Looker开发：PDT与常规DT的差异及LookerML实现疑问咨询

问题1：创建视图文件和PDT的触发值与刷新效率问题 #

• 触发值是必须配置的，PDT依赖触发条件来控制刷新时机。针对你的场景，建议把每日刷新表的更新时间字段设为触发值，示例代码：

  sql_trigger_value: SELECT MAX(updated_at) FROM daily_refresh_table ;;
  

  这样只有当每日刷新表有新数据写入时，PDT才会触发刷新，避免无意义的重复计算。
• 不会导致静态表本身被刷新。PDT刷新只是重新执行定义好的关联查询，静态表的数据不会被修改，只是重新读取。但如果静态表数据量极大，每次全量关联可能有性能损耗，优化思路：
  • 把静态表作为维度表，直接在视图层关联，PDT只处理每日刷新的事实表数据，这样PDT刷新时仅计算事实表部分，效率更高；
  • 若静态表数据完全不变，可在PDT逻辑中提前缓存静态表的关联结果，避免每次重复读取。

问题2：常规DT设置Explore为PDT的可行性 #

不可行。常规DT（Derived Table）是实时计算的，每次查询Explore都会重新执行DT的SQL逻辑，没有持久化存储；而PDT是预计算后落地到数据库的物理表。Explore只能基于视图或PDT定义，正确的做法是直接定义PDT，然后在Explore中引用对应的视图（该视图指向PDT）。

PDT与常规DT的核心差异 #

• 存储特性：
  • 常规DT：无物理存储，查询时动态计算，结果不落地；
  • PDT：生成数据库物理表，预计算结果持久化保存。
• 刷新机制：
  • 常规DT：随每次查询实时执行，无主动刷新策略；
  • PDT：通过sql_trigger_value（基于数据更新）、persist_for（定时）或手动触发控制刷新，仅在条件满足时重新计算。
• 性能表现：
  • 常规DT：适合小数据量、低查询频率场景，数据量大时查询速度慢；
  • PDT：适合大数据量、高查询频率场景，预计算后查询直接读物理表，速度快，但会占用额外存储资源。
• 适用场景：
  • 常规DT：临时分析、快速验证逻辑，不需要持久化结果的场景；
  • PDT：仪表盘、高频报表等需要稳定查询性能的场景。

内容的提问来源于stack exchange，提问作者Pandafreak