查询 Amazon S3 数据

本文档介绍了如何查询存储在 Amazon Simple Storage Service (Amazon S3) BigLake 表中的数据。

准备工作

确保您拥有 Amazon S3 BigLake 表。

所需的角色

如需查询 Amazon S3 BigLake 表，请确保 BigQuery API 的调用方具有以下角色：

BigQuery Connection User (roles/bigquery.connectionUser)
BigQuery Data Viewer (roles/bigquery.dataViewer)
BigQuery User (roles/bigquery.user)

调用方可以是您的账号或 Amazon S3 连接服务账号。根据您的权限，您可以自行授予这些角色给自己，或者让管理员授予给您。如需详细了解如何授予角色，请参阅查看可针对资源授予的角色。

如需查看查询 Amazon S3 BigLake 表所需的确切权限，请展开所需权限部分：

所需权限

bigquery.connections.use
bigquery.jobs.create
bigquery.readsessions.create（仅当您使用 BigQuery Storage Read API 读取数据时才需要）
bigquery.tables.get
bigquery.tables.getData

您也可以使用自定义角色或其他预定义角色来获取这些权限。

查询 Amazon S3 BigLake 表

创建 Amazon S3 BigLake 表后，您可以使用 GoogleSQL 语法查询表，就如查询标准 BigQuery 表一样。

缓存的查询结果存储在 BigQuery 临时表中。如需查询临时 BigLake 表，请参阅查询临时 BigLake 表。如需详细了解 BigQuery Omni 限制和配额，请参阅限制和配额。

在 BigQuery Omni 区域中创建预留时，请使用企业版。如需了解如何使用版本创建预留，请参阅创建预留。

在 BigLake Amazon S3 表上运行查询：

SQL

如需查询表，请执行以下操作：

在 Google Cloud 控制台中，进入 BigQuery 页面。

转到 BigQuery
在查询编辑器中，输入以下语句：
```
SELECT * FROM DATASET_NAME.TABLE_NAME;
```
替换以下内容：
- DATASET_NAME：您创建的数据集名称
- TABLE_NAME：您创建的表的名称
- 点击运行。

如需详细了解如何运行查询，请参阅运行交互式查询。

Java

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

如需向 BigQuery 进行身份验证，请设置应用默认凭据。如需了解详情，请参阅为客户端库设置身份验证。

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.CsvOptions;
import com.google.cloud.bigquery.DatasetId;
import com.google.cloud.bigquery.ExternalTableDefinition;
import com.google.cloud.bigquery.Field;
import com.google.cloud.bigquery.QueryJobConfiguration;
import com.google.cloud.bigquery.Schema;
import com.google.cloud.bigquery.StandardSQLTypeName;
import com.google.cloud.bigquery.TableId;
import com.google.cloud.bigquery.TableInfo;
import com.google.cloud.bigquery.TableResult;

// Sample to queries an external data source aws s3 using a permanent table
public class QueryExternalTableAws {

  public static void main(String[] args) throws InterruptedException {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "MY_PROJECT_ID";
    String datasetName = "MY_DATASET_NAME";
    String externalTableName = "MY_EXTERNAL_TABLE_NAME";
    // Query to find states starting with 'W'
    String query =
        String.format(
            "SELECT * FROM s%.%s.%s WHERE name LIKE 'W%%'",
            projectId, datasetName, externalTableName);
    queryExternalTableAws(query);
  }

  public static void queryExternalTableAws(String query) throws InterruptedException {
    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();

      TableResult results = bigquery.query(QueryJobConfiguration.of(query));

      results
          .iterateAll()
          .forEach(row -> row.forEach(val -> System.out.printf("%s,", val.toString())));

      System.out.println("Query on aws external permanent table performed successfully.");
    } catch (BigQueryException e) {
      System.out.println("Query not performed \n" + e.toString());
    }
  }
}

查询临时表

BigQuery 会创建临时表来存储查询结果。如需从临时表中检索查询结果，您可以使用 Google Cloud 控制台或 BigQuery API。

从下列选项中选择一项：

控制台

查询引用外部云数据的 BigLake 表时，您可以查看 Google Cloud 控制台中显示的查询结果。

API

如需使用 API 查询 BigLake 表，请按以下步骤操作：

创建 Job 对象。
调用 jobs.insert 方法以异步运行查询，或调用 jobs.query 方法以同步运行查询，同时传入Job 对象。
通过传递给定作业引用来读取具有 jobs.getQueryResults 的行，并通过传递查询结果的给定表引用来读取 tabledata.list 方法。

查询 `_FILE_NAME` 伪列

基于外部数据源的表提供名为 _FILE_NAME 的伪列。此列包含相应行所属文件的完全限定路径。此列仅可用于引用存储在 Cloud Storage、Google 云端硬盘、Amazon S3 和 Azure Blob Storage 中的外部数据的表。

_FILE_NAME 列名为预留名称，也就是说，您不能在任何表中使用该名称创建列。如需选择 _FILE_NAME 的值，必须使用别名。以下示例查询演示了如何通过将别名 fn 分配给伪列来选择 _FILE_NAME。

  bq query \
  --project_id=PROJECT_ID \
  --use_legacy_sql=false \
  'SELECT
     name,
     _FILE_NAME AS fn
   FROM
     `DATASET.TABLE_NAME`
   WHERE
     name contains "Alex"'

替换以下内容：

PROJECT_ID 是有效的项目 ID（如果使用 Cloud Shell 或在 Google Cloud CLI 中设置默认项目，则不需要此标志）
DATASET 是存储永久外部表的数据集名称
TABLE_NAME 是永久外部表的名称

如果查询在 _FILE_NAME 伪列上具有过滤条件谓词，则 BigQuery 会尝试跳过读取不满足过滤条件的文件。使用 _FILE_NAME 伪列构造查询谓词时，会应用使用伪列查询注入时间分区表的类似建议。

后续步骤

了解如何在 BigQuery 中使用 SQL。
了解 BigQuery Omni。
了解 BigQuery 配额。