批次載入資料
您可以透過批次作業,從 Cloud Storage 或本機檔案將資料載入 BigQuery。來源資料可以是下列任一格式:
- Avro
- 逗號分隔值 (CSV)
- JSON (以換行符號分隔)
- ORC
- Parquet
- 儲存在 Cloud Storage 中的 Datastore 匯出資料
- 儲存在 Cloud Storage 中的 Firestore 匯出資料
您也可以使用 BigQuery 資料移轉服務,設定從 Cloud Storage 週期性載入資料至 BigQuery。
事前準備
授予身分與存取權管理 (IAM) 角色,讓使用者擁有執行本文件各項工作所需的權限,並建立資料集來儲存資料。
所需權限
如要將資料載入 BigQuery,您需要具備 IAM 權限,才能執行載入工作,並將資料載入 BigQuery 資料表和分區。如要從 Cloud Storage 載入資料,您也需要 IAM 權限,才能存取包含資料的值區。
將資料載入 BigQuery 的權限
如要將資料載入新的 BigQuery 資料表或分區,或是附加或覆寫現有的資料表或分區,您需要下列 IAM 權限:
bigquery.tables.create
bigquery.tables.updateData
bigquery.tables.update
bigquery.jobs.create
下列每個預先定義的 IAM 角色都包含將資料載入 BigQuery 資料表或分區所需的權限:
roles/bigquery.dataEditor
roles/bigquery.dataOwner
roles/bigquery.admin
(包括bigquery.jobs.create
權限)bigquery.user
(包括bigquery.jobs.create
權限)bigquery.jobUser
(包括bigquery.jobs.create
權限)
此外,如果您具備 bigquery.datasets.create
權限,就能在您建立的資料集中,使用載入工作建立及更新資料表。
如要進一步瞭解 BigQuery 中的 IAM 角色和權限,請參閱預先定義的角色與權限一文。
從 Cloud Storage 載入資料的權限
如要取得從 Cloud Storage 值區載入資料所需的權限,請要求管理員為您授予值區的儲存空間管理員 (roles/storage.admin
) 身分與存取權管理角色。如要進一步瞭解如何授予角色,請參閱「管理專案、資料夾和機構的存取權」。
這個預先定義的角色具備從 Cloud Storage 值區載入資料所需的權限。如要查看確切的必要權限,請展開「必要權限」部分:
所需權限
如要從 Cloud Storage 值區載入資料,您必須具備下列權限:
-
storage.buckets.get
-
storage.objects.get
-
storage.objects.list (required if you are using a URI wildcard)
建立資料集
建立 BigQuery 資料集來儲存資料。
載入 Cloud Storage 中的資料
BigQuery 支援從以下任何一種 Cloud Storage 儲存空間級別載入資料:
- 標準
- Nearline
- Coldline
- 封存
如要瞭解如何將資料載入 BigQuery,請參閱資料格式的頁面:
如要瞭解如何設定從 Cloud Storage 週期性載入資料至 BigQuery,請參閱「Cloud Storage 移轉作業」一文。
位置注意事項
資料集建立之後,即無法更改位置,但您可以建立資料集副本或手動移動資料集。如需詳細資訊,請參閱:
擷取 Cloud Storage URI
如要從 Cloud Storage 資料來源載入資料,您必須提供 Cloud Storage URI。
Cloud Storage 資源路徑包含您的值區名稱和物件 (檔名)。舉例來說,如果 Cloud Storage bucket 名為 mybucket
,資料檔案名為 myfile.csv
,則資源路徑為 gs://mybucket/myfile.csv
。
BigQuery 不支援 Cloud Storage 資源路徑在初始雙斜線後還有多個連續斜線。Cloud Storage 物件名稱可以包含多個連續的斜線 (「/」) 字元,但 BigQuery 會將多個連續斜線轉換為一個斜線。舉例來說,下列資源路徑在 Cloud Storage 中有效,但在 BigQuery 中則無效:gs://bucket/my//object//name
。
如要擷取 Cloud Storage 資源路徑,請按照下列步驟操作:
開啟 Cloud Storage 主控台。
瀏覽至含有來源資料的物件 (檔案) 位置。
按一下物件名稱。
「物件詳細資料」頁面隨即開啟。
複製「gsutil URI」欄位中提供的值,開頭為
gs://
。
Google Datastore 匯出檔案只能指定一個 URI,而且必須以 .backup_info
或 .export_metadata
結尾。
Cloud Storage URI 的萬用字元支援
如果資料分成多個檔案,可以使用星號 (*) 萬用字元選取多個檔案。使用星號萬用字元時,必須遵守下列規則:
- 星號可以出現在物件名稱內或物件名稱的末端。
- 系統不支援使用多個星號。例如,
gs://mybucket/fed-*/temp/*.csv
是無效的路徑。 - 系統不支援在 bucket 名稱中使用星號。
範例:
以下範例說明如何選取所有資料夾中以
gs://mybucket/fed-samples/fed-sample
前置字元開頭的所有檔案:gs://mybucket/fed-samples/fed-sample*
以下範例說明如何只選取名為
fed-samples
的資料夾和fed-samples
的任何子資料夾中,副檔名為.csv
的檔案:gs://mybucket/fed-samples/*.csv
以下範例說明如何在名為
fed-samples
的資料夾中,選取命名模式為fed-sample*.csv
的檔案。這個範例不會選取fed-samples
子資料夾中的檔案。gs://mybucket/fed-samples/fed-sample*.csv
使用 bq 指令列工具時,您可能需要在某些平台上逸出星號。
從 Cloud Storage 載入 Datastore 或 Firestore 匯出資料時,無法使用星號萬用字元。
限制
將資料從 Cloud Storage 值區載入 BigQuery 時有下列限制:
- BigQuery 不保證外部資料來源的資料一致性。如果基礎資料在查詢執行期間遭到變更,可能會導致非預期的行為。
- BigQuery 不支援 Cloud Storage 物件版本控管。如果 Cloud Storage URI 中包含產生號碼,載入作業就會失敗。
根據 Cloud Storage 來源資料的格式,可能還有其他的限制。如需詳細資訊,請參閱:
從本機檔案載入資料
您可以透過下列方式,從可讀取的資料來源 (例如本機電腦) 載入資料:
- Trusted Cloud 控制台
- bq 指令列工具的
bq load
指令 - API
- 用戶端程式庫
使用 Trusted Cloud console 或 bq 指令列工具載入資料時,系統會自動建立載入工作。
從本機資料來源載入資料:
主控台
在 Trusted Cloud 控制台中開啟 BigQuery 頁面。
在「Explorer」面板中展開專案並選取資料集。
展開「動作」選項,然後按一下「開啟」。
在詳細資料面板中,按一下「建立資料表」
。在「Create table」(建立資料表) 頁面的「Source」(來源) 區段中:
- 針對「Create table from」(使用下列資料建立資料表),選取 [Upload] (上傳)。
- 在「Select file」(選取檔案) 部分,按一下「Browse」(瀏覽)。
- 瀏覽至檔案,然後按一下 [Open] (開啟)。請注意,本機檔案不支援萬用字元和以半形逗號分隔的清單。
- 在「File format」(檔案格式) 部分,選取 [CSV]、[JSON (newline delimited)] (JSON (以換行符號分隔))、[Avro]、[Parquet] 或 [ORC]。
在「Create table」(建立資料表) 頁面的「Destination」(目的地) 區段中:
- 在「Project」(專案) 部分,選擇適當的專案。
- 在「Dataset」(資料集) 中選擇適當的資料集。
- 在「Table」(資料表) 欄位中,輸入要在 BigQuery 中建立的資料表名稱。
- 確認「Table type」(資料表類型) 設為「Native table」(原生資料表)。
在「Schema」(結構定義) 部分輸入結構定義。
如為 CSV 及 JSON 檔案,您可以勾選 [Auto-detect] (自動偵測) 選項,以啟用結構定義自動偵測功能。您可以在其他支援檔案類型的來源資料中找到結構定義資訊。
您也可以使用下列任一個方式手動輸入結構定義資訊:
按一下 [Edit as text] (以文字形式編輯),然後以 JSON 陣列的形式輸入資料表結構定義:
使用 [Add Field] (新增欄位) 手動輸入結構定義。
在「Advanced options」(進階選項) 區段中選取適合的項目。如要瞭解可用選項,請參閱 CSV 選項與 JSON 選項。
選用:在「Advanced options」(進階選項) 中選擇寫入處置:
- 空白時寫入:資料表空白時才會寫入資料。
- 附加到資料表:將資料附加至資料表尾端。這是預設設定。
- 覆寫資料表:先清除資料表中所有現有資料,再寫入新的資料。
點選「建立資料表」。
bq
請使用 bq load
指令來指定 source_format
,然後將路徑加入本機檔案中。
(選用) 提供 --location
旗標,並將值設為您的位置。
如果您要在非預設專案中載入資料,請採用下列格式將專案 ID 新增至資料集:PROJECT_ID:DATASET
。
bq --location=LOCATION load \ --source_format=FORMAT \ PROJECT_ID:DATASET.TABLE \ PATH_TO_SOURCE \ SCHEMA
更改下列內容:
LOCATION
:您的位置。--location
是選用旗標。舉例來說,如果您在東京地區使用 BigQuery,就可將該旗標的值設為asia-northeast1
。您可以使用 .bigqueryrc 檔案,設定該位置的預設值。FORMAT
:CSV
、AVRO
、PARQUET
、ORC
或NEWLINE_DELIMITED_JSON
。project_id
:您的專案 ID。dataset
:現有資料集。table
:您要載入資料的資料表名稱。path_to_source
:本機檔案的路徑。schema
:有效的結構定義。結構定義可以是本機 JSON 檔案,或以內嵌的方式在指令中輸入。您也可以改用--autodetect
旗標,而非提供結構定義。
此外,您還可以針對選項新增旗標,讓您能夠控制 BigQuery 剖析資料的方式。舉例來說,您可以使用 --skip_leading_rows
旗標,忽略 CSV 檔案中的標題列。詳情請參閱 CSV 選項與 JSON 選項。
範例:
下列指令會將本機以換行符號分隔的 JSON 檔案 (mydata.json
),載入預設專案的 mydataset
中名為 mytable
的資料表。結構定義是在名為 myschema.json
的本機結構定義檔中定義。
bq load \
--source_format=NEWLINE_DELIMITED_JSON \
mydataset.mytable \
./mydata.json \
./myschema.json
下列指令會將本機 CSV 檔案 (mydata.csv
) 載入 myotherproject
的 mydataset
中名為 mytable
的資料表。結構定義是以內嵌的方式定義,格式為 FIELD:DATA_TYPE, FIELD:DATA_TYPE
。
bq load \
--source_format=CSV \
myotherproject:mydataset.mytable \
./mydata.csv \
qtr:STRING,sales:FLOAT,year:STRING
下列指令會將本機 CSV 檔案 (mydata.csv
) 載入預設專案的 mydataset
中名為 mytable
的資料表。結構定義是以結構定義自動偵測功能定義。
bq load \
--autodetect \
--source_format=CSV \
mydataset.mytable \
./mydata.csv
C#
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 C# 設定說明進行操作。詳情請參閱 BigQuery C# API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
UploadCsvOptions
) 基本類別中,適合該格式的更新選項類別。
Go
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 Go 設定說明進行操作。詳情請參閱 BigQuery Go API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
NewReaderSource
的 DataFormat 屬性設為適當的格式。
Java
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 Java 設定說明進行操作。詳情請參閱 BigQuery Java API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
Node.js
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 Node.js 設定說明進行操作。詳情請參閱 BigQuery Node.js API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
metadata
參數設定成適當的格式。
PHP
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 PHP 設定說明進行操作。詳情請參閱 BigQuery PHP API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
Python
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 Python 設定說明進行操作。詳情請參閱 BigQuery Python API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
Ruby
在試行這個範例之前,請先按照 BigQuery 快速入門導覽課程:使用用戶端程式庫中的 Ruby 設定說明進行操作。詳情請參閱 BigQuery Ruby API 參考說明文件。
如要向 BigQuery 進行驗證,請設定應用程式預設憑證。 詳情請參閱「設定用戶端程式庫的驗證機制」。
執行程式碼範例前,請將 GOOGLE_CLOUD_UNIVERSE_DOMAIN
環境變數設為 s3nsapis.fr
。
format
參數設定成適當的格式。
限制
從本機資料來源載入資料時,會受到以下限制:
- 從本機資料來源載入檔案時,無法使用萬用字元和以半形逗號分隔的清單。檔案必須個別載入。
- 使用 Trusted Cloud 控制台時,從本機資料來源載入的檔案不得超過 100 MB。如果是較大的檔案,請從 Cloud Storage 載入檔案。
載入工作容量
與查詢的隨選模式類似,載入工作預設會使用共用運算單元集區。BigQuery 不保證這個共用集區的可用容量或載入工作總處理量。
如要提高輸送量或預先控管載入工作的容量,可以建立運算單元保留項目,並指派專屬 PIPELINE
運算單元來執行載入工作。詳情請參閱「預留項目指派」。
載入壓縮與未壓縮資料
如果是 Avro、Parquet 和 ORC 格式,BigQuery 支援載入檔案資料已使用支援的轉碼器壓縮的檔案。不過,BigQuery 不支援載入這些格式的檔案 (檔案本身已壓縮),例如使用 gzip
公用程式壓縮的檔案。
Avro 二進位格式是載入壓縮資料的建議格式。即便資料區塊經過壓縮,系統仍能並行讀取 Avro 資料,因此載入速度還是比較快。如需支援的壓縮編解碼器清單,請參閱「Avro 壓縮」。
Parquet 二進位格式也是不錯的選擇,因為 Parquet 會對每個資料欄進行編碼,這種高效率的處理方式通常可產生較佳的壓縮比率與較小的檔案。Parquet 檔案也會運用壓縮技術來並行載入資料。如需支援的壓縮編解碼器清單,請參閱「Parquet 壓縮」。
ORC 二進位制格式提供類似於 Parquet 格式的優點。ORC 檔案中的資料能夠快速載入,是因為系統可以平行讀取資料條。每個資料條中的資料列都會按順序載入。如要最佳化載入時間,請使用大小為 256 MB 以下的資料條。如需支援的壓縮編解碼器清單,請參閱「ORC 壓縮」。
對於其他資料格式 (CSV 以及 JSON) 而言,BigQuery 可以快速載入未壓縮的檔案,甚至比壓縮檔還快,這是因為可以平行讀取未壓縮的檔案。由於未壓縮檔案比較大,使用這種檔案可能會超出頻寬限制,在載入到 BigQuery 之前暫存在 Cloud Storage 的資料成本也比較高。請注意,無論是已壓縮還是未壓縮的檔案,都無法保證行的排序。建議您先評估自己的使用情況,再決定要採行哪一種做法。
一般來說,如果頻寬有限,請先使用 gzip
壓縮 CSV 和 JSON 檔案,再上傳至 Cloud Storage。將資料載入 BigQuery 時,gzip
是 CSV 和 JSON 檔案唯一支援的檔案壓縮類型。如果載入速度對您的應用程式來說相當重要,您也有足夠的頻寬可載入資料,請將檔案保持在未壓縮狀態。
附加或覆寫資料表
如要在資料表中載入額外資料,您可以指定來源檔案或附加查詢結果。如果資料的結構定義與目標資料表或分區的結構定義不符,您可以在附加或覆寫時更新目標資料表或分區的結構定義。
如果您在附加資料時更新結構定義,BigQuery 可讓您:
- 新增欄位
- 將
REQUIRED
欄位放寬為NULLABLE
如果您是要覆寫資料表,系統一定會覆寫結構定義。覆寫表格時,結構定義更新不受限制。
在 Trusted Cloud 主控台中,使用「寫入偏好設定」選項,指定從來源檔案或查詢結果載入資料時採取的動作。bq 指令列工具和 API 提供下列選項:
主控台選項 | bq 工具標記 | BigQuery API 屬性 | 說明 |
---|---|---|---|
Write if empty | 無 | WRITE_EMPTY | 資料表空白時才會寫入資料。 |
附加到資料表中 | --noreplace 或 --replace=false 。如果您沒有指定 --replace ,預設值就是附加 |
WRITE_APPEND | (預設值) 將資料附加至資料表尾端。 |
覆寫資料表 | --replace 或 --replace=true |
WRITE_TRUNCATE | 清除資料表中所有現有的資料後再寫入新資料。 |
配額政策
如需批次載入資料配額政策的相關資訊,請參閱「配額與限制」頁面中的載入工作相關說明。
查看目前的配額用量
您可以執行 INFORMATION_SCHEMA
查詢,查看特定時間範圍內執行的工作相關中繼資料,瞭解目前查詢、載入、擷取或複製工作的使用情況。您可以比較目前用量與配額限制,判斷特定類型工作的配額用量。下列範例查詢使用 INFORMATION_SCHEMA.JOBS
檢視表,依專案列出查詢、載入、擷取和複製工作的數量:
SELECT sum(case when job_type="QUERY" then 1 else 0 end) as QRY_CNT, sum(case when job_type="LOAD" then 1 else 0 end) as LOAD_CNT, sum(case when job_type="EXTRACT" then 1 else 0 end) as EXT_CNT, sum(case when job_type="COPY" then 1 else 0 end) as CPY_CNT FROM `region-REGION_NAME`.INFORMATION_SCHEMA.JOBS_BY_PROJECT WHERE date(creation_time)= CURRENT_DATE()
定價
使用共用運算單元集區將資料批次載入 BigQuery 不用額外費用,詳情請參閱 BigQuery 資料擷取定價。
用途範例
假設有夜間批次處理管道需要在固定期限前完成。資料必須在期限前提供,才能由其他批次程序進一步處理,產生要傳送給監管機構的報表。這個應用範例在金融等受監管產業中很常見。
使用載入工作批次載入資料是這個用途的合適做法,因為只要能趕上期限,延遲時間就不是問題。確認 Cloud Storage bucket符合位置規定,以便將資料載入 BigQuery 資料集。
BigQuery 載入工作的結果是不可分割的,也就是說,所有記錄都會插入,或是一筆也不會插入。最佳做法是,在單一載入工作中插入所有資料時,使用 JobConfigurationLoad
資源的 WRITE_TRUNCATE
處置方式建立新資料表。重試失敗的載入作業時,這點非常重要,因為用戶端可能無法區分作業失敗,以及因與用戶端通訊成功狀態而導致的失敗。
假設要擷取的資料已成功複製到 Cloud Storage,只要使用指數輪詢重試,就能解決擷取失敗的問題。
建議您讓每晚的批次工作不要達到預設配額,也就是每個資料表每天 1,500 個載入工作 (即使有重試)。以遞增方式載入資料時,預設配額足以每 5 分鐘執行一次載入工作,且平均每個工作至少有 1 次重試的未用配額。