从 Cloud Storage 加载 ORC 数据

本页简要介绍了如何将 Cloud Storage 中的 ORC 数据加载到 BigQuery 中。

ORC 是一种开源列式数据格式,广泛应用于 Apache Hadoop 生态系统。

从 Cloud Storage 加载 ORC 数据时,可以将数据加载到新的表或分区中,也可以覆盖或附加到现有的表或分区。当数据加载到 BigQuery 时,它会转换为适用于 Capacitor 的列式格式(BigQuery 的存储格式)。

如需将 Cloud Storage 中的数据加载到 BigQuery 表格,则包含该表的数据集必须与相应 Cloud Storage 存储分区位于同一区域或多区域位置。

如需了解如何从本地文件加载 ORC 数据,请参阅将本地数据源中的数据加载到 BigQuery 中

ORC 架构

将 ORC 文件加载到 BigQuery 后,系统将自动从自描述源数据中检索表架构。BigQuery 从源数据中检索架构时,将使用按字母顺序显示的最后一个文件。

例如,您在 Cloud Storage 中拥有以下 ORC 文件:

gs://mybucket/00/
  a.orc
  z.orc
gs://mybucket/01/
  b.orc

此命令可通过单个 CLI 命令(以英文逗号分隔列表形式)加载所有文件,而架构来源于 mybucket/01/b.orc

bq load \
--source_format=ORC \
dataset.table \
"gs://mybucket/00/*.orc","gs://mybucket/01/*.orc"

当 BigQuery 检测架构时,会将某些 Avro 数据类型转换为 BigQuery 数据类型,使其与 BigQuery SQL 语法兼容。检测到的架构中的所有字段均为 NULLABLE。如需了解详情,请参阅 ORC 转换

加载具有不同架构的多个 ORC 文件时,多个架构中指定的相同字段(具有相同名称和嵌套级别)必须在每个架构定义中映射到同一种转换后的 BigQuery 数据类型。

ORC 压缩

系统不支持压缩的 ORC 文件,但支持压缩文件的文件尾和条带。支持的压缩类型包括 Zlib、Snappy、LZO 和 LZ4。

所需权限

在将数据加载到 BigQuery 时,您需要拥有相关权限,才能运行加载作业并将数据加载到新的或现有的 BigQuery 表和分区中。如果要从 Cloud Storage 加载数据,您还需要拥有对您的数据所在的存储分区的访问权限。

BigQuery 权限

至少需具备以下权限,才能将数据加载到 BigQuery。无论您是要将数据加载到新的表或分区,还是要附加到或覆盖现有的表或分区,都必须具备这些权限。

  • bigquery.tables.create
  • bigquery.tables.updateData
  • bigquery.jobs.create

以下预定义的 Cloud IAM 角色可提供 bigquery.tables.createbigquery.tables.updateData 权限:

  • bigquery.dataEditor
  • bigquery.dataOwner
  • bigquery.admin

以下预定义的 Cloud IAM 角色可提供 bigquery.jobs.create 权限:

  • bigquery.user
  • bigquery.jobUser
  • bigquery.admin

此外,如果用户具有 bigquery.datasets.create 权限,则当该用户创建数据集时,系统会为其授予该数据集的 bigquery.dataOwner 访问权限。借助 bigquery.dataOwner 访问权限,用户可以通过加载作业在数据集中创建和更新表。

如需详细了解 BigQuery 中的 Cloud IAM 角色和权限,请参阅访问权限控制

Cloud Storage 权限

如需从 Cloud Storage 存储分区加载数据,您必须拥有 storage.objects.get 权限。如果要使用 URI 通配符,您还必须具有 storage.objects.list 权限。

授予预定义的 Cloud IAM 角色 storage.objectViewer,即可同时提供 storage.objects.getstorage.objects.list 权限。

将 ORC 数据加载到新表

您可以通过以下方式向新表加载 ORC 数据:

  • 使用 Cloud Console 或经典版网页界面
  • 使用 CLI 的 bq load 命令
  • 调用 jobs.insert API 方法并配置 load 作业
  • 使用客户端库

如需将 ORC 数据从 Cloud Storage 加载到新的 BigQuery 表格中,请执行以下操作:

控制台

  1. 在 Cloud Console 中打开 BigQuery 网页界面。
    转到 Cloud Console

  2. 在导航面板的资源部分中,展开您的项目并选择数据集。

  3. 在窗口右侧的详细信息面板中,点击创建表。加载数据的过程与创建空表的过程相同。

    查看数据集

  4. 创建表页面的来源部分,执行以下操作:

    • 基于以下数据创建表部分,选择 Cloud Storage。

    • 在来源字段中,浏览至或输入 Cloud Storage URI。请注意,Cloud Console 不支持添加多个 URI,但支持使用通配符。Cloud Storage 存储分区必须与您要创建的表所属的数据集位于同一位置。

      选择文件

    • 文件格式部分,选择 ORC。

  5. 创建表页面的目标部分,执行以下操作:

    • 数据集名称部分,选择相应数据集。

      查看数据集

    • 确认表类型设置为原生表。

    • 表名称字段中,输入您要在 BigQuery 中创建的表的名称。

  6. 架构部分中,无需执行任何操作。架构在 ORC 文件中为自描述形式。

  7. (可选)如需对表进行分区,请在分区和聚簇设置中选择相应选项:

    • 如需创建分区表,请点击不进行分区,选择按字段分区 (Partition by field),然后选择 DATETIMESTAMP 列。如果架构不包含 DATETIMESTAMP 列,则此选项不可用。
    • 如需创建提取时间分区表,请点击不进行分区,然后选择按提取时间分区
  8. (可选)在分区过滤条件中,点击需要分区过滤条件框,以要求用户添加 WHERE 子句来指定要查询的分区。要求分区过滤条件有可能减少费用并提高性能。如需了解详情,请参阅查询分区表。如果已选择不进行分区,则此选项不可用。

  9. (可选)如需对该表进行聚簇,请在聚簇顺序框中,输入一到四个字段名称。目前,只有分区表支持聚簇。

  10. (可选)点击高级选项

    • 写入偏好设置部分,选中只写入空白表。此选项创建一个新表并向其中加载数据。
    • 允许的错误数部分中,接受默认值 0 或输入可忽略的含错行数上限。如果包含错误的行数超过此值,该作业将生成 invalid 消息并失败。
    • 未知值部分,取消选中忽略未知值。 此选项仅适用于 CSV 和 JSON 文件。
    • 加密部分中,点击客户管理的密钥,以使用 Cloud Key Management Service 密钥。如果保留 Google 管理的密钥设置,BigQuery 将对静态数据进行加密
  11. 点击创建表

经典版界面

  1. 转到 BigQuery 网页界面。
    转到 BigQuery 网页界面

  2. 在导航面板中,将鼠标悬停在数据集上,点击向下箭头图标 向下箭头图标图片,然后点击 Create new table。加载数据的过程与创建空表的过程相同。

  3. Create Table 页面的 Source Data 部分,执行以下操作:

    • 点击 Create from source
    • Location 部分选择 Cloud Storage,然后在来源字段中输入 Cloud Storage URI。请注意,BigQuery 网页界面不支持添加多个 URI,但支持使用通配符。Cloud Storage 存储分区必须与您要创建的表所属的数据集位于同一位置。
    • File format 部分,选择 ORC。
  4. Destination Table 部分,执行以下操作:

    • Table name 部分,选择适当的数据集,然后在表名称字段中输入要在 BigQuery 中创建的表的名称。
    • 确认 Table type 设置为 Native table。
  5. 架构部分中,无需执行任何操作。架构在 ORC 文件中为自描述形式。

  6. (可选)在 Options 部分,执行以下操作:

    • Number of errors allowed 部分中,接受默认值 0 或输入可忽略的含错行数上限。如果包含错误的行数超过此值,该作业将生成 invalid 消息并失败。
    • 写入偏好设置部分,选中只写入空白表。此选项创建一个新表并向其中加载数据。
    • 如需对表进行分区,请执行以下操作:
      • 对于 Partitioning Type,点击 None 并选择 Day。
      • 对于 Partitioning Field
      • 如需创建分区表,请选择 DATETIMESTAMP 列。如果架构不包含 DATETIMESTAMP 列,则此选项不可用。
      • 如需创建提取时间分区表,请保留默认值:_PARTITIONTIME
      • 点击 Require partition filter 框,以要求用户添加 WHERE 子句来指定要查询的分区。要求分区过滤条件有可能减少费用并提高性能。 如需了解详情,请参阅查询分区表。如果 Partitioning type 设置为 None,则此选项不可用。
    • 如需对该表进行聚簇,请在 Clustering fields 框中,输入一到四个字段名称。
    • Destination encryption 部分中,选择 Customer-managed encryption,以使用 Cloud Key Management Service 密钥加密表。如果保留 Default 设置,BigQuery 将使用 Google 管理的密钥对静态数据进行加密
  7. 点击 Create Table

CLI

使用 bq load 命令,指定 source_format 为 ORC,并添加 Cloud Storage URI。您可以添加单个 URI、以英文逗号分隔的 URI 列表或含有通配符的 URI。

(可选)添加 --location 标志并将其值设置为您的位置

其他可选标志包括:

  • --max_bad_records:此标志值为一个整数,指定了作业中允许的错误记录数上限,超过此数量之后,整个作业就会失败。默认值为 0。无论 --max_bad_records 值是多少,任意类型的错误最多返回 5 个。
  • --time_partitioning_type:此标志会在表上启用基于时间的分区,并设置分区类型。目前,唯一可以使用的值为 DAY,即每天生成一个分区。当您按 DATETIMESTAMP 列创建分区表时,可选用此标志。
  • --time_partitioning_expiration:此标志值为一个整数,指定了应在何时删除基于时间的分区(以秒为单位)。过期时间按分区的世界协调时间 (UTC) 日期加上这个整数值计算得出。
  • --time_partitioning_field:此标志表示用于创建分区表DATETIMESTAMP 列。如果在未提供此值的情况下启用了基于时间的分区,系统会创建提取时间分区表
  • --require_partition_filter:启用后,此选项会要求用户添加 WHERE 子句来指定要查询的分区。要求分区过滤条件有可能减少费用并提高性能。 如需了解详情,请参阅查询分区表
  • --clustering_fields:此标志表示以英文逗号分隔的列名称列表(最多包含 4 个列名称),用于创建聚簇表。此标志只能与分区表一起使用。
  • --destination_kms_key:用于加密表数据的 Cloud KMS 密钥。

    如需详细了解分区表,请参阅:

    如需详细了解聚簇表,请参阅:

    如需详细了解表加密,请参阅:

如需将 ORC 数据加载到 BigQuery,请输入以下命令:

bq --location=location load \
--source_format=format \
dataset.table \
path_to_source

其中:

  • location 是您的位置。--location 是可选标志。例如,如果您在东京区域使用 BigQuery,可将该标志的值设置为 asia-northeast1。您可以使用 .bigqueryrc 文件设置位置的默认值。
  • formatORC
  • dataset 是现有数据集。
  • table 是要向其中加载数据的表的名称。
  • path_to_source 是完全限定的 Cloud Storage URI 或以英文逗号分隔的 URI 列表。通配符也受支持。

示例:

以下命令将 gs://mybucket/mydata.orc 中的数据加载到 mydataset 中名为 mytable 的表中。

    bq load \
    --source_format=ORC \
    mydataset.mytable \
    gs://mybucket/mydata.orc

以下命令将 gs://mybucket/mydata.orc 中的数据加载到 mydataset 中名为 mytable 的提取时间分区表中。

    bq load \
    --source_format=ORC \
    --time_partitioning_type=DAY \
    mydataset.mytable \
    gs://mybucket/mydata.orc

以下命令将 gs://mybucket/mydata.orc 中的数据加载到 mydataset 中名为 mytable 的分区表中。该表按 mytimestamp 列进行分区。

    bq load \
    --source_format=ORC \
    --time_partitioning_field mytimestamp \
    mydataset.mytable \
    gs://mybucket/mydata.orc

以下命令将 gs://mybucket/ 中多个文件的数据加载到 mydataset 中名为 mytable 的表中。Cloud Storage URI 使用通配符。

    bq load \
    --source_format=ORC \
    mydataset.mytable \
    gs://mybucket/mydata*.orc

以下命令将 gs://mybucket/ 中多个文件的数据加载到 mydataset 中名为 mytable 的表中。该命令包含以英文逗号分隔的 Cloud Storage URI 列表(含通配符)。

    bq load --autodetect \
    --source_format=ORC \
    mydataset.mytable \
    "gs://mybucket/00/*.orc","gs://mybucket/01/*.orc"

API

  1. 创建指向 Cloud Storage 中源数据的 load 作业。

  2. (可选)在作业资源 jobReference 部分的 location 属性中指定您的位置

  3. source URIs 属性必须是完全限定的,格式为 gs://bucket/object。每个 URI 只可包含一个“*”通配符

  4. sourceFormat 属性设置为 ORC,以指定 ORC 数据格式。

  5. 如需检查作业状态,请调用 jobs.get(job_id*),其中 job_id 是初始请求返回的作业的 ID。

    • 如果 status.state = DONE,则表示作业已成功完成。
    • 如果出现 status.errorResult 属性,则表示请求失败,并且该对象将包含描述问题的相关信息。如果请求失败,则不创建任何表且不加载任何数据。
    • 如果未出现 status.errorResult,则表示作业已成功完成,但可能存在一些非严重错误,如导入一些行时出错。非严重错误会列在返回的作业对象的 status.errors 属性中。

API 说明

  • 加载作业兼具原子性和一致性。也就是说,如果加载作业失败,则所有数据都不可用;如果加载作业成功,则所有数据全部可用。

  • 通过调用 jobs.insert 来创建加载作业时,最佳做法是生成唯一 ID,并将其作为 jobReference.jobId 传递。此方法受网络故障影响较小,因为客户端可以对已知的作业 ID 进行轮询或重试。

  • 对指定的作业 ID 调用 jobs.insert 具有幂等性。您可以对同一作业 ID 进行任意次重试,但最多只会有一个成功操作。

C#

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 C# 设置说明进行操作。 如需了解详情,请参阅 BigQuery C# API 参考文档


using Google.Apis.Bigquery.v2.Data;
using Google.Cloud.BigQuery.V2;
using System;

public class BigQueryLoadTableGcsOrc
{
    public void LoadTableGcsOrc(
        string projectId = "your-project-id",
        string datasetId = "your_dataset_id"
    )
    {
        BigQueryClient client = BigQueryClient.Create(projectId);
        var gcsURI = "gs://cloud-samples-data/bigquery/us-states/us-states.orc";
        var dataset = client.GetDataset(datasetId);
        TableReference destinationTableRef = dataset.GetTableReference(
            tableId: "us_states");
        // Create job configuration
        var jobOptions = new CreateLoadJobOptions()
        {
            SourceFormat = FileFormat.Orc
        };
        // Create and run job
        var loadJob = client.CreateLoadJob(
            sourceUri: gcsURI,
            destination: destinationTableRef,
            // Pass null as the schema because the schema is inferred when
            // loading Orc data
            schema: null,
            options: jobOptions
        );
        loadJob.PollUntilCompleted();  // Waits for the job to complete.
        // Display the number of rows uploaded
        BigQueryTable table = client.GetTable(destinationTableRef);
        Console.WriteLine(
            $"Loaded {table.Resource.NumRows} rows to {table.FullyQualifiedId}");
    }
}

Go

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Go 设置说明进行操作。如需了解详情,请参阅 BigQuery Go API 参考文档

import (
	"context"
	"fmt"

	"cloud.google.com/go/bigquery"
)

// importORCTruncate demonstrates loading Apache ORC data from Cloud Storage into a table.
func importORC(projectID, datasetID, tableID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydataset"
	// tableID := "mytable"
	ctx := context.Background()
	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}

	gcsRef := bigquery.NewGCSReference("gs://cloud-samples-data/bigquery/us-states/us-states.orc")
	gcsRef.SourceFormat = bigquery.ORC
	loader := client.Dataset(datasetID).Table(tableID).LoaderFrom(gcsRef)

	job, err := loader.Run(ctx)
	if err != nil {
		return err
	}
	status, err := job.Wait(ctx)
	if err != nil {
		return err
	}

	if status.Err() != nil {
		return fmt.Errorf("job completed with error: %v", status.Err())
	}
	return nil
}

Node.js

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Node.js 设置说明进行操作。如需了解详情,请参阅 BigQuery Node.js API 参考文档

// Import the Google Cloud client libraries
const {BigQuery} = require('@google-cloud/bigquery');
const {Storage} = require('@google-cloud/storage');

// Instantiate clients
const bigquery = new BigQuery();
const storage = new Storage();

/**
 * This sample loads the ORC file at
 * https://storage.googleapis.com/cloud-samples-data/bigquery/us-states/us-states.orc
 *
 * TODO(developer): Replace the following lines with the path to your file.
 */
const bucketName = 'cloud-samples-data';
const filename = 'bigquery/us-states/us-states.orc';

async function loadTableGCSORC() {
  // Imports a GCS file into a table with ORC source format.

  /**
   * TODO(developer): Uncomment the following line before running the sample.
   */
  // const datasetId = 'my_dataset';
  // const tableId = 'my_table'

  // Configure the load job. For full list of options, see:
  // https://cloud.google.com/bigquery/docs/reference/rest/v2/Job#JobConfigurationLoad
  const metadata = {
    sourceFormat: 'ORC',
    location: 'US',
  };

  // Load data from a Google Cloud Storage file into the table
  const [job] = await bigquery
    .dataset(datasetId)
    .table(tableId)
    .load(storage.bucket(bucketName).file(filename), metadata);

  // load() waits for the job to finish
  console.log(`Job ${job.id} completed.`);

  // Check the job's status for errors
  const errors = job.status.errors;
  if (errors && errors.length > 0) {
    throw errors;
  }
}

PHP

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 PHP 设置说明进行操作。 如需了解详情,请参阅 BigQuery PHP API 参考文档

use Google\Cloud\BigQuery\BigQueryClient;
use Google\Cloud\Core\ExponentialBackoff;

/** Uncomment and populate these variables in your code */
// $projectId  = 'The Google project ID';
// $datasetId  = 'The BigQuery dataset ID';

// instantiate the bigquery table service
$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$dataset = $bigQuery->dataset($datasetId);
$table = $dataset->table('us_states');

// create the import job
$gcsUri = 'gs://cloud-samples-data/bigquery/us-states/us-states.orc';
$loadConfig = $table->loadFromStorage($gcsUri)->sourceFormat('ORC');
$job = $table->runJob($loadConfig);
// poll the job until it is complete
$backoff = new ExponentialBackoff(10);
$backoff->execute(function () use ($job) {
    print('Waiting for job to complete' . PHP_EOL);
    $job->reload();
    if (!$job->isComplete()) {
        throw new Exception('Job has not yet completed', 500);
    }
});
// check if the job has errors
if (isset($job->info()['status']['errorResult'])) {
    $error = $job->info()['status']['errorResult']['message'];
    printf('Error running job: %s' . PHP_EOL, $error);
} else {
    print('Data imported successfully' . PHP_EOL);
}

Python

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Python 设置说明进行操作。如需了解详情,请参阅 BigQuery Python API 参考文档

# from google.cloud import bigquery
# client = bigquery.Client()
# dataset_id = 'my_dataset'

dataset_ref = client.dataset(dataset_id)
job_config = bigquery.LoadJobConfig()
job_config.source_format = bigquery.SourceFormat.ORC
uri = "gs://cloud-samples-data/bigquery/us-states/us-states.orc"

load_job = client.load_table_from_uri(
    uri, dataset_ref.table("us_states"), job_config=job_config
)  # API request
print("Starting job {}".format(load_job.job_id))

load_job.result()  # Waits for table load to complete.
print("Job finished.")

destination_table = client.get_table(dataset_ref.table("us_states"))
print("Loaded {} rows.".format(destination_table.num_rows))

Ruby

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Ruby 设置说明进行操作。 如需了解详情,请参阅 BigQuery Ruby API 参考文档

require "google/cloud/bigquery"

def load_table_gcs_orc dataset_id = "your_dataset_id"
  bigquery = Google::Cloud::Bigquery.new
  dataset  = bigquery.dataset dataset_id
  gcs_uri  = "gs://cloud-samples-data/bigquery/us-states/us-states.orc"
  table_id = "us_states"

  load_job = dataset.load_job table_id, gcs_uri, format: "orc"
  puts "Starting job #{load_job.job_id}"

  load_job.wait_until_done!  # Waits for table load to complete.
  puts "Job finished."

  table = dataset.table(table_id)
  puts "Loaded #{table.rows_count} rows to table #{table.id}"
end

使用 ORC 数据覆盖或附加到表

您可以通过添加来自源文件的数据或附加查询结果,将其他数据加载到表中。

在控制台或经典版 BigQuery 网页界面中,使用写入偏好设置 (Write preference) 选项指定从源文件或查询结果加载数据时要执行的操作。

将其他数据加载到表中时,可选择以下选项:

控制台选项 经典版网页界面选项 CLI 标志 BigQuery API 属性 说明
只写入空白表 只写入空白表 WRITE_EMPTY 仅当表为空时才写入数据。
附加到表 附加到表 --noreplace--replace=false;如果未指定 --[no]replace,则默认为附加 WRITE_APPEND (默认)在表末尾附加数据。
覆盖表 覆盖表 --replace--replace=true WRITE_TRUNCATE 清空表中所有现有数据然后再写入新数据。

如果将数据加载到现有表中,加载作业可以附加数据或覆盖表。

您可以通过以下方式附加或覆盖表:

  • 使用 Cloud Console 或经典版网页界面
  • 使用 CLI 的 bq load 命令
  • 调用 jobs.insert API 方法并配置 load 作业
  • 使用客户端库

如需使用 ORC 数据附加或覆盖表,请执行以下操作:

控制台

  1. 在 Cloud Console 中打开 BigQuery 网页界面。
    转到 Cloud Console

  2. 在导航面板的资源部分中,展开您的项目并选择数据集。

  3. 在窗口右侧的详细信息面板中,点击创建表。在加载作业中附加和覆盖数据的过程与在加载作业中创建表的过程相同。

    创建表

  4. 创建表页面的来源部分,执行以下操作:

    • 基于以下数据创建表部分,选择 Cloud Storage。

    • 在来源字段中,浏览至或输入 Cloud Storage URI。请注意,BigQuery 网页界面不支持添加多个 URI,但支持使用通配符。Cloud Storage 存储分区必须与您要向其中附加数据或覆盖其数据的表所属的数据集位于同一位置。

      选择文件

    • 文件格式部分,选择 ORC。

  5. 创建表页面的目标部分,执行以下操作:

    • 数据集名称部分,选择相应数据集。

      选择数据集

    • 表名称字段中,输入您要向其附加数据或覆盖其数据的 BigQuery 表的名称。

    • 确认表类型设置为原生表。

  6. 架构部分中,无需执行任何操作。架构在 ORC 文件中为自描述形式。

  7. 对于分区和聚簇设置,保留默认值。您无法通过对表执行附加或覆盖操作将表转换为分区表或聚簇表,并且 Cloud Console 不支持在加载作业中对分区表或聚簇表执行附加或覆盖操作。

  8. 点击高级选项

    • 写入偏好设置部分,选择附加到表或覆盖表。
    • 允许的错误数部分中,接受默认值 0 或输入可忽略的含错行数上限。如果包含错误的行数超过此值,该作业将生成 invalid 消息并失败。
    • 未知值部分,取消选中忽略未知值。 此选项仅适用于 CSV 和 JSON 文件。
    • 加密部分中,点击客户管理的密钥,以使用 Cloud Key Management Service 密钥。如果保留 Google 管理的密钥设置,BigQuery 将对静态数据进行加密

      覆盖表

  9. 点击创建表

经典版界面

  1. 转到 BigQuery 网页界面。
    转到 BigQuery 网页界面

  2. 在导航面板中,将鼠标悬停在数据集上,点击向下箭头图标 向下箭头图标图片,然后点击 Create new table。在加载作业中附加和覆盖数据的过程与在加载作业中创建表的过程相同。

  3. Create Table 页面的 Source Data 部分,执行以下操作:

    • Location 部分选择 Cloud Storage,然后在来源字段中输入 Cloud Storage URI。请注意,此界面不支持添加多个 URI,但支持使用通配符。Cloud Storage 存储分区必须与您要向其中附加数据或覆盖其数据的表所属的数据集位于同一位置。
    • File format 部分,选择 ORC。
  4. Create Table 页面的 Destination Table 部分,执行以下操作:

    • Table name 部分,选择适当的数据集,然后在表名称字段中输入您要向其中附加数据或覆盖其数据的表的名称。
    • 确认 Table type 设置为 Native table。
  5. Schema 部分中,无需执行任何操作。架构信息在 ORC 文件中为自描述形式。

  6. Options 部分,执行以下操作:

    • Number of errors allowed 部分中,接受默认值 0 或输入可忽略的含错行数上限。如果包含错误的行数超过此值,该作业将生成 invalid 消息并失败。
    • 写入偏好设置部分,选择附加到表或覆盖表。
    • 保留 Partitioning Type、Partitioning Field、Require partition filter、Clustering Fields 的默认值。您无法通过附加或覆盖表将表转换为分区表或聚簇表,并且网页界面不支持在加载作业中附加或覆盖分区表或聚簇表。
    • Destination encryption 部分中,选择 Customer-managed encryption,以使用 Cloud Key Management Service 密钥加密表。如果保留 Default 设置,BigQuery 将使用 Google 管理的密钥对静态数据进行加密
  7. 点击 Create Table

CLI

输入带 --replace 标志的 bq load 命令可以覆盖表。使用 --noreplace 标志可将数据附加到表。如果未指定任何标志,则默认附加数据。您可以添加 --source_format 标志并将其设置为 ORC。由于系统会从自描述源数据中自动检索 ORC 架构,因此您无需提供架构定义。

(可选)添加 --location 标志并将其值设置为您的位置

其他可选标志包括:

  • --max_bad_records:此标志值为一个整数,指定了作业中允许的错误记录数上限,超过此数量之后,整个作业就会失败。默认值为 0。无论 --max_bad_records 值是多少,任意类型的错误最多返回 5 个。
  • --destination_kms_key:用于加密表数据的 Cloud KMS 密钥。
bq --location=location load \
--[no]replace \
--source_format=format \
dataset.table \
path_to_source

其中:

  • location 是您的位置--location 是可选标志。您可以使用 .bigqueryrc 文件设置默认位置值。
  • formatORC
  • dataset 是现有数据集。
  • table 是要向其中加载数据的表的名称。
  • path_to_source 是完全限定的 Cloud Storage URI 或以英文逗号分隔的 URI 列表。通配符也受支持。

示例:

以下命令可从 gs://mybucket/mydata.orc 加载数据并覆盖 mydataset 中名为 mytable 的表。

    bq load \
    --replace \
    --source_format=ORC \
    mydataset.mytable \
    gs://mybucket/mydata.orc

以下命令可从 gs://mybucket/mydata.orc 加载数据,并将数据附加到 mydataset 中名为 mytable 的表。

    bq load \
    --noreplace \
    --source_format=ORC \
    mydataset.mytable \
    gs://mybucket/mydata.orc

如需了解如何使用 CLI 附加和覆盖分区表,请参阅对分区表数据执行附加和覆盖操作

API

  1. 创建指向 Cloud Storage 中源数据的 load 作业。

  2. (可选)在作业资源 jobReference 部分的 location 属性中指定您的位置

  3. source URIs 属性必须是完全限定的,格式为 gs://bucket/object。您可以采用英文逗号分隔列表的形式添加多个 URI。请注意,系统也支持通配符

  4. configuration.load.sourceFormat 属性设置为 ORC,以指定数据格式。

  5. configuration.load.writeDisposition 属性设置为 WRITE_TRUNCATEWRITE_APPEND,以指定写入偏好设置。

C#

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 C# 设置说明进行操作。 如需了解详情,请参阅 BigQuery C# API 参考文档


using Google.Apis.Bigquery.v2.Data;
using Google.Cloud.BigQuery.V2;
using System;

public class BigQueryLoadTableGcsOrcTruncate
{
    public void LoadTableGcsOrcTruncate(
        string projectId = "your-project-id",
        string datasetId = "your_dataset_id",
        string tableId = "your_table_id"
    )
    {
        BigQueryClient client = BigQueryClient.Create(projectId);
        var gcsURI = "gs://cloud-samples-data/bigquery/us-states/us-states.orc";
        var dataset = client.GetDataset(datasetId);
        TableReference destinationTableRef = dataset.GetTableReference(
            tableId: "us_states");
        // Create job configuration
        var jobOptions = new CreateLoadJobOptions()
        {
            SourceFormat = FileFormat.Orc,
            WriteDisposition = WriteDisposition.WriteTruncate
        };
        // Create and run job
        var loadJob = client.CreateLoadJob(
            sourceUri: gcsURI,
            destination: destinationTableRef,
            // Pass null as the schema because the schema is inferred when
            // loading Orc data
            schema: null, options: jobOptions);
        loadJob.PollUntilCompleted();  // Waits for the job to complete.
        // Display the number of rows uploaded
        BigQueryTable table = client.GetTable(destinationTableRef);
        Console.WriteLine(
            $"Loaded {table.Resource.NumRows} rows to {table.FullyQualifiedId}");
    }
}

Go

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Go 设置说明进行操作。如需了解详情,请参阅 BigQuery Go API 参考文档

import (
	"context"
	"fmt"

	"cloud.google.com/go/bigquery"
)

// importORCTruncate demonstrates loading Apache ORC data from Cloud Storage into a table
// and overwriting/truncating existing data in the table.
func importORCTruncate(projectID, datasetID, tableID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydataset"
	// tableID := "mytable"
	ctx := context.Background()
	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}

	gcsRef := bigquery.NewGCSReference("gs://cloud-samples-data/bigquery/us-states/us-states.orc")
	gcsRef.SourceFormat = bigquery.ORC
	loader := client.Dataset(datasetID).Table(tableID).LoaderFrom(gcsRef)
	// Default for import jobs is to append data to a table.  WriteTruncate
	// specifies that existing data should instead be replaced/overwritten.
	loader.WriteDisposition = bigquery.WriteTruncate

	job, err := loader.Run(ctx)
	if err != nil {
		return err
	}
	status, err := job.Wait(ctx)
	if err != nil {
		return err
	}

	if status.Err() != nil {
		return fmt.Errorf("job completed with error: %v", status.Err())
	}
	return nil
}

Node.js

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Node.js 设置说明进行操作。如需了解详情,请参阅 BigQuery Node.js API 参考文档

// Import the Google Cloud client libraries
const {BigQuery} = require('@google-cloud/bigquery');
const {Storage} = require('@google-cloud/storage');

// Instantiate the clients
const bigquery = new BigQuery();
const storage = new Storage();

/**
 * This sample loads the CSV file at
 * https://storage.googleapis.com/cloud-samples-data/bigquery/us-states/us-states.csv
 *
 * TODO(developer): Replace the following lines with the path to your file.
 */
const bucketName = 'cloud-samples-data';
const filename = 'bigquery/us-states/us-states.orc';

async function loadORCFromGCSTruncate() {
  /**
   * Imports a GCS file into a table and overwrites
   * table data if table already exists.
   */

  /**
   * TODO(developer): Uncomment the following lines before running the sample.
   */
  // const datasetId = "my_dataset";
  // const tableId = "my_table";

  // Configure the load job. For full list of options, see:
  // https://cloud.google.com/bigquery/docs/reference/rest/v2/Job#JobConfigurationLoad
  const metadata = {
    sourceFormat: 'ORC',
    // Set the write disposition to overwrite existing table data.
    writeDisposition: 'WRITE_TRUNCATE',
    location: 'US',
  };

  // Load data from a Google Cloud Storage file into the table
  const [job] = await bigquery
    .dataset(datasetId)
    .table(tableId)
    .load(storage.bucket(bucketName).file(filename), metadata);
  // load() waits for the job to finish
  console.log(`Job ${job.id} completed.`);

  // Check the job's status for errors
  const errors = job.status.errors;
  if (errors && errors.length > 0) {
    throw errors;
  }
}

PHP

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 PHP 设置说明进行操作。 如需了解详情,请参阅 BigQuery PHP API 参考文档

use Google\Cloud\BigQuery\BigQueryClient;
use Google\Cloud\Core\ExponentialBackoff;

/** Uncomment and populate these variables in your code */
// $projectId = 'The Google project ID';
// $datasetId = 'The BigQuery dataset ID';
// $tableID = 'The BigQuery table ID';

// instantiate the bigquery table service
$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$table = $bigQuery->dataset($datasetId)->table($tableId);

// create the import job
$gcsUri = 'gs://cloud-samples-data/bigquery/us-states/us-states.orc';
$loadConfig = $table->loadFromStorage($gcsUri)->sourceFormat('ORC')->writeDisposition('WRITE_TRUNCATE');
$job = $table->runJob($loadConfig);

// poll the job until it is complete
$backoff = new ExponentialBackoff(10);
$backoff->execute(function () use ($job) {
    print('Waiting for job to complete' . PHP_EOL);
    $job->reload();
    if (!$job->isComplete()) {
        throw new Exception('Job has not yet completed', 500);
    }
});

// check if the job has errors
if (isset($job->info()['status']['errorResult'])) {
    $error = $job->info()['status']['errorResult']['message'];
    printf('Error running job: %s' . PHP_EOL, $error);
} else {
    print('Data imported successfully' . PHP_EOL);
}

Python

尝试此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Python 设置说明进行操作。如需了解详情,请参阅 BigQuery Python API 参考文档

如需替换现有表中的行,请将 LoadJobConfig.write_disposition 属性设置为 WRITE_TRUNCATE

# from google.cloud import bigquery
# client = bigquery.Client()
# table_ref = client.dataset('my_dataset').table('existing_table')

job_config = bigquery.LoadJobConfig()
job_config.write_disposition = bigquery.WriteDisposition.WRITE_TRUNCATE
job_config.source_format = bigquery.SourceFormat.ORC
uri = "gs://cloud-samples-data/bigquery/us-states/us-states.orc"
load_job = client.load_table_from_uri(
    uri, table_ref, job_config=job_config
)  # API request
print("Starting job {}".format(load_job.job_id))

load_job.result()  # Waits for table load to complete.
print("Job finished.")

destination_table = client.get_table(table_ref)
print("Loaded {} rows.".format(destination_table.num_rows))

Ruby

试用此示例之前,请按照《BigQuery 快速入门:使用客户端库》中的 Ruby 设置说明进行操作。 如需了解详情,请参阅 BigQuery Ruby API 参考文档

require "google/cloud/bigquery"

def load_table_gcs_orc_truncate(
    dataset_id = "your_dataset_id",
    table_id   = "your_table_id"
  )
  bigquery = Google::Cloud::Bigquery.new
  dataset  = bigquery.dataset dataset_id
  gcs_uri  = "gs://cloud-samples-data/bigquery/us-states/us-states.orc"

  load_job = dataset.load_job table_id,
                              gcs_uri,
                              format: "orc",
                              write:  "truncate"
  puts "Starting job #{load_job.job_id}"

  load_job.wait_until_done!  # Waits for table load to complete.
  puts "Job finished."

  table = dataset.table(table_id)
  puts "Loaded #{table.rows_count} rows to table #{table.id}"
end

加载 Hive 分区的 ORC 数据

BigQuery 支持加载存储在 Cloud Storage 上的 Hive 分区 ORC 数据,并将 Hive 分区列作为目标 BigQuery 托管表中的列进行填充。如需了解详情,请参阅从 Cloud Storage 加载外部分区数据

ORC 转换

BigQuery 会将 ORC 数据类型转换为以下 BigQuery 数据类型:

原始类型

ORC 数据类型 BigQuery 数据类型 备注
boolean BOOLEAN
byte INTEGER
short INTEGER
int INTEGER
long INTEGER
float FLOAT
double FLOAT
string STRING 仅限 UTF-8
varchar STRING 仅限 UTF-8
char STRING 仅限 UTF-8
binary BYTES
date DATE
timestamp TIMESTAMP ORC 支持纳秒级精度,但 BigQuery 会在读取数据时将亚微秒值转换为微秒值。
decimal NUMERIC 或 STRING NUMERIC 类型是精确数值,其精度为 38 位,小数位为 9 位。如需了解详情,请参阅 NUMERIC 类型。如果 ORC 架构中 decimal 类型的小数位数不超过 9 位且精度位数不超过 29 位,则系统会将其转换为 NUMERIC 类型。否则,系统会将其转换为 STRING 类型。如果 decimal 类型转换为 STRING 类型,系统将返回一条警告消息。

复合类型

ORC 数据类型 BigQuery 数据类型 备注
struct RECORD
  • 所有字段均为 NULLABLE。
  • 系统将忽略字段顺序。
  • 字段名称必须是有效的列名称
map<K,V> RECORD ORC map<K,V> 字段会转换为包含以下两个字段的重复 RECORD:与 K 具有相同数据类型的键以及与 V 具有相同数据类型的值。这两个字段均为 NULLABLE。
list 重复字段 系统不支持嵌套列表和映射列表。
union RECORD
  • 如果 union 只有一个变量,它会转换为可以为 Null 的字段。
  • 否则,它会转换为带有可以为 Null 的字段列表的 RECORD。可以为 Null 的字段具有 field_0 和 field_1 等后缀。在读取数据时,系统仅向其中一个字段分配值。

列名称

列名称只能包含字母(a-z、A-Z),数字 (0-9) 或下划线 (_),并且必须以字母或下划线开头。列名长度不得超过 128 个字符。列名不能使用以下任何前缀:

  • _TABLE_
  • _FILE_
  • _PARTITION

列名不可重复,即使其大小写不同也不行。例如,名为 Column1 的列和名为 column1 的列被视作相同。

NULL

请注意,对于加载作业,BigQuery 会忽略 list 复合类型的 NULL 元素,因为如果未忽略,其将转换为 NULL ARRAY 元素,而这些元素无法持久保留到表中。如需了解详情,请参阅数据类型

如需详细了解 ORC 数据类型,请参阅 Apache ORC™ 规范第 1 版