Carica i dati con operazioni cross-cloud

In qualità di analista o amministratore BigQuery, puoi caricare i dati da un bucket Amazon Simple Storage Service (Amazon S3) o da Archiviazione BLOB di Azure nelle tabelle BigQuery. Puoi unire i dati trasferiti con quelli presenti nelle regioni Google Cloud o sfruttare le funzionalità di BigQuery come BigQuery ML.

Puoi trasferire i dati in BigQuery nei seguenti modi:

Quote e limiti

Per informazioni su quote e limiti, consulta quote e limiti dei job di query.

Prezzi

Ti vengono addebitati i byte trasferiti tra i cloud utilizzando la istruzione LOAD. Per informazioni sui prezzi, consulta la sezione Trasferimento dati cross cloud Omni in Prezzi di BigQuery Omni.

Ti vengono addebitati i byte trasferiti tra i cloud utilizzando la istruzione CREATE TABLE AS SELECT o la istruzione INSERT INTO SELECT e per la capacità di calcolo.

Sia le istruzioni LOAD sia quelle CREATE TABLE AS SELECT richiedono slot nelle regioni BigQuery Omni per eseguire la scansione dei file Amazon S3 e Archiviazione BLOB al fine di caricarli. Per ulteriori informazioni, consulta la pagina relativa ai prezzi di BigQuery Omni.

Prima di iniziare

Per fornire a Google Cloud l'accesso in lettura ai file in altri cloud, chiedi all'amministratore di creare una connessione e di condividerla con te. Per informazioni su come creare connessioni, consulta Connessione ad Amazon S3 o Archiviazione BLOB.

Ruolo richiesto

Per ottenere le autorizzazioni necessarie per caricare i dati utilizzando i trasferimenti tra cloud, chiedi all'amministratore di concederti il ruolo IAM Editor dati BigQuery (roles/bigquery.dataEditor) nel set di dati. 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 utilizzando i trasferimenti tra cloud. Per visualizzare le autorizzazioni esatte richieste, espandi la sezione Autorizzazioni richieste:

Autorizzazioni obbligatorie

Per caricare i dati utilizzando i trasferimenti tra cloud sono necessarie le seguenti autorizzazioni:

  • bigquery.tables.create
  • bigquery.tables.get
  • bigquery.tables.updateData
  • bigquery.tables.update
  • bigquery.jobs.create
  • bigquery.connections.use

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

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

Carica i dati

Puoi caricare i dati in BigQuery con l'istruzione LOAD DATA [INTO|OVERWRITE].

Limitazioni

  • I job LOAD DATA non vengono eseguiti sulle prenotazioni. I job utilizzano gli slot on demand gestiti da Google Cloud.
  • La connessione e il set di dati di destinazione devono appartenere allo stesso progetto. Il caricamento dei dati tra i progetti non è supportato.
  • LOAD DATA è supportato solo quando trasferisci dati da un servizio Amazon Simple Storage Service (Amazon S3) o Azure Blob Storage a una regione BigQuery in co-locazione. Per ulteriori informazioni, consulta Località.
    • Puoi trasferire i dati da qualsiasi regione US a una regione multipla US. Puoi anche eseguire il trasferimento da qualsiasi regione EU a una multiregione EU.

Esempio

Esempio 1

L'esempio seguente carica un file parquet denominato sample.parquet da un bucket Amazon S3 nella tabella test_parquet con uno schema di rilevamento automatico:

LOAD DATA INTO mydataset.testparquet
  FROM FILES (
    uris = ['s3://test-bucket/sample.parquet'],
    format = 'PARQUET'
  )
  WITH CONNECTION `aws-us-east-1.test-connection`

Esempio 2

L'esempio seguente carica un file CSV con il prefisso sampled* da Blob Storage nella tabella test_csv con il partitioning predefinito delle colonne per data e ora:

LOAD DATA INTO mydataset.test_csv (Number INT64, Name STRING, Time DATE)
  PARTITION BY Time
  FROM FILES (
    format = 'CSV', uris = ['azure://test.blob.core.windows.net/container/sampled*'],
    skip_leading_rows=1
  )
  WITH CONNECTION `azure-eastus2.test-connection`

Esempio 3

L'esempio seguente sovrascrive la tabella esistente test_parquet con i dati di un file denominato sample.parquet con uno schema di rilevamento automatico:

LOAD DATA OVERWRITE mydataset.testparquet
  FROM FILES (
    uris = ['s3://test-bucket/sample.parquet'],
    format = 'PARQUET'
  )
  WITH CONNECTION `aws-us-east-1.test-connection`

Filtra dati

Puoi filtrare i dati prima di trasferirli in BigQuery utilizzando la istruzione CREATE TABLE AS SELECT e la istruzione INSERT INTO SELECT.

Limitazioni

  • Se il risultato della query SELECT supera i 60 GiB in byte logici, la query non va a buon fine. La tabella non viene creata e i dati non vengono trasferiti. Per scoprire come ridurre le dimensioni dei dati sottoposti a scansione, consulta Ridurre i dati elaborati nelle query.

  • Le tabelle temporanee non sono supportate.

  • Il trasferimento del formato di dati geospaziali Well-known binary (WKB) non è supportato.

  • L'istruzione INSERT INTO SELECT non supporta il trasferimento dei dati nella tabella cluster.

  • Nell'istruzione INSERT INTO SELECT, se la tabella di destinazione è uguale alla tabella di origine nella query SELECT, l'istruzione INSERT INTO SELECT non modifica alcuna riga nella tabella di destinazione. La tabella di destinazione non viene modificata perché BigQuery non può leggere i dati tra le regioni.

  • CREATE TABLE AS SELECT e INSERT INTO SELECT sono supportati solo quando trasferisci dati da un servizio Amazon S3 o Archiviazione BLOB a una regione BigQuery in co-locazione. Per ulteriori informazioni, consulta Località.

    • Puoi trasferire i dati da qualsiasi regione US a una regione multipla US. Puoi anche eseguire il trasferimento da qualsiasi regione EU a una multiregione EU.

Esempio

Esempio 1

Supponiamo di avere una tabella BigLake denominata myawsdataset.orders che fa riferimento ai dati di Amazon S3. Vuoi trasferire i dati da questa tabella a una tabella BigQuery myotherdataset.shipments nella regione multipla degli Stati Uniti.

Innanzitutto, mostra le informazioni sulla tabella myawsdataset.orders:

    bq show myawsdataset.orders;

L'output è simile al seguente:

  Last modified             Schema              Type     Total URIs   Expiration
----------------- -------------------------- ---------- ------------ -----------
  31 Oct 17:40:28   |- l_orderkey: integer     EXTERNAL   1
                    |- l_partkey: integer
                    |- l_suppkey: integer
                    |- l_linenumber: integer
                    |- l_returnflag: string
                    |- l_linestatus: string
                    |- l_commitdate: date

Poi, mostra le informazioni sulla tabella myotherdataset.shipments:

  bq show myotherdataset.shipments

L'output è simile al seguente. Alcune colonne vengono omesse per semplificare l'output.

  Last modified             Schema             Total Rows   Total Bytes   Expiration   Time Partitioning   Clustered Fields   Total Logical
 ----------------- --------------------------- ------------ ------------- ------------ ------------------- ------------------ ---------------
  31 Oct 17:34:31   |- l_orderkey: integer      3086653      210767042                                                         210767042
                    |- l_partkey: integer
                    |- l_suppkey: integer
                    |- l_commitdate: date
                    |- l_shipdate: date
                    |- l_receiptdate: date
                    |- l_shipinstruct: string
                    |- l_shipmode: string

Ora, utilizzando l'istruzione CREATE TABLE AS SELECT, puoi caricare in modo selettivo i dati nella tabella myotherdataset.orders nella regione multipla degli Stati Uniti:

CREATE OR REPLACE TABLE
  myotherdataset.orders
  PARTITION BY DATE_TRUNC(l_commitdate, YEAR) AS
SELECT
  *
FROM
  myawsdataset.orders
WHERE
  EXTRACT(YEAR FROM l_commitdate) = 1992;

Puoi quindi eseguire un'operazione di join con la tabella appena creata:

SELECT
  orders.l_orderkey,
  orders.l_orderkey,
  orders.l_suppkey,
  orders.l_commitdate,
  orders.l_returnflag,
  shipments.l_shipmode,
  shipments.l_shipinstruct
FROM
  myotherdataset.shipments
JOIN
  `myotherdataset.orders` as orders
ON
  orders.l_orderkey = shipments.l_orderkey
AND orders.l_partkey = shipments.l_partkey
AND orders.l_suppkey = shipments.l_suppkey
WHERE orders.l_returnflag = 'R'; -- 'R' means refunded.

Quando sono disponibili nuovi dati, aggiungi i dati dell'anno 1993 alla tabella di destinazione utilizzando l'istruzione INSERT INTO SELECT:

INSERT INTO
   myotherdataset.orders
 SELECT
   *
 FROM
   myawsdataset.orders
 WHERE
   EXTRACT(YEAR FROM l_commitdate) = 1993;

Esempio 2

L'esempio seguente inserisce i dati in una tabella partizionata per data di importazione:

CREATE TABLE
 mydataset.orders(id String, numeric_id INT)
PARTITION BY _PARTITIONDATE;

Dopo aver creato una tabella partizionata, puoi inserire i dati nella tabella partizionata in base al momento dell'importazione:

INSERT INTO
 mydataset.orders(
   _PARTITIONTIME,
   id,
   numeric_id)
SELECT
 TIMESTAMP("2023-01-01"),
 id,
 numeric_id,
FROM
 mydataset.ordersof23
WHERE
 numeric_id > 4000000;

Best practice

  • Evita di caricare più file di dimensioni inferiori a 5 MB. Crea invece una tabella esterna per il file ed esporta il risultato della query in Amazon S3 o Blob Storage per creare un file più grande. Questo metodo consente di migliorare il tempo di trasferimento dei dati.
    • Per informazioni sul limite per il risultato della query massimo, consulta la sezione Dimensioni massime del risultato della query di BigQuery Omni.
  • Se i dati di origine si trovano in un file compresso con gzip, durante la creazione delle tabelle esterne imposta l'opzione external_table_options.compression su GZIP.

Passaggi successivi