O Data Studio oferece suporte a diversos tipos de nós para processamento de dados: nós de integração de dados para sincronização, nós de computação de engine (MaxCompute SQL, Hologres SQL, EMR Hive, entre outros) para limpeza de dados e nós de uso geral (nós virtuais, loops do-while, entre outros) para lógicas complexas.
Tipos de nós suportados
A tabela a seguir lista os tipos de nós compatíveis com agendamento periódico. Os tipos de nós disponíveis para tarefas manuais ou workflows acionados manualmente podem ser diferentes. Para obter a lista mais atualizada, consulte a interface do usuário.
A disponibilidade dos nós varia conforme a edição e a região. Para informações mais precisas, verifique a interface do usuário.
Alguns nós não podem ser executados em um workflow. Consulte os detalhes do nó para obter especificações.
|
Tipo de nó |
Nome do nó |
Descrição |
Código do nó |
TaskType |
|
Data Integration |
Sincroniza dados em lotes recorrentes entre fontes de dados, permitindo a sincronização entre múltiplas fontes heterogêneas em cenários complexos. Para mais informações sobre as fontes de dados compatíveis com a sincronização em lote, consulte Fontes de dados e soluções de sincronização suportadas. |
23 |
DI |
|
|
Sincroniza alterações de dados de uma origem para um banco de dados de destino em tempo real. É possível sincronizar uma única tabela ou um banco de dados inteiro para manter a consistência dos dados. Para mais informações sobre as fontes de dados compatíveis com a sincronização em tempo real, consulte Fontes de dados e soluções de sincronização suportadas. |
900 |
RI |
||
|
Notebook |
Plataforma interativa de processamento e análise de dados que torna a exploração de dados, a visualização e a criação de modelos mais eficientes por meio de workflows modulares e interativos. |
1323 |
NOTEBOOK |
|
|
MaxCompute |
Permite o agendamento periódico de tarefas MaxCompute SQL. O MaxCompute SQL utiliza sintaxe semelhante à do SQL e é adequado para cenários de processamento distribuído que envolvem dados em grande escala (nível de TB), mas não exigem alta performance em tempo real. |
10 |
ODPS_SQL |
|
|
Modelo de código SQL reutilizável com múltiplos parâmetros de entrada e saída. Filtra, une e agrega tabelas de fontes de dados para gerar tabelas de resultados. Crie nós de componente SQL e utilize esses componentes predefinidos para construir rapidamente pipelines de processamento de dados. |
1010 |
COMPONENT_SQL |
||
|
Combina várias instruções SQL em um único script para compilação e execução unificadas, ideal para cenários de consulta complexa, como subconsultas aninhadas ou operações em várias etapas. Todo o script é enviado de uma vez com um plano de execução unificado, de modo que o job precisa ser enfileirado e executado apenas uma vez. |
24 |
ODPS_SQL_SCRIPT |
||
|
Integra o SDK Python do MaxCompute para que você possa escrever e editar código Python diretamente em nós PyODPS 2, realizando tarefas de processamento e análise de dados no MaxCompute. |
221 |
PY_ODPS |
||
|
Escreva jobs do MaxCompute diretamente em código Python e configure-os para agendamento periódico. |
1221 |
PYODPS3 |
||
|
Executa jobs em lote do Spark baseados no MaxCompute (modo cluster) na plataforma DataWorks. |
225 |
ODPS_SPARK |
||
|
Crie um nó MaxCompute MR para enviar programas MapReduce que processam conjuntos de dados em grande escala no MaxCompute usando a API Java do MapReduce. |
11 |
ODPS_MR |
||
|
Para acelerar consultas em dados do MaxCompute no Hologres, use o recurso de mapeamento de metadados do MaxCompute do Data Catalog para mapear metadados de tabelas do MaxCompute para o Hologres, habilitando consultas aceleradas por meio de tabelas externas do Hologres. |
- |
- |
||
|
Sincroniza dados de tabela única do MaxCompute para o Hologres para análise de big data e consultas em tempo real. |
- |
- |
||
|
Hologres |
Consulta dados em instâncias do Hologres. O Hologres e o MaxCompute estão perfeitamente conectados no nível subjacente, permitindo o uso de instruções PostgreSQL padrão para consultar e analisar dados do MaxCompute em grande escala sem precisar migrá-los. |
1093 |
HOLOGRES_SQL |
|
|
Migra dados de tabela única do Hologres para o MaxCompute. |
1070 |
HOLOGRES_SYNC_DATA_TO_MC |
||
|
Sincronização de schema de tabela do MaxCompute com um clique |
Oferece um recurso de importação de schema de tabela com um clique para criar rapidamente tabelas externas do Hologres em lote que correspondem aos schemas de tabelas do MaxCompute. |
1094 |
HOLOGRES_SYNC_DDL |
|
|
Sincroniza rapidamente dados do MaxCompute para um banco de dados do Hologres. |
1095 |
HOLOGRES_SYNC_DATA |
||
|
Serverless Spark |
Nó Spark baseado no Serverless Spark, adequado para processamento de dados em grande escala. |
2100 |
SERVERLESS_SPARK_BATCH |
|
|
Nó de consulta SQL baseado no Serverless Spark que suporta sintaxe SQL padrão e fornece recursos de análise de dados de alto desempenho. |
2101 |
SERVERLESS_SPARK_SQL |
||
|
Conecta-se ao Serverless Spark por meio da interface Kyuubi JDBC/ODBC, fornecendo serviços Spark SQL multilocatário. |
2103 |
SERVERLESS_KYUUBI |
||
|
Severless StarRocks |
Nó SQL baseado no EMR Serverless StarRocks, compatível com a sintaxe SQL open-source do StarRocks, oferecendo análise de consultas OLAP ultrarrápida e análise de consultas lakehouse. |
2104 |
SERVERLESS_STARROCKS |
|
|
LLM |
Engine integrada de processamento e análise de dados que realiza limpeza e mineração de dados com base em suas instruções em linguagem natural. |
2200 |
LLM_NODE |
|
|
Flink |
Define a lógica de processamento de tarefas em tempo real usando instruções SQL padrão. Oferece suporte rico a SQL, gerenciamento de estado poderoso e tolerância a falhas, compatibilidade com tempo de evento e tempo de processamento, além de escalabilidade flexível. Integra-se a sistemas como Kafka e HDFS e fornece ferramentas de log e monitoramento de desempenho. |
2012 |
FLINK_SQL_STREAM |
|
|
Define e executa tarefas de processamento de dados usando instruções SQL padrão. Adequado para análise e transformação de grandes conjuntos de dados, incluindo limpeza e agregação de dados. Suporta configuração visual para processamento eficiente de dados em lote em grande escala. |
2011 |
FLINK_SQL_BATCH |
||
|
Executa tarefas em tempo real do Flink enviando pacotes JAR. Selecione um recurso Flink JAR carregado como ponto de entrada do job e configure a classe de entrada e os parâmetros de tempo de execução. |
2016 |
FLINK_JAR_STREAM |
||
|
Executa tarefas de processamento em lote do Flink enviando pacotes JAR. Selecione um recurso Flink JAR carregado como ponto de entrada do job e configure a classe de entrada e os parâmetros de agendamento. |
2015 |
FLINK_JAR_BATCH |
||
|
Executa tarefas em tempo real do Flink enviando arquivos Python. Selecione um recurso Flink Python carregado como endereço do arquivo e configure o módulo de entrada e os parâmetros de tempo de execução. |
2018 |
FLINK_PYTHON_STREAM |
||
|
Executa tarefas de processamento em lote do Flink enviando arquivos Python. Selecione um recurso Flink Python carregado como endereço do arquivo e configure o módulo de entrada e os parâmetros de agendamento. |
2017 |
FLINK_PYTHON_BATCH |
||
|
EMR |
Utiliza instruções semelhantes a SQL para ler, gravar e gerenciar grandes conjuntos de dados, permitindo análise e desenvolvimento eficientes de dados de log. |
227 |
EMR_HIVE |
|
|
Engine de consulta SQL interativa em tempo real e rápida para big data na escala de PB. |
260 |
EMR_IMPALA |
||
|
Divide conjuntos de dados em grande escala em múltiplas tarefas Map paralelas para melhorar significativamente a eficiência do processamento de dados. |
230 |
EMR_MR |
||
|
Engine de consulta SQL distribuída, flexível e escalável, que suporta análise interativa e consulta de big data usando sintaxe de consulta SQL padrão. |
259 |
EMR_PRESTO |
||
|
Escreva e execute scripts Shell personalizados para processamento de dados, invocação de componentes Hadoop e operações de arquivo. |
257 |
EMR_SHELL |
||
|
Engine de análise de big data de uso geral que suporta computação complexa em memória, ideal para criar aplicações de análise de dados em grande escala e com baixa latência. |
228 |
EMR_SPARK |
||
|
Processa dados estruturados usando uma engine de consulta SQL distribuída para melhorar a eficiência da execução de jobs. |
229 |
EMR_SPARK_SQL |
||
|
Processa dados de streaming em tempo real com alto throughput e mecanismos de tolerância a falhas que permitem recuperação rápida de erros no fluxo de dados. |
264 |
EMR_SPARK_STREAMING |
||
|
Engine de consulta SQL distribuída adequada para análise interativa e consulta em múltiplas fontes de dados. |
267 |
EMR_TRINO |
||
|
Gateway distribuído e multilocatário que fornece serviços de consulta SQL para engines de consulta de data lake, como Spark, Flink e Trino. |
268 |
EMR_KYUUBI |
||
|
ADB |
Suporta o desenvolvimento e o agendamento periódico de tarefas do AnalyticDB for PostgreSQL. |
1000090 |
- |
|
|
Suporta o desenvolvimento e o agendamento periódico de tarefas do AnalyticDB for MySQL. |
1000126 |
- |
||
|
Suporta o desenvolvimento e o agendamento periódico de tarefas do AnalyticDB Spark. |
1990 |
ADB_SPARK |
||
|
Suporta o desenvolvimento e o agendamento periódico de tarefas do AnalyticDB Spark SQL. |
1991 |
ADB_SPARK_SQL |
||
|
CDH |
Destinado a usuários que implantaram um cluster CDH e desejam executar tarefas Hive no DataWorks. |
270 |
CDH_HIVE |
|
|
Engine de análise de big data de uso geral que suporta análise complexa em memória, adequada para criar aplicações de análise de dados em grande escala e com baixa latência. |
271 |
CDH_SPARK |
||
|
Processa dados estruturados usando uma engine de consulta SQL distribuída para melhorar a eficiência da execução de jobs. |
272 |
CDH_SPARK_SQL |
||
|
Processa conjuntos de dados de escala extremamente grande. |
273 |
CDH_MR |
||
|
Engine de consulta SQL distribuída que aprimora os recursos de análise de dados do ambiente CDH. |
278 |
CDH_PRESTO |
||
|
Escreva e execute scripts Impala SQL para obter desempenho de consulta mais rápido. |
279 |
CDH_IMPALA |
||
|
Lindorm |
Suporta o desenvolvimento e o agendamento periódico de tarefas do Lindorm Spark. |
1800 |
LINDORM_SPARK |
|
|
Suporta o desenvolvimento e o agendamento periódico de tarefas do Lindorm Spark SQL. |
1801 |
LINDORM_SPARK_SQL |
||
|
Click House |
Suporta consultas SQL distribuídas e processamento de dados estruturados para melhorar a eficiência da execução de jobs. |
1301 |
CLICK_SQL |
|
|
Data Quality |
Configure regras de monitoramento de qualidade de dados para verificar problemas como dados incorretos nas tabelas de origem. Personalize políticas de agendamento para executar periodicamente tarefas de monitoramento visando a validação de dados. |
1333 |
DATA_QUALITY_MONITOR |
|
|
Compara dados entre diferentes tabelas usando vários métodos. |
1331 |
DATA_SYNCHRONIZATION_QUALITY_CHECK |
||
|
Geral |
Nó de controle que executa uma simulação sem gerar dados. Geralmente usado como nó raiz para orquestração de workflows, organizando nós e workflows. |
99 |
VIRTUAL |
|
|
Transmite a última consulta ou resultado de saída do nó de atribuição para nós downstream por meio do recurso de contexto do nó, permitindo a passagem de parâmetros entre nós. |
1100 |
CONTROLLER_ASSIGNMENT |
||
|
Os nós Shell suportam sintaxe Shell padrão, mas não suportam sintaxe interativa. |
6 |
DIDE_SHELL |
||
|
Agrega parâmetros de nós upstream e os distribui para nós downstream. |
1115 |
PARAM_HUB |
||
|
Aciona a execução de nós downstream monitorando objetos do OSS. |
239 |
OSS_INSPECT |
||
|
Suporta Python 3.0. Pode obter parâmetros upstream por meio de parâmetros de agendamento e aplicar parâmetros personalizados, além de transmitir sua saída como parâmetros para nós downstream. |
1322 |
PYTHON |
||
|
Mescla o status de execução de nós upstream, resolvendo a montagem de dependências e o acionamento de execução para nós downstream de nós de ramificação. |
1102 |
CONTROLLER_JOIN |
||
|
Avalia resultados upstream e direciona diferentes resultados para lógicas de ramificação distintas. Pode ser usado em conjunto com nós de atribuição. |
1101 |
CONTROLLER_BRANCH |
||
|
Itera sobre o conjunto de resultados transmitido por um nó de atribuição. |
1106 |
CONTROLLER_TRAVERSE |
||
|
Executa um subconjunto da lógica do nó em loop. Também pode ser usado com nós de atribuição para percorrer em loop os resultados transmitidos por um nó de atribuição. |
1103 |
CONTROLLER_CYCLE |
||
|
Verifica se um objeto de destino (tabela particionada do MaxCompute, arquivo FTP ou arquivo OSS) está disponível. Quando a política de verificação é atendida, o nó retorna um status de sucesso e aciona a execução da tarefa downstream. Objetos de destino suportados:
|
241 |
CHECK_NODE |
||
|
Agenda e processa periodicamente funções de evento. |
1330 |
FUNCTION_COMPUTE |
||
|
Aciona tarefas do DataWorks quando tarefas em outros sistemas de agendamento são concluídas. Nota
O DataWorks não suporta mais a criação de nós entre locatários. Se você estiver usando nós entre locatários, recomendamos mudar para nós de gatilho HTTP, que oferecem os mesmos recursos. |
1114 |
SCHEDULER_TRIGGER |
||
|
Acessa remotamente um host conectado por meio de uma fonte de dados SSH especificada e aciona a execução de script no host remoto. |
1321 |
SSH |
||
|
Envia resultados de consulta de dados gerados por outros nós em um workflow do Data Studio para grupos do DingTalk, grupos do Lark, grupos do WeCom, Teams e e-mail, por meio da criação de alvos de envio de dados. |
1332 |
DATA_PUSH |
||
|
Nó MySQL |
Os nós MySQL suportam o desenvolvimento e o agendamento periódico de tarefas MySQL. |
1000125 |
- |
|
|
SQL Server |
Os nós SQL Server suportam o desenvolvimento e o agendamento periódico de tarefas SQL Server. |
10001 |
- |
|
|
Nó Oracle |
Os nós Oracle suportam o desenvolvimento e o agendamento periódico de tarefas Oracle. |
10002 |
- |
|
|
Nó PostgreSQL |
Os nós PostgreSQL suportam o desenvolvimento e o agendamento periódico de tarefas PostgreSQL. |
10003 |
- |
|
|
Nó StarRocks |
Suporta o desenvolvimento e o agendamento periódico de tarefas StarRocks. |
10004 |
- |
|
|
Nó DRDS |
Suporta o desenvolvimento e o agendamento periódico de tarefas DRDS. |
10005 |
- |
|
|
Nó PolarDB MySQL |
Suporta o desenvolvimento e o agendamento periódico de tarefas PolarDB MySQL. |
10006 |
- |
|
|
Nó PolarDB PostgreSQL |
Os nós PolarDB PostgreSQL suportam o desenvolvimento e o agendamento periódico de tarefas PolarDB PostgreSQL. |
10007 |
- |
|
|
Nó Doris |
Os nós Doris suportam o desenvolvimento e o agendamento periódico de tarefas Doris. |
10008 |
- |
|
|
Nó MariaDB |
Os nós MariaDB suportam o desenvolvimento e o agendamento periódico de tarefas MariaDB. |
10009 |
- |
|
|
Nó SelectDB |
Os nós SelectDB suportam o desenvolvimento e o agendamento periódico de tarefas SelectDB. |
10010 |
- |
|
|
Nó Redshift |
Os nós Redshift suportam o desenvolvimento e o agendamento periódico de tarefas Redshift. |
10011 |
- |
|
|
Nó Saphana |
Os nós Saphana suportam o desenvolvimento e o agendamento periódico de tarefas SAP HANA. |
10012 |
- |
|
|
Nó Vertica |
Os nós Vertica suportam o desenvolvimento e o agendamento periódico de tarefas Vertica. |
10013 |
- |
|
|
Nó DM (Dameng) |
Os nós DM suportam o desenvolvimento e o agendamento periódico de tarefas DM. |
10014 |
- |
|
|
Nó KingbaseES |
Os nós KingbaseES suportam o desenvolvimento e o agendamento periódico de tarefas KingbaseES. |
10015 |
- |
|
|
Nó OceanBase |
Os nós OceanBase suportam o desenvolvimento e o agendamento periódico de tarefas OceanBase. |
10016 |
- |
|
|
Nó DB2 |
Os nós DB2 suportam o desenvolvimento e o agendamento periódico de tarefas DB2. |
10017 |
- |
|
|
Nó GBase 8a |
Os nós GBase 8a suportam o desenvolvimento e o agendamento periódico de tarefas GBase 8a. |
10018 |
- |
|
|
Algoritmo |
Ferramenta de modelagem visual do PAI para implementar workflows de desenvolvimento de machine learning de ponta a ponta. |
1117 |
PAI_STUDIO |
|
|
Serviço de treinamento baseado em contêineres do PAI para execução distribuída de tarefas de treinamento. |
1119 |
PAI_DLC |
||
|
Workflow de índice de base de conhecimento do PAI / gera nós PAIFlow no lado do DataWorks. |
1250 |
PAI_FLOW |
||
|
Nó lógico |
Consolida múltiplos workflows em um todo unificado para gerenciamento e agendamento. |
1122 |
SUB_PROCESS |
Criar nós
Criar nós para workflows agendados
Se suas tarefas precisarem ser executadas automaticamente em intervalos especificados (como por hora, diariamente ou semanalmente), crie nós de tarefa agendada das seguintes formas: crie um nó de tarefa agendada independente, adicione nós internos a um workflow agendado ou clone um nó existente.
Acesse a página Workspaces no console do DataWorks. Na barra de navegação superior, selecione a região desejada. Encontre o workspace desejado e escolha na coluna Actions.
No painel de navegação à esquerda, clique em
para acessar a página do Data Studio.
Criar um nó de tarefa agendada
-
Clique em
no lado direito do diretório do projeto, selecione New Node e, em seguida, selecione o tipo de nó desejado.ImportanteO sistema fornece uma lista Common Nodes e uma lista All Nodes. Selecione All Nodes na parte inferior para visualizar todos os tipos de nós disponíveis. Use a caixa de pesquisa para encontrar nós rapidamente ou utilize os filtros de categoria (como MaxCompute, Data Integration e General) para localizar e criar o nó desejado.
Crie diretórios antecipadamente para organizar e gerenciar os nós.
Defina o nome do nó e salve-o. A página de edição do nó será exibida em seguida.
Criar nós internos em um workflow agendado
Crie um workflow agendado.
Na tela do workflow, clique em New Node na barra de ferramentas superior, selecione o tipo de nó desejado com base na tarefa que você precisa desenvolver e arraste-o para a tela.
Defina o nome do nó e salve-o.
Criar um nó por clonagem
Use o recurso de clonagem para duplicar rapidamente um nó existente e criar um novo. O conteúdo clonado inclui as informações de Scheduling Settings do nó (Scheduling Parameters, Scheduling time e Scheduling Dependency).
No Project Directory à esquerda, clique com o botão direito do mouse no nó que deseja clonar e selecione Cloning no menu de contexto.
Na caixa de diálogo, modifique o Name e o Path do nó (ou mantenha os valores padrão) e clique em Confirm para iniciar a clonagem.
Após a conclusão da clonagem, visualize o nó recém-criado no Project Directory.
Criar nós para workflows acionados manualmente
Se suas tarefas não precisarem ser executadas periodicamente, mas devam ser implantadas no ambiente de produção e executadas manualmente quando necessário, crie nós internos em um workflow acionado manualmente.
Acesse a página Workspaces no console do DataWorks. Na barra de navegação superior, selecione a região desejada. Encontre o workspace desejado e escolha na coluna Actions.
-
No painel de navegação à esquerda, clique em
para acessar a página de workflows acionados manualmente.Crie um workflow acionado manualmente.
Na barra de ferramentas na parte superior da página de edição do workflow acionado manualmente, clique em New Internal Node e selecione o tipo de nó desejado com base na tarefa que você precisa desenvolver.
Defina o nome do nó e salve-o.
Criar nós de tarefa manual
Acesse a página Workspaces no console do DataWorks. Na barra de navegação superior, selecione a região desejada. Encontre o workspace desejado e escolha na coluna Actions.
No painel de navegação à esquerda, clique em
para acessar a página de tarefas manuais.-
Na seção inferior, clique em
no lado direito de Manually Triggered Task, selecione New Node e, em seguida, selecione o tipo de nó desejado.NotaAs tarefas manuais suportam apenas os seguintes tipos de nó: Offline synchronization, Notebook, Maxcompute SQL, Maxcompute Script, Pyodps 2, Maxcompute MR, Hologres SQL, Python e Shell.
Defina o nome do nó e salve-o. A página de edição do nó será exibida em seguida.
Edição em lote de nós
Quando um workflow contém muitos nós, abri-los um a um para edição é ineficiente. O DataWorks oferece o recurso Internal Node List, que exibe todos os nós em uma lista no lado direito da tela para visualização rápida, pesquisa e edição em lote.
Uso
-
Na barra de ferramentas na parte superior da tela do workflow, clique no botão Show Internal Node List para abrir o painel de recursos no lado direito da tela.
-
Após a abertura do painel, todos os nós do workflow atual são exibidos em uma lista.
-
Visualização e classificação de código:
Nós que suportam edição de código (como MaxCompute SQL) expandem o editor de código por padrão.
Nós que não suportam edição de código (como nós virtuais) são exibidos como cartões e organizados automaticamente na parte inferior da lista.
-
Pesquisa rápida e navegação:
Pesquisa: Insira palavras-chave na caixa de pesquisa na parte superior para realizar uma busca aproximada nos nomes dos nós.
Vinculação: A vinculação bidirecional está disponível entre a tela e a barra lateral. Selecionar um nó na tela destaca o nó correspondente na barra lateral e vice-versa.
-
Edição online:
Ações: O canto superior direito de cada cartão de nó fornece ações rápidas como Load Latest Code, Open Node e Edit.
Salvamento automático: Após entrar no estado de edição, as alterações são salvas automaticamente quando o foco do mouse sai da área do bloco de código.
Detecção de conflitos: Se o código for atualizado por outro usuário durante a edição, uma notificação de falha no salvamento será acionada para evitar substituições acidentais.
-
Modo de foco:
Selecione um nó e clique em
no canto superior direito da janela flutuante para ativar o Focus Mode. A barra lateral exibe apenas o nó selecionado no momento, proporcionando mais espaço para edição de código.
-
Gerenciamento de versões
Restaure nós para uma versão histórica específica. O sistema também fornece recursos de visualização e comparação de versões para ajudar você a analisar diferenças e fazer ajustes.
No Project Directory à esquerda, clique duas vezes no nome do nó de destino para acessar a página de edição do nó.
-
Clique em Version no lado direito da página de edição do nó. Na página Version, visualize e gerencie as informações de Developer Record e Publish Record.
-
View uma versão:
Na aba Developer Record ou Publish Record, localize a versão do nó que deseja visualizar.
-
Clique em View na coluna Operation para acessar a página de detalhes, onde é possível visualizar o conteúdo do código do nó e as informações de Scheduling Settings.
NotaAs informações de Scheduling Settings podem ser visualizadas em Script Mode ou Visual Mode. Alterne entre os modos de visualização no canto superior direito da aba Scheduling Settings.
-
Compare versões:
Na aba Developer Record ou Publish Record, compare diferentes versões de um nó. O exemplo a seguir usa o registro de desenvolvedor para demonstrar a operação de comparação.
Comparar dentro de registros de desenvolvimento ou implantação: Na aba Developer Record, selecione duas versões e clique no botão Select Comparison na parte superior para comparar o conteúdo do código do nó e as configurações de agendamento entre as versões.
-
Comparar entre registros de desenvolvimento e implantação ou build:
Na aba Developer Record, localize a versão desejada do nó.
Clique em Compare na coluna Operation e, na página de detalhes, selecione uma versão de Publish Record ou Build Records para comparar.
-
Restore uma versão:
Restaure nós apenas do Developer Record para uma versão histórica específica. Na aba Developer Record, localize a versão de destino e clique em Restore na coluna Operation para restaurar o código do nó e as informações de Scheduling Settings para a versão de destino.
Para mais informações sobre o desenvolvimento de nós em workflows agendados e workflows acionados manualmente, consulte Workflows agendados e Workflows acionados manualmente.
Após a criação e o desenvolvimento dos nós, implante-os no ambiente de produção. Para mais informações, consulte Enviar nós e Implantar nós.
Resposta: Não há um recurso de download direto disponível. Copie o código para sua máquina local durante o desenvolvimento. Alternativamente, desenvolva no diretório pessoal no Data Studio e envie o código para o diretório do projeto, o que salva seu código localmente.
Referências
FAQ
Posso baixar o código do nó (como SQL ou Python) para minha máquina local?
-