Caricamento dei dati Parquet da Cloud Storage

Questa pagina fornisce una panoramica del caricamento dei dati Parquet da Cloud Storage in BigQuery.

Parquet è un formato di dati open source orientato alle colonne ampiamente utilizzato nell'ecosistema Apache Hadoop.

Quando carichi i dati Parquet da Cloud Storage, puoi caricarli in una nuova tabella o partizione oppure puoi aggiungerli a una tabella o partizione esistente o sovrascriverli. Quando i dati vengono caricati in BigQuery, vengono trasformati in formato a colonne per Capacitor (il formato di archiviazione di BigQuery).

Quando carichi i dati da Cloud Storage in una tabella BigQuery, il set di dati che contiene la tabella deve trovarsi nella stessa posizione regionale o multiregionale del bucket Cloud Storage.

Per informazioni sul caricamento dei dati Parquet da un file locale, consulta Caricare i dati da file locali.

Limitazioni

Quando carichi i dati in BigQuery da un bucket Cloud Storage, devi rispettare le seguenti limitazioni:

• Se la posizione del set di dati è impostata su un valore diverso dall'area geografica multipla US, il bucket Cloud Storage deve trovarsi nella stessa regione o essere contenuto nella stessa area geografica multipla del set di dati.
• BigQuery non garantisce la coerenza dei dati per le origini dati esterne. Le modifiche ai dati sottostanti durante l'esecuzione di una query possono comportare un comportamento imprevisto.

• BigQuery non supporta il controllo delle versioni degli oggetti Cloud Storage. Se includi un numero di generazione nell'URI Cloud Storage, il job di caricamento non va a buon fine.

• Il caricamento dei dati Parquet segue la convenzione di denominazione delle colonne e non supporta nomi di colonne flessibili per impostazione predefinita. Per registrarti a questa anteprima, compila il modulo di registrazione.

• Non puoi utilizzare un carattere jolly nell'URI Cloud Storage se uno dei file da caricare ha schemi diversi. Qualsiasi differenza nella posizione delle colonne è considerata uno schema diverso.

Requisiti dei file di input

Per evitare errori resourcesExceeded durante il caricamento dei file Parquet in BigQuery, segui queste linee guida:

• Mantieni le dimensioni delle righe inferiori a 50 MB.
• Se i dati di input contengono più di 100 colonne, valuta la possibilità di ridurre le dimensioni della pagina in modo che siano inferiori a quelle predefinite (1 * 1024 * 1024 byte). Questa funzionalità è particolarmente utile se utilizzi una compressione significativa.
• Per un rendimento ottimale, cerca di avere gruppi di righe di almeno 16 MiB. Gruppi di righe di dimensioni inferiori aumentano l'I/O e rallentano i caricamenti e le query.

Prima di iniziare

Concedi i ruoli IAM (Identity and Access Management) che forniscono agli utenti le autorizzazioni necessarie per eseguire ogni attività in questo documento e crea un set di dati per archiviare i dati.

Autorizzazioni obbligatorie

Per caricare i dati in BigQuery, devi disporre delle autorizzazioni IAM per eseguire un job di caricamento e caricare i dati nelle tabelle e nelle partizioni BigQuery. Se carichi i dati da Cloud Storage, devi disporre anche delle autorizzazioni IAM per accedere al bucket contenente i dati.

Autorizzazioni per caricare dati in BigQuery

Per caricare dati in una nuova tabella o partizione BigQuery o per accodare o sovrascrivere una tabella o partizione esistente, sono necessarie le seguenti autorizzazioni IAM:

• bigquery.tables.create
• bigquery.tables.updateData
• bigquery.tables.update
• bigquery.jobs.create

Ciascuno dei seguenti ruoli IAM predefiniti include le autorizzazioni necessarie per caricare i dati in una tabella o una partizione BigQuery:

• roles/bigquery.dataEditor
• roles/bigquery.dataOwner
• roles/bigquery.admin (include l'autorizzazione bigquery.jobs.create)
• bigquery.user (include l'autorizzazione bigquery.jobs.create)
• bigquery.jobUser (include l'autorizzazione bigquery.jobs.create)

Inoltre, se disponi dell'autorizzazione bigquery.datasets.create, puoi creare e aggiornare le tabelle utilizzando un job di caricamento nei set di dati che crei.

Per ulteriori informazioni sui ruoli e sulle autorizzazioni IAM in BigQuery, consulta Ruoli e autorizzazioni predefiniti.

Autorizzazioni per caricare i dati da Cloud Storage

Per ottenere le autorizzazioni necessarie per caricare i dati da un bucket Cloud Storage, chiedi all'amministratore di concederti il ruolo IAM Amministratore archiviazione (roles/storage.admin) nel bucket. Per saperne di più sulla concessione dei ruoli, consulta Gestire l'accesso a progetti, cartelle e organizzazioni.

Questo ruolo predefinito contiene le autorizzazioni necessarie per caricare i dati da un bucket Cloud Storage. Per visualizzare le autorizzazioni esatte richieste, espandi la sezione Autorizzazioni richieste:

Potresti anche ottenere queste autorizzazioni con ruoli personalizzati o altri ruoli predefiniti.

Crea un set di dati

Crea un set di dati BigQuery per archiviare i tuoi dati.

Schemi Parquet

Quando carichi i file Parquet in BigQuery, lo schema della tabella viene recuperato automaticamente dai dati di origine autodescrittivi. Quando BigQuery recupera lo schema dai dati di origine, viene utilizzato l'ultimo file in ordine alfabetico.

Ad esempio, in Cloud Storage sono presenti i seguenti file Parquet:

gs://mybucket/00/
  a.parquet
  z.parquet
gs://mybucket/01/
  b.parquet

L'esecuzione di questo comando nello strumento a riga di comando bq carica tutti i file (come elenco separato da virgole) e lo schema viene dedotto da mybucket/01/b.parquet:

bq load \
--source_format=PARQUET \
dataset.table \
"gs://mybucket/00/*.parquet","gs://mybucket/01/*.parquet"

Quando carichi più file Parquet con schemi diversi, le colonne identiche specificate in più schemi devono avere la stessa modalità in ogni definizione di schema.

Quando BigQuery rileva lo schema, alcuni tipi di dati Parquet vengono convertiti in tipi di dati BigQuery per renderli compatibili con la sintassi di GoogleSQL. Per ulteriori informazioni, consulta Conversioni parquet.

Ad esempio, --reference_file_schema_uri="gs://mybucket/schema.parquet".

Compressione Parquet

BigQuery supporta i seguenti codec di compressione per i contenuti dei file Parquet:

• GZip
• LZO_1C
• LZO_1X
• LZ4_RAW
• Snappy
• ZSTD

Caricamento di dati Parquet in una nuova tabella

Puoi caricare i dati Parquet in una nuova tabella utilizzando uno dei seguenti elementi:

• Nella console Google Cloud
• Il comando bq load dello strumento a riga di comando bq
• Il metodo dell'API jobs.insert e la configurazione di un job load
• Le librerie client

Per caricare i dati Parquet da Cloud Storage in una nuova tabella BigQuery:

bq --location=LOCATION load \
--source_format=FORMAT \
DATASET.TABLE \
PATH_TO_SOURCE

    bq load \
    --source_format=PARQUET \
    mydataset.mytable \
    gs://mybucket/mydata.parquet

    bq load \
    --source_format=PARQUET \
    --time_partitioning_type=DAY \
    mydataset.mytable \
    gs://mybucket/mydata.parquet

    bq load \
    --source_format=PARQUET \
    --time_partitioning_field mytimestamp \
    mydataset.mytable \
    gs://mybucket/mydata.parquet

    bq load \
    --source_format=PARQUET \
    mydataset.mytable \
    gs://mybucket/mydata*.parquet

    bq load \
    --source_format=PARQUET \
    mydataset.mytable \
    "gs://mybucket/00/*.parquet","gs://mybucket/01/*.parquet"

import (
	"context"
	"fmt"

	"cloud.google.com/go/bigquery"
)

// importParquet demonstrates loading Apache Parquet data from Cloud Storage into a table.
func importParquet(projectID, datasetID, tableID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydataset"
	// tableID := "mytable"
	ctx := context.Background()
	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}
	defer client.Close()

	gcsRef := bigquery.NewGCSReference("gs://cloud-samples-data/bigquery/us-states/us-states.parquet")
	gcsRef.SourceFormat = bigquery.Parquet
	gcsRef.AutoDetect = true
	loader := client.Dataset(datasetID).Table(tableID).LoaderFrom(gcsRef)

	job, err := loader.Run(ctx)
	if err != nil {
		return err
	}
	status, err := job.Wait(ctx)
	if err != nil {
		return err
	}

	if status.Err() != nil {
		return fmt.Errorf("job completed with error: %v", status.Err())
	}
	return nil
}

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.FormatOptions;
import com.google.cloud.bigquery.Job;
import com.google.cloud.bigquery.JobInfo;
import com.google.cloud.bigquery.LoadJobConfiguration;
import com.google.cloud.bigquery.TableId;
import java.math.BigInteger;

public class LoadParquet {

  public static void runLoadParquet() {
    // TODO(developer): Replace these variables before running the sample.
    String datasetName = "MY_DATASET_NAME";
    loadParquet(datasetName);
  }

  public static void loadParquet(String datasetName) {
    try {
      // Initialize client that will be used to send requests. This client only needs to be created
      // once, and can be reused for multiple requests.
      BigQuery bigquery = BigQueryOptions.getDefaultInstance().getService();

      String sourceUri = "gs://cloud-samples-data/bigquery/us-states/us-states.parquet";
      TableId tableId = TableId.of(datasetName, "us_states");

      LoadJobConfiguration configuration =
          LoadJobConfiguration.builder(tableId, sourceUri)
              .setFormatOptions(FormatOptions.parquet())
              .build();

      // For more information on Job see:
      // https://googleapis.dev/java/google-cloud-clients/latest/index.html?com/google/cloud/bigquery/package-summary.html
      // Load the table
      Job job = bigquery.create(JobInfo.of(configuration));

      // Blocks until this load table job completes its execution, either failing or succeeding.
      Job completedJob = job.waitFor();
      if (completedJob == null) {
        System.out.println("Job not executed since it no longer exists.");
        return;
      } else if (completedJob.getStatus().getError() != null) {
        System.out.println(
            "BigQuery was unable to load the table due to an error: \n"
                + job.getStatus().getError());
        return;
      }

      // Check number of rows loaded into the table
      BigInteger numRows = bigquery.getTable(tableId).getNumRows();
      System.out.printf("Loaded %d rows. \n", numRows);

      System.out.println("GCS parquet loaded successfully.");
    } catch (BigQueryException | InterruptedException e) {
      System.out.println("GCS Parquet was not loaded. \n" + e.toString());
    }
  }
}

// Import the Google Cloud client libraries
const {BigQuery} = require('@google-cloud/bigquery');
const {Storage} = require('@google-cloud/storage');

// Instantiate clients
const bigquery = new BigQuery();
const storage = new Storage();

/**
 * This sample loads the Parquet file at
 * https://storage.googleapis.com/cloud-samples-data/bigquery/us-states/us-states.parquet
 *
 * TODO(developer): Replace the following lines with the path to your file.
 */
const bucketName = 'cloud-samples-data';
const filename = 'bigquery/us-states/us-states.parquet';

async function loadTableGCSParquet() {
  // Imports a GCS file into a table with Parquet source format.

  /**
   * TODO(developer): Uncomment the following lines before running the sample.
   */
  // const datasetId = 'my_dataset';
  // const tableId = 'my_table';

  // Configure the load job. For full list of options, see:
  // https://cloud.google.com/bigquery/docs/reference/rest/v2/Job#JobConfigurationLoad
  const metadata = {
    sourceFormat: 'PARQUET',
    location: 'US',
  };

  // Load data from a Google Cloud Storage file into the table
  const [job] = await bigquery
    .dataset(datasetId)
    .table(tableId)
    .load(storage.bucket(bucketName).file(filename), metadata);

  // load() waits for the job to finish
  console.log(`Job ${job.id} completed.`);

  // Check the job's status for errors
  const errors = job.status.errors;
  if (errors && errors.length > 0) {
    throw errors;
  }
}

use Google\Cloud\BigQuery\BigQueryClient;
use Google\Cloud\Core\ExponentialBackoff;

/** Uncomment and populate these variables in your code */
// $projectId  = 'The Google project ID';
// $datasetId  = 'The BigQuery dataset ID';

// instantiate the bigquery table service
$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$dataset = $bigQuery->dataset($datasetId);
$table = $dataset->table('us_states');

// create the import job
$gcsUri = 'gs://cloud-samples-data/bigquery/us-states/us-states.parquet';
$loadConfig = $table->loadFromStorage($gcsUri)->sourceFormat('PARQUET');
$job = $table->runJob($loadConfig);
// poll the job until it is complete
$backoff = new ExponentialBackoff(10);
$backoff->execute(function () use ($job) {
    print('Waiting for job to complete' . PHP_EOL);
    $job->reload();
    if (!$job->isComplete()) {
        throw new Exception('Job has not yet completed', 500);
    }
});
// check if the job has errors
if (isset($job->info()['status']['errorResult'])) {
    $error = $job->info()['status']['errorResult']['message'];
    printf('Error running job: %s' . PHP_EOL, $error);
} else {
    print('Data imported successfully' . PHP_EOL);
}

from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set table_id to the ID of the table to create.
# table_id = "your-project.your_dataset.your_table_name"

job_config = bigquery.LoadJobConfig(
    source_format=bigquery.SourceFormat.PARQUET,
)
uri = "gs://cloud-samples-data/bigquery/us-states/us-states.parquet"

load_job = client.load_table_from_uri(
    uri, table_id, job_config=job_config
)  # Make an API request.

load_job.result()  # Waits for the job to complete.

destination_table = client.get_table(table_id)
print("Loaded {} rows.".format(destination_table.num_rows))

Aggiunta o sovrascrittura di una tabella con dati Parquet

Puoi caricare dati aggiuntivi in una tabella dai file di origine o aggiungendo i risultati delle query.

Nella console Google Cloud, utilizza l'opzione Preferenza di scrittura per specificare l'azione da eseguire quando carichi i dati da un file di origine o da un risultato di query.

Quando carichi dati aggiuntivi in una tabella, hai le seguenti opzioni:

Se carichi i dati in una tabella esistente, il job di caricamento può aggiungerli o sovrascrivere la tabella.

Puoi accodare o sovrascrivere una tabella utilizzando uno dei seguenti elementi:

• Nella console Google Cloud
• Il comando bq load dello strumento a riga di comando bq
• Il metodo dell'API jobs.insert e la configurazione di un job load
• Le librerie client

Per accodare o sovrascrivere una tabella con dati Parquet:

bq --location=LOCATION load \
--[no]replace \
--source_format=FORMAT \
DATASET.TABLE \
PATH_TO_SOURCE

    bq load \
    --replace \
    --source_format=PARQUET \
    mydataset.mytable \
    gs://mybucket/mydata.parquet

    bq load \
    --noreplace \
    --source_format=PARQUET \
    mydataset.mytable \
    gs://mybucket/mydata.parquet

import (
	"context"
	"fmt"

	"cloud.google.com/go/bigquery"
)

// importParquetTruncate demonstrates loading Apache Parquet data from Cloud Storage into a table
// and overwriting/truncating existing data in the table.
func importParquetTruncate(projectID, datasetID, tableID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydataset"
	// tableID := "mytable"
	ctx := context.Background()
	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}
	defer client.Close()

	gcsRef := bigquery.NewGCSReference("gs://cloud-samples-data/bigquery/us-states/us-states.parquet")
	gcsRef.SourceFormat = bigquery.Parquet
	gcsRef.AutoDetect = true
	loader := client.Dataset(datasetID).Table(tableID).LoaderFrom(gcsRef)
	loader.WriteDisposition = bigquery.WriteTruncate

	job, err := loader.Run(ctx)
	if err != nil {
		return err
	}
	status, err := job.Wait(ctx)
	if err != nil {
		return err
	}

	if status.Err() != nil {
		return fmt.Errorf("job completed with error: %v", status.Err())
	}
	return nil
}

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.FormatOptions;
import com.google.cloud.bigquery.Job;
import com.google.cloud.bigquery.JobInfo;
import com.google.cloud.bigquery.JobInfo.WriteDisposition;
import com.google.cloud.bigquery.LoadJobConfiguration;
import com.google.cloud.bigquery.TableId;
import java.math.BigInteger;

public class LoadParquetReplaceTable {

  public static void runLoadParquetReplaceTable() {
    // TODO(developer): Replace these variables before running the sample.
    String datasetName = "MY_DATASET_NAME";
    loadParquetReplaceTable(datasetName);
  }

  public static void loadParquetReplaceTable(String datasetName) {
    try {
      // Initialize client that will be used to send requests. This client only needs to be created
      // once, and can be reused for multiple requests.
      BigQuery bigquery = BigQueryOptions.getDefaultInstance().getService();

      // Imports a GCS file into a table and overwrites table data if table already exists.
      // This sample loads CSV file at:
      // https://storage.googleapis.com/cloud-samples-data/bigquery/us-states/us-states.csv
      String sourceUri = "gs://cloud-samples-data/bigquery/us-states/us-states.parquet";
      TableId tableId = TableId.of(datasetName, "us_states");

      // For more information on LoadJobConfiguration see:
      // https://googleapis.dev/java/google-cloud-clients/latest/com/google/cloud/bigquery/LoadJobConfiguration.Builder.html
      LoadJobConfiguration configuration =
          LoadJobConfiguration.builder(tableId, sourceUri)
              .setFormatOptions(FormatOptions.parquet())
              // Set the write disposition to overwrite existing table data.
              .setWriteDisposition(WriteDisposition.WRITE_TRUNCATE)
              .build();

      // For more information on Job see:
      // https://googleapis.dev/java/google-cloud-clients/latest/index.html?com/google/cloud/bigquery/package-summary.html
      // Load the table
      Job job = bigquery.create(JobInfo.of(configuration));

      // Load data from a GCS parquet file into the table
      // Blocks until this load table job completes its execution, either failing or succeeding.
      Job completedJob = job.waitFor();
      if (completedJob == null) {
        System.out.println("Job not executed since it no longer exists.");
        return;
      } else if (completedJob.getStatus().getError() != null) {
        System.out.println(
            "BigQuery was unable to load into the table due to an error: \n"
                + job.getStatus().getError());
        return;
      }

      // Check number of rows loaded into the table
      BigInteger numRows = bigquery.getTable(tableId).getNumRows();
      System.out.printf("Loaded %d rows. \n", numRows);

      System.out.println("GCS parquet overwrote existing table successfully.");
    } catch (BigQueryException | InterruptedException e) {
      System.out.println("Table extraction job was interrupted. \n" + e.toString());
    }
  }
}

// Import the Google Cloud client libraries
const {BigQuery} = require('@google-cloud/bigquery');
const {Storage} = require('@google-cloud/storage');

// Instantiate clients
const bigquery = new BigQuery();
const storage = new Storage();

/**
 * This sample loads the CSV file at
 * https://storage.googleapis.com/cloud-samples-data/bigquery/us-states/us-states.csv
 *
 * TODO(developer): Replace the following lines with the path to your file.
 */
const bucketName = 'cloud-samples-data';
const filename = 'bigquery/us-states/us-states.parquet';

async function loadParquetFromGCSTruncate() {
  /**
   * Imports a GCS file into a table and overwrites
   * table data if table already exists.
   */

  /**
   * TODO(developer): Uncomment the following lines before running the sample.
   */
  // const datasetId = "my_dataset";
  // const tableId = "my_table";

  // Configure the load job. For full list of options, see:
  // https://cloud.google.com/bigquery/docs/reference/rest/v2/Job#JobConfigurationLoad
  const metadata = {
    sourceFormat: 'PARQUET',
    // Set the write disposition to overwrite existing table data.
    writeDisposition: 'WRITE_TRUNCATE',
    location: 'US',
  };

  // Load data from a Google Cloud Storage file into the table
  const [job] = await bigquery
    .dataset(datasetId)
    .table(tableId)
    .load(storage.bucket(bucketName).file(filename), metadata);
  // load() waits for the job to finish
  console.log(`Job ${job.id} completed.`);

  // Check the job's status for errors
  const errors = job.status.errors;
  if (errors && errors.length > 0) {
    throw errors;
  }
}

use Google\Cloud\BigQuery\BigQueryClient;
use Google\Cloud\Core\ExponentialBackoff;

/** Uncomment and populate these variables in your code */
// $projectId = 'The Google project ID';
// $datasetId = 'The BigQuery dataset ID';
// $tableID = 'The BigQuery table ID';

// instantiate the bigquery table service
$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$table = $bigQuery->dataset($datasetId)->table($tableId);

// create the import job
$gcsUri = 'gs://cloud-samples-data/bigquery/us-states/us-states.parquet';
$loadConfig = $table->loadFromStorage($gcsUri)->sourceFormat('PARQUET')->writeDisposition('WRITE_TRUNCATE');
$job = $table->runJob($loadConfig);

// poll the job until it is complete
$backoff = new ExponentialBackoff(10);
$backoff->execute(function () use ($job) {
    print('Waiting for job to complete' . PHP_EOL);
    $job->reload();
    if (!$job->isComplete()) {
        throw new Exception('Job has not yet completed', 500);
    }
});

// check if the job has errors
if (isset($job->info()['status']['errorResult'])) {
    $error = $job->info()['status']['errorResult']['message'];
    printf('Error running job: %s' . PHP_EOL, $error);
} else {
    print('Data imported successfully' . PHP_EOL);
}

import io

from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set table_id to the ID of the table to create.
# table_id = "your-project.your_dataset.your_table_name

job_config = bigquery.LoadJobConfig(
    schema=[
        bigquery.SchemaField("name", "STRING"),
        bigquery.SchemaField("post_abbr", "STRING"),
    ],
)

body = io.BytesIO(b"Washington,WA")
client.load_table_from_file(body, table_id, job_config=job_config).result()
previous_rows = client.get_table(table_id).num_rows
assert previous_rows > 0

job_config = bigquery.LoadJobConfig(
    write_disposition=bigquery.WriteDisposition.WRITE_TRUNCATE,
    source_format=bigquery.SourceFormat.PARQUET,
)

uri = "gs://cloud-samples-data/bigquery/us-states/us-states.parquet"
load_job = client.load_table_from_uri(
    uri, table_id, job_config=job_config
)  # Make an API request.

load_job.result()  # Waits for the job to complete.

destination_table = client.get_table(table_id)
print("Loaded {} rows.".format(destination_table.num_rows))

Caricamento di dati Parquet partizionati Hive

BigQuery supporta il caricamento dei dati Parquet partizionati Hive archiviati su Cloud Storage e compila le colonne di partizione Hive come colonne nella tabella gestita BigQuery di destinazione. Per ulteriori informazioni, consulta Caricamento di dati partizionati esternamente.

Conversioni Parquet

Questa sezione descrive in che modo BigQuery analizza vari tipi di dati durante il caricamento dei dati Parquet.

Alcuni tipi di dati Parquet (ad esempio INT32, INT64, BYTE_ARRAY e FIXED_LEN_BYTE_ARRAY) possono essere convertiti in più tipi di dati BigQuery. Per assicurarti che BigQuery converta correttamente i tipi di dati Parquet, specifica il tipo di dati appropriato nel file Parquet.

Ad esempio, per convertire il tipo di dati INT32 di Parquet nel tipo di dati DATE di BigQuery, specifica quanto segue:

optional int32 date_col (DATE);

BigQuery converte i tipi di dati Parquet nei tipi di dati BigQuery descritti nelle sezioni seguenti.

Conversioni di tipo

I gruppi nidificati vengono convertiti in tipi STRUCT. Altre combinazioni di tipi Parquet e tipi convertiti non sono supportate.

Tipi logici non firmati

I tipi UINT_8, UINT_16, UINT_32 e UINT_64 di Parquet non sono firmati. BigQuery tratterà i valori con questi tipi come non firmati durante il caricamento in una colonna INTEGER firmata di BigQuery. Nel caso di UINT_64, verrà restituito un errore se il valore senza segno supera il valore massimo di INTEGER pari a 9.223.372.036.854.775.807.

Tipo logico decimale

I tipi logici Decimal possono essere convertiti in tipi NUMERIC, BIGNUMERIC o STRING. Il tipo convertito dipende dai parametri di precisione e scala del tipo logico decimal e dai tipi di target decimali specificati. Specifica il tipo di destinazione decimale come segue:

• Per un job di caricamento che utilizza l'API jobs.insert: utilizza il campo JobConfigurationLoad.decimalTargetTypes.
• Per un job di caricamento che utilizza il comando bq load nello strumento a riga di comando bq: utilizza il flag --decimal_target_types.
• Per una query su una tabella con origini esterne: utilizza il campo ExternalDataConfiguration.decimalTargetTypes.
• Per una tabella esterna persistente creata con DDL: utilizza l'opzione decimal_target_types.

Tipo logico di enum

I tipi logici Enum possono essere convertiti in STRING o BYTES. Specifica il tipo di target convertito come segue:

• Per un job di caricamento che utilizza l'API jobs.insert: utilizza il campo JobConfigurationLoad.parquetOptions.
• Per un job di caricamento che utilizza il comando bq load nello strumento a riga di comando bq: utilizza il flag --parquet_enum_as_string.
• Per una tabella esterna persistente creata con bq mk: utilizza il flag --parquet_enum_as_string.

Tipo logico di elenco

Puoi attivare l'inferenza dello schema per i tipi logici LIST di Parquet. BigQuery controlla se il nodo LIST è nella forma standard o in una delle forme descritte dalle regole di compatibilità con le versioni precedenti:

// standard form
<optional | required> group <name> (LIST) {
  repeated group list {
    <optional | required> <element-type> element;
  }
}

In questo caso, il campo corrispondente per il nodo LIST nello schema convertito viene trattato come se il nodo avesse lo schema seguente:

repeated <element-type> <name>

I nodi "list" ed "element" sono omessi.

• Per un job di caricamento che utilizza l'API jobs.insert, utilizza il JobConfigurationLoad.parquetOptions campo.
• Per un job di caricamento che utilizza il comando bq load nello strumento a riga di comando bq, utilizza il flag --parquet_enable_list_inference.
• Per una tabella esterna persistente creata con bq mk, utilizza il flag --parquet_enable_list_inference.
• Per una tabella esterna persistente creata con l'istruzione CREATE EXTERNAL TABLE, utilizza l'opzione enable_list_inference.

Dati geospaziali

Puoi caricare file Parquet contenenti WKT, WKB con codifica esadecimale o GeoJSON in una colonna STRING o WKB in una colonna BYTE_ARRAY specificando uno schema BigQuery con il tipo GEOGRAPHY. Per ulteriori informazioni, consulta Caricare dati geospaziali.

Puoi anche caricare file GeoParquet. In questo caso, le colonne descritte dai metadati GeoParquet vengono interpretate come di tipo GEOGRAPHY per impostazione predefinita. Puoi anche caricare i dati WKB non elaborati in una colonna BYTES fornendo uno schema esplicito. Per ulteriori informazioni, consulta Caricare file GeoParquet.

Conversioni dei nomi delle colonne

Un nome di colonna può contenere lettere (a-z, A-Z), numeri (0-9) o trattini bassi (_) e deve iniziare con una lettera o un trattino basso. Se utilizzi nomi di colonne flessibili, BigQuery supporta l'inizio di un nome di colonna con un numero. Fai attenzione quando inizi le colonne con un numero, poiché l'utilizzo di nomi di colonne flessibili con l'API BigQuery Storage di lettura o con l'API BigQuery Storage Write richiede una gestione speciale. Per ulteriori informazioni sul supporto dei nomi delle colonne flessibili, consulta Nomi delle colonne flessibili.

I nomi delle colonne hanno una lunghezza massima di 300 caratteri. I nomi delle colonne non possono contenere nessuno dei seguenti prefissi:

• _TABLE_
• _FILE_
• _PARTITION
• _ROW_TIMESTAMP
• __ROOT__
• _COLIDENTIFIER

Non sono consentiti nomi di colonna duplicati, anche se le lettere maiuscole e minuscole sono diverse. Ad esempio, una colonna denominata Column1 è considerata identica a una colonna denominata column1. Per scoprire di più sulle regole di denominazione delle colonne, consulta Nomi colonna nella documentazione di riferimento di GoogleSQL.

Se il nome di una tabella (ad es. test) corrisponde a uno dei nomi delle sue colonne (ad es. test), l'espressione SELECT interpreta la colonna test come un STRUCT contenente tutte le altre colonne della tabella. Per evitare questa collisione, utilizza uno dei seguenti metodi:

• Evita di utilizzare lo stesso nome per una tabella e le relative colonne.

• Assegna alla tabella un alias diverso. Ad esempio, la seguente query assegna un alias tabella t alla tabella project1.dataset.test:

  SELECT test FROM project1.dataset.test AS t;
  

• Includi il nome della tabella quando fai riferimento a una colonna. Ad esempio:

  SELECT test.test FROM project1.dataset.test;
  

Nomi di colonne flessibili

Hai una maggiore flessibilità nella scelta dei nomi delle colonne, incluso l'accesso ampliato ai caratteri in lingue diverse dall'inglese, nonché a simboli aggiuntivi.

I nomi delle colonne flessibili supportano i seguenti caratteri:

• Qualsiasi lettera in qualsiasi lingua, come rappresentata dall'espressione regolare Unicode \p{L}.
• Qualsiasi carattere numerico in qualsiasi lingua, come rappresentato dall'espressione regolare Unicode \p{N}.
• Qualsiasi carattere di punteggiatura del connettore, inclusi gli underscore, come rappresentato dall'espressione regolare Unicode \p{Pc}.
• Un trattino o un trattino basso come rappresentato dall'espressione regolare Unicode \p{Pd}.
• Qualsiasi segno destinato ad accompagnare un altro carattere come rappresentato dall'espressione regolare Unicode \p{M}. Ad esempio accenti, umlaut o caselle di contenimento.
• I seguenti caratteri speciali:
  • Una e commerciale (&) rappresentata dall'espressione regolare Unicode \u0026.
  • Un segno di percentuale (%) come rappresentato dall'espressione regolare Unicode \u0025.
  • Un segno di uguale (=) rappresentato dall'espressione regolare Unicode \u003D.
  • Un segno più (+) rappresentato dall'espressione regolare Unicode \u002B.
  • Un due punti (:) come rappresentato dall'espressione regolare Unicode \u003A.
  • Un apostrofo (') come rappresentato dall'espressione regolare Unicode \u0027.
  • Un segno di minore (<) rappresentato dall'espressione regolare Unicode \u003C.
  • Un segno di maggiore (>) come rappresentato dall'espressione regolare Unicode \u003E.
  • Un segno di numero (#) come rappresentato dall'espressione regolare Unicode \u0023.
  • Una linea verticale (|) rappresentata dall'espressione regolare Unicode \u007c.
  • Spazi vuoti.

I nomi delle colonne flessibili non supportano i seguenti caratteri speciali:

• Un punto esclamativo (!) come rappresentato dall'espressione regolare Unicode \u0021.
• Una virgola (") rappresentata dall'espressione regolare Unicode \u0022.
• Un simbolo del dollaro ($) come rappresentato dall'espressione regolare Unicode \u0024.
• Una parentesi aperta (() rappresentata dall'espressione regolare Unicode \u0028.
• Una parentesi destra ()) rappresentata dall'espressione regolare Unicode \u0029.
• Un asterisco (*) come rappresentato dall'espressione regolare Unicode \u002A.
• Una virgola (,) rappresentata dall'espressione regolare Unicode \u002C.
• Un punto (.) come rappresentato dall'espressione regolare Unicode \u002E.
• Una barra (/) rappresentata dall'espressione regolare Unicode \u002F.
• Un punto e virgola (;) rappresentato dall'espressione regolare Unicode \u003B.
• Un punto interrogativo (?) come rappresentato dall'espressione regolare Unicode \u003F.
• Un segno di at (@) come rappresentato dall'espressione regolare Unicode \u0040.@
• Una parentesi quadra aperta ([) rappresentata dall'espressione regolare Unicode \u005B.
• Una barra (\) rappresentata dall'espressione regolare Unicode \u005C.
• Una parentesi quadra chiusa (]) rappresentata dall'espressione regolare Unicode \u005D.
• Un accento circonflesso (^) come rappresentato dall'espressione regolare Unicode \u005E.
• Un accento grave (`) come rappresentato dall'espressione regolare Unicode \u0060.
• Una parentesi graffa aperta {{) rappresentata dall'espressione regolare Unicode \u007B.
• Una parentesi graffa chiusa (}) rappresentata dall'espressione regolare Unicode \u007D.
• Una tilde (~) rappresentata dall'espressione regolare Unicode \u007E.

Per ulteriori linee guida, consulta Nomi delle colonne.

I caratteri delle colonne espansi sono supportati sia dall'API BigQuery Storage Read sia dall'API BigQuery Storage Write. Per utilizzare l'elenco espanso dei caratteri Unicode con l'API BigQuery Storage di lettura, devi impostare un flag. Puoi utilizzare l'attributo displayName per recuperare il nome della colonna. L'esempio seguente illustra come impostare un flag con il client Python:

from google.cloud.bigquery_storage import types
requested_session = types.ReadSession()

#set avro serialization options for flexible column.
options = types.AvroSerializationOptions()
options.enable_display_name_attribute = True
requested_session.read_options.avro_serialization_options = options

Per utilizzare l'elenco espanso dei caratteri Unicode con l'API BigQuery Storage Write, devi fornire lo schema con la notazione column_name, a meno che non utilizzi l'oggetto scrittore JsonStreamWriter. L'esempio seguente mostra come fornire lo schema:

syntax = "proto2";
package mypackage;
// Source protos located in github.com/googleapis/googleapis
import "google/cloud/bigquery/storage/v1/annotations.proto";

message FlexibleSchema {
  optional string item_name_column = 1
  [(.google.cloud.bigquery.storage.v1.column_name) = "name-列"];
  optional string item_description_column = 2
  [(.google.cloud.bigquery.storage.v1.column_name) = "description-列"];
}

In questo esempio, item_name_column e item_description_column sono nomi segnaposto che devono essere conformi alla convenzione di denominazione del buffer del protocollo. Tieni presente che le annotazioni column_name hanno sempre la precedenza sui nomi dei segnaposto.

Limitazioni

I nomi delle colonne flessibili non sono supportati con le tabelle esterne.

Non puoi caricare file Parquet contenenti colonne con un punto (.) nel nome della colonna.

Se il nome di una colonna Parquet contiene altri caratteri (a parte un punto), questi caratteri vengono sostituiti con trattini bassi. Puoi aggiungere trattini bassi finali ai nomi delle colonne per evitare conflitti. Ad esempio, se un file Parquet contiene due colonne Column1 e column1, le colonne vengono caricate rispettivamente come Column1 e column1_.

Eseguire il debug del file Parquet

Se i job di caricamento non riescono a causa di errori nei dati, puoi utilizzare PyArrow per verificare se i file di dati Parquet sono danneggiati. Se PyArrow non riesce a leggere i file, è probabile che questi vengano rifiutati dal job di caricamento BigQuery. L'esempio riportato di seguito mostra come leggere i contenuti di un file Parquet utilizzando PyArrow:

from pyarrow import parquet as pq

# Read the entire file
pq.read_table('your_sample_file.parquet')
# Read specific columns
pq.read_table('your_sample_file.parquet',columns=['some_column', 'another_column'])
# Read the metadata of specific columns
file_metadata=pq.read_metadata('your_sample_file.parquet')
for col in file_metadata.row_group(0).to_dict()['columns']:
    print col['column_path_in_schema']
    print col['num_values']

Per ulteriori informazioni, consulta la documentazione di PyArrow.