BigQuery では、Hive パーティショニング レイアウトを使用して Cloud Storage に保存されているデータを読み込むことができます。Hive パーティショニングを使用すると、外部データを複数のファイルに整理し、命名規則でファイルを異なるパーティションに分割できます。詳細については、このページのサポートされるデータ レイアウトをご覧ください。
制限事項
- Hive パーティショニングのサポートは、すべての URI において、パーティション エンコードの直前に共通のソース URI プレフィックスがあるものと想定して構築されています。例:
gs://<bucket>/<path_to_table>/。 - Hive パーティション分割テーブルのディレクトリ構造は、同じパーティショニング キーが同じ順序で出現し、テーブルごとに最大 10 個のパーティショニング キーがあると想定されています。
- データはデフォルトの Hive パーティショニング レイアウトに従う必要があります。
- 基盤となるファイルの中で、Hive パーティショニング キーと列は重複してはいけません。
- Cloud Storage からの読み込みに関する制限のすべてが適用されます。
サポートされるデータ レイアウト
データはデフォルトの Hive パーティション分割レイアウトに従う必要があります。たとえば、次のファイルはデフォルトのレイアウトに従っており、Key-Value ペアは、= 記号のセパレータによりディレクトリとしてレイアウトされており、パーティション キーは常に同じ順序になっています。
gs://bucket/table/dt=2019-10-31/lang=en/foo
gs://bucket/table/dt=2018-10-31/lang=fr/bar
この例で共通のソース URI プレフィックスは、gs://bucket/table です。
サポートされないデータ レイアウト
ディレクトリ パス内でパーティション キー名がエンコードされていない場合、パーティション スキーマの検出は失敗します。たとえば、次のパスを考えてみましょう。パーティション キー名がエンコードされていません。
gs://bucket/table/2019-10-31/en/foo
スキーマの順序が一貫していないファイルも検出に失敗します。たとえば、次の 2 つのファイルについて考えてみましょう。パーティション キーのエンコードが逆になっています。
gs://bucket/table/dt=2019-10-31/lang=en/foo
gs://bucket/table/lang=fr/dt=2018-10-31/bar
パーティション スキーマ検出モード
Cloud Storage からデータを読み込む場合、Hive パーティション キーは通常の列のように見えます。Hive パーティション スキーマ検出では以下の 3 つのモードがサポートされています。
AUTO: キーの名前と型は自動検出されます。次の型を検出できます｡STRING、INTEGER、DATE、TIMESTAMP。STRINGS: キー名は、STRING型で自動的に推定されます。CUSTOM: パーティション キースキーマがソース URI プレフィックスでエンコードされています。
カスタム パーティション キースキーマの指定
CUSTOM 検出では、ソース URI プレフィックス フィールド内にパーティション キー名と型の組み合わせを指定して、スキーマをエンコードする必要があります。値は、指定された型で有効に解析される必要があります。そうでない場合、読み込みは失敗します。
たとえば、source_uri_prefix を gs://my_bucket/my_table/{dt:DATE}/{val:STRING} に設定すると、val は STRING として、dt は DATE として扱われ、gs://my_bucket/my_table は一致するファイルのソース URI プレフィックスとして抽出されます。
詳しくは、Google Cloud Console、bq コマンドライン ツール、REST API をご覧ください。
増分読み込みの実行
次のデータ レイアウトについて考えてみます。
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
2019-10-31 のみからデータを読み込むには、次の操作を行います。
- Hive パーティショニング モードを
AUTO、STRINGS、またはCUSTOMに設定します。 - Hive パーティショニング モードが
AUTOまたはSTRINGSの場合は、ソース URI プレフィックスをgs://my_bucket/my_table/に設定します。CUSTOM の場合は、gs://my_bucket/my_table/{dt:DATE}/{val:INTEGER}を指定します。 - URI
gs://my_bucket/my_table/dt=2019-10-31/*を使用します。 dt列とval列が含まれたデータが読み込まれます。それぞれの値は2019-10-31と1です。
特定のファイルのみからデータを読み込むには、次の操作を行います。
- Hive パーティショニング モードを
AUTO、STRINGS、またはCUSTOMに設定します。 - Hive パーティショニング モードが
AUTOまたはSTRINGSの場合は、ソース URI プレフィックスをgs://my_bucket/my_table/に設定します。CUSTOMにはgs://my_bucket/my_table/{dt:DATE}/{val:INTEGER}を指定します。 - 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を使用します。 - 2 つのファイルからデータが読み込まれます。
dt列とval列が入力されます。
Cloud Console を使用して Hive パーティショニング データを読み込む
Cloud Console で Hive パーティショニング データを読み込むには、次の手順に沿って操作します。
Cloud Console で、BigQuery ページに移動します。
[エクスプローラ] パネルでプロジェクトを展開し、データセットを選択します。
[アクションを表示] > [開く] をクリックします。
詳細パネルで [テーブルを作成] をクリックします。
[テーブルの作成元] プルダウン リストから [Google Cloud Storage] を選択します。
次のオプションを設定します。
- [GCS バケットからファイルを選択] フィールドにデータセットのパスを入力し、プルダウン リストからそのファイルタイプを選択します。
- [ソースデータ パーティショニング] ボックスをオンにして、ソース URI プレフィックスを入力します。
- [パーティション推論モード] セクションで、次のいずれかのオプションを選択します。
- パーティション スキーマ検出モードを
AUTOに設定する場合は、[種類を自動的に推測します] を選択します。 - パーティション スキーマ検出モードを
STRINGSに設定する場合は、[すべての列は文字列です] を選択します。 - パーティション スキーマ検出モードを
CUSTOMに設定し、パーティション キーのスキーマ情報を手動で入力する場合は、[独自に指定します] を選択します。詳細については、カスタム パーティション キー スキーマの指定をご覧ください。
- パーティション スキーマ検出モードを
- [テーブルタイプ] プルダウン リストから、[ネイティブ テーブル] を選択します。
- [テーブル名] フィールドでテーブルの名前を指定します。
[テーブルを作成] をクリックします。
bq コマンドライン ツールを使用して Hive パーティショニング データを読み込む
パーティション キーの型の自動検出のリクエスト
bq load --source_format=ORC --hive_partitioning_mode=AUTO \ --hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix \ dataset.table gcs_uris
文字列型パーティション キー検出のリクエスト
bq load --source_format=PARQUET --autodetect \ --hive_partitioning_mode=STRINGS \ --hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix \ dataset.table gcs_uris
source_uri_prefix フィールドでエンコードされたカスタム パーティション キースキーマの指定
bq load --source_format=JSON --hive_partitioning_mode=CUSTOM \ --hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix/custom_schema_encoding \ dataset.table gcs_uris file_schema
パーティション キースキーマはソース URI プレフィックスの直後にエンコードされます。次の形式を使用して --hive_partitioning_source_uri_prefix を指定してください。
--hive_partitioning_source_uri_prefix=gcs_uri_shared_prefix/{key1:TYPE1}/{key2:TYPE2}/{key3:TYPE3}
REST API を使用して Hive パーティショニング データを読み込む
ExternalDataConfiguration に HivePartitioningOptions を設定することで Hive パーティショニングがサポートされます。
なお、hivePartitioningOptions.mode が CUSTOM に設定されている場合、hivePartitioningOptions.sourceUriPrefix フィールドのパーティション キースキーマを次のようにエンコードする必要があります。gs://BUCKET/PATH_TO_TABLE/{KEY1:TYPE1}/{KEY2:TYPE2}/...
クエリの実行時に述語フィルタの使用を強制するには、hivePartitioningOptions.requirePartitionFilter フィールドを true に設定します。