Caricamento di dati partizionati esternamente

BigQuery può caricare i dati archiviati in Cloud Storage utilizzando un layout di partizionamento Hive. Il partizionamento Hive significa che i dati esterni sono organizzati in più file, con una convenzione di denominazione per separare i file in partizioni diverse. Per maggiori informazioni, vedi Layout di dati supportati.

Per impostazione predefinita, i dati non vengono partizionati in BigQuery dopo il caricamento, a meno che non crei esplicitamente una tabella partizionata.

Carica dati partizionati Hive

Per caricare i dati partizionati di Hive, scegli una delle seguenti opzioni:

Console

1. Nella console Google Cloud, vai a BigQuery.

   Vai a BigQuery

2. Nel riquadro Explorer, espandi il progetto e seleziona un set di dati.
3. Fai clic su Visualizza azioni e poi su Crea tabella. Viene visualizzato il riquadro Crea tabella.
4. Nella sezione Origine, specifica i seguenti dettagli:
1. Per Crea tabella da, seleziona Google Cloud Storage.
2. In Seleziona file dal bucket Cloud Storage, inserisci il percorso della cartella Cloud Storage utilizzando i caratteri jolly. Ad esempio: my_bucket/my_files*. Il bucket Cloud Storage deve trovarsi nella stessa località del set di dati che contiene la tabella da creare, aggiungere o sovrascrivere.
3. Seleziona il tipo di file dall'elenco Formato file.
4. Seleziona la casella di controllo Partizionamento dei dati di origine e inserisci il prefisso URI Cloud Storage in Seleziona prefisso URI di origine. Ad esempio, gs://my_bucket/my_files.
5. Nella sezione Modalità di inferenza della partizione, seleziona una delle seguenti opzioni:
   • Induce automaticamente i tipi: imposta la modalità di rilevamento dello schema di partizione su AUTO.
   • Tutte le colonne sono stringhe: imposta la modalità di rilevamento dello schema di partizione su STRINGS.
   • Fornisci personale: imposta la modalità di rilevamento dello schema di partizione su CUSTOM e inserisci manualmente le informazioni dello schema per le chiavi di partizione. Per maggiori informazioni, consulta Fornire uno schema di chiave di partizione personalizzato.
6. (Facoltativo) Per richiedere un filtro di partizionamento su tutte le query per questa tabella, seleziona la casella di controllo Richiedi filtro di partizione. La richiesta di un filtro di partizionamento può ridurre i costi e migliorare le prestazioni. Per maggiori informazioni, consulta Richiesta di filtri dei predicati sulle chiavi di partizione nelle query.
5. Nella sezione Destinazione, specifica i seguenti dettagli:
   1. In Progetto, seleziona il progetto in cui vuoi creare la tabella.
   2. In Set di dati, seleziona il set di dati in cui vuoi creare la tabella.
   3. In Tabella, inserisci il nome della tabella da creare.
   4. Per Tipo di tabella, seleziona Tabella nativa .
6. Nella sezione Schema, inserisci la definizione dello schema.
7. Per attivare il rilevamento automatico dello schema, seleziona Rilevamento automatico.
8. Per ignorare le righe con valori di colonna aggiuntivi che non corrispondono allo schema, espandi la sezione Opzioni avanzate e seleziona Valori sconosciuti.
9. Fai clic su Crea tabella.

SQL

Per creare una tabella partizionata esternamente, utilizza la clausola WITH PARTITION COLUMNS dell'istruzione LOAD DATA per specificare i dettagli dello schema di partizione.

Ad esempio, vedi Caricare un file partizionato esternamente.

bq

Carica i dati partizionati di Hive utilizzando il rilevamento automatico del tipo di chiave di partizione:

bq load --source_format=ORC --hive_partitioning_mode=AUTO \
--hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix \
dataset.table gcs_uris

Carica i dati partizionati di Hive utilizzando il rilevamento della chiave di partizione di tipo stringa:

bq load --source_format=CSV --autodetect \
--hive_partitioning_mode=STRINGS \
--hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix \
dataset.table gcs_uris

Carica i dati partizionati di Hive utilizzando uno schema di chiavi di partizioni personalizzate codificato utilizzando il campo source\_uri\_prefix:

bq load --source_format=JSON --hive_partitioning_mode=CUSTOM \
--hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix/partition_key_schema \
dataset.table gcs_uris file_schema

Lo schema della chiave di partizione viene codificato immediatamente dopo il prefisso dell'URI di origine. Utilizza il seguente formato per specificare --hive_partitioning_source_uri_prefix:

--hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix/{key1:TYPE1}/{key2:TYPE2}/{key3:TYPE3}

API

Il supporto per il partizionamento Hive esiste impostando HivePartitioningOptions su JobConfigurationLoad.

Nota: se hivePartitioningOptions.mode è impostato su CUSTOM, devi codificare lo schema della chiave di partizione nel campo hivePartitioningOptions.sourceUriPrefix come segue: gs://BUCKET/PATH_TO_TABLE/{KEY1:TYPE1}/{KEY2:TYPE2}/...

Eseguire caricamenti incrementali

Considera il seguente layout dei dati:

gs://my_bucket/my_table/dt=2019-10-31/val=1/file1
gs://my_bucket/my_table/dt=2018-10-31/val=2/file2
gs://my_bucket/my_table/dt=2017-10-31/val=3/file3
gs://my_bucket/my_table/dt=2016-10-31/val=4/file4

Per caricare solo i dati dal 31/10/2019:

• Imposta la Modalità di partizionamento Hive su AUTO, STRINGS o CUSTOM.
• Imposta il prefisso dell'URI di origine su gs://my_bucket/my_table/ per le modalità di partizionamento AUTO o STRINGS Hive. Per PERSONALIZZATO, specifica gs://my_bucket/my_table/{dt:DATE}/{val:INTEGER}.
• Utilizza l'URI gs://my_bucket/my_table/dt=2019-10-31/*.
• I dati vengono caricati con le colonne dt e val incluse, rispettivamente i valori 2019-10-31 e 1.

Per caricare solo i dati da file specifici:

• Imposta la Modalità di partizionamento Hive su AUTO, STRINGS o CUSTOM.
• Imposta il prefisso dell'URI di origine su gs://my_bucket/my_table/ per le modalità di partizionamento AUTO o STRINGS Hive. Per CUSTOM, specifica gs://my_bucket/my_table/{dt:DATE}/{val:INTEGER}.
• Utilizza gli URI gs://my_bucket/my_table/dt=2017-10-31/val=3/file3,gs://my_bucket/my_table/dt=2016-10-31/val=4/file4.
• I dati vengono caricati da entrambi i file con le colonne dt e val compilate.

Schema di partizione

Le seguenti sezioni spiegano il layout Hive partizionato predefinito e le modalità di rilevamento dello schema supportate da BigQuery.

Layout di dati supportati

Le chiavi di partizione Hive vengono visualizzate come colonne normali quando esegui query sui dati da Cloud Storage. I dati devono seguire un layout partizionato Hive predefinito. Ad esempio, i seguenti file seguono il layout predefinito: le coppie chiave-valore sono configurate come directory con il segno uguale (=) come separatore e le chiavi di partizione sono sempre nello stesso ordine:

gs://my_bucket/my_table/dt=2019-10-31/lang=en/my_filename
gs://my_bucket/my_table/dt=2018-10-31/lang=fr/my_filename

Il prefisso dell'URI di origine comune in questo esempio è gs://my_bucket/my_table.

Layout di dati non supportati

Se i nomi delle chiavi di partizione non sono codificati nel percorso della directory, il rilevamento dello schema di partizione non riesce. Ad esempio, considera il seguente percorso, che non codifica i nomi delle chiavi di partizione:

gs://my_bucket/my_table/2019-10-31/en/my_filename

Anche i file in cui lo schema non è in un ordine coerente non riusciranno a essere rilevati. Ad esempio, considera i seguenti due file con codifiche delle chiavi di partizione invertite:

gs://my_bucket/my_table/dt=2019-10-31/lang=en/my_filename
gs://my_bucket/my_table/lang=fr/dt=2018-10-31/my_filename

Modalità di rilevamento

BigQuery supporta tre modalità di rilevamento dello schema di partizione Hive:

• AUTO: i nomi e i tipi di chiavi vengono rilevati automaticamente. È possibile rilevare i seguenti tipi:

  • STRINGA
  • INTERO

  • DATA

    Ad esempio, /date=2018-10-18/.

  • TIMESTAMP

    Ad esempio, /time=2018-10-18 16:00:00+00/.

• STRINGS: i nomi delle chiavi vengono convertiti automaticamente nel tipo STRING.

• CUSTOM: lo schema della chiave di partizione è codificato come specificato nel prefisso dell'URI di origine.

Schema della chiave di partizione personalizzata

Per utilizzare uno schema CUSTOM, devi specificare lo schema nel campo Prefisso URI di origine. L'utilizzo di uno schema CUSTOM consente di specificare il tipo per ogni chiave di partizione. I valori devono essere analizzati validamente come il tipo specificato, altrimenti la query ha esito negativo.

Ad esempio, se imposti il flag source_uri_prefix su gs://my_bucket/my_table/{dt:DATE}/{val:STRING}, BigQuery tratta val come STRING, dt come DATE e utilizza gs://my_bucket/my_table come prefisso dell'URI di origine per i file corrispondenti.

Limitazioni

• Il supporto del partizionamento Hive viene creato presupponendo un prefisso URI di origine comune per tutti gli URI che terminano immediatamente prima della codifica della partizione, come segue: gs://BUCKET/PATH_TO_TABLE/.
• Si presume che la struttura di directory di una tabella partizionata Hive abbia le stesse chiavi di partizionamento nello stesso ordine, con un massimo di dieci chiavi di partizione per tabella.
• I dati devono seguire un layout di partizionamento Hive predefinito.
• Le chiavi di partizionamento Hive e le colonne nei file sottostanti non possono sovrapporsi.

• L'assistenza è solo per GoogleSQL.

• Si applicano tutte le limitazioni per il caricamento da Cloud Storage.

Passaggi successivi

• Scopri di più sulle tabelle partizionate.
• Scopri come utilizzare SQL in BigQuery.