Introduzione alle tabelle in cluster

Le tabelle in cluster in BigQuery sono tabelle con una colonna definita dall'utente utilizzando le colonne in cluster. Le tabelle in cluster possono migliorare le prestazioni delle query e ridurre i costi associati.

In BigQuery, una colonna in cluster è una proprietà della tabella definita dall'utente che ordina i blocchi di archiviazione in base ai valori nelle colonne in cluster. Le dimensioni dei blocchi di archiviazione sono adattabili in base alle dimensioni della tabella. La colocation avviene a livello dello spazio di archiviazione blocchi e non a livello di singole righe; per ulteriori informazioni sulla colocation in questo contesto, consulta Cluster.

Una tabella cluster gestisce le proprietà di ordinamento nel contesto di ogni operazione che la modifica. Le query che filtrano o aggregano in base alle colonne in cluster analizzano solo i blocchi pertinenti in base alle colonne in cluster, anziché l'intera tabella o la partizione della tabella. Di conseguenza, BigQuery potrebbe non essere in grado di stimare con precisione i byte che devono essere elaborati dalla query o i costi delle query, ma tenta di e ridurre il numero di byte totali al momento dell'esecuzione.

Quando raggruppi una tabella utilizzando più colonne, l'ordine delle colonne determina quali colonne hanno la precedenza quando BigQuery ordina e raggruppa in blocchi di archiviazione. L'esempio seguente mette a confronto l'archiviazione logica layout a blocchi di una tabella non in cluster con il layout delle tabelle in cluster che avere una o più colonne in cluster:

BigQuery ordina i dati nelle tabelle clusterizzate per migliorare le prestazioni delle query.

Quando esegui una query su una tabella clusterizzata, non ricevi una stima accurata del costo della query prima dell'esecuzione perché il numero di blocchi di archiviazione da analizzare non è noto prima dell'esecuzione della query. Il costo finale viene determinato al termine dell'esecuzione della query e si basa sui blocchi di archiviazione specifici sottoposti a scansione.

Quando usare il clustering

Il clustering risolve il modo in cui una tabella viene archiviata, quindi in genere è una buona soluzione per migliorare le prestazioni delle query. Dovresti quindi considerare sempre il clustering, considerati i seguenti vantaggi:

  • È probabile che le tabelle non partizionate più grandi di 64 MB traggano vantaggio per il clustering. Allo stesso modo, è probabile che anche le partizioni delle tabelle più grandi di 64 MB per trarre vantaggio dal clustering. Il clustering di tabelle o partizioni più piccole è possibile, ma il miglioramento delle prestazioni è solitamente trascurabile.
  • Se le query di solito filtrano in base a colonne particolari, il clustering velocizza le query perché analizza solo i blocchi che corrispondono filtro.
  • Se le query filtrano in base a colonne che hanno molti valori distinti (cardinalità elevata), il clustering accelera queste query fornendo BigQuery con metadati dettagliati su dove recuperare i dati di input.
  • Il clustering consente di usare in modo adattivo i blocchi di archiviazione sottostanti della tabella con le dimensioni della tabella.

Oltre al clustering, ti consigliamo di partizionare la tabella. In questo approccio, devi prima segmentare i dati in partizioni e poi raggrupparli in cluster all'interno di ciascuna partizione in base alle colonne di clustering. Valuta questo approccio nelle seguenti circostanze:

  • Devi avere una stima rigorosa dei costi delle query prima di eseguire una query. Il costo delle query sulle tabelle in cluster può essere determinato solo dopo l'esecuzione della query. Il partizionamento fornisce stime granulari dei costi delle query prima di eseguire una query.
  • Il partizionamento della tabella determina una dimensione media della partizione pari a di almeno 10 GB per partizione. La creazione di molte partizioni piccole aumenta metadati della tabella e può influire sui tempi di accesso ai metadati quando si esegue una query tabella.
  • Devi aggiornare continuamente la tabella, ma vuoi comunque usufruire dei prezzi dello spazio di archiviazione a lungo termine. Il partizionamento consente di considerare ogni partizione separatamente per la verifica dell'idoneità ai prezzi a lungo termine. Se la tabella non è partizionata, l'intera tabella non deve essere modificata per 90 giorni consecutivi per i prezzi a lungo termine.

Per ulteriori informazioni, consulta Combinare tabelle clusterizzate e partizionate.

Tipi di colonne e ordine dei cluster

Questa sezione descrive i tipi di colonne e il funzionamento dell'ordine delle colonne nel clustering delle tabelle.

Tipi di colonna del cluster

Le colonne del cluster devono essere colonne di primo livello non ripetute che appartengono a uno dei seguenti tipi:

  • STRING
  • INT64
  • NUMERIC
  • BIGNUMERIC
  • DATE
  • DATETIME
  • TIMESTAMP
  • BOOL
  • GEOGRAPHY

Per saperne di più sui tipi di dati, consulta Tipi di dati di GoogleSQL.

Ordine delle colonne del cluster

L'ordine delle colonne in cluster influisce sulle prestazioni delle query. Per trarre vantaggio il clustering, l'ordine dei filtri delle query deve corrispondere all'ordine delle colonne cluster e deve includere almeno la prima colonna in cluster.

Nell'esempio seguente, la tabella ordini è raggruppata in cluster utilizzando un ordine di ordinamento delle colonne Order_Date, Country e Status. Una query che applica un filtro su Order_Date e Country è ottimizzata per il clustering, ma una query che applica un filtro solo su Country e Status non è ottimizzata. per ottimizzare il clustering devi filtrare le colonne in cluster in ordine a partire dal primo in cluster.

Le query sulle tabelle in cluster devono includere colonne in cluster in ordine a partire dalla prima.

Eliminazione dei blocchi

Le tabelle in cluster possono aiutarti a ridurre i costi delle query eliminando i dati elaborati dalla query. Questo processo è chiamato eliminazione dei blocchi. BigQuery ordina i dati in una tabella in cluster in base ai valori nelle colonne di clustering e li organizza in blocchi.

Quando esegui una query su una tabella in cluster e la query include un filtro sulle colonne in cluster, BigQuery utilizza l'espressione di filtro e i metadati del blocco per eliminare i blocchi analizzati dalla query. In questo modo, BigQuery può eseguire la scansione solo dei blocchi pertinenti.

Quando un blocco viene eliminato, non viene scansionato. Solo i blocchi analizzati vengono utilizzati per calcolare i byte dei dati elaborati dalla query. Il numero di byte elaborati da una query su una tabella in cluster corrisponde alla somma dei byte letti in ogni colonna a cui fa riferimento la query nei blocchi analizzati.

Se una query che utilizza diversi filtri fa riferimento più volte a una tabella in cluster, BigQuery addebita l'analisi delle colonne nei blocchi appropriati in ciascuno dei rispettivi filtri. Per un esempio di come funziona l'eliminazione dei blocchi, vedi Esempio.

Combinare tabelle in cluster e partizionate

Puoi combinare il clustering delle tabelle con il partizionamento delle tabelle per ottenere un ordinamento granulare per un'ulteriore ottimizzazione delle query.

In una tabella partizionata, i dati sono archiviati in blocchi fisici, ognuno dei quali contiene una partizione di dati. Ogni tabella partizionata conserva vari metadati le proprietà di ordinamento in tutte le operazioni che lo modificano. I metadati consentono di BigQuery stima in modo più accurato il costo di una query prima della query viene eseguito. Tuttavia, il partizionamento richiede a BigQuery di gestire più metadati rispetto a una tabella non partizionata. Man mano che il numero di partizioni aumenta, aumenta anche la quantità di metadati da gestire.

Quando crei una tabella in cluster e partizionata, puoi ottenere un ordinamento granulare, come mostra il seguente diagramma:

Confronto tra tabelle non in cluster o non partizionate e tabelle in cluster e partizionate.

Esempio

Hai una tabella in cluster denominata ClusteredSalesData. La tabella è partizionata in base alla colonna timestamp ed è raggruppata in cluster in base alla colonna customer_id. I dati sono organizzati nel seguente insieme di blocchi:

Identificatore di partizione ID blocco Valore minimo per customer_id nel blocco Valore massimo per customer_id nel blocco
20160501 B1 10000 19999
20160501 B2 20000 24999
20160502 B3 15000 17999
20160501 B4 22000 27999

Esegui la seguente query sulla tabella. La query contiene un filtro nella colonna customer_id.

SELECT
  SUM(totalSale)
FROM
  `mydataset.ClusteredSalesData`
WHERE
  customer_id BETWEEN 20000
  AND 23000
  AND DATE(timestamp) = "2016-05-01"

La query precedente prevede i seguenti passaggi:

  • Analizza le colonne timestamp, customer_id e totalSale nei blocchi B2 e B4.
  • Elimina il blocco B3 a causa del predicato del filtro DATE(timestamp) = "2016-05-01" nella colonna di partizionamento timestamp.
  • Elimina il blocco B1 a causa del predicato del filtro customer_id BETWEEN 20000 AND 23000 nella colonna di clustering customer_id.

Riclustering automatico

Quando i dati vengono aggiunti a una tabella in cluster, i nuovi dati vengono organizzati in blocchi, che potrebbero creare nuovi blocchi di archiviazione o aggiornare blocchi esistenti. L'ottimizzazione dei blocchi è necessaria per prestazioni ottimali di query e archiviazione perché i nuovi dati potrebbero non essere raggruppati con i dati esistenti che hanno gli stessi valori di cluster.

Per mantenere le caratteristiche prestazionali di una tabella in cluster, BigQuery esegue il riclustering automatico in background. Per le tabelle partizionate, il clustering viene mantenuto per i dati nell'ambito di ogni partizione.

Limitazioni

  • Solo GoogleSQL è supportato per eseguire query sulle tabelle clusterizzate e per scrivere i risultati delle query nelle tabelle clusterizzate.
  • Puoi specificare fino a quattro colonne di raggruppamento. Se hai bisogno di altre colonne, ti consigliamo di combinare il clustering con il partizionamento.
  • Quando utilizzi colonne di tipo STRING per il clustering, BigQuery utilizza solo i primi 1024 caratteri per raggruppare i dati. I valori nelle colonne possono essere più lunghi di 1024 caratteri.
  • Se modifichi una tabella non raggruppata esistente in modo che sia raggruppata, i dati esistenti non vengono raggruppati automaticamente. Soltanto i nuovi dati archiviati utilizzando in cluster è soggetto a riclustering automatico. Per maggiori informazioni sul riclustering dei dati esistenti mediante UPDATE, vedi Modifica la specifica di clustering.

Quote e limiti delle tabelle in cluster

BigQuery limita l'utilizzo delle risorse Google Cloud condivise con quote e limiti, incluse limitazioni per determinate operazioni sulle tabelle o sul numero di job eseguiti in un giorno.

Quando utilizzi la funzionalità della tabella cluster con una tabella partizionata, devi rispettare i limiti per le tabelle partizionate.

Le quote e i limiti si applicano anche ai diversi tipi di job che puoi eseguire su tabelle clusterizzate. Per informazioni sulle quote dei job che si applicano alle tue tabelle, consulta Job in "Quote e limiti".

Prezzi delle tabelle in cluster

Quando crei e utilizzi tabelle in cluster in BigQuery, Gli addebiti si basano sulla quantità di dati archiviati nelle tabelle e sulle query che esegui sui dati. Per maggiori informazioni, consulta Prezzi di archiviazione e Prezzi delle query.

Come le altre operazioni sulle tabelle BigQuery, le operazioni sulle tabelle raggruppate sfruttano le operazioni gratuite di BigQuery come il caricamento batch, la copia delle tabelle, il ricoinvolgimento automatico e l'esportazione dei dati. Queste operazioni sono soggetti a quote e limiti di BigQuery. Per informazioni sulle operazioni gratuite, consulta Operazioni gratuite.

Per un esempio dettagliato dei prezzi delle tabelle in cluster, consulta Stimare i costi di query e archiviazione.

Sicurezza delle tabelle

Per controllare l'accesso alle tabelle in BigQuery, consulta Introduzione ai controlli di accesso alle tabelle.

Passaggi successivi