Utilizza campi nidificati e ripetuti
BigQuery può essere utilizzato con molti metodi diversi di modellazione dei dati e in genere offre prestazioni elevate in molte metodologie di modello dei dati. Per ottimizzare ulteriormente le prestazioni di un modello dei dati, puoi prendere in considerazione la denormalizzazione dei dati, che prevede l'aggiunta di colonne di dati a una singola tabella per ridurre o rimuovere i join di tabelle.
Best practice: utilizza campi nidificati e ripetuti per denormalizzare l'archiviazione dei dati e aumentare le prestazioni delle query.
La denormalizzazione è una strategia comune per aumentare le prestazioni di lettura per i set di dati relazionali precedentemente normalizzati. Il modo consigliato per denormalizzare i dati in BigQuery è di utilizzare campi nidificati e ripetuti. È preferibile usare questa strategia quando le relazioni sono gerarchiche e spesso oggetto di query insieme, ad esempio nelle relazioni padre-figlio.
Il risparmio dello spazio di archiviazione derivante dall'uso di dati normalizzati ha un impatto minore nei sistemi moderni. Gli aumenti dei costi di archiviazione valgono le prestazioni migliori derivanti dall'uso di dati denormalizzati. I join richiedono il coordinamento dei dati (larghezza di banda della comunicazione). La denormalizzazione localizza i dati in singoli slot, in modo che l'esecuzione possa essere eseguita in parallelo.
Per mantenere le relazioni durante la denormalizzazione dei dati, puoi utilizzare campi nidificati e ripetuti anziché "appiattire" completamente i dati. Quando i dati relazionali sono completamente semplificati, la comunicazione di rete (shuffling) può influire negativamente sulle prestazioni delle query.
Ad esempio, la denormalizzazione di uno schema degli ordini senza utilizzare campi nidificati e ripetuti potrebbe richiedere di raggruppare i dati in base a un campo come order_id
(quando è presente una relazione one-to-many). A causa dello shuffling coinvolto, il raggruppamento dei dati è meno efficace rispetto alla denormalizzazione dei dati utilizzando campi nidificati e ripetuti.
In alcuni casi, la denormalizzazione dei dati e l'utilizzo di campi nidificati e ripetuti non comportano un aumento delle prestazioni. Ad esempio, gli schemi a stella sono in genere schemi ottimizzati per l'analisi e, di conseguenza, le prestazioni potrebbero non essere significativamente diverse se tenti di denormalizzare ulteriormente.
Utilizzare campi nidificati e ripetuti
BigQuery non richiede una denormalizzazione completamente piatta. Puoi utilizzare campi nidificati e ripetuti per mantenere le relazioni.
Dati nidificati (
STRUCT
)- La nidificazione dei dati ti consente di rappresentare entità esterne in linea.
- Le query sui dati nidificati utilizzano la sintassi "punto" per fare riferimento ai campi foglia, che è simile alla sintassi con un join.
- I dati nidificati sono rappresentati come un
tipo
STRUCT
in GoogleSQL.
Dati ripetuti (
ARRAY
)- La creazione di un campo di tipo
RECORD
con la modalità impostata suREPEATED
ti consente di mantenere una relazione one-to-many in linea (purché la relazione non abbia cardinalità elevata). - In caso di dati ripetuti, lo shuffling non è necessario.
- I dati ripetuti sono rappresentati come
ARRAY
. Puoi utilizzare una funzioneARRAY
in GoogleSQL quando esegui una query sui dati ripetuti.
- La creazione di un campo di tipo
Dati nidificati e ripetuti (
ARRAY
diSTRUCT
s)- Nesting e ripetizione si completano a vicenda.
- Ad esempio, in una tabella dei record delle transazioni, potresti includere un array di elementi pubblicitari
STRUCT
.
Per maggiori informazioni, consulta Specificare le colonne nidificate e ripetute negli schemi delle tabelle.
Per ulteriori informazioni sulla denormalizzazione dei dati, consulta Denormalizzazione.
Esempio
Considera una tabella Orders
con una riga per ogni elemento pubblicitario venduto:
Order_Id | Item_Name |
---|---|
001 | A1 |
001 | B1 |
002 | A1 |
002 | C1 |
Se vuoi analizzare i dati di questa tabella, devi utilizzare una clausola GROUP BY
, simile alla seguente:
SELECT COUNT (Item_Name) FROM Orders GROUP BY Order_Id;
La clausola GROUP BY
comporta un ulteriore overhead di calcolo, ma questo può essere evitato nidificando i dati ripetuti. Puoi evitare di utilizzare una clausola GROUP BY
creando una tabella con un ordine per riga, in cui gli elementi pubblicitari dell'ordine si trovano in un campo nidificato:
Order_Id | Item_Name |
---|---|
001 |
A1 B1 |
002 |
A1 C1 |
In BigQuery, in genere specifichi uno schema nidificato come ARRAY
di STRUCT
oggetti. Puoi utilizzare l'operatore UNNEST
per unire i dati nidificati, come mostrato nella seguente query:
SELECT * FROM UNNEST( [ STRUCT('001' AS Order_Id, ['A1', 'B1'] AS Item_Name), STRUCT('002' AS Order_Id, ['A1', 'C1'] AS Item_Name) ] );
Questa query restituisce risultati simili ai seguenti:
Se questi dati non fossero nidificati, potresti potenzialmente avere più righe per
ogni ordine, una per ogni articolo venduto in quell'ordine, il che comporterebbe una
tabella di grandi dimensioni e una costosa operazione GROUP BY
.
Esercizio
Puoi vedere la differenza di rendimento delle query che utilizzano campi nidificati rispetto a quelle che non lo usano seguendo i passaggi di questa sezione.
Crea una tabella basata sul set di dati pubblico
bigquery-public-data.stackoverflow.comments
:CREATE OR REPLACE TABLE `PROJECT.DATASET.stackoverflow` AS ( SELECT user_id, post_id, creation_date FROM `bigquery-public-data.stackoverflow.comments` );
Utilizzando la tabella
stackoverflow
, esegui questa query per visualizzare il commento più recente per ciascun utente:SELECT user_id, ARRAY_AGG(STRUCT(post_id, creation_date AS earliest_comment) ORDER BY creation_date ASC LIMIT 1)[OFFSET(0)].* FROM `PROJECT.DATASET.stackoverflow` GROUP BY user_id ORDER BY user_id ASC;
L'esecuzione di questa query richiede circa 25 secondi ed elabora 1,88 GB di dati.
Crea una seconda tabella con dati identici che crei un campo
comments
utilizzando un tipoSTRUCT
per archiviare i datipost_id
ecreation_date
, anziché due campi singoli:CREATE OR REPLACE TABLE `PROJECT.DATASET.stackoverflow_nested` AS ( SELECT user_id, ARRAY_AGG(STRUCT(post_id, creation_date) ORDER BY creation_date ASC) AS comments FROM `bigquery-public-data.stackoverflow.comments` GROUP BY user_id );
Utilizzando la tabella
stackoverflow_nested
, esegui questa query per visualizzare il primo commento per ciascun utente:SELECT user_id, (SELECT AS STRUCT post_id, creation_date as earliest_comment FROM UNNEST(comments) ORDER BY creation_date ASC LIMIT 1).* FROM `PROJECT.DATASET.stackoverflow_nested` ORDER BY user_id ASC;
L'esecuzione di questa query richiede circa 10 secondi ed elabora 1,28 GB di dati.
Elimina le tabelle
stackoverflow
estackoverflow_nested
quando hai finito.