{"id":6766,"date":"2026-07-12T02:08:25","date_gmt":"2026-07-12T10:08:25","guid":{"rendered":"https:\/\/www.gudusoft.com\/greenplum-data-lineage\/"},"modified":"2026-07-12T02:08:25","modified_gmt":"2026-07-12T10:08:25","slug":"greenplum-data-lineage","status":"publish","type":"page","link":"https:\/\/www.gudusoft.com\/de\/greenplum-datenherkunft\/","title":{"rendered":"Greenplum-Datenherkunft: Spaltenherkunft f\u00fcr MPP-Warehouses"},"content":{"rendered":"<p><strong>Greenplum-Datenherkunft<\/strong> ist die Spaltenebene-Abbildung des Datenflusses durch ein Greenplum-Warehouse: von externen Tabellen und Staging-Schemas \u00fcber INSERT-SELECT-ELT-Ketten und Sichten bis hin zu den verteilten Fakten- und Dimensionstabellen, die von Berichten gelesen werden. <a href=\"https:\/\/www.gudusoft.com\/de\/sql-datenherkunftstool\/\">Gudu SQLFlow<\/a> Diese Zuordnung wird automatisch erstellt, indem Ihr Greenplum SQL mit einem speziellen Greenplum-Dialektparser analysiert wird \u2013 einem von 39 dialektspezifischen Parsern, die mitgeliefert werden \u2013 und ein interaktives Diagramm gerendert wird, das Sie Spalte f\u00fcr Spalte verfolgen k\u00f6nnen.<\/p>\n\n\n\n<div class=\"wp-block-group alignfull has-background is-layout-constrained\" style=\"background-color:#eef7fb;padding-top:24px;padding-bottom:24px\"><div class=\"wp-block-group__inner-container\">\n\n<p><strong>Probieren Sie es jetzt aus:<\/strong> F\u00fcgen Sie eine beliebige Greenplum-Abfrage oder DDL in die folgende Datei ein: <a href=\"https:\/\/sqlflow.gudusoft.com\/?utm_source=gudusoft&amp;utm_medium=website&amp;utm_campaign=greenplum-data-lineage\" target=\"_blank\" rel=\"noreferrer noopener\">kostenloser Online-SQL-Lineage-Visualisierer<\/a>W\u00e4hlen Sie den Greenplum-Dialekt aus und erhalten Sie in Sekundenschnelle ein Stammbaumdiagramm auf Spaltenebene.<\/p>\n\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Warum Greenplum f\u00fcr die Datenherkunft einen dedizierten Parser ben\u00f6tigt<\/h2>\n\n\n\n<p>Greenplum ist eine MPP-Datenbank der PostgreSQL-Familie, und ein Gro\u00dfteil ihrer Abfragesyntax d\u00fcrfte jedem, der mit PostgreSQL vertraut ist, bekannt vorkommen. Doch die Teile einer Greenplum-Umgebung, die am st\u00e4rksten von der PostgreSQL-Architektur abweichen, sind genau diejenigen, die sich von Standard-PostgreSQL unterscheiden:<\/p>\n\n\n\n<ul><li><strong>Externe Tabellen.<\/strong> <code>Externe Tabelle erstellen<\/code> mit <code>gpfdist<\/code> oder Dateispeicherorte sind der Standardeingang f\u00fcr Daten, die in Greenplum landen. Ein Parser, der daran scheitert <code>STANDORT<\/code> Und <code>FORMAT<\/code> Die Klauseln f\u00fchren zum Verlust des ersten Hops jeder Ladepipeline.<\/li>\n<li><strong>Verteilungsschl\u00fcssel.<\/strong> <code>VERTRIEBEN VON<\/code> Und <code>ZUF\u00c4LLIG VERTEILT<\/code> Klauseln kommen in nahezu jeder Tabellendefinition vor. Generische ANSI-Grammatiken lehnen sie ab, was bedeutet, dass sie Ihr DDL ablehnen, was wiederum bedeutet, dass f\u00fcr diese Tabellen keinerlei Datenherkunft existiert.<\/li>\n<li><strong>INSERT-SELECT ELT-Ketten.<\/strong> Greenplum-Warehouses transformieren Daten typischerweise in der Datenbank: Staging-Tabelle \u2192 Konformierte Tabelle \u2192 Faktentabelle, wobei jeder Schritt ein <code>INSERT INTO ... SELECT<\/code> mit Joins, Casts und Aggregaten. Die Herkunft muss \u00fcber jeden einzelnen Schritt der Kette hinweg nachvollzogen werden und darf nicht f\u00fcr jede Anweisung isoliert berechnet werden.<\/li><\/ul>\n\n\n\n<p>SQLFlow verarbeitet alle drei, da seine Greenplum-Unterst\u00fctzung ein eigenst\u00e4ndiger Dialektparser ist, nicht etwa PostgreSQL mit unterdr\u00fcckten Fehlern. Die zugrundeliegende Engine ist die <a href=\"https:\/\/www.sqlparser.com\/\">Allgemeiner SQL-Parser<\/a>, a commercial SQL compiler front-end developed since the mid-2000s and validated against roughly 13,600 per-dialect SQL test fixtures.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Beispiel: Laden einer externen Tabelle in eine verteilte Faktentabelle<\/h2>\n\n\n\n<p>Hier ist eine Kurzfassung des Musters, dem die meisten Greenplum-Ladepipelines folgen. T\u00e4gliche Auftragsdateien treffen ein \u00fcber <code>gpfdist<\/code>Die Daten landen in einer externen Tabelle und werden in eine Faktentabelle zusammengef\u00fchrt, die auf verteilt ist. <code>Bestellnummer<\/code>:<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>CREATE EXTERNAL TABLE ext_stage.daily_orders ( order_id bigint, customer_id bigint, order_ts timestamp, amount numeric(12,2), channel text ) LOCATION (&#039;gpfdist:\/\/etl-host:8081\/daily_orders*.csv&#039;) FORMAT &#039;CSV&#039; (HEADER); CREATE TABLE dw.fact_orders ( order_id bigint, customer_sk bigint, order_date date, net_amount numeric(12,2) ) DISTRIBUTED BY (order_id); INSERT INTO dw.fact_orders (order_id, customer_sk, order_date, net_amount) SELECT o.order_id, c.customer_sk, o.order_ts::date, o.amount - COALESCE(r.refund_amount, 0) FROM ext_stage.daily_orders o JOIN dw.dim_customer c ON c.customer_id = o.customer_id LEFT JOIN dw.stg_refunds r ON r.order_id = o.order_id WHERE o.channel &lt;&gt; &#039;test&#039;;<\/code><\/pre>\n\n\n\n<p>F\u00fchren Sie dies durch SQLFlow, und das Diagramm zeigt f\u00fcr jede Spalte von <code>dw.fact_orders<\/code>, genau woher die Daten stammen und was auf dem Weg mit ihnen geschehen ist:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Zielspalte<\/th><th>Quellspalten<\/th><th>Transformation<\/th><\/tr><\/thead><tbody>\n<tr><td><code>fact_orders.order_id<\/code><\/td><td><code>ext_stage.daily_orders.order_id<\/code><\/td><td>Direkte Kopie<\/td><\/tr>\n<tr><td><code>fact_orders.customer_sk<\/code><\/td><td><code>dw.dim_customer.customer_sk<\/code><\/td><td>Direkt, \u00fcber die Anmeldung bei <code>Kunden-ID<\/code><\/td><\/tr>\n<tr><td><code>fact_orders.order_date<\/code><\/td><td><code>ext_stage.daily_orders.order_ts<\/code><\/td><td>Cast to <code>Datum<\/code><\/td><\/tr>\n<tr><td><code>fact_orders.net_amount<\/code><\/td><td><code>t\u00e4gliche_Bestellungen.Menge<\/code>, <code>stg_refunds.refund_amount<\/code><\/td><td>Subtraktion mit <code>VERSCHMELZEN<\/code><\/td><\/tr>\n<\/tbody><\/table><\/figure>\n\n\n\n<p>Beachten Sie, was eine Tabellenansicht ausgeblendet h\u00e4tte: <code>Nettobetrag<\/code> wird von zwei verschiedenen Tabellen gespeist, und die externe Tabelle <code>Kanal<\/code> Die Spalte erreicht die Faktentabelle nie \u2013 steuert aber dennoch, welche Zeilen darin enthalten sind. SQLFlow erfasst auch diese zweite Art von Beziehung.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Direkte vs. indirekte Abstammung in ELT-Ketten<\/h2>\n\n\n\n<p>Im obigen Beispiel <code>Kanal<\/code> erscheint nur in der <code>WO<\/code> Die Klausel und die Join-Schl\u00fcssel erscheinen nur in <code>AN<\/code> Bedingungen. Keine davon wird im Ergebnis angezeigt, aber die \u00c4nderung einer dieser Bedingungen \u00e4ndert die Zahlen in <code>Faktenauftr\u00e4ge<\/code>SQLFlow modelliert diese als <strong>indirekte (Einfluss-)Abstammungslinie<\/strong>Es handelt sich um einen separaten Beziehungstyp, der sich vom direkten Datenfluss unterscheidet und es erm\u00f6glicht, jeden einzelnen im Diagramm unabh\u00e4ngig zu aktivieren oder zu deaktivieren. Die meisten Lineage-Tools treffen diese Unterscheidung nicht, was bedeutet, dass ihre Auswirkungsanalyse Filter- und Join-Abh\u00e4ngigkeiten unbemerkt au\u00dfer Acht l\u00e4sst.<\/p>\n\n\n\n<p>Dies ist in Greenplum aufgrund der tiefen INSERT-SELECT-Ketten von gr\u00f6\u00dferer Bedeutung als in den meisten anderen Umgebungen. In einer typischen Umgebung stapeln sich externe Tabellen, Staging-Tabellen, die konforme Schicht, die Faktenschicht und Reporting-Views \u00fcbereinander. SQLFlow l\u00f6st Spaltenreferenzen in jedem Schritt auf, einschlie\u00dflich CTEs, Unterabfragen und Views. <code>W\u00c4HLEN *<\/code> Expansion, sodass eine Spur aus einer Berichtspalte auf einem durchgehenden Pfad zur\u00fcck zum Quelldateifeed verfolgt wird.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Sie migrieren von Greenplum? Zuerst die Abh\u00e4ngigkeiten ermitteln.<\/h2>\n\n\n\n<p>Viele Greenplum-Systeme eignen sich aktuell f\u00fcr die Migration in Cloud-Rechenzentren. Die h\u00e4ufigste Ursache f\u00fcr Verz\u00f6gerungen bei der Migration sind unbekannte Abh\u00e4ngigkeiten: die Ansicht, die niemand dokumentiert hat, die Staging-Tabelle, die drei Nutzer unbemerkt einsehen, die Spalte, die ein nachgelagerter Bericht ben\u00f6tigt, die aber im neuen Modell fehlt. Eine vor der Migration erstellte Abh\u00e4ngigkeits\u00fcbersicht hilft, solche Probleme im Produktivbetrieb zu vermeiden.<\/p>\n\n\n\n<p>Ein Lineage-First-Migrationsworkflow mit SQLFlow sieht folgenderma\u00dfen aus:<\/p>\n\n\n\n<ol><li><strong>Durchforsten Sie das Anwesen.<\/strong> \u00dcbergeben Sie SQLFlow Ihre Greenplum-DDL-Anweisungen, Ansichtsdefinitionen und Ladeskripte \u2013 per Einf\u00fcgen, Hochladen als Datei oder Live-Abruf \u00fcber JDBC. Enterprise-Implementierungen scannen Datenbanken mit \u00fcber 100 Datenbanken und mehr als einer Million Spalten im Batch-Verfahren, mit inkrementellen Neuscans bei Code\u00e4nderungen.<\/li>\n<li><strong>Finden Sie heraus, was tats\u00e4chlich verwendet wird.<\/strong> Die Spaltenhierarchie trennt die Tabellen und Spalten, die Live-Ausgaben speisen, von denen, die nicht gelesen werden. So migrieren Sie das eigentliche Data Warehouse anstatt zwanzig Jahre angesammelter Daten.<\/li>\n<li><strong>Die Spielz\u00fcge in die richtige Reihenfolge bringen.<\/strong> Der Herkunftsgraph zeigt die Abh\u00e4ngigkeitsreihenfolge an: welche Themenbereiche sich unabh\u00e4ngig bewegen k\u00f6nnen und welche eine Kette von vorgelagerten Datenquellen mit sich ziehen.<\/li>\n<li><strong>Ziel \u00fcberpr\u00fcfen.<\/strong> Da dieselbe Engine den Zieldialekt analysiert \u2013 Snowflake, BigQuery, Redshift, Databricks und die \u00fcbrigen 39 unterst\u00fctzten Dialekte \u2013, k\u00f6nnen Sie das migrierte SQL grafisch darstellen und die Herkunft vor und nach der Migration vergleichen.<\/li><\/ol>\n\n\n\n<p>Teams, die heterogene Legacy-Systemlandschaften verwalten, verwenden denselben Ansatz auch auf anderen MPP-Plattformen: siehe die zugeh\u00f6rigen Seiten auf <a href=\"https:\/\/www.gudusoft.com\/de\/teradata-datenherkunft\/\">Teradata-Datenherkunft<\/a> Und <a href=\"https:\/\/www.gudusoft.com\/de\/vertica-datenherkunft\/\">Vertica-Datenherkunft<\/a>Und da Greenplum von PostgreSQL abgeleitet ist, k\u00f6nnen Umgebungen, die auch reines PostgreSQL verwenden, beides mit einem einzigen Tool abdecken \u2013 dem <a href=\"https:\/\/www.gudusoft.com\/de\/postgresql-data-lineage\/\">PostgreSQL-Datenherkunft<\/a> Auf dieser Seite werden die Unterschiede erl\u00e4utert.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wie man Greenplum SQL in SQLFlow integriert<\/h2>\n\n\n\n<ul><li><strong>Einf\u00fcgen oder hochladen:<\/strong> einzelne Abfragen, Skripte oder Stapel von <code>.sql<\/code> Dateien im Browser.<\/li>\n<li><strong>JDBC-Metadaten:<\/strong> Verbinden Sie sich mit Greenplum, rufen Sie Tabellendefinitionen ab und sehen Sie sich SQL direkt an, sodass die Herkunft widerspiegelt, was bereitgestellt wird, und nicht, was sich im Repository befindet.<\/li>\n<li><strong>Grabit-Ingestor:<\/strong> Automatisierte Metadatenextraktion f\u00fcr geplante, wiederholbare Scans.<\/li>\n<li><strong>REST-API und CLI:<\/strong> Treiberanalyse von CI oder einer Orchestrierungspipeline \u00fcber die <a href=\"https:\/\/www.gudusoft.com\/de\/sqlflow-restful-api\/\">SQLFlow REST-API<\/a> oder die Headless-CLI und exportieren Sie die Ergebnisse als JSON, CSV oder PNG.<\/li><\/ul>\n\n\n\n<p>Die Analyse von SQL-Text und Schema-Metadaten erfolgt statisch. SQLFlow liest niemals die Zeilen Ihrer Tabellen, und die On-Premise-Edition (Docker- oder Kubernetes-f\u00e4hig, Air-Gap-kompatibel) h\u00e4lt sogar den SQL-Text innerhalb Ihres Netzwerks \u2013 relevant f\u00fcr regulierte Branchen, in denen Greenplum weit verbreitet ist. Die Datenherkunft kann auch nach DataHub, Microsoft Purview oder OpenMetadata exportiert werden, sofern eines dieser Katalogsysteme Ihr Referenzsystem ist.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wie sieht es mit Open-Source-Herkunftsanalyse-Tools aus?<\/h2>\n\n\n\n<p>Open-Source-Parser wie <code>sqllineage<\/code> Und <code>sqlglot<\/code> Sie sind durchaus n\u00fctzlich, um Tabellenbeziehungen aus einzelnen, korrekten Abfragen zu extrahieren, und wenn das Ihr einziges Problem ist, reichen sie m\u00f6glicherweise aus. Die L\u00fccke zeigt sich im produktiven Greenplum-Code: <code>Externe Tabelle erstellen<\/code> Und <code>VERTRIEBEN VON<\/code> Syntax, mehrstufige INSERT-SELECT-Ketten, die eine Anweisungsverkn\u00fcpfung erfordern, <code>W\u00c4HLEN *<\/code> Die Erweiterung erfordert Schema-Metadaten und die indirekte Herkunftsbestimmung \u00fcber Filter und Joins. F\u00fchren Sie eines Ihrer realen Ladeskripte mit beiden Methoden aus und vergleichen Sie die Ergebnisse \u2013 dieser Test kl\u00e4rt die Frage schneller als jede Feature-Matrix.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">H\u00e4ufig gestellte Fragen<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Unterst\u00fctzt SQLFlow Greenplum-spezifische Syntax wie externe Tabellen und DISTRIBUTED BY?<\/h3>\n\n\n<p>Ja. SQLFlow liefert einen eigenen Greenplum-Dialektparser mit, also <code>Externe Tabelle erstellen<\/code>, <code>VERTRIEBEN VON<\/code> Klauseln und andere Greenplum DDL-Anweisungen werden sauber analysiert und in den Herkunftsgraphen aufgenommen, anstatt Fehler zu verursachen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kann ich f\u00fcr Greenplum einfach den PostgreSQL-Dialekt verwenden?<\/h3>\n\n\n<p>Einfache SELECT-Anweisungen w\u00fcrden gr\u00f6\u00dftenteils korrekt geparst, aber die Anweisungen, die Ihre Ladepipelines definieren \u2013 externe Tabellen-DDL und verteilte Tabellendefinitionen \u2013 sind Greenplum-spezifisch. Verwenden Sie den Greenplum-Dialekt, damit die gesamte Umgebung korrekt geparst wird; SQLFlow unterst\u00fctzt beides, sodass auch gemischte Umgebungen mit Greenplum und PostgreSQL abgedeckt sind.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ben\u00f6tigt SQLFlow Zugriff auf die Daten in meinen Greenplum-Tabellen?<\/h3>\n\n\n<p>Nein. SQLFlow f\u00fchrt eine statische Analyse des SQL-Codes durch und liest optional Schema-Metadaten \u00fcber JDBC. Es liest niemals Tabellenzeilen, und die On-Premise-Edition h\u00e4lt den SQL-Text vollst\u00e4ndig innerhalb Ihres Netzwerks.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kann SQLFlow bei der Planung einer Greenplum-zu-Cloud-Migration helfen?<\/h3>\n\n\n<p>Ja. Scannen Sie die Greenplum-Datenbank, um den tats\u00e4chlichen Abh\u00e4ngigkeitsgraphen auf Spaltenebene zu erhalten. Nutzen Sie diesen, um den Umfang und die Reihenfolge der Migration festzulegen. Stellen Sie anschlie\u00dfend das migrierte SQL auf der Zielplattform grafisch dar \u2013 Snowflake, BigQuery, Redshift, Databricks und 35 weitere Dialekte werden von derselben Engine unterst\u00fctzt \u2013, um zu \u00fcberpr\u00fcfen, ob keine Abfragen verwaist sind.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wie viel kostet SQLFlow f\u00fcr die Greenplum-Abh\u00e4ngigkeit?<\/h3>\n\n\n<p>SQLFlow Cloud bietet eine kostenlose Version; die Premium-Version kostet $49,99\/Monat. SQLFlow On-Premise kostet $500\/Monat oder einmalig $4.800 pro ausgew\u00e4hltem Datenbanktyp und kann auf zwei Servern installiert werden. Siehe <a href=\"https:\/\/www.gudusoft.com\/de\/preisgestaltung\/\">Preisgestaltung<\/a> f\u00fcr weitere Details.<\/p>\n\n\n\n<div class=\"wp-block-group alignfull has-background is-layout-constrained\" style=\"background-color:#60d5f6;padding-top:32px;padding-bottom:32px\"><div class=\"wp-block-group__inner-container\">\n\n<h2 class=\"wp-block-heading\">Sehen Sie jetzt Ihre Greenplum-Abstammung.<\/h2>\n\n\n<p>F\u00fcgen Sie ein Greenplum-Ladeskript in den kostenlosen Visualisierer ein oder sprechen Sie mit uns \u00fcber die M\u00f6glichkeit, Ihre gesamte IT-Infrastruktur zu scannen, bevor die Migration beginnt.<\/p>\n\n\n<div class=\"wp-block-buttons is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/sqlflow.gudusoft.com\/?utm_source=gudusoft&amp;utm_medium=website&amp;utm_campaign=greenplum-data-lineage\" target=\"_blank\" rel=\"noreferrer noopener\">Testen Sie SQLFlow kostenlos<\/a><\/div>\n\n\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/www.gudusoft.com\/de\/kontakt\/\">Fordern Sie eine Enterprise-Demo an<\/a><\/div>\n<\/div>\n\n<\/div><\/div>\n\n\n\n<script type=\"application\/ld+json\">{\n    \"@context\": \"https:\\\/\\\/schema.org\",\n    \"@graph\": [\n        {\n            \"@type\": \"SoftwareApplication\",\n            \"name\": \"Gudu SQLFlow\",\n            \"applicationCategory\": \"DeveloperApplication\",\n            \"applicationSubCategory\": \"SQL Data Lineage Tool\",\n            \"operatingSystem\": \"Web, Linux, Windows, macOS\",\n            \"url\": \"https:\\\/\\\/www.gudusoft.com\\\/greenplum-data-lineage\\\/\",\n            \"description\": \"Automated Greenplum data lineage: SQLFlow's dedicated Greenplum dialect parser maps column-level lineage through external tables, distributed tables, and INSERT-SELECT ELT chains.\",\n            \"featureList\": \"Greenplum dialect parser, column-level lineage, indirect\\\/impact lineage, external table and DISTRIBUTED BY support, JDBC metadata import, REST API, DataHub\\\/Purview\\\/OpenMetadata export\",\n            \"softwareVersion\": \"8.2.3\",\n            \"offers\": [\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow Cloud Free\",\n                    \"price\": \"0\",\n                    \"priceCurrency\": \"USD\"\n                },\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow Cloud Premium\",\n                    \"price\": \"49.99\",\n                    \"priceCurrency\": \"USD\",\n                    \"priceSpecification\": {\n                        \"@type\": \"UnitPriceSpecification\",\n                        \"price\": \"49.99\",\n                        \"priceCurrency\": \"USD\",\n                        \"billingIncrement\": 1,\n                        \"unitText\": \"MONTH\"\n                    }\n                },\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow On-Premise\",\n                    \"price\": \"4800\",\n                    \"priceCurrency\": \"USD\"\n                }\n            ],\n            \"publisher\": {\n                \"@type\": \"Organization\",\n                \"name\": \"Gudu Software\",\n                \"url\": \"https:\\\/\\\/www.gudusoft.com\\\/\"\n            }\n        },\n        {\n            \"@type\": \"FAQPage\",\n            \"mainEntity\": [\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Does SQLFlow support Greenplum-specific syntax like external tables and DISTRIBUTED BY?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Yes. SQLFlow ships a dedicated Greenplum dialect parser, so CREATE EXTERNAL TABLE, DISTRIBUTED BY clauses, and other Greenplum DDL parse cleanly and participate in the lineage graph rather than causing errors.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Can I just use the PostgreSQL dialect for Greenplum?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Plain SELECT statements would mostly parse, but external table DDL and distributed table definitions are Greenplum-specific. Use the Greenplum dialect so the whole estate parses; SQLFlow supports both dialects.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Does SQLFlow need access to the data in my Greenplum tables?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"No. SQLFlow performs static analysis of SQL code and optionally reads schema metadata over JDBC. It never reads table rows, and the On-Premise edition keeps SQL text entirely inside your network.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Can SQLFlow help plan a Greenplum-to-cloud migration?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Yes. Scan the Greenplum estate to get the true column-level dependency graph, use it to scope and sequence the migration, then diagram the migrated SQL on the target platform to verify nothing was orphaned. The same engine supports 39 dialects including Snowflake, BigQuery, Redshift, and Databricks.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"How much does SQLFlow cost for Greenplum lineage?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"SQLFlow Cloud has a free tier; premium is $49.99\\\/month. SQLFlow On-Premise is $500\\\/month or $4,800 one-time per selected database type, installable on two servers.\"\n                    }\n                }\n            ]\n        }\n    ]\n}<\/script>","protected":false},"excerpt":{"rendered":"<p>Greenplum data lineage is the column-level map of how data flows through a Greenplum warehouse: from external tables and staging schemas, through INSERT-SELECT ELT chains and views, into the distributed fact and dimension tables that reports read. Gudu SQLFlow builds that map automatically by parsing your Greenplum SQL with a dedicated Greenplum dialect parser \u2014 one of 39 dialect-specific parsers it ships \u2014 and rendering an interactive diagram you can trace column by column. Try it now: paste any Greenplum query or DDL into the free online SQL lineage visualizer, select the Greenplum dialect, and get a column-level lineage diagram\u2026<\/p>","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":5}},"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages\/6766"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/comments?post=6766"}],"version-history":[{"count":0,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages\/6766\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/media?parent=6766"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}