Lesevorgänge

Auf dieser Seite werden die Arten von Leseanfragen beschrieben, die Sie an Bigtable senden können. Außerdem werden die Auswirkungen auf die Leistung erörtert und einige Empfehlungen für bestimmte Arten von Abfragen gegeben. Bevor Sie diese Seite lesen, sollten Sie sich mit den Informationen unter Übersicht über Bigtable vertraut machen.

Übersicht

Leseanfragen an Bigtable geben den Inhalt der angeforderten Zeilen in Schlüsselreihenfolge zurück, also in der Reihenfolge, in der sie gespeichert sind. Alle Schreibvorgänge, die eine Antwort zurückgegeben haben, können gelesen werden.

Die von der Tabelle unterstützten Abfragen sollten dabei helfen, den für Ihren Anwendungsfall am besten geeigneten Lesetyp zu bestimmen. Bigtable-Leseanfragen fallen in zwei allgemeine Kategorien:

  • Einzelne Zeile lesen
  • Scans oder Lesen mehrerer Zeilen

Lesevorgänge sind auf Zeilenebene atomar. Wenn Sie also eine Leseanfrage für eine Zeile senden, gibt Bigtable entweder die gesamte Zeile zurück oder im Falle einer fehlgeschlagenen Anfrage nichts aus der Zeile. Eine Teilzeile wird nie zurückgegeben, es sei denn, Sie fordern eine solche an.

Wir empfehlen Ihnen dringend, unsere Cloud Bigtable-Clientbibliotheken zum Lesen von Daten aus einer Tabelle zu verwenden und nicht die API direkt aufzurufen. Codebeispiele, die das Senden von Leseanfragen zeigen, sind in mehreren Sprachen verfügbar. Alle Leseanfragen führen den API-Aufruf ReadRows aus.

Daten mit serverlosem Computing von Data Boost lesen

Mit Bigtable Data Boost können Sie Batch-Lesejobs und ‑Abfragen ausführen, ohne den täglichen Anwendungstraffic zu beeinträchtigen. Data Boost ist ein Dienst für serverloses Computing, mit dem Sie Ihre Bigtable-Daten lesen können, während Ihre Kernanwendung die Knoten Ihres Clusters für das Computing verwendet.

Data Boost ist ideal für Scans und wird nicht für das Lesen einzelner Zeilen empfohlen. Data Boost kann nicht für Reverse-Scans verwendet werden. Weitere Informationen und Teilnahmevoraussetzungen finden Sie in der Data Boost-Übersicht.

Einzeilige Lesevorgänge

Sie können eine einzelne Zeile anhand des Zeilenschlüssels anfordern. Lesevorgänge für einzelne Zeilen, auch als Punktlesevorgänge bezeichnet, sind nicht mit Data Boost kompatibel. Codebeispiele sind für die folgenden Varianten verfügbar:

Scans

Scans sind die gängigste Methode, um Daten aus Bigtable zu lesen. Wenn Sie einen Bereich von zusammenhängenden Zeilen oder mehrere Bereiche von Zeilen aus Bigtable lesen möchten, können Sie ein Zeilenschlüsselpräfix oder Start- und Endzeilenschlüssel angeben. Codebeispiele sind für die folgenden Varianten verfügbar:

Scans in umgekehrter Reihenfolge

Bei Reverse-Scans können Sie einen Bereich von Zeilen rückwärts lesen, indem Sie entweder ein Zeilenschlüsselpräfix oder einen Zeilenbereich angeben. Das Zeilenschlüsselpräfix wird als Ausgangspunkt für den Scan verwendet, um rückwärts zu lesen. Wenn Sie einen Zeilenbereich angeben, wird der Endzeilenschlüssel als Ausgangspunkt für den Scan verwendet.

Das Scannen in umgekehrter Reihenfolge kann in den folgenden Szenarien nützlich sein:

Umgekehrte Scans sind weniger effizient als Vorwärtsscans. Im Allgemeinen sollten Sie Ihre Zeilenschlüssel so gestalten, dass die meisten Scans vorwärts erfolgen. Verwenden Sie Reverse-Scans für kurze Scans mit maximal 50 Zeilen, um eine Antwortzeit mit geringer Latenz zu erzielen.

Wenn Sie in umgekehrter Richtung scannen möchten, setzen Sie den Wert für das Feld ReadRowsRequest reversed auf „true“. Der Standardwert lautet „falsch“.

Rückwärtsscans sind verfügbar, wenn Sie die folgenden Clientbibliotheken verwenden:

  • Bigtable-Clientbibliothek für C++ Version 2.18.0 oder höher
  • Bigtable-Clientbibliothek für Go, Version 1.21.0 oder höher
  • Bigtable-Clientbibliothek für Java Version 2.24.1 oder höher
  • Bigtable HBase-Client für Java, Version 2.10.0 oder höher

Codebeispiele für die Verwendung von Rückwärtsscans finden Sie unter Rückwärtsscan.

Anwendungsbeispiele

Die folgenden Beispiele zeigen, wie sich mit Rückwärtssuchen herausfinden lässt, wann ein Kunde sein Passwort zuletzt geändert hat und wie sich der Preis eines Produkts um einen bestimmten Tag herum entwickelt hat.

Passwort zurücksetzen

Nehmen wir an, Ihre Zeilenschlüssel enthalten jeweils eine Kundennummer und ein Datum im Format 123ABC#2022-05-02. Eine der Spalten ist password_reset, in der die Stunde gespeichert ist, zu der das Passwort zurückgesetzt wurde. Bigtable speichert die Daten automatisch lexikografisch, wie im Folgenden dargestellt. Für Zeilen (Tage), an denen das Passwort nicht zurückgesetzt wurde, ist diese Spalte nicht vorhanden.

`123ABC#2022-02-12,password_reset:03`
`123ABC#2022-04-02,password_reset:11`
`123ABC#2022-04-14`
`123ABC#2022-05-02`
`223ABC#2022-05-22`

Wenn Sie herausfinden möchten, wann der Kunde 123ABC sein Passwort zuletzt zurückgesetzt hat, können Sie einen Bereich von 123ABC# bis 123ABC#<DATE> rückwärts scannen. Verwenden Sie dazu das aktuelle Datum oder ein Datum in der Zukunft für alle Zeilen, die die Spalte password_reset mit einem Zeilenlimit von 1 enthalten.

Preisänderungen

In diesem Beispiel enthalten Ihre Zeilenschlüssel Werte für Produkt, Modell und Zeitstempel. Eine der Spalten enthält den Preis für das Produkt und das Modell zu einem bestimmten Zeitpunkt.

`productA#model2#1675604471,price:82.63`
`productA#model2#1676219411,price:82.97`
`productA#model2#1677681011,price:83.15`
`productA#model2#1680786011,price:83.99`
`productA#model2#1682452238,price:83.12`

Wenn Sie Preisschwankungen rund um den Preis vom 14. Februar 2023 ermitteln möchten, obwohl in der Tabelle kein Zeilenschlüssel für dieses Datum vorhanden ist, können Sie einen Vorwärtsscan ab dem Zeilenschlüssel productA#model2#1676376000 für N Zeilen und dann einen Rückwärtsscan für dieselbe Anzahl von Zeilen ab derselben Startzeile durchführen. Die beiden Scans liefern Ihnen die Preise vor und nach dem angegebenen Zeitpunkt.

Gefilterte Lesevorgänge

Wenn Sie nur Zeilen mit bestimmten Werten oder Teilzeilen benötigen, können Sie einen Filter in der Leseanfrage verwenden. Filter ermöglichen eine äußerst selektive Auswahl von Daten.

Mit Filtern können Sie außerdem gewährleisten, dass Lesevorgänge den von der Tabelle verwendeten Richtlinien für die automatische Speicherbereinigung entsprechen. Dies ist besonders nützlich, wenn Sie häufig neue Zellen mit Zeitstempeln in vorhandene Spalten schreiben. Da es bei der automatischen Speicherbereinigung bis zu einer Woche dauern kann, bis abgelaufene Daten entfernt sind, können Sie durch Verwenden eines Zeitstempelbereichs-Filters beim Lesen von Daten dafür sorgen, dass nicht mehr Daten als benötigt gelesen lesen.

In der Filterübersicht finden Sie ausführliche Erläuterungen der Filtertypen, die Sie verwenden können. Unter Filter verwenden werden Beispiele in mehreren Sprachen gezeigt.

Daten aus einer autorisierten Ansicht lesen

Wenn Sie Daten aus einer autorisierten Ansicht lesen möchten, müssen Sie eine der folgenden Optionen verwenden:

  • gcloud-CLI
  • Bigtable-Client für Java

Die anderen Bigtable-Clientbibliotheken unterstützen den Ansichtszugriff noch nicht.

Jede Methode, die die Methode ReadRows oder SampleRowKeys der Bigtable Data API aufruft, wird unterstützt. Sie geben die ID der autorisierten Ansicht zusätzlich zur Tabellen-ID an, wenn Sie den Client erstellen.

Daten aus einer kontinuierlichen materialisierten Ansicht lesen

Sie können Daten aus einer kontinuierlichen materialisierten Ansicht mit SQL oder dem ReadRows-Data API-Aufruf lesen. Kontinuierliche materialisierte Ansichten sind schreibgeschützt. Daten in einer materialisierten Ansicht werden basierend auf der Abfrage, mit der sie definiert wird, typisiert.

SQL

Wenn Sie Daten aus einer kontinuierlichen materialisierten Ansicht mit SQL lesen möchten, können Sie entweder den Bigtable Studio-Abfrageeditor oder eine der Clientbibliotheken verwenden, die SQL-Abfragen unterstützen.

In SQL werden Abfrageergebnisse automatisch als typisierte Spalten bereitgestellt. Sie müssen die Codierung also nicht in Ihrer Abfrage verarbeiten.

Wenn Sie eine kontinuierliche materialisierte Ansicht erstellen, erstellt Bigtable automatisch ein Schema für Zeilenschlüssel für die Tabelle, in dem die strukturierten Zeilenschlüssel für die Ansicht definiert werden. Weitere Informationen zum Abfragen strukturierter Zeilenschlüssel mit SQL finden Sie unter Abfragen strukturierter Zeilenschlüssel.

Data API

Wenn Sie planen, mit einem ReadRows-Aufruf aus einer der Clientbibliotheken für Bigtable aus einer kontinuierlichen materialisierten Ansicht zu lesen, sollten Sie die SQL-Abfrage prüfen, mit der die Ansicht definiert wird. Prüfen Sie, ob für die Ansicht eine _key-Spalte definiert ist. Das ist für Ansichten, die mit ReadRows gelesen werden sollen, empfehlenswert. Prüfen Sie außerdem, ob eine _timestamp-Spalte vorhanden ist.

Sie müssen auch den Typ jeder Spalte kennen und die Spaltendaten in Ihrem Anwendungscode decodieren.

Aggregierte Werte in einer kontinuierlichen materialisierten Ansicht werden mit der in der folgenden Tabelle beschriebenen Codierung gespeichert, basierend auf dem Ausgabetyp der Spalte aus der Ansichtsdefinition.

Typ Codierung
BOOL 1-Byte-Wert, 1 = „true“, 0 = „false“
BYTES Keine Codierung
INT64 (oder INT, SMALLINT, INTEGER, BIGINT, TINYINT, BYTEINT) 64‑Bit, Big-Endian
FLOAT64 64-Bit-IEEE 754, ohne NaN und +/-inf
STRING UTF-8
TIME/TIMESTAMP 64-Bit-Ganzzahl, die die Anzahl der Mikrosekunden seit der Unix-Epoche darstellt (entspricht GoogleSQL)
Weitere Informationen finden Sie in der Data API-Referenz unter Codierung.

Sie müssen nicht nur den Typ jeder Spalte in der Ansicht kennen, sondern auch die Spaltenfamilie und den Spaltenqualifizierer. Die Standardspaltenfamilie heißt default und der Spaltenqualifizierer ist der Alias, der in der definierenden Abfrage angegeben ist. Sehen Sie sich als Beispiel eine kontinuierliche materialisierte Ansicht an, die mit dieser Abfrage definiert wurde:

SELECT
  _key,
  SUM(clicks) AS sum_clicks
FROM
  mytable
GROUP BY
  sum_clicks

Wenn Sie die Ansicht mit ReadRows abfragen, geben Sie die Spaltenfamilie default und den Spaltenqualifizierer sum_clicks an.

Lesevorgänge und Leistung

Lesevorgänge mit Filtern sind langsamer als Lesevorgänge ohne Filter und erhöhen außerdem die CPU-Auslastung. Allerdings können Sie damit die beanspruchte Netzwerkbandbreite erheblich reduzieren, da die zurückgegebene Datenmenge begrenzt wird. Im Allgemeinen sollten Filter verwendet werden, um die Durchsatzeffizienz und nicht die Latenz zu steuern.

Wenn Sie die Leseleistung optimieren möchten, sollten Sie die folgenden Strategien in Betracht ziehen:

  1. Schränken Sie das Rowset so weit wie möglich ein. Die Begrenzung der Anzahl der Zeilen, die Ihre Knoten scannen müssen, ist der erste Schritt zur Verbesserung der Zeit bis zum ersten Byte und der Gesamtabfragelatenz. Wenn Sie das Rowset nicht beschränken, muss Bigtable höchstwahrscheinlich die gesamte Tabelle scannen. Aus diesem Grund empfehlen wir Ihnen, das Schema so zu entwerfen, dass Ihre häufigsten Abfragen diese Strategie befolgen können.

  2. Nach dem Einschränken des Rowsets können Sie zur weiteren Leistungsoptimierung einen einfachen Filter hinzufügen. Das Einschränken der Gruppe von Spalten oder der Anzahl der zurückgegebenen Versionen erhöht im Allgemeinen nicht die Latenz und kann manchmal dazu beitragen, dass Bigtable irrelevante Daten in jeder Zeile effizienter bei der Suche übergeht.

  3. Wenn Sie die Leseleistung nach den ersten beiden Strategien noch weiter optimieren möchten, sollten Sie einen komplexeren Filter verwenden. Sie könnten dafür verschiedene Gründe haben:

    • Sie erhalten immer noch viele Daten, die Sie nicht benötigen.
    • Sie möchten den Anwendungscode vereinfachen, indem Sie die Abfrage in Bigtable verschieben.

    Beachten Sie jedoch, dass Filter, die Bedingungen, Interleaves oder einen Abgleich mit regulären Ausdrücken bei großen Werten erfordern, eher schaden als nützen, wenn sie den Großteil der gescannten Daten durchlassen. Dies führt zu einer erhöhten CPU-Auslastung im Cluster ohne große Einsparungen auf der Clientseite.

Zusätzlich zu diesen Strategien sollten Sie eine große Anzahl nicht zusammenhängender Zeilenschlüssel oder Zeilenbereiche nicht in einer einzelnen Leseanforderung lesen. Wenn Sie in einer einzelnen Anfrage Hunderte von Zeilenschlüsseln oder Zeilenbereichen anfordern, scannt Bigtable die Tabelle und liest die angeforderten Zeilen sequenziell. Diese fehlende Parallelität wirkt sich auf die gesamte Latenz aus und alle Lesevorgänge, die einen Hot-Knoten erreichen, können die tail-Latenz erhöhen. Je mehr Zeilenbereiche angefordert werden, desto länger dauert der Lesevorgang. Wenn diese Latenz nicht akzeptabel ist, sollten Sie stattdessen mehrere gleichzeitige Anfragen senden, die jeweils weniger Zeilenbereiche abrufen.

Im Allgemeinen optimiert das Lesen weiterer Zeilenbereiche in einer einzelnen Anfrage den Durchsatz, jedoch nicht die Latenz. Werden weniger Zeilenbereiche in mehreren gleichzeitigen Anfragen gelesen, wird dadurch die Latenz, nicht der Durchsatz optimiert. Die richtige Balance zwischen Latenz und Durchsatz hängt von den Anforderungen Ihrer Anwendung ab. Dies kann durch eine Anpassung der Anzahl gleichzeitiger Leseanfragen und der Anzahl an Zeilenbereichen in einer Anfrage erreicht werden.

Große Zeilen

Für große Zeilen gelten in Bigtable die folgenden Limits:

  • Die maximale Größe einer Zeile beträgt 256 MB. Wenn Sie eine Zeile lesen müssen, die größer als das Limit geworden ist, können Sie die Anfrage paginieren und einen cells per row limit-Filter sowie einen cells per row offset-Filter verwenden. Beachten Sie, dass der Lesevorgang unter Umständen nicht atomar ist, wenn ein Schreibvorgang für eine Zeile zwischen den paginierten Leseanfragen eingeht.

  • Die maximale Größe eines ReadRows-API-Aufrufs beträgt 512 KB. Wenn Sie das Limit überschreiten, gibt Bigtable den Fehler INVALID_ARGUMENT zurück.

Nächste Schritte