Parcours : Dynatrace SaaS · Module 3/8 — DQL : fondamentaux · Durée : ~60 min · Niveau : Débutant
Objectifs :
- Comprendre la logique de pipeline de DQL.
- Utiliser
fetch,filter,fields,sortetlimitpour lire des enregistrements. - Agréger avec
summarizeet interroger des métriques avectimeseries. - Écrire des requêtes économes et lisibles.
Prérequis : module 2 terminé, avec au moins un hôte ou un cluster qui envoie des données.
DQL, le Dynatrace Query Language, est la compétence la plus rentable du parcours Dynatrace SaaS : dashboards, notebooks, workflows et nombre d’applications reposent dessus. Ce module présente les fondamentaux de DQL à travers sept commandes, suffisantes pour répondre à la majorité des questions courantes.
Les exemples restent volontairement simples. Les noms de champs disponibles dépendent de vos sources : si une requête ne renvoie rien, commencez par regarder les champs réellement présents avant de conclure à une erreur.
DQL, fondamentaux : comment se lit une requête ?
Une requête DQL est un pipeline. Elle commence par une commande qui produit des enregistrements, puis chaque commande séparée par une barre verticale | transforme le résultat de la précédente. On lit donc de haut en bas, comme une suite de transformations :
fetch logs // 1. lire les logs
| filter loglevel == "ERROR" // 2. garder les erreurs
| limit 20 // 3. n'en afficher que 20
Cette approche diffère de SQL, où l’ordre d’écriture ne correspond pas à l’ordre d’exécution. En DQL, l’ordre des commandes compte : filtrer tôt réduit le volume traité par la suite.
La période interrogée suit en général le sélecteur de temps de l’application. On peut aussi la fixer dans la requête, par exemple avec from:now()-2h sur la commande fetch.
Lire des enregistrements : fetch, filter, fields
fetch
fetch choisit la source : logs, spans, events, bizevents, dt.davis.problems ou une table d’entités comme dt.entity.host.
fetch logs, from:now()-1h
| limit 5
filter
filter garde les enregistrements qui respectent une condition. On combine les conditions avec and, or et not, et on dispose de fonctions de chaîne comme contains() :
fetch logs, from:now()-1h
| filter loglevel == "ERROR" and contains(content, "timeout")
Attention à la casse et aux valeurs exactes : loglevel peut valoir "ERROR" mais pas "error" selon la source. En cas de doute, affichez quelques enregistrements avant de filtrer.
fields et fieldsAdd
fields ne conserve que les colonnes listées, ce qui rend le résultat lisible. fieldsAdd ajoute une colonne calculée sans supprimer les autres :
fetch logs, from:now()-1h
| filter loglevel == "ERROR"
| fields timestamp, host.name, content
| fieldsAdd longueur = stringLength(content)
Trier et limiter : sort, limit
sort ordonne les résultats, croissant par défaut ou décroissant avec desc. limit coupe le résultat après un nombre donné de lignes :
fetch logs, from:now()-1h
| filter loglevel == "ERROR"
| sort timestamp desc
| limit 50
Un réflexe utile en exploration : terminer toute requête exploratoire par un limit. Il évite de rapatrier des milliers de lignes que personne ne lira.
Agréger avec summarize
summarize regroupe les enregistrements et calcule des agrégats : count(), sum(), avg(), max()… Le paramètre by: définit les dimensions de regroupement. Nommer l’agrégat simplifie la suite du pipeline :
fetch logs, from:now()-24h
| filter loglevel == "ERROR"
| summarize erreurs = count(), by:{k8s.namespace.name}
| sort erreurs desc
| limit 10
Pour des variantes prêtes à l’emploi sur les spans, les hôtes et les problèmes, voir ces exemples DQL summarize pour l’astreinte.
Cette requête répond à une question concrète : quels namespaces Kubernetes produisent le plus d’erreurs sur 24 heures ? Les enregistrements sans namespace sont regroupés sous une valeur vide ; c’est normal pour les logs qui ne viennent pas de Kubernetes.
Pour obtenir une courbe à partir d’enregistrements, la commande makeTimeseries compte par intervalle de temps :
fetch logs, from:now()-6h
| filter loglevel == "ERROR"
| makeTimeseries erreurs = count(), interval:10m
Interroger des métriques avec timeseries
Les métriques ne se lisent pas avec fetch mais avec timeseries, qui renvoie directement des séries temporelles. On indique l’agrégat, la clé de métrique et éventuellement les dimensions :
timeseries cpu = avg(dt.host.cpu.usage), by:{dt.entity.host}, from:now()-2h
La clé de métrique doit exister dans votre environnement : l’éditeur de requêtes propose l’autocomplétion, utilisez-la plutôt que de deviner. Le résultat se visualise naturellement en graphique linéaire, ce que vous ferez au module 4.
Quelles bonnes pratiques adopter dès le départ ?
- Restreindre la période au strict nécessaire : moins de données lues, réponse plus rapide, coût de requête plus faible.
- Filtrer avant d’agréger et le plus tôt possible dans le pipeline.
- Nommer les agrégats (
erreurs = count()) pour pouvoir les trier et les réutiliser. - Commenter les requêtes partagées avec
//. - Se méfier des comptes exacts sur de gros volumes : vérifiez dans la documentation comment l’échantillonnage et les limites de lecture s’appliquent à votre requête.
Pour aller plus loin sur les logs, l’article analyse de patterns de logs montre comment produire automatiquement le parsing qu’on écrirait sinon à la main.
Exercice pratique
Étape 1 — Explorer les logs
Dans un nouveau notebook, exécutez fetch logs, from:now()-1h | limit 20 et notez les champs présents (niveau, hôte, namespace, contenu).
Résultat attendu : une liste de champs réels sur laquelle bâtir vos filtres.
Étape 2 — Isoler les erreurs
Ajoutez un filter sur le niveau de log, puis un fields pour ne garder que l’horodatage, l’hôte et le contenu. Triez du plus récent au plus ancien.
Résultat attendu : un tableau lisible des dernières erreurs.
Étape 3 — Compter par source
Remplacez fields par un summarize qui compte les erreurs par host.name ou par k8s.namespace.name, puis triez.
Résultat attendu : un classement des sources les plus bruyantes.
Étape 4 — Tracer une métrique
Exécutez la requête timeseries sur le CPU des hôtes et affichez-la en graphique.
Résultat attendu : une courbe par hôte supervisé, sur deux heures.
Quiz
- Quel symbole sépare les commandes d’un pipeline DQL ? A)
;B)|C)&&D)-> - Quelle commande lit les métriques ? A)
fetch metricsB)summarizeC)timeseriesD)fields - À quoi sert le paramètre
by:desummarize? A) À trier B) À définir les dimensions de regroupement C) À limiter le nombre de lignes D) À choisir la période - Pourquoi placer
filtertôt dans la requête ? A) C’est obligatoire syntaxiquement B) Pour réduire le volume traité par les commandes suivantes C) Pour activer l’autocomplétion D) Pour changer de bucket
Corrigé
- B. La barre verticale passe le résultat d’une commande à la suivante.
- C.
timeseriesinterroge les métriques et renvoie des séries temporelles. - B.
by:liste les champs selon lesquels les agrégats sont calculés. - B. Filtrer tôt réduit les données traitées, donc le temps de réponse et le coût.
Pour aller plus loin
- Analyse de patterns de logs : vers des requêtes DQL réutilisables
- Ingestion de logs : détecter le silence et les excès de volume
- Requêtes CPU effectives des pods Kubernetes, un cas d’usage DQL complet
- Documentation officielle : docs.dynatrace.com, section Dynatrace Query Language
← Module 2 : Déployer OneAgent et Dynatrace Operator · Sommaire du parcours · Module 4 : Notebooks et Dashboards →
Questions fréquentes
DQL ressemble-t-il à SQL ?
On retrouve des notions proches (filtrer, agréger, trier), mais DQL s’écrit comme un pipeline lu de haut en bas. Les habitués de SQL s’y font vite ; les habitués des langages de pipeline de logs encore plus.
Les requêtes DQL ont-elles un coût ?
Selon le modèle de licence, la lecture de certaines données peut être facturée au volume scanné. Restreindre la période et filtrer tôt sont donc de bonnes habitudes, autant pour la rapidité que pour le budget.
Où trouver la liste complète des commandes et fonctions ?
Dans la documentation officielle de DQL, qui détaille chaque commande, fonction et type de données. L’autocomplétion de l’éditeur est aussi une bonne aide au quotidien.
Sept commandes suffisent pour la plupart des questions : fetch pour choisir, filter et fields pour réduire, summarize pour compter, sort et limit pour présenter, timeseries pour les métriques. Le module suivant transforme ces requêtes en notebooks et en dashboards.
span.observer est un blog indépendant de la communauté, non affilié à Dynatrace LLC. Ce parcours ne remplace pas les formations et certifications officielles de Dynatrace University. Vérifiez les fonctionnalités dans la documentation officielle de votre version.
3 comments