Przykładowe zbiory FoodMart

FoodMart to klasyczny zbiór przykładowy OLAP — fikcyjna sieć spożywcza z pięcioma latami danych sprzedaży w 37 tabelach (customer, product, store, time_by_day, sales_fact_1997 itd.). To ten sam zbiór, którego używa demonstracyjne pudełko Saiku Cloud, dostosowany rozmiarem do szybkiej iteracji (~10 MB skompresowane) i ukształtowany tak, by każda funkcja Mondriana miała co poćwiczyć.

Ta strona pozwala załadować FoodMart do Twojej własnej instancji testowej dowolnego wspieranego dialektu, żebyś mógł podłączyć ją do Saiku Cloud przez normalny przepływ BYOC i przejść przez przewodnik Rejestracja i pierwsza kostka end-to-end. Bez migracji hurtowni.

Kanoniczne twierdzenie

Każdy poniższy bundle FoodMart ładuje te same dane. Jeśli odpytasz SUM([Measures].[Unit Sales]) dla [Time].[1997] względem któregokolwiek z nich, powinieneś dostać 266 773 — CI Saiku Cloud asercjonuje tę liczbę na każdym commicie, na wszystkich siedmiu dialektach.

Co jest w zestawie

Wszystkie bundle zawierają:

• Dane — 37 tabel załadowanych pięcioma latami sprzedaży, klientów, produktów, sklepów, pracowników i zapasów.
• XML schemy Mondrian (foodmart.xml) — wgraj go do Schema designer Saiku Cloud, gdy Twoje dane są załadowane. XML jest neutralny dla dialektu; działa względem któregokolwiek z poniższych bundli.
• Skrypt loadera referencyjnego lub runbook — per dialekt, bo każda hurtownia ma własną semantykę bulk-load.

Dump Postgres to kanoniczne źródło. Każdy inny bundle dialektu jest mechanicznie tłumaczony z niego (mały skrypt sed na dialekt — zobacz każdą zakładkę poniżej).

Bundle per dialekt

PostgreSQL

Postgres 12+ — załaduj bezpośrednio przez pg_restore lub psql.

# Pobierz (9,1 MB skompresowane, ~95 MB rozpakowane)
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

# Załaduj (Postgres 12+; rurkuje zgipowany dump do psql)
createdb foodmart
gunzip -c foodmart.sql.gz | psql -d foodmart
psql -d foodmart -f foodmart-date-string.sql

Krok 02-date-string-column.sql dodaje ALTER TABLE, którego schema time_by_day Saiku oczekuje — to jednolinijkowa kolumna date_string populowana z the_date. Zawsze uruchamiaj po bulk-load.

Podłącz z: Przewodnik PostgreSQL.

MySQL / MariaDB

MySQL 5.7+ lub MariaDB 10+ — załaduj przez małą sedową translację dumpu Postgres.

# Pobierz źródłowy dump PG + skrypt translacji MySQL
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

# Przetłumacz + załaduj (5 reguł sed: nazwy typów, cytowanie
# identyfikatorów, COPY → INSERT, obsługa sekwencji,
# strip kwalifikatora schemy)
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

Podłącz z: Przewodnik MySQL.

ClickHouse

ClickHouse 23+ (Cloud lub self-hosted) — wzorzec loadera per dialekt żyje w repo saiku-cloud. Dostosuj lub skopiuj stamtąd.

# Skrypt translacji dla ClickHouse (3 reguły sed: mapowania typów
# dla INT/VARCHAR, identyfikatory w pojedynczych vs podwójnych
# cudzysłowach i preambuła DDL — ClickHouse potrzebuje jawnych
# deklaracji silnika).
curl -L https://raw.githubusercontent.com/spiculedata/saiku-cloud/develop/infra/foodmart-pg/init/01-foodmart.sql.gz \
  -o foodmart.sql.gz
# Reguły translacji per dialekt są w skryptach loaderów
# saiku-cloud pod infra/hosts/app/foodmart-clickhouse/ — wykorzystaj
# je, by napędzić własny load ClickHouse.

Dla ClickHouse Cloud najprostsza ścieżka to ładowanie przez webową konsolę SQL, gdy przetłumaczysz dump lokalnie.

Podłącz z: Przewodnik ClickHouse.

Snowflake

Snowflake — użyj przepływu PUT + COPY INTO. Runbook loadera dla własnego fixture CI Saiku żyje w repo saiku-cloud pod docs/runbooks/load-foodmart-into-snowflake.md. Dostosuj dla swojego konta:

1. Przetłumacz dump Postgres dla Snowflake (skrypt sed w folderze infra/hosts/app/foodmart-snowflake/ repo).

2. Podziel na CSV-ki per tabela (mieszane DDL/DML dumpu nie COPY INTO czysto).

3. PUT każdy CSV na stage Snowflake, potem COPY INTO <table> FROM @<stage> per tabela.

4. Zastosuj ALTER date_string (tak samo jak Postgres).

Notatka

Snowflake zwraca NUMBER(38,0) dla kolumn INT64. Stringifikacja kluczy członków Mondriana dodaje sufiks .0. Kanoniczny MDX względem Saiku-via-Snowflake to {[Time.Time].[1997.0]} zamiast {[Time].[1997]}. To samo dotyczy BigQuery.

Podłącz z: Przewodnik Snowflake.

Google BigQuery

BigQuery — loader eksportuje kanoniczny plik DuckDB FoodMart do Parquet (auto-schemę wykrywa BigQuery) i wgrywa przez load_table_from_file. ~10 MB łącznie, przyjazne dla free-tier (1 TB zapytań/miesiąc + 10 GB magazynu w cenie).

Runbook jest pod docs/runbooks/load-foodmart-into-bigquery.md w repo saiku-cloud. Wersja skrócona:

1. Utwórz zbiór BigQuery (np. foodmart).

2. Ustaw zmienne środowiskowe: GCP_PROJECT, BQ_DATASET, GOOGLE_APPLICATION_CREDENTIALS (JSON konta serwisowego).

3. Uruchom loader:

   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. Całkowity czas ładowania: 3–6 minut (jeden LoadJob na tabelę, ~5–10s każdy).

BigQuery + Mondrian: dodatkowe właściwości connect-string

Gdy podłączasz swój zbiór BigQuery do Saiku Cloud, .sds wymaga JdbcSchema=<dataset> + JdbcCatalog=<project> oprócz DefaultDataset= w URL-u. Kreator połączeń Saiku Cloud auto-wyprowadza je — ale jeśli edytujesz .sds ręcznie (np. na silniku OSS), zobacz przewodnik BigQuery dla pełnego kształtu.

Podłącz z: Przewodnik BigQuery.

MotherDuck

MotherDuck — załaduj ten sam format pliku DuckDB, którego używa MotherDuck. Najprostsza ścieżka: załaduj lokalnie do pliku .duckdb przez CLI DuckDB, potem wypchnij do MotherDuck przez ATTACH 'md:<db>'.

1. Zbuduj plik DuckDB FoodMart lokalnie:

   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
   # → produkuje foodmart.duckdb (~12 MB)

2. Wypchnij do MotherDuck przez CLI DuckDB:

   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;"

Podłącz z: Przewodnik MotherDuck.

DuckDB (plik)

Lokalny plik DuckDB — najprostsza ścieżka. Jeden plik ~12 MB, który możesz wgrać bezpośrednio do dashboarda Pliki Saiku Cloud i odwoływać się do niego z Twojej schemy Mondrian.

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
# → produkuje foodmart.duckdb

Wgraj foodmart.duckdb przez dashboard Pliki; Saiku Cloud automatycznie wystawia go jako połączenie.

Podłącz z: Przewodnik DuckDB-plik.

Po załadowaniu: wgraj schemę Mondrian

Gdy Twój wybrany dialekt ma załadowany FoodMart, ostatni krok to XML schemy Mondrian. Mapuje Twoje fizyczne tabele na kostki OLAP (Sales, Warehouse, HR itd.):

1. Pobierz XML schemy:

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

2. W Saiku Cloud idź do dashboarda Schemy i kliknij Wgraj schemę. Wybierz foodmart.xml.

3. Schema designer porównuje każde odwołanie <Table> z Twoim połączeniem. Jeśli walidacja przechodzi (zielony tick na każdej kostce), Twój FoodMart jest gotowy do zapytań.

4. Idź do dashboarda Analiza. Wybierz dowolną kostkę. Przeciągnij [Measures].[Unit Sales] na półkę wierszy, [Time].[Year] na półkę kolumn. Powinieneś zobaczyć rok 1997 = 266 773.

To ta sama liczba, którą produkuje każdy dialekt — kanoniczny dowód, że Saiku Cloud poprawnie czyta Twoje dane.

Zbundlowany plik .duckdb dla niecierpliwych

Jeśli chcesz zero-translacji, zero-konfiguracji, oto gotowy plik FoodMart DuckDB bezpośrednio — ten sam, którego używa demonstracyjne pudełko Saiku Cloud, ~12 MB, gotowy do wgrania do dashboarda Pliki:

Bezpośrednie pobranie: zobacz stronę wydań saiku-cloud dla najnowszego foodmart-bundle-<version>.zip. Bundle zawiera każdy artefakt, do którego ta strona się odwołuje — dump Postgres, plik DuckDB, XML schemy, skrypty translacji per dialekt — w jednym miejscu.

Notatka

Wydania bundli lądują obok tagów wersji Saiku Cloud. Jeśli jeszcze go nie widzisz, pobrania per dialekt powyżej to bieżąca ścieżka. Strona releases zyska bundle jako część następnego cyklu wydawniczego.