分析数据

本文档介绍了如何使用数据分析扫描来更好地了解数据。BigQuery 使用 Dataplex Universal Catalog 分析数据的统计特征，例如平均值、唯一值和最大值。Dataplex Universal Catalog 还会根据这些信息建议数据质量检查规则。

如需详细了解数据分析，请参阅数据分析简介。

准备工作

Enable the Dataplex API.

Enable the API

所需的角色

如需分析 BigQuery 表，您需要拥有以下权限：

  • 如需对 BigQuery 表运行数据分析扫描，您需要拥有读取 BigQuery 表的权限，以及在用于扫描该表的项目中创建 BigQuery 作业的权限。

  • 如果 BigQuery 表和数据分析扫描位于不同的项目中，则您需要为 Dataplex Universal Catalog 服务账号授予相应 BigQuery 表的读取权限。

  • 如果 BigQuery 数据在 Dataplex Universal Catalog 数据湖中整理，则如需创建数据分析扫描，您需要具有 Dataplex Universal Catalog 角色 roles/dataplex.metadataReader 和 roles/dataplex.viewer。这会授予以下权限：

    • dataplex.lakes.list
    • dataplex.lakes.get
    • dataplex.zones.list
    • dataplex.zones.get
    • dataplex.entities.list
    • dataplex.entities.get
    • dataplex.operations.get

  • 如果您要扫描 Cloud Storage 中的 BigQuery 外部表，请为 Dataplex Universal Catalog 服务账号分配 Storage Object Viewer (roles/storage.objectViewer) 角色或存储桶的以下权限：

    • storage.buckets.get
    • storage.objects.get

  • 如果您想在Google Cloud 控制台中源表的 BigQuery 和 Dataplex Universal Catalog 页面中发布数据分析扫描结果，则您必须获得该表的 BigQuery Data Editor (roles/bigquery.dataEditor) 角色。或者，您需要拥有以下所有权限：

    • bigquery.tables.get
    • bigquery.tables.update
    • bigquery.tables.updateData
    • bigquery.tables.delete

  • 如需将扫描结果导出到 BigQuery 表，您的 Dataplex Universal Catalog 服务账号需要拥有 BigQuery Data Editor (roles/bigquery.dataEditor) 角色。这会授予以下权限：

    • bigquery.datasets.get
    • bigquery.tables.create
    • bigquery.tables.get
    • bigquery.tables.getData
    • bigquery.tables.update
    • bigquery.tables.updateData

  • 如果您需要访问受 BigQuery 列级访问权限政策保护的列，请为 Dataplex Universal Catalog 服务账号分配这些列的权限。创建或更新数据扫描的用户也需要拥有这些列的权限。

  • 如果某个表启用了 BigQuery 行级访问权限政策，则您只能扫描对 Dataplex Universal Catalog 服务账号可见的行。请注意，系统不会针对行级政策评估单个用户的访问权限。

数据扫描角色和权限

如需使用数据分析，请让您的管理员向您授予以下 IAM 角色之一：

  • roles/dataplex.dataScanAdmin：拥有对 DataScan 资源的完整访问权限。
  • roles/dataplex.dataScanEditor：拥有对 DataScan 资源的写入权限。
  • roles/dataplex.dataScanViewer：拥有对 DataScan 资源（不包括结果）的读取权限。
  • roles/dataplex.dataScanDataViewer：拥有对 DataScan 资源（包括结果）的读取权限。

下表列出了数据扫描权限：

权限名称 授予以下权限：
dataplex.datascans.create 创建 DataScan
dataplex.datascans.delete 删除 DataScan
dataplex.datascans.get 查看 DataScan 详细信息（不包括结果）
dataplex.datascans.getData 查看 DataScan 详细信息（包括结果）
dataplex.datascans.list 列出 DataScan
dataplex.datascans.run 运行 DataScan
dataplex.datascans.update 更新 DataScan 的说明
dataplex.datascans.getIamPolicy 查看扫描的当前 IAM 权限
dataplex.datascans.setIamPolicy 设置扫描的 IAM 权限

创建数据分析扫描

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击创建数据分析扫描。

  3. 可选：输入显示名称。

  4. 输入 ID。请参阅资源命名惯例。

  5. （可选）输入说明。

  6. 在表字段中，点击浏览。选择要扫描的表，然后点击选择。

    对于多区域数据集中的表，请选择要在其中创建数据扫描的区域。

    如需浏览在 Dataplex Universal Catalog 数据湖中整理的表，请点击在 Dataplex 数据湖中浏览。

  7. 在范围字段中，选择增量或所有数据。

    • 如果您选择增量数据，请在时间戳列字段中，从 BigQuery 表中选择类型为 DATE 或 TIMESTAMP 且可随新记录的添加而递增的列，该列可用于识别新记录。对于按 DATE 或 TIMESTAMP 类型的列进行分区的表，建议将分区列用作时间戳字段。

  8. 可选：如需过滤数据，请执行以下任一操作：

    • 如需按行过滤，请点击选中过滤行复选框。 输入一个有效的 SQL 表达式，该表达式可用于 GoogleSQL 语法中的 WHERE 子句。例如：col1 >= 0。

      过滤条件可以是多个列的 SQL 条件的组合。例如：col1 >= 0 AND col2 < 10。

    • 如需按列过滤，请选中过滤列复选框。

      • 如需在数据分析扫描中包含列，请在包含列字段中点击浏览。选择要包含的列，然后点击选择。

      • 如需从数据分析扫描中排除列，请在排除列字段中点击浏览。选择要排除的列，然后点击选择。

  9. 如需对数据分析扫描应用采样，请在采样规模列表中选择采样百分比。选择一个范围介于 0.0% 到 100.0% 之间的百分比值，最多精确到小数点后 3 位。

    • 对于较大的数据集，请选择一个较低的采样百分比。例如，对于一个 1 PB 的表，如果您输入的值介于 0.1% 到 1.0% 之间，则数据剖析会采样 1-10 TB 的数据。

    • 采样数据中必须至少有 100 条记录才能返回结果。

    • 对于增量数据扫描，数据分析扫描会对最新增量应用采样。

  10. 可选：在Google Cloud 控制台中源表的 BigQuery 和 Dataplex Universal Catalog 页面中发布数据分析扫描结果。选中将结果发布到 BigQuery 和 Dataplex Catalog 界面复选框。

    您可以在源表的 BigQuery 和 Dataplex Universal Catalog 页面中的数据分析标签页上查看最新扫描结果。如需使用户能够访问已发布的扫描结果，请参阅本文档的授予对数据分析扫描结果的访问权限部分。

    在以下情况下，可能无法使用发布选项：

    • 您没有相应表的所需权限。
    • 另一数据质量扫描已设置为发布结果。

  11. 在时间表部分，选择以下选项之一：

    • 重复：按时间表（每小时、每天、每周、每月或自定义）运行数据分析扫描。指定扫描的运行频率和时间。如果您选择自定义，请使用 cron 格式指定时间表。

    • 按需：按需运行数据分析扫描。

  12. 点击继续。

  13. 可选：将扫描结果导出到 BigQuery 标准表。在将扫描结果导出到 BigQuery 表部分中，执行以下操作：

    1. 在选择 BigQuery 数据集字段中，点击浏览。选择一个 BigQuery 数据集来存储数据分析扫描结果。

    2. 在 BigQuery 表字段中，指定用于存储数据分析扫描结果的表。如果您使用的是现有表，请确保该表与导出表架构兼容。如果指定的表不存在，Dataplex Universal Catalog 会为您创建该表。

  14. 可选：添加标签。标签是键值对，可用于将相关对象组合在一起或者与其他 Google Cloud 资源组合在一起。

  15. 如需创建扫描，请点击创建。

    如果您将时间表设置为“按需”，还可以点击运行扫描立即运行扫描。

gcloud

如需创建数据分析扫描，请使用 gcloud dataplex datascans create data-profile 命令。

如果源数据在 Dataplex Universal Catalog 数据湖中整理，请添加 --data-source-entity 标志：

gcloud dataplex datascans create data-profile DATASCAN \
--location=LOCATION \
--data-source-entity=DATA_SOURCE_ENTITY

如果源数据未在 Dataplex Universal Catalog 数据湖中整理，请添加 --data-source-resource 标志：

gcloud dataplex datascans create data-profile DATASCAN \
--location=LOCATION \
--data-source-resource=DATA_SOURCE_RESOURCE

执行以下变量替换操作：

  • DATASCAN：数据分析扫描的名称。
  • LOCATION：要在其中创建数据分析扫描的 Google Cloud 区域。
  • DATA_SOURCE_ENTITY：包含数据分析扫描所用数据的 Dataplex Universal Catalog 实体。例如 projects/test-project/locations/test-location/lakes/test-lake/zones/test-zone/entities/test-entity。
  • DATA_SOURCE_RESOURCE：包含数据分析扫描所用数据的资源的名称。例如 //bigquery.googleapis.com/projects/test-project/datasets/test-dataset/tables/test-table。

REST

如需创建数据分析扫描，请使用 dataScans.create 方法。

创建多个数据分析扫描

您可以使用 Google Cloud 控制台，同时为 BigQuery 数据集中的多个表配置数据分析扫描。

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击创建数据分析扫描。

  3. 选择多次数据分析扫描选项。

  4. 输入 ID 前缀。Dataplex Universal Catalog 会使用提供的前缀和唯一后缀自动生成扫描 ID。

  5. 为所有数据分析扫描输入说明。

  6. 在数据集字段中，点击浏览。选择一个数据集以从中选择表。点击选择。

  7. 如果数据集是多区域级数据集，请选择要在其中创建数据分析扫描的区域。

  8. 配置扫描的通用设置：

    1. 在范围字段中，选择增量或所有数据。

    2. 如需对数据分析扫描应用采样，请在采样规模列表中选择采样百分比。

      选择一个介于 0.0% 到 100.0% 之间的百分比值，最多精确到小数点后 3 位。

    3. 可选：在Google Cloud 控制台中源表的 BigQuery 和 Dataplex Universal Catalog 页面中发布数据分析扫描结果。选中将结果发布到 BigQuery 和 Dataplex Catalog 界面复选框。

      您可以在源表的 BigQuery 和 Dataplex Universal Catalog 页面中的数据分析标签页上查看最新扫描结果。如需使用户能够访问已发布的扫描结果，请参阅本文档的授予对数据分析扫描结果的访问权限部分。

    4. 在时间表部分，选择以下选项之一：

      • 重复：按时间表（每小时、每天、每周、每月或自定义）运行数据分析扫描。指定扫描的运行频率和时间。如果您选择自定义，请使用 cron 格式指定时间表。

      • 按需：按需运行数据分析扫描。

  9. 点击继续。

  10. 在选择表字段中，点击浏览。选择要扫描的一个或多个表格，然后点击选择。

  11. 点击继续。

  12. 可选：将扫描结果导出到 BigQuery 标准表。在将扫描结果导出到 BigQuery 表部分中，执行以下操作：

    1. 在选择 BigQuery 数据集字段中，点击浏览。选择一个 BigQuery 数据集来存储数据分析扫描结果。

    2. 在 BigQuery 表字段中，指定用于存储数据分析扫描结果的表。如果您使用的是现有表，请确保该表与导出表架构兼容。如果指定的表不存在，Dataplex Universal Catalog 会为您创建该表。

      Dataplex Universal Catalog 会为所有数据分析扫描使用同一结果表。

  13. 可选：添加标签。标签是键值对，可用于将相关对象组合在一起或者与其他 Google Cloud 资源组合在一起。

  14. 如需创建扫描，请点击创建。

    如果您将时间表设置为“按需”，还可以点击运行扫描立即运行扫描。

运行数据分析扫描

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击要运行的数据分析扫描。
  3. 点击立即运行。

gcloud

如需运行数据分析扫描，请使用 gcloud dataplex datascans run 命令：

gcloud dataplex datascans run DATASCAN \
--location=LOCATION

执行以下变量替换操作：

  • DATASCAN：数据分析扫描的名称。
  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。

REST

如需运行数据分析扫描，请使用 dataScans.run 方法。

查看数据分析扫描结果

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击数据分析扫描的名称。

    • 概览部分显示有关最近作业的信息，包括扫描运行时间、扫描的表记录数以及作业状态。

    • 数据分析扫描配置部分显示有关扫描的详细信息。

  3. 如需查看有关作业的详细信息，例如扫描表的列、扫描中发现的列的统计信息以及作业日志，请点击作业历史记录标签页。然后，点击作业 ID。

gcloud

如需查看数据分析扫描作业的结果，请使用 gcloud dataplex datascans jobs describe 命令：

gcloud dataplex datascans jobs describe JOB \
--location=LOCATION \
--datascan=DATASCAN \
--view=FULL

执行以下变量替换操作：

  • JOB：数据分析扫描作业的作业 ID。
  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。
  • DATASCAN：作业所属的数据分析扫描的名称。
  • --view=FULL：如需查看扫描作业结果，请指定 FULL。

REST

如需查看数据分析扫描的结果，请使用 dataScans.get 方法。

查看已发布的结果

如果数据分析扫描结果发布到 Google Cloud 控制台的 BigQuery 和 Dataplex Universal Catalog 页面，则您可以在源表的数据分析标签页中查看最新扫描结果。

  1. 在 Google Cloud 控制台中，前往 BigQuery 页面。

    转到 BigQuery

  2. 在探索器窗格中，选择要查看其数据分析文件扫描结果的表。

  3. 点击数据分析标签页。

    系统会显示最新发布的结果。

查看最近一次数据分析扫描作业

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击数据分析扫描的名称。

  3. 点击最新作业结果标签页。

    如果至少有一次成功完成的运行，最新作业结果标签页会提供有关最近一次作业的信息。该标签页会列出已扫描的表列，以及在扫描中发现的列的相关统计信息。

gcloud

如需查看最近一次成功的数据分析扫描，请使用 gcloud dataplex datascans describe 命令：

gcloud dataplex datascans describe DATASCAN \
--location=LOCATION \
--view=FULL

执行以下变量替换操作：

  • DATASCAN：要查看其最近作业的数据分析扫描的名称。
  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。
  • --view=FULL：如需查看扫描作业结果，请指定 FULL。

REST

如需查看最近的扫描作业，请使用 dataScans.get 方法。

查看历史扫描结果

Dataplex Universal Catalog 会保存最近 300 个作业或过去一年的数据分析扫描历史记录，以先到者为准。

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击数据分析扫描的名称。

  3. 点击作业历史记录标签页。

    作业历史记录标签页提供有关过往作业的信息，例如每个作业中扫描的记录数、作业状态以及作业运行时间。

  4. 如需查看有关作业的详细信息，请点击作业 ID 列中的任何作业。

gcloud

如需查看历史数据分析扫描作业，请使用 gcloud dataplex datascans jobs list 命令：

gcloud dataplex datascans jobs list \
--location=LOCATION \
--datascan=DATASCAN

执行以下变量替换操作：

  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。
  • DATASCAN：要查看作业的数据分析扫描的名称。

REST

如需查看历史数据分析扫描作业，请使用 dataScans.jobs.list 方法。

查看表的数据分析扫描

如需查看适用于特定表的数据分析扫描，请执行以下操作：

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 按表名称和扫描类型过滤列表。

授予对数据分析扫描结果的访问权限

如需让贵组织中的用户查看扫描结果，请执行以下操作：

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击您要共享其结果的数据质量扫描。

  3. 点击权限标签页。

  4. 执行以下操作：

    • 如需向主账号授予访问权限，请点击 授予访问权限。向关联的主账号授予 Dataplex DataScan DataViewer 角色。
    • 如需移除主账号的访问权限，请选择要移除其 Dataplex DataScan DataViewer 角色的主账号。点击 移除访问权限，然后在系统提示时进行确认。

管理特定表的数据分析扫描

本文档中的步骤介绍了如何使用Google Cloud 控制台中的 BigQuery 元数据整理 > 数据分析和质量评估页面来管理项目中的数据分析扫描。

您还可以在处理特定表时创建和管理数据剖析扫描。在 Google Cloud 控制台中，在表的 BigQuery 页面上，使用数据配置文件标签页。执行以下操作：

  1. 在 Google Cloud 控制台中，前往 BigQuery 页面。

    转到 BigQuery

    在探索器窗格中，选择相应表格。

  2. 点击数据分析标签页。

  3. 根据表是否具有已发布结果的数据分析扫描，您可以通过以下方式处理表的数据分析扫描：

    • 数据分析扫描结果已发布：页面上会显示最新发布的扫描结果。

      如需管理此表的数据剖析文件扫描，请点击数据剖析文件扫描，然后从以下选项中进行选择：

      • 创建新扫描：创建新的数据分析扫描。如需了解详情，请参阅本文档中的创建数据分析扫描部分。从表的详情页面创建扫描时，系统会预先选择该表。

      • 立即运行：运行扫描。

      • 修改扫描配置：修改设置，包括显示名称、过滤条件、抽样大小和时间安排。

      • 管理扫描权限：控制哪些人可以访问扫描结果。 如需了解详情，请参阅本文档中的授予对数据分析扫描结果的访问权限部分。

      • 查看历史结果：查看之前的数据分析扫描作业的详细信息。如需了解详情，请参阅本文档中的查看数据分析扫描结果和查看历史扫描结果部分。

      • 查看所有扫描：查看适用于相应表的数据分析扫描列表。

    • 数据分析扫描结果未发布：点击快速数据分析旁边的菜单，然后从以下选项中进行选择：

      • 自定义数据分析：创建新的数据分析扫描。如需了解详情，请参阅本文档中的创建数据分析扫描部分。从表的详情页面创建扫描时，系统会预先选择该表。

      • 查看之前的数据剖析文件：查看适用于此表的数据剖析文件扫描的列表。

更新数据分析扫描

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击数据分析扫描的名称。

  3. 点击修改，然后修改相应值。

  4. 点击保存。

gcloud

如需更新数据分析扫描，请使用 gcloud dataplex datascans update data-profile 命令：

gcloud dataplex datascans update data-profile DATASCAN \
--location=LOCATION \
--description=DESCRIPTION

执行以下变量替换操作：

  • DATASCAN：要更新的数据分析扫描的名称。
  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。
  • DESCRIPTION：数据分析扫描的新说明。

REST

如需修改数据分析扫描，请使用 dataScans.patch 方法。

删除数据分析扫描

控制台

  1. 在 Google Cloud 控制台中的 BigQuery 元数据整理页面上，前往数据分析和质量评估标签页。

    前往“数据分析和质量评估”

  2. 点击要删除的扫描。

  3. 点击删除，然后在系统提示时进行确认。

gcloud

如需删除数据分析扫描，请使用 gcloud dataplex datascans delete 命令：

gcloud dataplex datascans delete DATASCAN \
--location=LOCATION --async

执行以下变量替换操作：

  • DATASCAN：要删除的数据分析扫描的名称。
  • LOCATION：在其中创建数据分析扫描的 Google Cloud 区域。

REST

如需删除数据分析扫描，请使用 dataScans.delete 方法。

后续步骤