Criar visualizações materializadas

Neste documento, descrevemos como criar visualizações no BigQuery. Antes de ler este documento, veja a Introdução às visualizações materializadas.

Antes de começar

Atribua papéis do Identity and Access Management (IAM) que concedam aos usuários as permissões necessárias para realizar cada tarefa deste documento.

Permissões necessárias

Para criar visualizações materializadas, você precisa da permissão bigquery.tables.create do IAM.

Cada um dos seguintes papéis predefinidos do IAM inclui as permissões necessárias para criar uma visualização materializada:

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

Para mais informações sobre o gerenciamento de identidade e acesso (IAM) do BigQuery, consulte Controle de acesso com o IAM.

Criar visualizações materializadas

É possível criar visualizações materializadas do BigQuery por meio do Console do Google Cloud, da ferramenta de linha de comando bq ou da API do BigQuery.

Para os exemplos a seguir, suponha que sua tabela base se chame my_base_table e tenha o seguinte esquema:

Nome da coluna	Tipo
product_id	integer
clicks	integer

Suponha também que você queira uma visualização materializada que resuma o número de cliques por product_id. As etapas a seguir criam uma visualização materializada chamada my_mv_table que tem o esquema abaixo.

Nome da coluna	Tipo
product_id	integer
sum_clicks	integer

Para criar uma visualização materializada, selecione uma das seguintes opções:

SQL

Use a instrução CREATE MATERIALIZED VIEW. O exemplo a seguir cria uma visualização materializada para o número de cliques para cada ID do produto:

1. No Console do Google Cloud, acesse a página BigQuery.

   Ir para o BigQuery

2. No editor de consultas, digite a seguinte instrução:

   CREATE MATERIALIZED VIEW  myproject.mydataset.my_mv_table AS (
     SELECT
       product_id,
       SUM(clicks) AS sum_clicks
     FROM
       myproject.mydataset.my_base_table
     GROUP BY
       product_id
   );
   

3. Clique em Executar.

Para informações sobre como executar consultas, consulte Como executar consultas interativas.

bq

Use o comando bq query e forneça a instrução DDL como o parâmetro de consulta.

bq query --use_legacy_sql=false '
CREATE MATERIALIZED VIEW project-id.my_dataset.my_mv_table
AS SELECT product_id, SUM(clicks) AS sum_clicks
FROM project-id.my_dataset.my_base_table
GROUP BY 1'

em que:

• project-id é o ID do projeto.
• my_dataset é o id de um conjunto de dados no projeto;
• my_mv_table é o id da visualização materializada que você está criando;
• my_base_table é o id de uma tabela no conjunto de dados que serve como a tabela base para a visualização materializada;
• product_id é uma coluna da tabela base;
• clicks é uma coluna da tabela base;
• sum_clicks é uma coluna na visualização materializada que você está criando.

Como alternativa, é possível usar o comando bq mk com o argumento --materialized_view para criar uma visualização materializada. Os argumentos a seguir funcionam com o argumento --materialized_view:

• --enable_refresh: especifica se a atualização automática está ativada.
• --refresh_interval_ms: especifica o tempo, em milissegundos, para a frequência máxima de atualização. Para mais informações sobre o significado desses parâmetros, consulte Atualizar visualizações materializadas.

API

Chame o método tables.insert com um recurso materializedView definido como parte da sua solicitação de API. O recurso materializedView contém um campo query. Exemplo:

{
  "kind": "bigquery#table",
  "tableReference": {
    "projectId": "project-id",
    "datasetId": "my_dataset",
    "tableId": "my_mv_table"
  },
  "materializedView": {
    "query": "select product_id,sum(clicks) as
                sum_clicks from project-id.my_dataset.my_base_table
                group by 1"
  }
}

em que:

• project-id é o ID do projeto.
• my_dataset é o id de um conjunto de dados no projeto;
• my_mv_table é o id da visualização materializada que você está criando;
• my_base_table é o id de uma tabela no conjunto de dados que serve como a tabela base para a visualização materializada;
• product_id é uma coluna da tabela base;
• clicks é uma coluna da tabela base;
• sum_clicks é uma coluna na visualização materializada que você está criando.

Java

Antes de testar esta amostra, siga as instruções de configuração do Java no Guia de início rápido do BigQuery: como usar bibliotecas de cliente. Para mais informações, consulte a documentação de referência da API BigQuery em Java.

Acessar no GitHub Feedback

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.MaterializedViewDefinition;
import com.google.cloud.bigquery.TableId;
import com.google.cloud.bigquery.TableInfo;

// Sample to create materialized view
public class CreateMaterializedView {

  public static void main(String[] args) {
    // TODO(developer): Replace these variables before running the sample.
    String datasetName = "MY_DATASET_NAME";
    String tableName = "MY_TABLE_NAME";
    String materializedViewName = "MY_MATERIALIZED_VIEW_NAME";
    String query =
        String.format(
            "SELECT MAX(TimestampField) AS TimestampField, StringField, "
                + "MAX(BooleanField) AS BooleanField "
                + "FROM %s.%s GROUP BY StringField",
            datasetName, tableName);
    createMaterializedView(datasetName, materializedViewName, query);
  }

  public static void createMaterializedView(
      String datasetName, String materializedViewName, String query) {
    try {
      // Initialize client that will be used to send requests. This client only needs to be created
      // once, and can be reused for multiple requests.
      BigQuery bigquery = BigQueryOptions.getDefaultInstance().getService();

      TableId tableId = TableId.of(datasetName, materializedViewName);

      MaterializedViewDefinition materializedViewDefinition =
          MaterializedViewDefinition.newBuilder(query).build();

      bigquery.create(TableInfo.of(tableId, materializedViewDefinition));
      System.out.println("Materialized view created successfully");
    } catch (BigQueryException e) {
      System.out.println("Materialized view was not created. \n" + e.toString());
    }
  }
}

Quando a visualização materializada é criada, ela aparece no painel Explorer do BigQuery no Console do Google Cloud. As visualizações materializadas são listadas no painel do Explorer no console do Google Cloud. Como exemplo, veja a seguir como o esquema de uma visualização materializada é exibido:

A menos que você desative as atualizações automáticas, o BigQuery iniciará uma atualização completa assíncrona para a visualização materializada. A consulta será concluída rapidamente, mas a atualização inicial poderá continuar em execução.

Observação: cada tabela base é limitada a 20 visualizações materializadas no mesmo conjunto de dados, 100 visualizações no mesmo projeto e 500 visualizações na mesma organização.

Controle de acesso

É possível conceder acesso a uma visualização materializada no nível do conjunto de dados, no nível da visualização ou no nível da coluna. Também é possível definir o acesso em um nível superior na hierarquia de recursos do IAM.

Consultar uma visualização materializada requer acesso à visualização, bem como às tabelas base dela. Para compartilhar uma visualização materializada, conceda permissões às tabelas base ou configure uma visualização materializada como uma visualização autorizada. Para mais informações, consulte Visualizações autorizadas.

Para controlar o acesso a visualizações no BigQuery, consulte Visualizações autorizadas.

Compatibilidade com consultas de visualizações materializadas

As visualizações materializadas usam uma sintaxe SQL restrita. As consultas precisam usar o seguinte padrão:

[ WITH cte [, …]]
SELECT  [{ ALL | DISTINCT }]
  expression [ [ AS ] alias ] [, ...]
FROM from_item [, ...]
[ WHERE bool_expression ]
[ GROUP BY expression [, ...] ]

from_item:
    {
      table_name [ as_alias ]
      | { join_operation | ( join_operation ) }
      | field_path
      | unnest_operator
      | cte_name [ as_alias ]
    }

as_alias:
    [ AS ] alias

Limitações de consulta

As visualizações materializadas têm as seguintes limitações.

Requisitos agregados

Os agregados na consulta de visualização materializada precisam ser saídas. Não é possível computar ou filtrar com base em um valor agregado. Por exemplo, não é possível criar uma visualização pela consulta a seguir porque ela produz um valor calculado com base em um agregado, COUNT(*) / 10 as cnt.

SELECT TIMESTAMP_TRUNC(ts, HOUR) AS ts_hour, COUNT(*) / 10 AS cnt
FROM mydataset.mytable
GROUP BY ts_hour;

No momento, apenas as seguintes funções de agregação são compatíveis:

• ANY_VALUE (mas não acima de STRUCT)
• APPROX_COUNT_DISTINCT
• ARRAY_AGG (mas não acima de ARRAY ou STRUCT)
• AVG
• BIT_AND
• BIT_OR
• BIT_XOR
• COUNT
• COUNTIF
• HLL_COUNT.INIT
• LOGICAL_AND
• LOGICAL_OR
• MAX
• MIN
• SUM

Recursos do SQL incompatíveis

Os seguintes recursos do SQL não são compatíveis com as visualizações materializadas:

• Junções externas esquerda/direita/completas.
• Mesclagens automáticas (com a mesma tabela mais de uma vez).
• Funções de janela
• Subconsultas ARRAY.
• Funções não determinísticas, como RAND(), CURRENT_DATE(), SESSION_USER() ou CURRENT_TIME().
• funções definidas pelo usuário (UDFs)
• TABLESAMPLE.
• FOR SYSTEM_TIME AS OF.

Restrições de controle de acesso

• Se a consulta de uma visualização materializada de um usuário incluir colunas de tabela de base que não podem ser acessadas devido à segurança no nível da coluna, a consulta falhará com a mensagem Access Denied.
• Se um usuário consulta uma visualização materializada, mas não tem acesso total a todas as linhas das tabelas de base das visualizações materializadas, o BigQuery executa a consulta nas tabelas de base em vez de ler dados de visualizações materializadas. Isso garante que a consulta respeite todas as restrições de controle de acesso. Essa limitação também se aplica à consulta de tabelas com colunas com máscara de dados.

Cláusulas WITH e expressões comuns da tabela (CTEs, na sigla em inglês)

As visualizações materializadas são compatíveis com cláusulas WITH e expressões comuns de tabelas. As visualizações materializadas com cláusulas WITH ainda precisam seguir o padrão e as limitações das visualizações materializadas sem cláusulas WITH.

Examples

O exemplo a seguir mostra uma visualização materializada usando uma cláusula WITH.

WITH tmp AS (
  SELECT TIMESTAMP_TRUNC(ts, HOUR) AS ts_hour, *
  FROM mydataset.mytable
)
SELECT ts_hour, COUNT(*) AS cnt
FROM tmp
GROUP BY ts_hour;

O exemplo a seguir mostra uma visualização materializada usando uma cláusula WITH que não é compatível porque contém duas cláusulas GROUP BY:

WITH tmp AS (
  SELECT city, COUNT(*) AS population
  FROM mydataset.mytable
  GROUP BY city
)
SELECT population, COUNT(*) AS cnt
GROUP BY population;

Visualizações materializadas sobre tabelas do BigLake

Visualização

Esse recurso é coberto pelos Termos de ofertas pré-GA dos Termos de Serviço do Google Cloud. Os recursos pré-GA podem ter suporte limitado, e as mudanças realizadas podem não ser compatíveis com outras versões pré-GA. Para mais informações, consulte as descrições da fase de lançamento.

Para criar visualizações materializadas sobre as tabelas do BigLake, a tabela do BigLake precisa ter o cache de metadados ativado sobre os dados do Cloud Storage e a visualização materializada precisa ter um valor de opção max_staleness maior do que a tabela base. As visualizações materializadas em tabelas do BigLake aceitam o mesmo conjunto de consultas que outras visualizações materializadas.

Exemplo

Criação de uma visualização agregada simples usando uma tabela base do BigLake:

CREATE MATERIALIZED VIEW sample_dataset.sample_mv
    OPTIONS (max_staleness=INTERVAL "0:30:0" HOUR TO SECOND)
AS SELECT COUNT(*) cnt
FROM dataset.biglake_base_table;

Para detalhes sobre as limitações das visualizações materializadas sobre as tabelas do BigLake, consulte visualizações materializadas sobre tabelas do BigLake.

Visualizações materializadas particionadas

As visualizações materializadas em tabelas particionadas podem ser particionadas. O particionamento de uma visualização materializada é semelhante ao particionamento de uma tabela normal, visto que é vantajoso quando as consultas costumam acessar um subconjunto das partições. Além disso, particionar uma visualização materializada pode melhorar o comportamento da visualização quando os dados na tabela ou tabelas base forem modificados ou excluídos. Para mais informações, consulte Alinhamento de partição.

Se a tabela base for particionada, particione uma visualização materializada na mesma coluna de particionamento. Para partições baseadas em tempo, a granularidade precisa corresponder (por hora, dia, mês ou ano). Para partições por intervalo de números inteiros, a especificação do intervalo precisa corresponder exatamente. Não é possível particionar uma visualização materializada em uma tabela base não particionada.

Se a tabela base é particionada por tempo de processamento, uma visualização materializada pode ser agrupada pela coluna _PARTITIONDATE da tabela base e também particionada por ela. Se você não especificar explicitamente o particionamento ao criar a visualização materializada, ela não será particionada.

Se a tabela base for particionada, considere particionar sua visualização materializada para reduzir os custos de atualização do job de atualização e o custo de consulta.

Expiração da partição

Nas visualizações materializadas, a expiração da partição não pode ser configurada. Uma visualização materializada herda implicitamente o prazo de validade da partição da tabela base. As partições de visualização materializadas são alinhadas com as partições de tabela base, por isso expiram de forma síncrona.

Cuidado: uma visualização materializada não particionada com base em uma tabela com expiração de partição é invalidada e precisa ser totalmente atualizada quando uma partição expirar. Portanto, é preciso particionar a visualização materializada para evitar custos adicionais de atualização e consulta.

Exemplo 1

Neste exemplo, a tabela base é particionada na coluna transaction_time com partições diárias. A visualização materializada é particionada na mesma coluna e agrupada na coluna employee_id.

CREATE TABLE my_project.my_dataset.my_base_table(
  employee_id INT64,
  transaction_time TIMESTAMP)
  PARTITION BY DATE(transaction_time)
  OPTIONS (partition_expiration_days = 2);

CREATE MATERIALIZED VIEW my_project.my_dataset.my_mv_table
  PARTITION BY DATE(transaction_time)
  CLUSTER BY employee_id
AS (
  SELECT
    employee_id,
    transaction_time,
    COUNT(employee_id) AS cnt
  FROM
    my_dataset.my_base_table
  GROUP BY
    employee_id, transaction_time
);

Exemplo 2

Neste exemplo, a tabela base é particionada por tempo de processamento com partições diárias. A visualização materializada seleciona o tempo de ingestão como uma coluna chamada date. A visualização materializada é agrupada pela coluna date e particionada pela mesma coluna.

CREATE MATERIALIZED VIEW my_project.my_dataset.my_mv_table
  PARTITION BY date
  CLUSTER BY employee_id
AS (
  SELECT
    employee_id,
    _PARTITIONDATE AS date,
    COUNT(1) AS count
  FROM
    my_dataset.my_base_table
  GROUP BY
    employee_id,
    date
);

Exemplo 3

Neste exemplo, a tabela base é particionada em uma coluna TIMESTAMP chamada transaction_time, com partições diárias. A visualização materializada define uma coluna chamada transaction_hour, usando a função TIMESTAMP_TRUNC para truncar o valor para a hora mais próxima. A visualização materializada é agrupada por transaction_hour e também particionada por ela.

Observações:

• A função de truncamento aplicada à coluna de particionamento precisa ser pelo menos tão granular quanto o particionamento da tabela base. Por exemplo, se a tabela base usa partições diárias, a função de truncamento não pode usar a granularidade MONTH ou YEAR.

• Na especificação da partição da visualização materializada, a granularidade precisa corresponder à tabela base.

CREATE TABLE my_project.my_dataset.my_base_table (
  employee_id INT64,
  transaction_time TIMESTAMP)
  PARTITION BY DATE(transaction_time);

CREATE MATERIALIZED VIEW my_project.my_dataset.my_mv_table
  PARTITION BY DATE(transaction_hour)
AS (
  SELECT
    employee_id,
    TIMESTAMP_TRUNC(transaction_time, HOUR) AS transaction_hour,
    COUNT(employee_id) AS cnt
  FROM
    my_dataset.my_base_table
  GROUP BY
    employee_id,
    transaction_hour
);

Visualizações materializadas do cluster

É possível agrupar visualizações materializadas por colunas de saída, sujeitas às limitações de tabelas em cluster do BigQuery. Não é possível usar colunas de saída agregadas como colunas de clustering. Adicionar colunas de clustering a visualizações materializadas pode melhorar o desempenho das consultas que incluem filtros nessas colunas.

Considerações ao criar visualizações materializadas

Quais visualizações materializadas serão criadas

Ao criar uma visualização materializada, verifique se a definição de visualização materializada reflete os padrões de consulta nas tabelas base. Como há no máximo 20 visualizações materializadas por tabela, não crie uma visualização materializada para cada troca de uma consulta. Em vez disso, crie visualizações materializadas para veicular um conjunto mais amplo de consultas.

Por exemplo, considere uma consulta em uma tabela em que os usuários geralmente filtram pelas colunas user_id ou department. É possível agrupar por essas colunas e, opcionalmente, realizar o clustering por elas, em vez de adicionar filtros como user_id = 123 à visualização materializada.

Como outro exemplo, os usuários geralmente usam filtros de data, por data específica, como WHERE order_date = CURRENT_DATE(), ou por período, como WHERE order_date BETWEEN '2019-10-01' AND '2019-10-31'. Adicione um filtro por período à visualização materializada que abrange os períodos esperados na consulta:

CREATE MATERIALIZED VIEW ...
  ...
  WHERE date > '2019-01-01'
  GROUP BY date

Mesclagens

As recomendações a seguir se aplicam a visualizações materializadas com JOINs.

Colocar primeiro a tabela que muda com mais frequência

Garanta que a maior tabela ou a mais alterada seja a primeira/mais à esquerda referenciada na consulta de visualização. As visualizações materializadas com junções são compatíveis com consultas incrementais e atualizadas quando a primeira tabela ou a mais à esquerda na consulta é anexada, mas alterações em outras tabelas invalidam totalmente o cache da visualização. Em esquemas em estrela ou floco de neve, a primeira tabela ou a tabela mais à esquerda geralmente precisa ser a tabela de fatos.

Evitar mesclagem em chaves de clustering

As visualizações materializadas com mesclas funcionam melhor nos casos em que os dados são muito agregados ou a consulta de mescla original é cara. Para consultas seletivas, o BigQuery, em geral, já é capaz de executar a mescla com eficiência e nenhuma visualização materializada é necessária. Por exemplo, considere as seguintes definições de visualização materializada.

CREATE MATERIALIZED VIEW dataset.mv
  CLUSTER BY s_market_id
AS (
  SELECT
    s_market_id,
    s_country,
    SUM(ss_net_paid) AS sum_sales,
    COUNT(*) AS cnt_sales
  FROM dataset.store_sales
  INNER JOIN dataset.store
    ON ss_store_sk = s_store_sk
  GROUP BY s_market_id, s_country
);

Suponha que store_sales esteja em cluster em ss_store_sk e você geralmente execute consultas como esta:

SELECT
  SUM(ss_net_paid)
FROM dataset.store_sales
INNER JOIN dataset.store
ON ss_store_sk = s_store_sk
WHERE s_country = 'Germany';

A visualização materializada pode não ser tão eficiente quanto a consulta original. Para melhores resultados, execute um conjunto representativo de consultas, com e sem a visualização materializada.

Usar visualizações materializadas com a opção max_staleness

Visualização

Esse recurso é coberto pelos Termos de ofertas pré-GA dos Termos de Serviço do Google Cloud. Os recursos pré-GA podem ter suporte limitado, e as mudanças realizadas podem não ser compatíveis com outras versões pré-GA. Para mais informações, consulte as descrições da fase de lançamento.

A opção de visualização materializada max_staleness ajuda você a ter um desempenho consistente e alto com custos controlados ao processar grandes conjuntos de dados que mudam com frequência. Com o parâmetro max_staleness, é possível ajustar a atualização dos resultados para ajustar o desempenho da consulta. Esse comportamento pode ser útil para painéis e relatórios em que a atualização de dados não é essencial.

Criar visualizações materializadas com a opção max_staleness

Ao criar a visualização materializada, adicione uma OPÇÃO à instrução DDL:

Console

Para criar uma visualização materializada no console do Google Cloud com a opção max_staleness, adicione OPTION à instrução DDL ao criar a visualização materializada:

1. Acesse a página do BigQuery.

   Ir para o BigQuery

2. Clique em Escrever nova consulta.

3. Insira a instrução DDL CREATE MATERIALIZED VIEW na área de texto Editor.

   CREATE MATERIALIZED VIEW  project-id.my_dataset.my_mv_table
   OPTIONS (enable_refresh = true, refresh_interval_minutes = 60,
   max_staleness = INTERVAL "4:0:0" HOUR TO SECOND)
   AS SELECT
     employee_id,
     DATE(transaction_time),
     COUNT(1) AS count
   FROM my_dataset.my_base_table
   GROUP BY 1, 2;
   

   Substitua:

   • project-id é o ID do projeto.
   • my_dataset é o id de um conjunto de dados no projeto;
   • my_mv_table é o id da visualização materializada que você está criando;
   • my_base_table é o id de uma tabela no conjunto de dados que serve como a tabela base para a visualização materializada;

4. Clique em Executar.

API

Chame o método tables.insert com um recurso materializedView definido como parte da sua solicitação de API. O recurso materializedView contém um campo query. Exemplo:

{
  "kind": "bigquery#table",
  "tableReference": {
    "projectId": "project-id",
    "datasetId": "my_dataset",
    "tableId": "my_mv_table"
  },
  "materializedView": {
    "query": "select product_id,sum(clicks) as
                sum_clicks from project-id.my_dataset.my_base_table
                group by 1"
  }
  "maxStaleness": "4:0:0 HOUR TO SECOND"
  }
}

Substitua:

• project-id é o ID do projeto.
• my_dataset é o id de um conjunto de dados no projeto;
• my_mv_table é o id da visualização materializada que você está criando;
• my_base_table é o id de uma tabela no conjunto de dados que serve como a tabela base para a visualização materializada;
• product_id é uma coluna da tabela base;
• clicks é uma coluna da tabela base;
• sum_clicks é uma coluna na visualização materializada que você está criando.

Aplicar a opção max_staleness às visualizações materializadas

É possível aplicar esse parâmetro às visualizações materializadas atuais usando a instrução ALTER MATERIALIZED VIEW. Exemplo:

ALTER MATERIALIZED VIEW project-id.my_dataset.my_mv_table
SET OPTIONS (enable_refresh=true, refresh_interval_minutes = 120, max_staleness
= INTERVAL "8:0:0" HOUR TO SECOND)

Consultar visualizações materializadas com max_staleness

É possível consultar visualizações materializadas com a opção max_staleness, como você consultaria qualquer visualização materializada, visualização lógica ou tabela.

Exemplo:

SELECT * FROM  project-id.my_dataset.my_mv_table

Essa consulta retorna dados da última atualização se eles não forem mais antigos que o parâmetro max_staleness. Se a visualização materializada não tiver sido atualizada no intervalo max_staleness, o BigQuery vai mesclar os resultados da atualização mais recente disponível com as mudanças na tabela base para retornar resultados dentro do intervalo max_staleness.

Inatividade dos dados

Quando você consulta visualizações materializadas com max_staleness, o BigQuery retorna dados consistentes com o resultado de uma consulta de visualização materializada que foi executada no intervalo max_staleness.

A consulta é executada de acordo com as seguintes condições:

• Se a última atualização estiver no intervalo max_staleness, o BigQuery retornará dados diretamente da visualização materializada sem ler as tabelas base.

  

• Se a última atualização estiver fora do intervalo max_staleness, além de ler os dados da visualização materializada, o BigQuery também vai ler dados suficientes das tabelas base para retornar dados combinados que estejam dentro do intervalo de inatividade.

  

Streaming de dados e resultados da max_staleness

Se você transmitir dados para a tabela base de uma visualização materializada com a opção max_staleness, a consulta da visualização materializada pode excluir registros transmitidos para a tabela antes do início do intervalo de inatividade.

Ajuste inteligente e a opção max_staleness

O ajuste inteligente reescreve de modo automático as consultas para usar visualizações materializadas sempre que possível, mesmo que a consulta não se refira a uma visualização materializada. A opção max_staleness em uma visualização materializada não afeta os resultados da consulta reescrita. A opção max_staleness afeta apenas as consultas que consultam diretamente a visualização materializada.

Gerenciar a inatividade e atualizar a frequência

Defina max_staleness com base nos seus requisitos. Para evitar a leitura de dados das tabelas base, configure o intervalo de atualização para que a atualização ocorra no intervalo de inatividade. É possível considerar o tempo de execução médio de atualização além de uma margem para crescimento.

Por exemplo, se uma hora for necessária para atualizar a visualização materializada e você quiser um buffer de uma hora para crescimento, defina o intervalo de atualização como duas horas. Essa configuração garante que a atualização ocorra dentro do máximo de quatro horas do seu relatório para inatividade.

CREATE MATERIALIZED VIEW project-id.my_dataset.my_mv_table
OPTIONS (enable_refresh = true, refresh_interval_minutes = 120, max_staleness =
INTERVAL "4:0:0" HOUR TO SECOND)
AS SELECT
  employee_id,
  DATE(transaction_time),
  COUNT(1) AS cnt
FROM my_dataset.my_base_table
GROUP BY 1, 2;

Próximas etapas

• Gerenciar visualizações materializadas.
• Use visualizações materializadas.