FoodMart-Sample-Datensätze

FoodMart ist der klassische OLAP-Sample-Datensatz — eine fiktive Lebensmittelkette mit fünf Jahren Verkaufsdaten über 37 Tabellen (customer, product, store, time_by_day, sales_fact_1997 usw.). Es ist derselbe Datensatz, den die Demo-Box von Saiku Cloud verwendet, dimensioniert für schnelle Iteration (~10 MB komprimiert) und so geformt, dass jedes Mondrian-Feature etwas zum Üben hat.

Diese Seite lässt Sie FoodMart in Ihre eigene Testinstanz eines beliebigen unterstützten Dialekts laden, sodass Sie sie über den regulären BYOC-Flow mit Saiku Cloud verbinden und die Anleitung Registrierung & erster Cube end-to-end befolgen können. Keine Warehouse-Migration erforderlich.

Die kanonische Assertion

Jedes FoodMart-Bundle unten lädt dieselben Daten. Wenn Sie SUM([Measures].[Unit Sales]) für [Time].[1997] gegen eines von ihnen abfragen, sollten Sie 266.773 erhalten — die CI von Saiku Cloud asserted diese Zahl bei jedem Commit über alle sieben Dialekte hinweg.

Was enthalten ist

Alle Bundles enthalten:

• Die Daten — 37 Tabellen, geladen mit fünf Jahren Verkäufen, Kunden, Produkten, Stores, Mitarbeitern und Inventar.
• Mondrian-Schema-XML (foodmart.xml) — laden Sie diese in den Schema-Designer von Saiku Cloud hoch, sobald Ihre Daten geladen sind. Die XML ist dialekt-neutral; sie funktioniert gegen jedes der unten aufgeführten Bundles.
• Ein Referenz-Loader-Skript oder Runbook — pro Dialekt, weil jedes Warehouse seine eigenen Bulk-Load-Semantiken hat.

Der Postgres-Dump ist die kanonische Quelle. Jedes andere Dialekt-Bundle wird mechanisch von ihm übersetzt (ein kleines sed-Skript pro Dialekt — siehe jeden Tab unten).

Bundles pro Dialekt

PostgreSQL

Postgres 12+ — direkt über pg_restore oder psql laden.

# Download (9,1 MB komprimiert, ~95 MB unkomprimiert)
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
  -o foodmart.sql.gz
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/02-date-string-column.sql \
  -o foodmart-date-string.sql

# Laden (Postgres 12+; pipet den gzipped Dump in psql)
createdb foodmart
gunzip -c foodmart.sql.gz | psql -d foodmart
psql -d foodmart -f foodmart-date-string.sql

Der 02-date-string-column.sql-Schritt fügt ein ALTER TABLE hinzu, das Saikus time_by_day-Schema erwartet — es ist eine einzeilige date_string-Spalte, die aus the_date gefüllt wird. Führen Sie ihn immer nach dem Bulk-Load aus.

Verbinden mit: PostgreSQL-Anleitung.

MySQL / MariaDB

MySQL 5.7+ oder MariaDB 10+ — laden Sie über eine kleine sed-Übersetzung des Postgres-Dumps.

# Den Quell-PG-Dump + das MySQL-Übersetzungsskript herunterladen
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
  -o foodmart.sql.gz
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-mysql/pg-to-mysql.sed \
  -o pg-to-mysql.sed

# Übersetzen + laden (5 sed-Regeln: Typnamen, Identifier-Quoting,
# COPY → INSERT, Sequenzbehandlung, Schema-Qualifier-Stripping)
gunzip -c foodmart.sql.gz | sed -E -f pg-to-mysql.sed > foodmart-mysql.sql

mysql -u root -p -e "CREATE DATABASE foodmart CHARACTER SET utf8mb4;"
mysql -u root -p foodmart < foodmart-mysql.sql

Verbinden mit: MySQL-Anleitung.

ClickHouse

ClickHouse 23+ (Cloud oder selbstgehostet) — das Loader-Muster pro Dialekt lebt im saiku-cloud-Repo. Anpassen oder von dort kopieren.

# Übersetzungsskript für ClickHouse (3 sed-Regeln: Typ-Mappings
# für INT/VARCHAR, Single-Quote vs. Double-Quote-Identifier und
# DDL-Präambel — ClickHouse benötigt explizite Engine-Deklarationen).
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
  -o foodmart.sql.gz
# Dialektspezifische Übersetzungsregeln befinden sich in den
# saiku-cloud-Loader-Skripten unter infra/hosts/app/foodmart-clickhouse/
# — verwenden Sie sie wieder, um Ihren eigenen ClickHouse-Load
# anzutreiben.

Für ClickHouse Cloud ist der einfachste Pfad das Laden über die Web-SQL-Konsole, nachdem Sie den Dump lokal übersetzt haben.

Verbinden mit: ClickHouse-Anleitung.

Snowflake

Snowflake — verwenden Sie den PUT + COPY INTO-Flow. Das Loader-Runbook für Saikus eigene CI-Fixture lebt im saiku-cloud-Repo unter docs/runbooks/load-foodmart-into-snowflake.md. Anpassen für Ihren Account:

1. Den Postgres-Dump für Snowflake übersetzen (sed-Skript im Ordner infra/hosts/app/foodmart-snowflake/ des Repos).

2. In Per-Tabelle-CSVs aufteilen (der gemischte DDL/DML-Dump COPY INTO-iert nicht sauber).

3. PUT jeder CSV auf einen Snowflake-Stage, dann COPY INTO <table> FROM @<stage> pro Tabelle.

4. Das date_string-ALTER anwenden (gleich wie Postgres).

Hinweis

Snowflake gibt NUMBER(38,0) für INT64-Spalten zurück. Die Member-Key-Stringifizierung von Mondrian fügt einen .0-Suffix hinzu. Die kanonische MDX gegen Saiku-via-Snowflake ist {[Time.Time].[1997.0]} statt {[Time].[1997]}. Gleiches gilt für BigQuery.

Verbinden mit: Snowflake-Anleitung.

Google BigQuery

BigQuery — der Loader exportiert die kanonische FoodMart-DuckDB-Datei nach Parquet (Auto-Schema-Erkennung durch BigQuery) und lädt über load_table_from_file hoch. ~10 MB insgesamt, free-tier-freundlich (1 TB Queries/Monat + 10 GB Speicher enthalten).

Das Runbook ist unter docs/runbooks/load-foodmart-into-bigquery.md im saiku-cloud-Repo. Kurze Version:

1. Erstellen Sie ein BigQuery-Dataset (z. B. foodmart).

2. Setzen Sie Env-Variablen: GCP_PROJECT, BQ_DATASET, GOOGLE_APPLICATION_CREDENTIALS (Service-Account-JSON).

3. Führen Sie den Loader aus:

   curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-bigquery/load-foodmart-bigquery.py \
     -o load-foodmart-bigquery.py
   pip install google-cloud-bigquery pyarrow duckdb
   python load-foodmart-bigquery.py

4. Gesamte Ladezeit: 3–6 Minuten (ein LoadJob pro Tabelle, ~5–10 s je).

BigQuery + Mondrian: zusätzliche Connect-String-Properties

Wenn Sie Ihr BigQuery-Dataset mit Saiku Cloud verbinden, erfordert die .sds JdbcSchema=<dataset> + JdbcCatalog=<project> zusätzlich zu DefaultDataset= in der URL. Der Connection-Wizard von Saiku Cloud leitet diese automatisch ab — aber wenn Sie die .sds von Hand bearbeiten (z. B. an der OSS-Engine), siehe die BigQuery-Anleitung für die vollständige Form.

Verbinden mit: BigQuery-Anleitung.

MotherDuck

MotherDuck — laden Sie dasselbe DuckDB-Datei-Format, das MotherDuck verwendet. Einfachster Weg: lokal in eine .duckdb-Datei über die DuckDB-CLI laden und dann mit ATTACH 'md:<db>' zu MotherDuck pushen.

1. Die FoodMart-DuckDB-Datei lokal bauen:

   curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-duckdb/build-foodmart-duckdb.sh \
     -o build-foodmart-duckdb.sh
   curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-duckdb/pg-to-duckdb.sed \
     -o pg-to-duckdb.sed
   curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
     -o foodmart.sql.gz
   chmod +x build-foodmart-duckdb.sh
   ./build-foodmart-duckdb.sh
   # → erzeugt foodmart.duckdb (~12 MB)

2. Über die DuckDB-CLI zu MotherDuck pushen:

   export motherduck_token=<your-md-token>
   duckdb -c "ATTACH 'foodmart.duckdb' AS local; \
              ATTACH 'md:?motherduck_token=$motherduck_token' AS md; \
              CREATE OR REPLACE DATABASE md.foodmart FROM local;"

Verbinden mit: MotherDuck-Anleitung.

DuckDB (Datei)

Lokale DuckDB-Datei — der einfachste Weg. Eine ~12-MB-Datei, die Sie direkt in das Dateien-Dashboard von Saiku Cloud hochladen und aus Ihrem Mondrian-Schema referenzieren können.

curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-duckdb/build-foodmart-duckdb.sh \
  -o build-foodmart-duckdb.sh
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/hosts/app/foodmart-duckdb/pg-to-duckdb.sed \
  -o pg-to-duckdb.sed
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
  -o foodmart.sql.gz
chmod +x build-foodmart-duckdb.sh
./build-foodmart-duckdb.sh
# → erzeugt foodmart.duckdb

Laden Sie foodmart.duckdb über das Dateien-Dashboard hoch; Saiku Cloud stellt es automatisch als Verbindung bereit.

Verbinden mit: DuckDB-Datei-Anleitung.

Nach dem Laden: das Mondrian-Schema hochladen

Sobald Ihr gewählter Dialekt FoodMart geladen hat, ist der letzte Schritt die Mondrian-Schema-XML. Sie mappt Ihre physischen Tabellen auf OLAP-Cubes (Sales, Warehouse, HR usw.):

1. Laden Sie die Schema-XML herunter:

   curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/scripts/demo-seeds/foodmart.xml \
     -o foodmart.xml

2. Gehen Sie in Saiku Cloud zum Schemas-Dashboard und klicken Sie auf Schema hochladen. Wählen Sie foodmart.xml.

3. Der Schema-Designer prüft jeden <Table>-Verweis gegen Ihre Verbindung. Wenn die Validierung erfolgreich ist (grüner Haken auf jedem Cube), ist Ihr FoodMart bereit für Abfragen.

4. Gehen Sie zum Analysieren-Dashboard. Wählen Sie einen beliebigen Cube. Ziehen Sie [Measures].[Unit Sales] auf das Zeilen-Shelf, [Time].[Year] auf das Spalten-Shelf. Sie sollten das Jahr 1997 = 266.773 sehen.

Das ist dieselbe Zahl, die jeder Dialekt produziert — der kanonische Beweis, dass Saiku Cloud Ihre Daten korrekt liest.

Gebündelte .duckdb-Datei für die Ungeduldigen

Wenn Sie null Übersetzung, null Setup wollen, hier ist die vorgebaute FoodMart-DuckDB-Datei direkt — dieselbe, die die Demo-Box von Saiku Cloud verwendet, ~12 MB, bereit zum Hochladen ins Dateien-Dashboard:

Direkt-Download: Siehe die saiku-cloud Releases-Seite für das neueste foodmart-bundle-<version>.zip. Das Bundle enthält jedes Artefakt, auf das diese Seite verweist — Postgres-Dump, DuckDB-Datei, Schema-XML, dialektspezifische Übersetzungsskripte — an einem Ort.

Hinweis

Bundle-Releases landen neben Saiku-Cloud-Versions-Tags. Wenn Sie noch keines sehen, sind die dialektspezifischen Downloads oben der aktuelle Weg. Die releases-Seite wird im nächsten Release-Zyklus ein Bundle erhalten.