressource Flink Python téléchargée comme adresse de fichier et configurez le module d'entrée ainsi que les paramètres de planification. |
2017 |
FLINK_PYTHON_BATCH |
||
|
EMR |
Utilise des instructions semblables au langage SQL pour lire, écrire et gérer de grands ensembles de données, permettant une analyse et un développement efficaces des données de journal. |
227 |
EMR_HIVE |
|
|
Moteur de requête SQL interactif rapide et en temps réel pour le big data à l'échelle du pétaoctet. |
260 |
EMR_IMPALA |
||
|
Décompose les ensembles de données à grande échelle en plusieurs tâches Map parallèles afin d'améliorer considérablement l'efficacité du traitement des données. |
230 |
EMR_MR |
||
|
Moteur de requête SQL distribué flexible et évolutif qui prend en charge l'analyse interactive et l'interrogation du big data à l'aide de la syntaxe de requête SQL standard. |
259 |
EMR_PRESTO |
||
|
Écrivez et exécutez des scripts Shell personnalisés pour le traitement des données, l'appel de composants Hadoop et les opérations sur les fichiers. |
257 |
EMR_SHELL |
||
|
Moteur d'analyse big data polyvalent qui prend en charge le calcul complexe en mémoire, idéal pour la création d'applications d'analyse de données à grande échelle et à faible latence. |
228 |
EMR_SPARK |
||
|
Traite les données structurées à l'aide d'un moteur de requête SQL distribué pour améliorer l'efficacité de l'exécution des tâches. |
229 |
EMR_SPARK_SQL |
||
|
Traite des données de streaming en temps réel à haut débit grâce à des mécanismes de tolérance aux pannes capables de récupérer rapidement après des erreurs dans le flux de données. |
264 |
EMR_SPARK_STREAMING |
||
|
Moteur de requête SQL distribué adapté à l'analyse interactive et à l'interrogation across plusieurs sources de données. |
267 |
EMR_TRINO |
||
|
Passerelle distribuée et multi-locataire qui fournit des services de requête SQL pour les moteurs de requête de lac de données tels que Spark, Flink et Trino. |
268 |
EMR_KYUUBI |
||
|
ADB |
Prend en charge le développement et la planification périodique des tâches AnalyticDB for PostgreSQL. |
1000090 |
- |
|
|
Prend en charge le développement et la planification périodique des tâches AnalyticDB for MySQL. |
1000126 |
- |
||
|
Prend en charge le développement et la planification périodique des tâches AnalyticDB Spark. |
1990 |
ADB_SPARK |
||
|
Prend en charge le développement et la planification périodique des tâches AnalyticDB Spark SQL. |
1991 |
ADB_SPARK_SQL |
||
|
CDH |
Destiné aux utilisateurs ayant déployé un cluster CDH et souhaitant exécuter des tâches Hive dans DataWorks. |
270 |
CDH_HIVE |
|
|
Moteur d'analyse big data polyvalent qui prend en charge l'analyse complexe en mémoire, adapté à la création d'applications d'analyse de données à grande échelle et à faible latence. |
271 |
CDH_SPARK |
||
|
Traite les données structurées à l'aide d'un moteur de requête SQL distribué pour améliorer l'efficacité de l'exécution des tâches. |
272 |
CDH_SPARK_SQL |
||
|
Traite des ensembles de données à très grande échelle. |
273 |
CDH_MR |
||
|
Moteur de requête SQL distribué qui améliore les capacités d'analyse des données dans l'environnement CDH. |
278 |
CDH_PRESTO |
||
|
Écrivez et exécutez des scripts SQL Impala pour des performances de requête plus rapides. |
279 |
CDH_IMPALA |
||
|
Lindorm |
Prend en charge le développement et la planification périodique des tâches Lindorm Spark. |
1800 |
LINDORM_SPARK |
|
|
Prend en charge le développement et la planification périodique des tâches Lindorm Spark SQL. |
1801 |
LINDORM_SPARK_SQL |
||
|
Click House |
Prend en charge les requêtes SQL distribuées et le traitement des données structurées pour améliorer l'efficacité de l'exécution des tâches. |
1301 |
CLICK_SQL |
|
|
Qualité des données |
Configurez des règles de surveillance de la qualité des données pour vérifier la présence de problèmes tels que des données corrompues dans les tables sources. Vous pouvez personnaliser les stratégies de planification afin d'exécuter périodiquement des tâches de surveillance pour la validation des données. |
1333 |
DATA_QUALITY_MONITOR |
|
|
Compare les données entre différentes tables à l'aide de plusieurs méthodes. |
1331 |
DATA_SYNCHRONIZATION_QUALITY_CHECK |
||
|
Général |
Nœud de type contrôle qui effectue un test à blanc sans générer de données. Généralement utilisé comme nœud racine pour l'orchestration de workflows afin d'organiser les nœuds et les workflows. |
99 |
VIRTUAL |
|
|
Transmet le dernier résultat de requête ou de sortie du nœud d'affectation aux nœuds en aval via la fonctionnalité de contexte de nœud, permettant ainsi le passage de paramètres entre les nœuds. |
1100 |
CONTROLLER_ASSIGNMENT |
||
|
Les nœuds Shell prennent en charge la syntaxe Shell standard, mais pas la syntaxe interactive. |
6 |
DIDE_SHELL |
||
|
Agrège les paramètres provenant des nœuds en amont et les distribue aux nœuds en aval. |
1115 |
PARAM_HUB |
||
|
Déclenche l'exécution des nœuds en aval en surveillant les objets OSS. |
239 |
OSS_INSPECT |
||
|
Prend en charge Python 3.0. Il peut obtenir les paramètres en amont via les paramètres de planification et appliquer des paramètres personnalisés, puis transmettre sa sortie en tant que paramètres aux nœuds en aval. |
1322 |
PYTHON |
||
|
Fusionne l'état d'exécution des nœuds en amont, résolvant le montage des dépendances et le déclenchement de l'exécution pour les nœuds situés en aval des nœuds de branchement. |
1102 |
CONTROLLER_JOIN |
||
|
Évalue les résultats en amont et dirige les différents résultats vers des logiques de branchement distinctes. Peut être utilisé conjointement avec des nœuds d'affectation. |
1101 |
CONTROLLER_BRANCH |
||
|
Itère sur l'ensemble de résultats transmis par un nœud d'affectation. |
1106 |
CONTROLLER_TRAVERSE |
||
|
Exécute un sous-ensemble de la logique des nœuds en boucle. Peut également être utilisé avec des nœuds d'affectation pour parcourir en boucle les résultats transmis par un nœud d'affectation. |
1103 |
CONTROLLER_CYCLE |
||
|
Vérifie si un objet cible (table partitionnée MaxCompute, fichier FTP ou fichier OSS) est disponible. Lorsque la politique de vérification est satisfaite, le nœud renvoie un statut de réussite et déclenche l'exécution des tâches en aval. Objets cibles pris en charge :
|
241 |
CHECK_NODE |
||
|
Planifie et traite périodiquement des fonctions événementielles. |
1330 |
FUNCTION_COMPUTE |
||
|
Déclenche les tâches DataWorks lorsque les tâches d'autres systèmes de planification sont terminées. Remarque
DataWorks ne prend plus en charge la création de nœuds inter-locataires. Si vous utilisez des nœuds inter-locataires, nous vous recommandons de passer aux nœuds de déclencheur HTTP, qui offrent les mêmes fonctionnalités. |
1114 |
SCHEDULER_TRIGGER |
||
|
Accède à distance à un hôte connecté via une source de données SSH spécifiée et déclenche l'exécution de scripts sur l'hôte distant. |
1321 |
SSH |
||
|
Pousse les résultats de requête de données générés par d'autres nœuds dans un workflow Data Studio vers des groupes DingTalk, Lark, WeCom, Teams et par e-mail en créant des cibles de push de données. |
1332 |
DATA_PUSH |
||
|
Nœud MySQL |
Les nœuds MySQL prennent en charge le développement et la planification périodique des tâches MySQL. |
1000125 |
- |
|
|
SQL Server |
Les nœuds SQL Server prennent en charge le développement et la planification périodique des tâches SQL Server. |
10001 |
- |
|
|
Nœud Oracle |
Les nœuds Oracle prennent en charge le développement et la planification périodique des tâches Oracle. |
10002 |
- |
|
|
Nœud PostgreSQL |
Les nœuds PostgreSQL prennent en charge le développement et la planification périodique des tâches PostgreSQL. |
10003 |
- |
|
|
Nœud StarRocks |
Prend en charge le développement et la planification périodique des tâches StarRocks. |
10004 |
- |
|
|
Nœud DRDS |
Prend en charge le développement et la planification périodique des tâches DRDS. |
10005 |
- |
|
|
Nœud PolarDB MySQL |
Prend en charge le développement et la planification périodique des tâches PolarDB MySQL. |
10006 |
- |
|
|
Nœud PolarDB PostgreSQL |
Les nœuds PolarDB PostgreSQL prennent en charge le développement et la planification périodique des tâches PolarDB PostgreSQL. |
10007 |
- |
|
|
Nœud Doris |
Les nœuds Doris prennent en charge le développement et la planification périodique des tâches Doris. |
10008 |
- |
|
|
Nœud MariaDB |
Les nœuds MariaDB prennent en charge le développement et la planification périodique des tâches MariaDB. |
10009 |
- |
|
|
Nœud SelectDB |
Les nœuds SelectDB prennent en charge le développement et la planification périodique des tâches SelectDB. |
10010 |
- |
|
|
Nœud Redshift |
Les nœuds Redshift prennent en charge le développement et la planification périodique des tâches Redshift. |
10011 |
- |
|
|
Nœud Saphana |
Les nœuds Saphana prennent en charge le développement et la planification périodique des tâches SAP HANA. |
10012 |
- |
|
|
Nœud Vertica |
Les nœuds Vertica prennent en charge le développement et la planification périodique des tâches Vertica. |
10013 |
- |
|
|
Nœud DM (Dameng) |
Les nœuds DM prennent en charge le développement et la planification périodique des tâches DM. |
10014 |
- |
|
|
Nœud KingbaseES |
Les nœuds KingbaseES prennent en charge le développement et la planification périodique des tâches KingbaseES. |
10015 |
- |
|
|
Nœud OceanBase |
Les nœuds OceanBase prennent en charge le développement et la planification périodique des tâches OceanBase. |
10016 |
- |
|
|
Nœud DB2 |
Les nœuds DB2 prennent en charge le développement et la planification périodique des tâches DB2. |
10017 |
- |
|
|
Nœud GBase 8a |
Les nœuds GBase 8a prennent en charge le développement et la planification périodique des tâches GBase 8a. |
10018 |
- |
|
|
Algorithme |
Outil de modélisation visuelle de PAI pour mettre en œuvre des workflows de développement de machine learning de bout en bout. |
1117 |
PAI_STUDIO |
|
|
Service de formation basé sur des conteneurs de PAI pour l'exécution distribuée des tâches de formation. |
1119 |
PAI_DLC |
||
|
Workflow d'indexation de la base de connaissances PAI / génère des nœuds PAIFlow côté DataWorks. |
1250 |
PAI_FLOW |
||
|
Nœud logique |
Consolide plusieurs workflows en un tout unifié pour la gestion et la planification. |
1122 |
SUB_PROCESS |
Créer des nœuds
Créer des nœuds pour les workflows planifiés
Si vos tâches doivent s'exécuter automatiquement à des intervalles précis (par exemple, toutes les heures, quotidiennement ou hebdomadairement), créez des nœuds de tâche planifiés de l'une des manières suivantes : créez un nœud de tâche planifié autonome, ajoutez des nœuds internes à un workflow planifié ou clonez un nœud existant.
Accédez à la page Espaces de travail dans la console DataWorks. Dans la barre de navigation supérieure, sélectionnez la région souhaitée. Localisez l'espace de travail voulu et choisissez dans la colonne Actions.
Dans le volet de navigation de gauche, cliquez sur
pour accéder à la page Data Studio.
Créer un nœud de tâche planifié
-
Cliquez sur
à droite du répertoire du projet, sélectionnez New Node, puis choisissez le type de nœud souhaité.ImportantLe système propose une liste Common Nodes et une liste All Nodes. Sélectionnez All Nodes en bas de page pour afficher tous les types de nœuds disponibles. Utilisez la zone de recherche pour trouver rapidement des nœuds, ou servez-vous des filtres de catégorie (tels que MaxCompute, Data Integration et General) pour localiser et créer le nœud désiré.
Vous pouvez créer des répertoires à l'avance pour organiser et gérer les nœuds.
Définissez le nom du nœud et enregistrez-le. La page d'édition du nœud s'affiche alors.
Créer des nœuds internes dans un workflow planifié
Créez un workflow planifié.
Sur le canevas du workflow, cliquez sur New Node dans la barre d'outils en haut, sélectionnez le type de nœud approprié en fonction de la tâche à développer, puis faites-le glisser sur le canevas.
Définissez le nom du nœud et enregistrez-le.
Créer un nœud par clonage
Utilisez la fonctionnalité de clonage pour dupliquer rapidement un nœud existant et en créer un nouveau. Le contenu cloné inclut les informations de Scheduling Settings du nœud (Scheduling Parameters, Scheduling time et Scheduling Dependency).
Dans le Project Directory situé à gauche, faites un clic droit sur le nœud à cloner et sélectionnez Cloning dans le menu contextuel.
Dans la boîte de dialogue, modifiez le Name et le Path du nœud (ou conservez les valeurs par défaut), puis cliquez sur Confirm pour lancer le clonage.
Une fois le clonage terminé, affichez le nouveau nœud créé dans le Project Directory.
Créer des nœuds pour les workflows déclenchés manuellement
Si vos tâches n'ont pas besoin de s'exécuter périodiquement, mais doivent être déployées dans l'environnement de production et exécutées manuellement si nécessaire, créez des nœuds internes dans un workflow déclenché manuellement.
Accédez à la page Espaces de travail dans la console DataWorks. Dans la barre de navigation supérieure, sélectionnez la région souhaitée. Localisez l'espace de travail voulu et choisissez dans la colonne Actions.
-
Dans le volet de navigation de gauche, cliquez sur
pour accéder à la page des workflows déclenchés manuellement.Créez un workflow déclenché manuellement.
Dans la barre d'outils en haut de la page d'édition du workflow déclenché manuellement, cliquez sur New Internal Node, puis sélectionnez le type de nœud approprié en fonction de la tâche à développer.
Définissez le nom du nœud et enregistrez-le.
Créer des nœuds de tâche manuelle
Accédez à la page Espaces de travail dans la console DataWorks. Dans la barre de navigation supérieure, sélectionnez la région souhaitée. Localisez l'espace de travail voulu et choisissez dans la colonne Actions.
Dans le volet de navigation de gauche, cliquez sur
pour accéder à la page des tâches manuelles.-
Dans la section inférieure, cliquez sur
à droite de Manually Triggered Task, sélectionnez New Node, puis choisissez le type de nœud souhaité.RemarqueLes tâches manuelles ne prennent en charge que les types de nœuds suivants : Offline synchronization, Notebook, Maxcompute SQL, Maxcompute Script, Pyodps 2, Maxcompute MR, Hologres SQL, Python et Shell.
Définissez le nom du nœud et enregistrez-le. La page d'édition du nœud s'affiche alors.
Modification groupée des nœuds
Lorsqu'un workflow contient de nombreux nœuds, il est inefficace de les ouvrir un par un pour les modifier. DataWorks propose une fonctionnalité Internal Node List qui affiche tous les nœuds sous forme de liste sur le côté droit du canevas, permettant une prévisualisation rapide, une recherche et une modification groupée.
Utilisation
-
Dans la barre d'outils en haut du canevas du workflow, cliquez sur le bouton Show Internal Node List pour ouvrir le panneau de fonctionnalité sur le côté droit du canevas.
-
Une fois le panneau ouvert, tous les nœuds du workflow actuel s'affichent dans une liste.
-
Prévisualisation du code et tri :
Les nœuds prenant en charge l'édition de code (tels que MaxCompute SQL) développent l'éditeur de code par défaut.
Les nœuds ne prenant pas en charge l'édition de code (tels que les nœuds virtuels) s'affichent sous forme de cartes et sont automatiquement disposés en bas de la liste.
-
Recherche rapide et navigation :
Recherche : Saisissez des mots-clés dans la zone de recherche en haut pour effectuer une recherche floue sur les noms de nœuds.
Liaison : Une liaison bidirectionnelle est disponible entre le canevas et la barre latérale. La sélection d'un nœud sur le canevas met en évidence le nœud correspondant dans la barre latérale, et vice versa.
-
Édition en ligne :
Actions : Le coin supérieur droit de chaque carte de nœud propose des actions rapides telles que Load Latest Code, Open Node et Edit.
Enregistrement automatique : Après être entré en mode édition, les modifications sont automatiquement enregistrées lorsque le focus de la souris quitte la zone du bloc de code.
Détection de conflits : Si le code est mis à jour par un autre utilisateur pendant l'édition, une notification d'échec de l'enregistrement se déclenche pour éviter les écrasements accidentels.
-
Mode Focus :
Sélectionnez un nœud et cliquez sur
dans le coin supérieur droit de la fenêtre flottante pour activer le Focus Mode. La barre latérale n'affiche alors que le nœud actuellement sélectionné, offrant plus d'espace pour l'édition du code.
-
Gestion des versions
Restaurez les nœuds vers une version historique spécifique. Le système propose également des fonctionnalités de visualisation et de comparaison des versions pour vous aider à analyser les différences et à apporter les ajustements nécessaires.
Dans le Project Directory situé à gauche, double-cliquez sur le nom du nœud cible pour accéder à la page d'édition du nœud.
-
Cliquez sur Version à droite de la page d'édition du nœud. Sur la page Version, affichez et gérez les informations relatives à l'Developer Record et à l'Publish Record.
-
View une version :
Dans l'onglet Developer Record ou Publish Record, localisez la version du nœud que vous souhaitez afficher.
-
Cliquez sur View dans la colonne Operation pour accéder à la page de détails où vous pouvez consulter le contenu du code du nœud et les informations de Scheduling Settings.
RemarqueLes informations de Scheduling Settings peuvent être affichées en Script Mode ou en Visual Mode. Vous pouvez basculer entre les modes d'affichage dans le coin supérieur droit de l'onglet Scheduling Settings.
-
Compare les versions :
Dans l'onglet Developer Record ou Publish Record, vous pouvez comparer différentes versions d'un nœud. L'exemple suivant utilise l'enregistrement de développement pour illustrer l'opération de comparaison.
Comparer au sein des enregistrements de développement ou de déploiement : Dans l'onglet Developer Record, sélectionnez deux versions et cliquez sur le bouton Select Comparison en haut pour comparer le contenu du code du nœud et les paramètres de planification entre les versions.
-
Comparer entre les enregistrements de développement, de déploiement ou de build :
Dans l'onglet Developer Record, localisez la version souhaitée du nœud.
Cliquez sur Compare dans la colonne Operation, puis, sur la page de détails, sélectionnez une version dans l'Publish Record ou dans les Build Records pour effectuer la comparaison.
-
Restore une version :
Vous ne pouvez restaurer les nœuds vers une version historique spécifique qu'à partir de l'Developer Record. Dans l'onglet Developer Record, localisez la version cible et cliquez sur Restore dans la colonne Operation pour restaurer le code du nœud et les informations de Scheduling Settings vers la version cible.
-
Références
Pour plus d'informations sur le développement de nœuds dans les workflows planifiés et les workflows déclenchés manuellement, consultez les rubriques Workflows planifiés et Workflows déclenchés manuellement.
Une fois les nœuds créés et développés, vous pouvez les déployer dans l'environnement de production. Pour plus d'informations, consultez les rubriques Soumettre des nœuds et Déployer des nœuds.
FAQ
Puis-je télécharger le code des nœuds (tel que SQL ou Python) sur ma machine locale ?
Réponse : Aucune fonctionnalité de téléchargement direct n'est disponible. Vous pouvez copier le code sur votre machine locale pendant le développement. Autre solution : développez dans le répertoire personnel de Data Studio, puis soumettez le code au répertoire du projet, ce qui enregistre votre code localement.