Google utilizza la tecnologia AI per tradurre i contenuti nella tua lingua preferita. Le traduzioni generate dall'AI potrebbero contenere errori.

Esegui query sulle tabelle BigLake di Cloud Storage

Questo documento descrive come eseguire query sui dati archiviati in una tabella BigLake di Cloud Storage.

Prima di iniziare

Assicurati di avere una tabella BigLake di Cloud Storage.

Ruoli obbligatori

Per eseguire query sulle tabelle BigLake di Cloud Storage, assicurati di disporre dei seguenti ruoli:

BigQuery Data Viewer (roles/bigquery.dataViewer)
Utente BigQuery (roles/bigquery.user)

A seconda delle tue autorizzazioni, puoi concederti questi ruoli o chiedere all'amministratore di concederteli. Per ulteriori informazioni sulla concessione dei ruoli, consulta Visualizzazione dei ruoli assegnabili sulle risorse.

Per vedere quali sono esattamente le autorizzazioni richieste per eseguire query sulle tabelle BigLake di Cloud Storage, espandi la sezione Autorizzazioni obbligatorie:

Autorizzazioni obbligatorie

bigquery.jobs.create
bigquery.readsessions.create (obbligatorio solo se leggi i dati con l'API BigQuery Storage Read)
bigquery.tables.get
bigquery.tables.getData

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

Esegui query sulle tabelle BigLake

Dopo aver creato una tabella BigLake di Cloud Storage, puoi eseguire query utilizzando la sintassi GoogleSQL, come se fosse una tabella BigQuery standard. Ad esempio, SELECT field1, field2 FROM mydataset.my_cloud_storage_table;.

Esegui query sulle tabelle BigLake utilizzando strumenti esterni di trattamento dati

Puoi utilizzare i connettori BigQuery con altri strumenti di trattamento dati per accedere alle tabelle BigLake su Cloud Storage. Per saperne di più, consulta Connettori.

Apache Spark

L'esempio seguente utilizza Managed Service for Apache Spark, ma funziona anche con qualsiasi deployment Spark che utilizza il connettore Spark-BigQuery.

In questo esempio, fornisci il connettore Spark-BigQuery come azione di inizializzazione quando crei un cluster. Questa azione ti consente di utilizzare un blocco note Zeppelin ed esercitarti con il percorso dell'utente analista di dati.

Le versioni del connettore Spark-BigQuery sono elencate nel repository GoogleCloudDataproc/spark-bigquery-connector di GitHub.

Crea un cluster a nodo singolo utilizzando l'azione di inizializzazione per il connettore Spark-BigQuery:

gcloud dataproc clusters create biglake-demo-cluster \
    --optional-components=ZEPPELIN \
    --region=REGION \
    --enable-component-gateway \
    --single-node \
    --initialization-actions gs://goog-dataproc-initialization-actions-REGION/connectors/connectors.sh \
    --metadata spark-bigquery-connector-url= gs://spark-lib/bigquery/spark-bigquery-with-dependencies_SCALA_VERSION-CONNECTOR_VERSION.jar

Apache Hive

L'esempio seguente utilizza Managed Service for Apache Spark, ma funziona anche con qualsiasi deployment Hive che utilizza il connettore Hive-BigQuery.

In questo esempio, fornisci il connettore Hive-BigQuery come azione di inizializzazione quando crei un cluster.

Le versioni del connettore Hive-BigQuery sono elencate nel repository GoogleCloudDataproc/hive-bigquery-connector di GitHub.

Crea un cluster a nodo singolo utilizzando l'azione di inizializzazione per il connettore Hive-BigQuery:

gcloud dataproc clusters create biglake-hive-demo-cluster \
    --region=REGION \
    --single-node \
    --initialization-actions gs://goog-dataproc-initialization-actions-REGION/connectors/connectors.sh \
    --metadata hive-bigquery-connector-url=gs://goog-dataproc-artifacts-REGION/hive-bigquery/hive-bigquery-connector-CONNECTOR_VERSION.jar

Per saperne di più sul connettore Hive-BigQuery, consulta Utilizza il connettore Hive-BigQuery.

Dataflow

Per leggere le tabelle BigLake da Dataflow, utilizza il connettore Dataflow in modalità DIRECT_READ per utilizzare l'API BigQuery Storage. È supportata anche la lettura da una stringa di query. Consulta BigQuery I/O nella documentazione di Apache Beam.

Esegui query su tabelle BigLake temporanee

L'esecuzione di query su un'origine dati esterna utilizzando una tabella temporanea è utile per query ad hoc una tantum su dati esterni o per processi di estrazione, trasformazione e caricamento (ETL).

Per eseguire query su un'origine dati esterna senza creare una tabella permanente, fornisci una definizione di tabella per la tabella temporanea, quindi utilizza questa definizione di tabella in un comando o una chiamata per eseguire query sulla tabella temporanea. Puoi fornire la definizione della tabella in uno dei seguenti modi:

Un file di definizione della tabella
Una definizione dello schema in linea
Un file di schema JSON

Il file di definizione della tabella o lo schema fornito viene utilizzato per creare la tabella esterna temporanea, su cui viene eseguita la query.

Quando utilizzi una tabella esterna temporanea, non crei una tabella in uno dei tuoi set di dati BigQuery. Poiché la tabella non viene archiviata in modo permanente in un set di dati, non può essere condivisa con altri.

Puoi creare ed eseguire query su una tabella temporanea collegata a un'origine dati esterna utilizzando lo strumento a riga di comando bq, l'API o le librerie client.

bq

Utilizza il comando bq query con il flag --external_table_definition.

(Facoltativo) Specifica il flag --location e imposta il valore sulla tua località.

Per eseguire una query su una tabella temporanea collegata all'origine dati esterna utilizzando un file di definizione della tabella, inserisci il seguente comando.

bq --location=LOCATION query \
--external_table_definition=TABLE::DEFINITION_FILE \
'QUERY'

Sostituisci quanto segue:

LOCATION: il nome della tua località. Il flag --location è facoltativo. Ad esempio, se utilizzi BigQuery nella regione di Tokyo, puoi impostare il valore del flag su asia-northeast1. Puoi impostare un valore predefinito per la località utilizzando il file.bigqueryrc.
TABLE: il nome della tabella temporanea che stai creando.
DEFINITION_FILE: il percorso del file di definizione della tabella sulla tua macchina locale.
QUERY: la query che stai inviando alla tabella temporanea.

Ad esempio, il seguente comando crea ed esegue una query su una tabella temporanea denominata sales utilizzando un file di definizione della tabella denominato sales_def.

bq query \
--external_table_definition=sales::sales_def@us.myconnection \
'SELECT
  Region,
  Total_sales
FROM
  sales'

Per eseguire una query su una tabella temporanea collegata all'origine dati esterna utilizzando una definizione di schema in linea, inserisci il seguente comando.

bq --location=LOCATION query \
--external_table_definition=TABLE::SCHEMA@SOURCE_FORMAT=BUCKET_PATH@projects/PROJECT_ID/locations/REGION/connections/CONNECTION_ID \
'query'

Sostituisci quanto segue:

LOCATION: il nome della tua località. Il flag --location è facoltativo. Ad esempio, se utilizzi BigQuery nella regione di Tokyo, puoi impostare il valore del flag su asia-northeast1. Puoi impostare un valore predefinito per la località utilizzando il file.bigqueryrc.
TABLE: il nome della tabella temporanea che stai creando.
SCHEMA: la definizione dello schema in linea nel formato field:data_type,field:data_type.
SOURCE_FORMAT: il formato dell'origine dati esterna, ad esempio CSV.
BUCKET_PATH: il percorso del bucket Cloud Storage che contiene i dati della tabella, nel formato gs://bucket_name/[folder_name/]file_pattern.

Puoi selezionare più file dal bucket specificando un carattere jolly asterisco (*) in file_pattern. Ad esempio: gs://mybucket/file00*.parquet. Per saperne di più, consulta Supporto dei caratteri jolly per gli URI Cloud Storage.

Puoi specificare più bucket per l'opzione uris fornendo più percorsi.

I seguenti esempi mostrano valori uris validi:
- gs://bucket/path1/myfile.csv
- gs://bucket/path1/*.parquet
- gs://bucket/path1/file1*, gs://bucket1/path1/*
Quando specifichi valori uris che hanno come target più file, tutti questi file devono condividere uno schema compatibile.

Per saperne di più sull'utilizzo degli URI Cloud Storage in BigQuery, consulta Percorso della risorsa Cloud Storage.
PROJECT_ID: il progetto che contiene la connessione.
REGION: la regione che contiene la connessione, ad esempio us.
CONNECTION_ID: il nome della connessione, ad esempio myconnection.
QUERY: la query che stai inviando alla tabella temporanea.

Ad esempio, il comando seguente crea ed esegue query su una tabella temporanea denominata sales collegata a un file CSV archiviato in Cloud Storage con la seguente definizione dello schema: Region:STRING,Quarter:STRING,Total_sales:INTEGER.

bq query \
--external_table_definition=sales::Region:STRING,Quarter:STRING,Total_sales:INTEGER@CSV=gs://mybucket/sales.csv@us.myconnection \
'SELECT
  Region,
  Total_sales
FROM
  sales'

Per eseguire una query su una tabella temporanea collegata alla tua origine dati esterna utilizzando un file di schema JSON, inserisci il seguente comando.

bq --location=LOCATION query \
--external_table_definition=SCHEMA_FILE@SOURCE_FORMAT=BUCKET_PATH@projects/PROJECT_ID/locations/REGION/connections/CONNECTION_ID \
'QUERY'

Sostituisci quanto segue:

LOCATION: il nome della tua località. Il flag --location è facoltativo. Ad esempio, se utilizzi BigQuery nella regione di Tokyo, puoi impostare il valore del flag su asia-northeast1. Puoi impostare un valore predefinito per la località utilizzando il file.bigqueryrc.
SCHEMA_FILE: il percorso del file dello schema JSON sulla tua macchina locale.
SOURCE_FORMAT: il formato dell'origine dati esterna, ad esempio CSV.
BUCKET_PATH: il percorso del bucket Cloud Storage che contiene i dati della tabella, nel formato gs://bucket_name/[folder_name/]file_pattern.

Puoi selezionare più file dal bucket specificando un carattere jolly asterisco (*) in file_pattern. Ad esempio: gs://mybucket/file00*.parquet. Per saperne di più, consulta Supporto dei caratteri jolly per gli URI Cloud Storage.

Puoi specificare più bucket per l'opzione uris fornendo più percorsi.

I seguenti esempi mostrano valori uris validi:
- gs://bucket/path1/myfile.csv
- gs://bucket/path1/*.parquet
- gs://bucket/path1/file1*, gs://bucket1/path1/*
Quando specifichi valori uris che hanno come target più file, tutti questi file devono condividere uno schema compatibile.

Per saperne di più sull'utilizzo degli URI Cloud Storage in BigQuery, consulta Percorso della risorsa Cloud Storage.
PROJECT_ID: il progetto che contiene la connessione.
REGION: la regione che contiene la connessione, ad esempio us.
CONNECTION_ID: il nome della connessione, ad esempio myconnection.
QUERY: la query che stai inviando alla tabella temporanea.

Ad esempio, il comando seguente crea ed esegue query su una tabella temporanea denominata sales collegata a un file CSV archiviato in Cloud Storage utilizzando il file dello schema /tmp/sales_schema.json.

  bq query \
  --external_table_definition=sales::/tmp/sales_schema.json@CSV=gs://mybucket/sales.csv@us.myconnection \
  'SELECT
      Region,
      Total_sales
    FROM
      sales'

API

Per eseguire una query utilizzando l'API, segui questi passaggi:

Crea un oggetto Job.
Compila la sezione configuration dell'oggetto Job con un oggetto JobConfiguration.
Compila la sezione query dell'oggetto JobConfiguration con un oggetto JobConfigurationQuery.
Compila la sezione tableDefinitions dell'oggetto JobConfigurationQuery con un oggetto ExternalDataConfiguration. Specifica la connessione da utilizzare per connetterti a Cloud Storage nel campo connectionId.
Chiama il metodo jobs.insert per eseguire la query in modo asincrono o il metodo jobs.query per eseguire la query in modo sincrono, passando l'oggetto Job.

Passaggi successivi

Scopri di più sull'utilizzo di SQL in BigQuery.
Scopri di più sulle tabelle BigLake.
Scopri di più sulle quote di BigQuery.