Introduzione ai trasferimenti di Cloud Storage

BigQuery Data Transfer Service per Cloud Storage consente di pianificare caricamenti di dati ricorrenti dai bucket di Cloud Storage a BigQuery. Il percorso dei dati archiviati in Cloud Storage e la tabella di destinazione possono essere parametrizzati, in modo da caricare i dati dai bucket Cloud Storage organizzati per data.

Formati di file supportati

BigQuery Data Transfer Service supporta attualmente il caricamento di dati da Cloud Storage in uno dei seguenti formati:

  • Valori separati da virgola (CSV)
  • JSON (delimitato da nuova riga)
  • Avro
  • Parquet
  • ORC

Tipi di compressione supportati

BigQuery Data Transfer Service per Cloud Storage supporta il caricamento di dati compressi. I tipi di compressione supportati da BigQuery Data Transfer Service sono gli stessi di quelli supportati dai job di caricamento BigQuery. Per maggiori informazioni, consulta la sezione Caricamento di dati compressi e non compressi.

Importazione dati per i trasferimenti di Cloud Storage

Puoi specificare in che modo vengono caricati i dati in BigQuery selezionando una Preferenza di scrittura nella configurazione del trasferimento quando configuri un trasferimento in Cloud Storage.

Sono disponibili due tipi di preferenze di scrittura: trasferimenti incrementali e trasferimenti troncati.

Trasferimenti incrementali

Una configurazione di trasferimento con una preferenza di scrittura APPEND o WRITE_APPEND, chiamata anche trasferimento incrementale, aggiunge in modo incrementale nuovi dati dopo il precedente trasferimento riuscito a una tabella di destinazione BigQuery. Quando una configurazione di trasferimento viene eseguita con una preferenza di scrittura APPEND, BigQuery Data Transfer Service filtra i file che sono stati modificati dopo l'esecuzione precedente del trasferimento riuscito. Per determinare quando un file viene modificato, BigQuery Data Transfer Service esamina i metadati del file per trovare una proprietà "Ora dell'ultima modifica". Ad esempio, BigQuery Data Transfer Service esamina la proprietà timestamp updated in un file Cloud Storage. Se BigQuery Data Transfer Service trova file con "ora dell'ultima modifica", che si sono verificati dopo il timestamp dell'ultimo trasferimento riuscito, BigQuery Data Transfer Service trasferisce questi file in un trasferimento incrementale.

Per dimostrare come funzionano i trasferimenti incrementali, considera l'esempio di trasferimento in Cloud Storage. Un utente crea un file in un bucket Cloud Storage alle ore 01-07-2023T00:00Z denominato file_1. Il timestamp updated per file_1 indica l'ora in cui è stato creato il file. L'utente crea quindi un trasferimento incrementale dal bucket Cloud Storage, pianificato per essere eseguito una volta al giorno alle 03:00Z, a partire dal 01-07-2023T03:00Z.

  • Il 01-07-2023T03:00Z inizia la prima esecuzione di trasferimento. Poiché questa è la prima esecuzione di trasferimento per questa configurazione, BigQuery Data Transfer Service tenta di caricare tutti i file corrispondenti all'URI di origine nella tabella BigQuery di destinazione. L'esecuzione del trasferimento riesce e BigQuery Data Transfer Service carica correttamente file_1 nella tabella BigQuery di destinazione.
  • La successiva esecuzione di trasferimento, alle ore 2023-07-02T03:00Z, non rileva file in cui la proprietà timestamp updated è maggiore dell'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Il trasferimento viene eseguito senza caricare altri dati nella tabella BigQuery di destinazione.

L'esempio precedente mostra come BigQuery Data Transfer Service esamina la proprietà timestamp updated del file di origine per determinare se sono state apportate modifiche ai file di origine e per trasferirle, se rilevate.

Seguendo lo stesso esempio, supponiamo che l'utente crei quindi un altro file nel bucket Cloud Storage alle ore 2023-07-03T00:00Z, denominato file_2. Il timestamp updated per file_2 indica l'ora in cui è stato creato il file.

  • La successiva esecuzione di trasferimento, alle 2023-07-03T03:00Z, rileva che file_2 ha un timestamp updated maggiore rispetto all'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Supponiamo che all'avvio del trasferimento l'esecuzione non vada a buon fine a causa di un errore temporaneo. In questo scenario, file_2 non viene caricato nella tabella BigQuery di destinazione. Il timestamp dell'ultima esecuzione di un trasferimento riuscito rimane 2023-07-01T03:00Z.
  • La successiva esecuzione di trasferimento, alle 2023-07-04T03:00Z, rileva che file_2 ha un timestamp updated maggiore rispetto all'ultima esecuzione di trasferimento riuscita (01-07-2023T03:00Z). Questa volta, l'esecuzione del trasferimento viene completata senza problemi, quindi carica correttamente file_2 nella tabella BigQuery di destinazione.
  • La successiva esecuzione di trasferimento, alle 2023-07-05T03:00Z, non rileva file in cui il timestamp di updated è maggiore dell'ultima esecuzione di trasferimento riuscita (04-07-2023T03:00Z). L'esecuzione del trasferimento va a buon fine senza caricare altri dati nella tabella BigQuery di destinazione.

L'esempio precedente mostra che quando un trasferimento non va a buon fine, nessun file viene trasferito nella tabella di destinazione BigQuery. Eventuali modifiche ai file vengono trasferite alla successiva esecuzione di trasferimento riuscita. Eventuali trasferimenti successivi riusciti a seguito di un trasferimento non riuscito non causano dati duplicati. Nel caso di un trasferimento non riuscito, puoi anche scegliere di attivare manualmente un trasferimento al di fuori del suo orario pianificato regolarmente.

Trasferimenti troncati

Una configurazione di trasferimento con una preferenza di scrittura MIRROR o WRITE_TRUNCATE, chiamata anche trasferimento troncato, sovrascrive i dati nella tabella di destinazione BigQuery durante l'esecuzione di ogni trasferimento con i dati di tutti i file corrispondenti all'URI di origine. MIRROR sovrascrive una nuova copia dei dati nella tabella di destinazione. Se la tabella di destinazione utilizza un decoratore delle partizioni, l'esecuzione del trasferimento sovrascrive solo i dati nella partizione specificata. Una tabella di destinazione con un decorator di partizione ha il formato my_table${run_date}, ad esempio my_table$20230809.

La ripetizione degli stessi trasferimenti incrementali o troncati in un giorno non causa dati duplicati. Tuttavia, se esegui più configurazioni di trasferimento diverse che interessano la stessa tabella di destinazione BigQuery, ciò può causare la duplicazione dei dati da parte di BigQuery Data Transfer Service.

Percorso della risorsa di Cloud Storage

Per caricare i dati da un'origine dati Cloud Storage, devi fornire il percorso dei dati.

Il percorso della risorsa Cloud Storage contiene il nome del bucket e il tuo oggetto (nome file). Ad esempio, se il bucket Cloud Storage è denominato mybucket e il file di dati è denominato myfile.csv, il percorso della risorsa sarà gs://mybucket/myfile.csv.

BigQuery non supporta i percorsi delle risorse di Cloud Storage che includono più barre consecutive dopo la doppia barra iniziale. I nomi degli oggetti Cloud Storage possono contenere più barre consecutive ("/"). Tuttavia, BigQuery converte più barre consecutive in una singola barra. Ad esempio, il seguente percorso di risorsa, sebbene valido in Cloud Storage, non funziona in BigQuery: gs://bucket/my//object//name.

Per recuperare il percorso della risorsa di Cloud Storage:

  1. Apri la console di Cloud Storage.

    Console Cloud Storage

  2. Vai alla posizione dell'oggetto (file) che contiene i dati di origine.

  3. Fai clic sul nome dell'oggetto.

    Si apre la pagina Dettagli oggetto.

  4. Copia il valore fornito nel campo URI gsutil, che inizia con gs://.

Supporto dei caratteri jolly per i percorsi delle risorse di Cloud Storage

Se i dati di Cloud Storage sono separati in più file che condividono un nome di base comune, puoi utilizzare un carattere jolly nel percorso della risorsa quando carichi i dati.

Per aggiungere un carattere jolly al percorso della risorsa Cloud Storage, aggiungi un asterisco (*) al nome di base. Ad esempio, se hai due file denominati fed-sample000001.csv e fed-sample000002.csv, il percorso della risorsa sarà gs://mybucket/fed-sample*. Il carattere jolly può quindi essere usato nella console Google Cloud o in Google Cloud CLI.

Puoi utilizzare più caratteri jolly per gli oggetti (nomi di file) all'interno dei bucket. I caratteri jolly possono apparire ovunque all'interno del nome dell'oggetto.

I caratteri jolly non espandono una directory in un gs://bucket/. Ad esempio, gs://bucket/dir/* trova i file nella directory dir, ma non nella sottodirectory gs://bucket/dir/subdir/.

Non è possibile trovare corrispondenze con prefissi senza caratteri jolly. Ad esempio, gs://bucket/dir non corrisponde a gs://bucket/dir/file.csv né gs://bucket/file.csv

Tuttavia, puoi utilizzare più caratteri jolly per i nomi dei file all'interno dei bucket. Ad esempio, gs://bucket/dir/*/*.csv corrisponde a gs://bucket/dir/subdir/file.csv.

Per esempi di supporto dei caratteri jolly in combinazione con i nomi delle tabelle con parametri, consulta Parametri di runtime nei trasferimenti.

Considerazioni sulla località

Il bucket Cloud Storage deve trovarsi in una o più regioni compatibili con la regione o le regioni del set di dati di destinazione in BigQuery.

  • Se il set di dati BigQuery si trova in più regioni, il bucket Cloud Storage contenente i dati che stai trasferendo deve trovarsi nella stessa località multiregionale o in una località contenuta all'interno di più regioni. Ad esempio, se il set di dati BigQuery si trova nell'area multiregionale "UE", il bucket Cloud Storage può trovarsi nella regione Belgio "europe-west1", che si trova all'interno dell'UE.
  • Se il set di dati si trova in una regione, il bucket Cloud Storage deve trovarsi nella stessa regione. Ad esempio, se il set di dati si trova nella regione di Tokyo "asia-northeast1", il bucket Cloud Storage non può trovarsi nell'area multiregionale "ASIA".

Per informazioni dettagliate sui trasferimenti e sulle regioni, consulta Località e trasferimenti dei set di dati.

Per ulteriori informazioni sulle località di Cloud Storage, consulta Località dei bucket nella documentazione di Cloud Storage.

Prezzi

  • BigQuery standard Quote e limiti per i job di caricamento.

  • Quando i dati vengono trasferiti su BigQuery, vengono applicati i prezzi standard di BigQuery per l'archiviazione e le query.

  • I dati non verranno automaticamente eliminati dal bucket Cloud Storage dopo essere stati caricati su BigQuery, a meno che non indichi l'eliminazione durante la configurazione del trasferimento. Vedi Configurare un trasferimento in Cloud Storage.

  • Per informazioni dettagliate, consulta la pagina Prezzi dei trasferimenti.

Quote e limiti

BigQuery Data Transfer Service utilizza i job di caricamento per caricare i dati di Cloud Storage in BigQuery.

Tutti i dati di BigQuery Quote e limiti relativi ai job di caricamento si applicano ai job di caricamento ricorrenti di Cloud Storage, tenendo conto delle seguenti considerazioni aggiuntive:

Valore Limite
Dimensione massima per esecuzione di trasferimento del job di caricamento 15 TB
Numero massimo di file per esecuzione di trasferimento 10.000 file

Passaggi successivi