Utilizza la memorizzazione nella cache dei metadati per le origini dati esterne

Questo documento descrive come utilizzare la memorizzazione nella cache dei metadati (nota anche come indicizzazione dei metadati delle colonne) per migliorare le prestazioni delle query sulle tabelle degli oggetti e su alcuni tipi di tabelle BigLake.

Le tabelle di oggetti e alcuni tipi di tabelle BigLake possono memorizzare nella cache le informazioni dei metadati sui file negli archivi dati esterni, ad esempio Cloud Storage. I seguenti tipi di tabelle BigLake supportano la memorizzazione dei metadati nella cache:

  • Tabelle BigLake Amazon S3
  • Tabelle BigLake di Cloud Storage

I metadati includono nomi file, informazioni di partizionamento e metadati per i file, ad esempio i conteggi delle righe. Puoi scegliere se attivare la memorizzazione nella cache dei metadati su una tabella. Le query con un numero elevato di file e con filtri di partizione Hive traggono il massimo vantaggio dalla memorizzazione nella cache dei metadati.

Se non attivi la memorizzazione nella cache dei metadati, le query sulla tabella devono leggere l'origine dati esterna per ottenere i metadati degli oggetti. La lettura di questi dati aumenta la latenza delle query; l'elenco di milioni di file dall'origine dati esterna può richiedere diversi minuti. Se abiliti la memorizzazione nella cache dei metadati, le query possono evitare di elencare i file dall'origine dati esterna e possono partizionare e ridurre i file più rapidamente.

Puoi attivare la memorizzazione nella cache dei metadati su una tabella BigLake o di oggetti quando crei la tabella. Per saperne di più sulla creazione di tabelle di oggetti, consulta Crea tabelle di oggetti. Per saperne di più sulla creazione di tabelle BigLake, consulta uno dei seguenti argomenti:

Impostazioni di memorizzazione nella cache dei metadati

Esistono due proprietà che controllano il comportamento di questa funzionalità:

  • Staleness massima specifica quando le query utilizzano i metadati memorizzati nella cache.
  • La modalità cache dei metadati specifica come vengono raccolti i metadati.

Quando la memorizzazione nella cache dei metadati è abilitata, specifichi l'intervallo massimo di inattività dei metadati accettabile per le operazioni sulla tabella. Ad esempio, se specifichi un intervallo di 1 ora, le operazioni sulla tabella utilizzano i metadati memorizzati nella cache se sono stati aggiornati nell'ultima ora. Se i metadati memorizzati nella cache sono più vecchi, l'operazione recupera i metadati dal datastore (Amazon S3 o Cloud Storage). Puoi specificare un intervallo di inattività compreso tra 30 minuti e 7 giorni.

Puoi scegliere di aggiornare la cache automaticamente o manualmente:

  • Per gli aggiornamenti automatici, la cache viene aggiornata a un intervallo definito dal sistema, in genere tra 30 e 60 minuti. L'aggiornamento automatico della cache è un buon approccio se i file nel datastore vengono aggiunti, eliminati o modificati a intervalli casuali. Se devi controllare i tempi di aggiornamento, ad esempio per attivare l'aggiornamento alla fine di un job di estrazione, trasformazione e caricamento, utilizza l'aggiornamento manuale.
  • Per gli aggiornamenti manuali, esegui la procedura di sistema BQ.REFRESH_EXTERNAL_METADATA_CACHE per aggiornare la cache dei metadati in base alla pianificazione che hai stabilito. Per le tabelle BigLake, puoi aggiornare i metadati in modo selettivo fornendo le sottodirectory della directory dei dati della tabella. Questo approccio ti consente di evitare l'elaborazione non necessaria dei metadati. L'aggiornamento manuale della cache è un buon approccio se i file nel datastore vengono aggiunti, eliminati o modificati a intervalli noti, ad esempio come output di una pipeline.

Gli aggiornamenti della cache sia manuali che automatici vengono eseguiti con la priorità di query INTERACTIVE.

Se scegli di utilizzare gli aggiornamenti automatici, ti consigliamo di creare una prenotazione e poi un assegnazione con un tipo di prestazione BACKGROUND per il progetto che esegue i job di aggiornamento della cache dei metadati. In questo modo, i job di aggiornamento non competono con le query degli utenti per le risorse e non rischiano di non riuscire se non sono disponibili risorse sufficienti.

Prima di impostarli, devi considerare l'interazione tra i valori dell'intervallo di inattività e della modalità di memorizzazione nella cache dei metadati. Considera i seguenti esempi:

  • Se la cache dei metadati di una tabella è impostata in modo da richiedere aggiornamenti manuali e l'intervallo di inattività è impostato su 2 giorni, devi eseguire la procedura di sistema BQ.REFRESH_EXTERNAL_METADATA_CACHE ogni 2 giorni o meno se vuoi che le operazioni sulla tabella utilizzino i metadati memorizzati nella cache.
  • Se la cache dei metadati di una tabella è impostata per l'aggiornamento automatico e l'intervallo di inattività è impostato su 30 minuti, alcune operazioni sulla tabella potrebbero leggere dal datastore se l'aggiornamento della cache dei metadati richiede più tempo rispetto alla consueta finestra di 30-60 minuti.

Per saperne di più sull'impostazione delle opzioni di memorizzazione nella cache dei metadati per le tabelle BigLake, consulta Crea tabelle esterne BigLake di Amazon S3 o Crea tabelle esterne BigLake per Cloud Storage.

Per saperne di più sull'impostazione delle opzioni di memorizzazione nella cache dei metadati per le tabelle di oggetti, consulta Crea tabelle di oggetti.

Ottieni informazioni sui job di aggiornamento della cache dei metadati

Per trovare informazioni sui job di aggiornamento della cache dei metadati, esegui una query sulla vista INFORMATION_SCHEMA.JOBS, come mostrato nell'esempio seguente:

SELECT *
FROM `region-us.INFORMATION_SCHEMA.JOBS`
WHERE job_id LIKE '%metadata_cache_refresh%'
AND creation_time > TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL 6 HOUR)
ORDER BY start_time DESC
LIMIT 10;

Utilizza le chiavi di crittografia gestite dal cliente con i metadati memorizzati nella cache

I metadati memorizzati nella cache sono protetti dalla chiave di crittografia gestita dal cliente (CMEK) utilizzata per la tabella a cui sono associati i metadati memorizzati nella cache. Potrebbe trattarsi di una CMEK applicata direttamente alla tabella o di una CMEK che la tabella eredita dal set di dati o dal progetto.

Se per il progetto o il set di dati è impostata una CMEK predefinita o se la CMEK esistente per il progetto o il set di dati viene modificata, ciò non influisce sulle tabelle esistenti o sui relativi metadati memorizzati nella cache. Devi modificare la chiave della tabella per applicare la nuova chiave sia alla tabella sia ai relativi metadati memorizzati nella cache.

Le CMEK create in BigQuery non si applicano ai file di Cloud Storage utilizzati da BigLake e dalle tabelle di oggetti. Per ottenere la crittografia CMEK end-to-end, configura le CMEK in Cloud Storage per questi file.

Ottieni informazioni sull'utilizzo della cache dei metadati da parte dei job di query

Per ottenere informazioni sull'utilizzo della cache dei metadati per un job di query, chiama il metodo jobs.get per quel job e osserva il campo MetadataCacheStatistics nella sezione JobStatistics2 della risorsa Job. Questo campo fornisce informazioni su quali tabelle abilitate per la cache dei metadati sono state utilizzate dalla query, se la cache dei metadati è stata utilizzata dalla query e, in caso contrario, il motivo.

Statistiche della tabella

Per le tabelle BigLake basate su file Parquet, le statistiche della tabella vengono raccolte quando viene aggiornata la cache dei metadati. La raccolta delle statistiche della tabella avviene durante gli aggiornamenti automatici e manuali e le statistiche vengono conservate per lo stesso periodo della cache dei metadati.

Le statistiche della tabella raccolte includono informazioni sui file come il numero di righe, le dimensioni dei file fisici e non compressi e la cardinalità delle colonne. Quando esegui una query su una tabella BigLake basata su Parquet, queste statistiche vengono fornite all'ottimizzatore delle query per consentire una migliore pianificazione delle query e potenzialmente migliorare le prestazioni delle query per alcuni tipi di query. Ad esempio, un'ottimizzazione comune delle query è la propagazione dinamica dei vincoli, in cui l'ottimizzatore delle query deduce dinamicamente i predicati sulle tabelle dei fatti più grandi in un join dalle tabelle delle dimensioni più piccole. Sebbene questa ottimizzazione possa velocizzare le query utilizzando schemi di tabelle normalizzati, richiede statistiche accurate sulle tabelle. Le statistiche delle tabelle raccolte dalla memorizzazione nella cache dei metadati consentono una maggiore ottimizzazione dei piani di query sia in BigQuery che in Apache Spark.

Limitazioni

Alla cache dei metadati si applicano le seguenti limitazioni:

  • Se esegui più aggiornamenti manuali contemporaneamente, solo uno andrà a buon fine.
  • La cache dei metadati scade dopo 7 giorni se non viene aggiornata.
  • Se aggiorni l'URI di origine di una tabella, la cache dei metadati non viene aggiornata automaticamente e le query successive restituiscono i dati dalla cache non aggiornata. Per evitare che ciò accada, aggiorna manualmente la cache dei metadati. Se la cache dei metadati della tabella è impostata per l'aggiornamento automatico, devi modificare la modalità di aggiornamento della tabella in manuale, eseguire l'aggiornamento manuale e quindi impostare nuovamente la modalità di aggiornamento della tabella su automatico.

  • Se aggiorni manualmente la cache dei metadati e il set di dati di destinazione e il bucket Cloud Storage si trovano in una località regionale, devi specificare esplicitamente questa località quando esegui la chiamata alla procedura BQ.REFRESH_EXTERNAL_METADATA_CACHE. Puoi farlo in uno dei seguenti modi:

    Console

    1. Vai alla pagina BigQuery.

      Vai a BigQuery

    2. Seleziona una scheda nell'editor.

    3. Fai clic su Modifica > Impostazioni query.

    4. Nella sezione Località, deseleziona la casella di controllo Selezione automatica della località, quindi specifica la regione di destinazione.

    5. Fai clic su Salva.

    6. Esegui la query contenente la chiamata alla procedura BQ.REFRESH_EXTERNAL_METADATA_CACHE nella scheda Editor.

    bq

    Se esegui la query contenente la chiamata alla procedura BQ.REFRESH_EXTERNAL_METADATA_CACHE utilizzando bq query, assicurati di specificare il flag --location.

Passaggi successivi