Ruta de aprendizaje: Dynatrace SaaS · Módulo 3/8: fundamentos de DQL · Duración: ~60 min · Nivel: principiante
Objetivos:
- Entender la lógica de pipeline de DQL.
- Usar
fetch,filter,fields,sortylimitpara leer registros. - Agregar con
summarizey consultar métricas contimeseries. - Escribir consultas económicas y legibles.
Requisitos previos: módulo 2 terminado, con al menos un host o un clúster que envíe datos.
Los fundamentos de DQL, el Dynatrace Query Language, son la habilidad más rentable de la ruta de aprendizaje de Dynatrace SaaS: dashboards, notebooks, workflows y muchas aplicaciones se apoyan en él. Este módulo presenta los fundamentos de DQL a través de siete comandos, suficientes para responder a la mayoría de las preguntas habituales.
Los ejemplos son deliberadamente sencillos. Los nombres de campos disponibles dependen de tus fuentes: si una consulta no devuelve nada, empieza por mirar los campos que existen realmente antes de concluir que hay un error.
Fundamentos de DQL: ¿cómo se lee una consulta?
Una consulta DQL es un pipeline. Empieza con un comando que produce registros y después cada comando, separado por una barra vertical |, transforma el resultado del anterior. Se lee, por tanto, de arriba abajo, como una sucesión de transformaciones:
fetch logs // 1. leer los logs
| filter loglevel == "ERROR" // 2. quedarse con los errores
| limit 20 // 3. mostrar solo 20
Este enfoque difiere de SQL, donde el orden de escritura no corresponde al orden de ejecución. En DQL, el orden de los comandos importa: filtrar pronto reduce el volumen que se procesa después.
El periodo consultado suele seguir el selector de tiempo de la aplicación. También puede fijarse en la consulta, por ejemplo con from:now()-2h en el comando fetch.
Leer registros: fetch, filter, fields
fetch
fetch elige la fuente: logs, spans, events, bizevents, dt.davis.problems o una tabla de entidades como dt.entity.host.
fetch logs, from:now()-1h
| limit 5
filter
filter conserva los registros que cumplen una condición. Las condiciones se combinan con and, or y not, y se dispone de funciones de cadena como contains():
fetch logs, from:now()-1h
| filter loglevel == "ERROR" and contains(content, "timeout")
Cuidado con las mayúsculas y los valores exactos: según la fuente, loglevel puede valer "ERROR" pero no "error". Si tienes dudas, muestra unos cuantos registros antes de filtrar.
fields y fieldsAdd
fields solo conserva las columnas indicadas, lo que hace el resultado legible. fieldsAdd añade una columna calculada sin eliminar las demás:
fetch logs, from:now()-1h
| filter loglevel == "ERROR"
| fields timestamp, host.name, content
| fieldsAdd longueur = stringLength(content)
Ordenar y limitar: sort, limit
sort ordena los resultados, de forma ascendente por defecto o descendente con desc. limit corta el resultado tras un número dado de filas:
fetch logs, from:now()-1h
| filter loglevel == "ERROR"
| sort timestamp desc
| limit 50
Un reflejo útil al explorar: terminar toda consulta exploratoria con un limit. Evita traer miles de filas que nadie leerá.
Agregar con summarize
summarize agrupa los registros y calcula agregados: count(), sum(), avg(), max()… El parámetro by: define las dimensiones de agrupación. Dar nombre al agregado simplifica el resto del pipeline:
fetch logs, from:now()-24h
| filter loglevel == "ERROR"
| summarize erreurs = count(), by:{k8s.namespace.name}
| sort erreurs desc
| limit 10
Para variantes listas para usar sobre spans, hosts y problemas, consulta estos ejemplos de DQL summarize para la guardia (on-call).
Esta consulta responde a una pregunta concreta: ¿qué namespaces de Kubernetes producen más errores en 24 horas? Los registros sin namespace se agrupan bajo un valor vacío; es normal para los logs que no vienen de Kubernetes.
Para obtener una curva a partir de registros, el comando makeTimeseries cuenta por intervalo de tiempo:
fetch logs, from:now()-6h
| filter loglevel == "ERROR"
| makeTimeseries erreurs = count(), interval:10m
Consultar métricas con timeseries
Las métricas no se leen con fetch sino con timeseries, que devuelve directamente series temporales. Se indica el agregado, la clave de la métrica y, opcionalmente, las dimensiones:
timeseries cpu = avg(dt.host.cpu.usage), by:{dt.entity.host}, from:now()-2h
La clave de la métrica debe existir en tu entorno: el editor de consultas ofrece autocompletado, úsalo en lugar de adivinar. El resultado se visualiza de forma natural en un gráfico de líneas, algo que harás en el módulo 4.
¿Qué buenas prácticas adoptar desde el principio?
- Restringir el periodo a lo estrictamente necesario: se leen menos datos, la respuesta es más rápida y el coste de la consulta es menor.
- Filtrar antes de agregar y lo antes posible en el pipeline.
- Dar nombre a los agregados (
erreurs = count()) para poder ordenarlos y reutilizarlos. - Comentar las consultas compartidas con
//. - Desconfiar de los recuentos exactos con grandes volúmenes: comprueba en la documentación cómo se aplican el muestreo y los límites de lectura a tu consulta.
Para profundizar en los logs, el artículo análisis de patrones de logs muestra cómo generar automáticamente el parsing que de otro modo escribirías a mano.
Ejercicio práctico
Paso 1: explorar los logs
En un notebook nuevo, ejecuta fetch logs, from:now()-1h | limit 20 y anota los campos presentes (nivel, host, namespace, contenido).
Resultado esperado: una lista de campos reales sobre la que construir tus filtros.
Paso 2: aislar los errores
Añade un filter sobre el nivel de log y después un fields para conservar solo la marca de tiempo, el host y el contenido. Ordena del más reciente al más antiguo.
Resultado esperado: una tabla legible de los últimos errores.
Paso 3: contar por fuente
Sustituye fields por un summarize que cuente los errores por host.name o por k8s.namespace.name, y ordena.
Resultado esperado: una clasificación de las fuentes más ruidosas.
Paso 4: trazar una métrica
Ejecuta la consulta timeseries sobre la CPU de los hosts y muéstrala en un gráfico.
Resultado esperado: una curva por cada host monitorizado, en dos horas.
Cuestionario
- ¿Qué símbolo separa los comandos de un pipeline DQL? A)
;B)|C)&&D)-> - ¿Qué comando lee las métricas? A)
fetch metricsB)summarizeC)timeseriesD)fields - ¿Para qué sirve el parámetro
by:desummarize? A) Para ordenar B) Para definir las dimensiones de agrupación C) Para limitar el número de filas D) Para elegir el periodo - ¿Por qué colocar
filterpronto en la consulta? A) Es obligatorio por sintaxis B) Para reducir el volumen que procesan los comandos siguientes C) Para activar el autocompletado D) Para cambiar de bucket
Soluciones
- B. La barra vertical pasa el resultado de un comando al siguiente.
- C.
timeseriesconsulta las métricas y devuelve series temporales. - B.
by:enumera los campos según los cuales se calculan los agregados. - B. Filtrar pronto reduce los datos procesados y, por tanto, el tiempo de respuesta y el coste.
Para ir más lejos
- Análisis de patrones de logs: hacia consultas DQL reutilizables
- Ingesta de logs: detectar el silencio y los excesos de volumen
- Peticiones de CPU efectivas de los pods de Kubernetes, un caso de uso completo de DQL
- Documentación oficial: docs.dynatrace.com, sección Dynatrace Query Language
← Módulo 2: desplegar OneAgent y Dynatrace Operator · Índice de la ruta · Módulo 4: Notebooks y Dashboards →
Preguntas frecuentes
¿DQL se parece a SQL?
Hay nociones cercanas (filtrar, agregar, ordenar), pero DQL se escribe como un pipeline que se lee de arriba abajo. Quienes conocen SQL se adaptan rápido; quienes conocen los lenguajes de pipeline de logs, todavía más.
¿Las consultas DQL tienen un coste?
Según el modelo de licencia, la lectura de ciertos datos puede facturarse por volumen escaneado. Restringir el periodo y filtrar pronto son, por tanto, buenos hábitos, tanto por la rapidez como por el presupuesto.
¿Dónde encontrar la lista completa de comandos y funciones?
En la documentación oficial de DQL, que detalla cada comando, función y tipo de dato. El autocompletado del editor también es una buena ayuda en el día a día.
Siete comandos bastan para la mayoría de las preguntas: fetch para elegir, filter y fields para reducir, summarize para contar, sort y limit para presentar, timeseries para las métricas. El módulo siguiente convierte estas consultas en notebooks y dashboards.
span.observer es un blog independiente de la comunidad, no afiliado a Dynatrace LLC. Dynatrace es una marca de Dynatrace LLC. Esta ruta no sustituye a las formaciones y certificaciones oficiales de Dynatrace University. Comprueba las funcionalidades en la documentación oficial correspondiente a tu versión.