语义视图的最佳实践¶

所有权与数据访问权限¶

语义视图可以方便地访问存在于多个标准化数据源中的信息。语义层使思维从“如何查询特定数据源”转向“关注通过统一数据视图支持的用例和业务问题”。考虑到这一总体目标，数据工程团队和业务团队必须紧密协作。业务团队在业务案例方面具备专业知识，而数据工程团队则熟悉如何从表和视图中获取数据。两个团队都需要共同管理和拥有语义模型的所有权。

为了以兼顾双方需求的方式保护语义层，请使用基于角色的访问控制 (RBAC) 向语义视图及其依赖对象授予相应权限。如果从零开始，可以参考下一节中的 GRANT 语句序列，作为操作模板。但如果团队成员已经在开发、测试和生产环境中设置了权限，可能需要进行调整，或根据需要指引他们使用不同的角色。

-- Set variables for the specified role, database, and schema
SET my_role = 'snowflake_intelligence_sales_analysis_role';
SET my_db = 'sales';
SET my_schema = 'sales_analysis';
SET my_full_schema = $my_db || '.' || $my_schema;

-- Grant usage on the database and schema that will contain the tables and views
GRANT USAGE ON DATABASE IDENTIFIER($my_db) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- Grant privileges on future objects within the schema
-- For tables and views, SELECT is the typical "usage" grant for read access
GRANT SELECT ON FUTURE TABLES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT SELECT ON FUTURE VIEWS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT SELECT ON FUTURE SEMANTIC VIEWS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- For other object types, USAGE is the correct privilege
GRANT USAGE ON FUTURE FUNCTIONS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE PROCEDURES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE STAGES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE CORTEX SEARCH SERVICES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- Grant usage on the database and schema that will contain the tables and views
GRANT USAGE ON DATABASE IDENTIFIER($my_db) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- Grant privileges on future objects within the schema
-- For tables and views, SELECT is the typical "usage" grant for read access
GRANT SELECT ON FUTURE TABLES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT SELECT ON FUTURE VIEWS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT SELECT ON FUTURE SEMANTIC VIEWS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- For other object types, USAGE is the correct privilege
GRANT USAGE ON FUTURE FUNCTIONS IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE PROCEDURES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE STAGES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);
GRANT USAGE ON FUTURE CORTEX SEARCH SERVICES IN SCHEMA IDENTIFIER($my_full_schema) TO ROLE IDENTIFIER($my_role);

-- Row access policy (restricts rows by user email)
CREATE OR REPLACE ROW ACCESS POLICY my_schema.account_row_policy AS (user_email STRING)
  RETURNS BOOLEAN ->
    EXISTS (
      SELECT 1
      FROM my_schema.account_access_list
      WHERE email = user_email()
    );

-- Masking policy (masks "sensitive_col" for users without a privileged role)
CREATE OR REPLACE MASKING POLICY my_schema.sensitive_col_masking_policy AS (val STRING)
RETURNS STRING ->
  CASE
    WHEN current_role() IN ('SENSITIVE_DATA_ACCESS_ROLE') THEN val
    ELSE 'MASKED'
  END;

-- Attach row access policy to the user_email column in the accounts table
ALTER TABLE my_schema.accounts
  ADD ROW ACCESS POLICY account_row_policy ON (user_email);

-- Attach masking policy to the sensitive_col column
ALTER TABLE my_schema.accounts
  MODIFY COLUMN sensitive_col
  SET MASKING POLICY sensitive_col_masking_policy;

-- Create the semantic view on the "accounts" table
CREATE OR REPLACE SEMANTIC VIEW my_schema.account_semantic_view
  TABLES (
    accounts AS my_schema.accounts
    PRIMARY KEY (account_id)
  )
  FACTS (
    account_id AS accounts.account_id,
    account_name AS accounts.account_name
  )
  DIMENSIONS (
    user_email AS accounts.user_email,
    sensitive_col AS accounts.sensitive_col
);

models:
- name: accounts
  description: "Table of accounts for semantic analytics."
  columns:
    - name: account_id
      description: "Unique identifier for the account."
    - name: account_name
      description: "Name of the account."
    - name: user_email
      description: "Email address linked to each account row."
    - name: sensitive_col
      description: "Sensitive information to be masked for non-privileged users."
  post-hook:
    - >
      ALTER TABLE {{ this }}
        ADD ROW ACCESS POLICY account_row_policy ON (user_email);
  ...

SELECT GET_DDL('SEMANTIC_VIEW','TEST_SAMPLE_VALUES');

create or replace semantic view TEST_SAMPLE_VALUES
tables (MARCH_TEMPS
  ...)
facts (MARCH_TEMPS.TEMPERATURE as TEMPERATURE
  ...)
dimensions (MARCH_TEMPS.CITY as CITY,
MARCH_TEMPS.COUNTY as COUNTY,
MARCH_TEMPS.OBSERVED as OBSERVED)
  ...
with extension (CA='{"tables":[{"name":"MARCH_TEMPS","dimensions":[{"name":"CITY","sample_values":["South Lake Tahoe","Big Bear City"]},{"name":"COUNTY","sample_values":["San Bernardino","El Dorado"]}],"facts":[{"name":"TEMPERATURE","sample_values":["44","46","52"]}],"time_dimensions":[{"name":"OBSERVED","sample_values":["2025-03-15T09:50:00.000+0000","2025-03-15T09:55:00.000+0000","2025-03-15T10:10:00.000+0000"]}]}
...);

用于创建、更新和查询语义视图的选项¶

您可以在 Snowflake 中创建语义视图，方法包括编写 YAML 文件、使用 Snowflake DDL 语法，或在 Snowsight 中使用 UI。Snowflake 提供了便捷的函数，用于导入 YAML 模型以及将语义视图导出为 YAML 模型。 是 Web 令牌 ()、 令牌或 编程访问令牌 将 YAML 语义模型转换为原生语义视图。有关详细信息，请参阅 将 YAML 语义模型转换为原生语义视图。

通常，最好从创建语义视图（而非语义模型）开始。语义视图是 Snowflake 元数据对象，可以利用 RBAC、使用统计信息，并与其他 Snowflake 功能（包括 Cortex Analyst 和 Snowflake Intelligence）直接集成。

要创建语义视图，您有三种主要方式：

• 在 Snowsight 中创建语义视图：

  • 您可以使用向导，也可以上传 YAML 规范文件。

  • 建议在初始设置时使用向导方法，该方法会自动创建同义词、样本值和列描述。有关说明，请参阅 Using Snowsight to create and manage semantic views。

• 通过 SQL CREATE OR REPLACE SEMANTIC VIEW 语句创建语义视图，并使用任何支持 SQL 的接口。有关说明，请参阅 使用 SQL 命令创建和管理语义视图。

  可以通过 JDBC 和 ODBC 驱动程序或 SQLAPI 接口以编程方式创建和查询。但是，您不能使用 Snowflake REST APIs。

• 您也可以通过调用 SYSTEM$CREATE_SEMANTIC_VIEW_FROM_YAML 存储过程，根据 SQL 中的 YAML 规范创建语义视图。请参阅 将 YAML 语义模型转换为原生语义视图。

此外，如果您使用 dbt，可以通过安装 dbt_semantic_view 包来在 Snowflake 中配置语义视图的创建。有关更多信息，请参阅 与 dbt 项目集成。

请注意，为团队成员设置角色和权限可能会影响他们创建语义视图的能力。例如，如果生产环境要求您以 SERVICE 用户身份运行，则无法在该环境中登录 Snowsight。您必须使用 SQL 命令来创建和管理语义视图。

在 Snowflake 数据库中创建语义视图后，管理员可以使用标准 SHOW 和 DESCRIBE 命令进行管理，用户则可以通过 :ref:` SQL SELECT 语句 <label-semantic_views_querying>` 以及以下方式访问它们：

• 直接通过 Cortex Analyst 用户界面访问

• 通过 Streamlit 或其他使用 Cortex Analyst API 的自定义应用程序，和/或 生成 SELECT FROM SEMANTIC_VIEW 语句

• 通过 Cortex Analyst 使用 Cortex Agents（必须将语义视图添加到新的或现有的 :ref:` 代理 <label_snowflake_agents_modify_agents>` 上）

除注释外，不能在现有语义视图中添加或修改表、列或元数据。因此，如需更改，必须重新创建语义视图（使用 CREATE OR REPLACE 命令）。还需注意，通过 SQL 命令更新语义视图会覆盖您在活动 Snowsight 会话中所做的任何手动编辑。不支持同时保留两种修改。

将 YAML 语义模型转换为原生语义视图¶

您可以使用 SQL 系统函数和存储过程，从 YAML 模型创建语义视图，或从语义视图创建 YAML 模型。

目前 Snowflake 不支持批量转换；必须将 YAML 文件逐个转换为原生语义视图。您可以使用 SYSTEM$CREATE_SEMANTIC_VIEW_FROM_YAML 存储过程进行转换。如果需要批量转换或将其集成到 CI/CD 管道中，则必须按顺序编写转换脚本。Snowflake 近期暂无支持批处理/批量转换的计划。

要将原生语义视图导出回 YAML，可以使用 SYSTEM$READ_YAML_FROM_SEMANTIC_VIEW 函数。该函数可用于自动后处理、双向转换或序列化到版本控制中。

关于规模的相同实用准则适用于原生语义视图和基于 YAML 的模型。有一条实用准则（非硬性限制）：为了获得最佳性能，语义视图在所有表中的列总数不应超过 50 至 100 列。该准则适用于原生语义视图和基于 YAML 的模型，主要是因为 AI 组件（如 Cortex Analyst）存在上下文窗口限制。超过该建议可能会导致延迟或质量下降，但这并非技术上的限制。

语义视图的自动部署¶

尽可能利用 CI/CD 管道和编程接口来创建、修改和管理语义视图。理想情况下，应设置工作流程，使语义视图的更新能够自动与 Git 仓库同步。这种方法可以减少因复制粘贴或将更改推送到 Git 而产生的人工操作错误。

• 将语义视图 YAML（或 SQLDDL）存储在 Git 仓库中；这种方式支持版本控制、同行评审、历史记录和回滚。

• 如果您正在使用 Snowsight，请定期导出或下载 YAML 模型，并将其提交到 Git。

• 在 Git 发生变更时触发 CI/CD 管道（执行测试和准确性检查，仅在测试通过后才进行部署）。

• 如有必要，可通过从 Git 重新部署之前的已知良好状态的 YAML 或 DDL 来回滚。

要将模型从开发环境推广到测试或生产环境，您可以使用自动部署脚本，或者使用 架构级克隆。当包含语义视图的架构被克隆时，语义视图也会被克隆。由于语义视图尚不支持复制，克隆是将语义视图在同一 Snowflake 账户下的不同数据库和环境中迁移的有效替代方案。

可以通过 Snowflake Marketplace 和 数据共享 直接共享语义视图。您可以基于语义视图创建 安全视图，并且支持共享这些嵌套视图。然而，某些重新共享的场景存在限制（例如，当共享的使用者希望进一步共享基于语义视图构建的视图时）。

若要在 Snowflake 数据管道中实现语义视图的物化和维护，可以使用 dbt 项目；详情请参见 与 dbt 项目集成。计划支持使用 Snowflake Terraform 提供程序 实现类似流程。

最终，您的目标应是实现类似于以下 dbt 示例的工作流程：

• 在 IDE 中处理 dbt 项目的变更，例如 VS 代码。

• 在 dbt 代码中添加新的语义视图定义。

• 将更改推送到 Git。

• 设置在数据管道中执行 'dbt run' 操作的触发器。

这样，语义视图将在 Snowflake 账户中被物化。

与 dbt 项目集成¶

您可以通过安装 Snowflake Labs 提供的 dbt_semantic_view 包，将语义视图集成到您的 dbt 工作流程中：https://hub.getdbt.com/Snowflake-Labs/dbt_semantic_view/latest/ (https://hub.getdbt.com/Snowflake-Labs/dbt_semantic_view/latest/)。

此包原生支持 Snowflake 上的 dbt 项目，或者任何能够访问 Snowflake 账户的 dbt 安装环境。您可以使用此包通过 dbt 将语义视图进行物化，并在下游模型中引用这些视图。

以下说明假设您已经熟悉 dbt，并且在可以连接到 Snowflake 的环境中安装了 dbt。

要安装并使用 dbt_semantic_view 包，请执行如下操作：

1. 将以下代码添加到您的 packages.yml 文件中：

   packages:
     - package: Snowflake-Labs/dbt_semantic_view
       version: 1.0.3
   

   Copy

   请务必包含版本号。包的版本号可能会变动，建议使用最新版本。

2. 运行 dbt deps 命令以安装该包。

3. 在 dbt 的 models 目录下创建一个模型，该模型使用语义视图物化代码：

   {{ config(materialized='semantic_view') }}
   
   TABLES(
   {{ source('<source_name>', '<table_name>') }},
   {{ ref('<another_model>') }}
   )
   [ RELATIONSHIPS ( relationshipDef [ , ... ] ) ]
   [ FACTS ( semanticExpression [ , ... ] ) ]
   [ DIMENSIONS ( semanticExpression [ , ... ] ) ]
   [ METRICS ( semanticExpression [ , ... ] ) ]
   [ COMMENT = '<comment>' ]
   [ COPY GRANTS ]
   

   Copy

   例如，您可以按如下方式物化一个简单的语义视图：

   {{ config(materialized='semantic_view') }}
   
   TABLES(t1 AS {{ ref('base_table') }}, t2 as {{ source('seed_sources', 'base_table2') }})
   DIMENSIONS(t1.count as value, t2.volume as value)
   METRICS(t1.total_rows AS SUM(t1.count), t2.max_volume as max(t2.volume))
   COMMENT='test semantic view'
   

   Copy

4. 在 dbt 中配置 Snowflake 连接，并在 dbt 的 profiles.yml 文件中指定连接详细信息。更多信息请参阅 `dbt 文档<https://docs.getdbt.com/docs/core/connect-data-platform/profiles.yml>`_。例如：

   semantic_project:
     target: snowflake
     outputs:
       snowflake:
       type: "snowflake"
       account: "{{ env_var('SNOWFLAKE_ACCOUNT') }}"
       user: "{{ env_var('SNOWFLAKE_USER') }}"
       password: "{{ env_var('SNOWFLAKE_PASSWORD') }}"
       authenticator: "{{ env_var('SNOWFLAKE_AUTHENTICATOR') }}"
       role: "{{ env_var('SNOWFLAKE_ROLE') }}"
       database: "{{ env_var('SNOWFLAKE_DATABASE') }}"
       warehouse: "{{ env_var('SNOWFLAKE_WAREHOUSE') }}"
       schema: "{{ env_var('SNOWFLAKE_SCHEMA') }}"
       threads: 4
   

   Copy

5. 根据此配置文件，您可以使用以下环境变量进行身份验证：

   $ export SNOWFLAKE_ACCOUNT=snowflake_acct1
   $ export SNOWFLAKE_USER=sem_user1
   $ export SNOWFLAKE_PASSWORD=**************
   $ export SNOWFLAKE_AUTHENTICATOR=externalbrowser
   $ export SNOWFLAKE_ROLE=semantic_role
   $ export SNOWFLAKE_DATABASE=sem_db
   $ export SNOWFLAKE_WAREHOUSE=sem_wh
   $ export SNOWFLAKE_SCHEMA=sem_schema
   

   Copy

6. 运行 dbt build 命令以连接到您的 Snowflake 账户并创建模型。以下示例构建了一个名为 models/semantic_view_basic 的特定模型。请注意，另一个模型 table_refer_to_semantic_view 依赖于此模型，因此该命令在末尾需要加上 + 标志。

   $ dbt build --target snowflake --select semantic_view_basic+
   23:43:16  Running with dbt=1.11.0-b3
   23:43:17  Registered adapter: snowflake=1.10.2
   23:43:17  Found 9 models, 8 data tests, 1 seed, 2 operations, 2 sources, 500 macros
   23:43:17
   23:43:17  Concurrency: 4 threads (target='snowflake')
   23:43:17
   23:43:32  1 of 2 START hook: dbt_semantic_view_integration_tests.on-run-start.0 .......... [RUN]
   23:43:32  1 of 2 OK hook: dbt_semantic_view_integration_tests.on-run-start.0 ............. [OK in 0.90s]
   23:43:33  2 of 2 START hook: dbt_semantic_view_integration_tests.on-run-start.1 .......... [RUN]
   23:43:33  2 of 2 OK hook: dbt_semantic_view_integration_tests.on-run-start.1 ............. [OK in 0.38s]
   23:43:33
   23:43:33  1 of 6 START sql semantic_view model sem_schema.semantic_view_basic ............ [RUN]
   23:43:33  1 of 6 OK created sql semantic_view model sem_schema.semantic_view_basic ....... [SUCCESS 1 in 0.26s]
   23:43:33  3 of 6 START test semantic_view_basic_has_no_copy_grants ....................... [RUN]
   23:43:33  2 of 6 START test semantic_view_basic_has_comment .............................. [RUN]
   23:43:33  4 of 6 START test semantic_view_sum_matches_base_table ......................... [RUN]
   23:43:33  2 of 6 PASS semantic_view_basic_has_comment .................................... [PASS in 0.23s]
   23:43:34  3 of 6 PASS semantic_view_basic_has_no_copy_grants ............................. [PASS in 0.75s]
   23:43:34  4 of 6 PASS semantic_view_sum_matches_base_table ............................... [PASS in 1.05s]
   23:43:34  5 of 6 START sql table model sem_schema.table_refer_to_semantic_view ........... [RUN]
   23:43:35  5 of 6 OK created sql table model sem_schema.table_refer_to_semantic_view ...... [SUCCESS 1 in 1.22s]
   23:43:35  6 of 6 START test table_refer_semantic_view_matches_semantic_view .............. [RUN]
   23:43:36  6 of 6 PASS table_refer_semantic_view_matches_semantic_view .................... [PASS in 0.26s]
   23:43:36
   23:43:36  Finished running 2 project hooks, 1 semantic view model, 1 table model, 4 data tests in 0 hours 0 minutes and 19.34 seconds (19.34s).
   23:43:36
   23:43:36  Completed successfully
   23:43:36
   23:43:36  Done. PASS=8 WARN=0 ERROR=0 SKIP=0 NO-OP=0 TOTAL=8
   

   Copy

有关 dbt_semantic_view 包的更多信息（其中包含可运行的预构建模型和测试），请参阅 README.md 文件。访问 https://hub.getdbt.com/Snowflake-Labs/dbt_semantic_view/latest/ (https://hub.getdbt.com/Snowflake-Labs/dbt_semantic_view/latest/) 并选择 View on GitHub。

另请参阅 https://www.snowflake.cn/en/engineering-blog/dbt-semantic-view-package/。

与 BI 工具集成¶

一些 BI 工具供应商提供与 Snowflake 语义视图的集成。如需了解更多关于这些集成的信息，请联系您的 BI 工具账户团队，并访问以下链接：

• Sigma：https://www.sigmacomputing.com/blog/snowflake-semantic-views-launch (https://www.sigmacomputing.com/blog/snowflake-semantic-views-launch)

• Omni：https://omni.co/snowflake (https://omni.co/snowflake)

• Honeydew：https://honeydew.ai/blog/honeydew-and-snowflake-semantic-views/ (https://honeydew.ai/blog/honeydew-and-snowflake-semantic-views/)

• Hex：https://hex.tech/blog/introducing-snowflake-semantic-sync-aisql/ (https://hex.tech/blog/introducing-snowflake-semantic-sync-aisql/)