Esta página se ha traducido con Cloud Translation API.

Crear y usar tablas

En este documento se describe cómo crear y usar tablas estándar (integradas) en BigQuery. Para obtener información sobre cómo crear otros tipos de tablas, consulta lo siguiente:

Después de crear una tabla, puedes hacer lo siguiente:

Controla el acceso a los datos de tu tabla.
Obtener información sobre tus tablas.
Muestra las tablas de un conjunto de datos.
Obtiene los metadatos de la tabla.

Para obtener más información sobre cómo gestionar tablas, como actualizar sus propiedades, copiarlas y eliminarlas, consulta el artículo Gestionar tablas.

Antes de empezar

Concede roles de gestión de identidades y accesos (IAM) que proporcionen a los usuarios los permisos necesarios para llevar a cabo cada tarea de este documento.

Roles obligatorios

Para obtener los permisos que necesitas para crear una tabla, pide a tu administrador que te conceda los siguientes roles de gestión de identidades y accesos:

Usuario de trabajos de BigQuery (roles/bigquery.jobUser) en el proyecto si vas a crear una tabla cargando datos o guardando los resultados de una consulta en una tabla.
Editor de datos de BigQuery (roles/bigquery.dataEditor) en el conjunto de datos en el que vas a crear la tabla.

Para obtener más información sobre cómo conceder roles, consulta el artículo Gestionar el acceso a proyectos, carpetas y organizaciones.

Estos roles predefinidos contienen los permisos necesarios para crear una tabla. Para ver los permisos exactos que se necesitan, despliega la sección Permisos necesarios:

Permisos obligatorios

Para crear una tabla, se necesitan los siguientes permisos:

bigquery.tables.create en el conjunto de datos en el que vas a crear la tabla.
bigquery.tables.getData en todas las tablas y vistas a las que hace referencia tu consulta si guardas los resultados de la consulta en una tabla.
bigquery.jobs.create en el proyecto si creas la tabla cargando datos o guardando los resultados de una consulta en una tabla.
bigquery.tables.updateData en la tabla si vas a añadir o sobrescribir una tabla con los resultados de la consulta.

También puedes obtener estos permisos con roles personalizados u otros roles predefinidos.

Nombres de tablas

Cuando creas una tabla en BigQuery, el nombre de la tabla debe ser único por conjunto de datos. El nombre de la tabla puede:

Contener caracteres con un total de hasta 1024 bytes UTF-8.
Contener caracteres Unicode de las categorías L (letra), M (marca), N (número), Pc (conector, incluido el guion bajo), Pd (guion) y Zs (espacio). Para obtener más información, consulta la sección Categoría general.

Estos son ejemplos de nombres de tabla válidos: table 01, ग्राहक, 00_お客様 y étudiant-01.

Desventajas:

Los nombres de tabla distinguen entre mayúsculas y minúsculas de forma predeterminada. mytable y MyTable pueden coexistir en el mismo conjunto de datos, a menos que formen parte de un conjunto de datos con la opción de distinción entre mayúsculas y minúsculas desactivada.
Algunos nombres de tabla y prefijos de nombres de tabla están reservados. Si recibes un error que indica que el nombre o el prefijo de la tabla está reservado, selecciona otro nombre e inténtalo de nuevo.
Si incluyes varios operadores de punto (.) en una secuencia, los operadores duplicados se eliminan implícitamente.

Por ejemplo, este: project_name....dataset_name..table_name

Se convierte en lo siguiente: project_name.dataset_name.table_name

Creación de tablas

Puedes crear una tabla en BigQuery de las siguientes formas:

Manualmente mediante la Google Cloud consola o la herramienta de línea de comandos bq bq mk.
De forma automatizada llamando al método de API tables.insert.
Usando las bibliotecas de cliente.
Desde los resultados de la consulta.
Definiendo una tabla que haga referencia a una fuente de datos externa.
Cuando cargas datos.
Mediante una CREATE TABLE declaración del lenguaje de definición de datos (DDL).

Crear una tabla vacía con una definición de esquema

Puedes crear una tabla vacía con una definición de esquema de las siguientes formas:

Introduce el esquema con la Google Cloud consola.
Proporciona el esquema de forma insertada con la herramienta de línea de comandos bq.
Envía un archivo de esquema JSON con la herramienta de línea de comandos bq.
Proporciona el esquema en un recurso de tabla al llamar al método tables.insert de las APIs.

Para obtener más información sobre cómo especificar un esquema de tabla, consulta Especificar un esquema.

Una vez creada la tabla, puede cargar datos en ella o rellenarla escribiendo resultados de consultas.

Para crear una tabla vacía con una definición de esquema, sigue estos pasos:

Consola

En la Google Cloud consola, ve a la página BigQuery.

Ir a BigQuery
En el panel Explorador, expande tu proyecto y selecciona un conjunto de datos.
En la sección Información del conjunto de datos, haz clic en Crear tabla.
En el panel Crear tabla, especifica los siguientes detalles:

En la sección Fuente, selecciona Tabla vacía en la lista Crear tabla a partir de.
En la sección Destino, especifica los siguientes detalles:
1. En Conjunto de datos, selecciona el conjunto de datos en el que quieras crear la tabla.
2. En el campo Tabla, introduce el nombre de la tabla que quieras crear.
3. Verifica que el campo Tipo de tabla sea Tabla nativa.
En la sección Schema (Esquema), introduce la definición de schema. Puede introducir la información del esquema manualmente mediante uno de los siguientes métodos:
- Opción 1: Haz clic en Editar como texto y pega el esquema en forma de matriz JSON. Cuando usas una matriz JSON, generas el esquema siguiendo el mismo proceso que para crear un archivo de esquema JSON. Para ver el esquema de una tabla en formato JSON, introduce el siguiente comando:
```
    bq show --format=prettyjson dataset.table
    
```
- Opción 2: Haz clic en Añadir campo e introduce el esquema de la tabla. Especifica el Nombre, Tipo y Modo de cada campo.
Opcional: Especifica la configuración de partición y clúster. Para obtener más información, consulta los artículos sobre cómo crear tablas con particiones y cómo crear y usar tablas agrupadas en clústeres.
Opcional: En la sección Opciones avanzadas, si quieres usar una clave de cifrado gestionada por el cliente, selecciona la opción Usar una clave de cifrado gestionada por el cliente (CMEK). De forma predeterminada, BigQuery encripta el contenido de los clientes almacenado en reposo mediante una Google-owned and Google-managed encryption key.
Haz clic en Crear tabla.

SQL

En el siguiente ejemplo se crea una tabla llamada newtable que caduca el 1 de enero del 2023:

En la Google Cloud consola, ve a la página BigQuery.

Ir a BigQuery

En el editor de consultas, introduce la siguiente instrucción:

CREATE TABLE mydataset.newtable (
  x INT64 OPTIONS (description = 'An optional INTEGER field'),
  y STRUCT <
    a ARRAY <STRING> OPTIONS (description = 'A repeated STRING field'),
    b BOOL
  >
) OPTIONS (
    expiration_timestamp = TIMESTAMP '2023-01-01 00:00:00 UTC',
    description = 'a table that expires in 2023',
    labels = [('org_unit', 'development')]);

Haz clic en Ejecutar.

Para obtener más información sobre cómo ejecutar consultas, consulta Ejecutar una consulta interactiva.

bq

In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell

At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
Usa el comando bq mk con la marca --table o -t. Puedes proporcionar información sobre el esquema de la tabla de forma directa o con un archivo de esquema JSON. Para ver una lista completa de parámetros, consulta la referencia de bq mk --table. Algunos parámetros opcionales son:
- --expiration
- --description
- --time_partitioning_field
- --time_partitioning_type
- --range_partitioning
- --clustering_fields
- --destination_kms_key
- --label
--time_partitioning_field, --time_partitioning_type, --range_partitioning, --clustering_fields y --destination_kms_key no se muestran aquí. Consulta los siguientes enlaces para obtener más información sobre estos parámetros opcionales:
- Para obtener más información sobre --time_partitioning_field, --time_partitioning_type y --range_partitioning, consulta Tablas con particiones.
- Para obtener más información sobre --clustering_fields, consulta tablas agrupadas en clústeres.
- Para obtener más información sobre --destination_kms_key, consulta el artículo sobre las claves de cifrado gestionadas por el cliente.
Si vas a crear una tabla en un proyecto que no sea el predeterminado, añade el ID del proyecto al conjunto de datos con el siguiente formato: project_id:dataset.

Para crear una tabla vacía en un conjunto de datos con una definición de esquema, introduce lo siguiente:
```
bq mk \
--table \
--expiration=integer \
--description=description \
--label=key_1:value_1 \
--label=key_2:value_2 \
--add_tags=key_3:value_3[,...] \
project_id:dataset.table \
schema
```
Haz los cambios siguientes:
- integer es el tiempo de vida predeterminado (en segundos) de la tabla. El valor mínimo es de 3600 segundos (una hora). La hora de vencimiento se calcula como la hora UTC actual más el valor entero. Si define la fecha de vencimiento al crear una tabla, se ignorará el ajuste de vencimiento de tabla predeterminado del conjunto de datos.
- description es una descripción de la tabla entre comillas.
- key_1:value_1 y key_2:value_2 son pares clave-valor que especifican etiquetas.
- key_3:value_3 son pares clave-valor que especifican etiquetas. Añade varias etiquetas con la misma marca separando los pares clave-valor con comas.
- project_id es el ID del proyecto.
- dataset es un conjunto de datos de tu proyecto.
- table es el nombre de la tabla que vas a crear.
- schema es una definición de esquema insertada en el formato field:data_type,field:data_type o la ruta al archivo de esquema JSON en tu máquina local.
Cuando especifica el esquema en la línea de comandos, no puede incluir un tipo RECORD (STRUCT) , no puede incluir una descripción de la columna y no puede especificar el modo de la columna. Todos los modos tienen el valor predeterminado NULLABLE. Para incluir descripciones, modos y tipos de RECORD, proporcione un archivo de esquema JSON.

Ejemplos:

Introduce el siguiente comando para crear una tabla con una definición de esquema insertada. Este comando crea una tabla llamada mytable en mydataset en tu proyecto predeterminado. La caducidad de la tabla se ha definido en 3600 segundos (1 hora), la descripción se ha definido en This is my table y la etiqueta se ha definido en organization:development. El comando usa la combinación de teclas -t en lugar de --table. El esquema se especifica de forma insertada como: qtr:STRING,sales:FLOAT,year:STRING.
```
bq mk \
 -t \
 --expiration 3600 \
 --description "This is my table" \
 --label organization:development \
 mydataset.mytable \
 qtr:STRING,sales:FLOAT,year:STRING
```
Introduce el siguiente comando para crear una tabla con un archivo de esquema JSON. Este comando crea una tabla llamada mytable en mydataset en tu proyecto predeterminado. La caducidad de la tabla se ha definido en 3600 segundos (1 hora), la descripción se ha definido en This is my table y la etiqueta se ha definido en organization:development. La ruta al archivo de esquema es /tmp/myschema.json.
```
bq mk \
 --table \
 --expiration 3600 \
 --description "This is my table" \
 --label organization:development \
 mydataset.mytable \
 /tmp/myschema.json
```
Introduce el siguiente comando para crear una tabla con un archivo de esquema JSON. Este comando crea una tabla llamada mytable en mydataset en myotherproject. La caducidad de la tabla se ha definido en 3600 segundos (1 hora), la descripción se ha definido en This is my table y la etiqueta se ha definido en organization:development. La ruta al archivo de esquema es /tmp/myschema.json.
```
bq mk \
 --table \
 --expiration 3600 \
 --description "This is my table" \
 --label organization:development \
 myotherproject:mydataset.mytable \
 /tmp/myschema.json
```
Una vez creada la tabla, puedes actualizar su fecha de vencimiento, descripción y etiquetas. También puedes modificar la definición del esquema.

Terraform

Usa el recurso google_bigquery_table.

Para autenticarte en BigQuery, configura las credenciales predeterminadas de la aplicación. Para obtener más información, consulta Configurar la autenticación para bibliotecas de cliente.

Crear una tabla

En el siguiente ejemplo se crea una tabla llamada mytable:

resource "google_bigquery_dataset" "default" {
  dataset_id                      = "mydataset"
  default_partition_expiration_ms = 2592000000  # 30 days
  default_table_expiration_ms     = 31536000000 # 365 days
  description                     = "dataset description"
  location                        = "US"
  max_time_travel_hours           = 96 # 4 days

  labels = {
    billing_group = "accounting",
    pii           = "sensitive"
  }
}

resource "google_bigquery_table" "default" {
  dataset_id          = google_bigquery_dataset.default.dataset_id
  table_id            = "mytable"
  deletion_protection = false # set to "true" in production

  schema = <<EOF
[
  {
    "name": "ID",
    "type": "INT64",
    "mode": "NULLABLE",
    "description": "Item ID"
  },
  {
    "name": "Item",
    "type": "STRING",
    "mode": "NULLABLE"
  }
]
EOF

}

Crear una tabla y conceder acceso a ella

En el siguiente ejemplo se crea una tabla llamada mytable y, a continuación, se usa el recurso google_bigquery_table_iam_policy para conceder acceso a ella. Sigue este paso solo si quieres conceder acceso a la tabla a principales que no tengan acceso al conjunto de datos en el que se encuentra la tabla.

resource "google_bigquery_dataset" "default" {
  dataset_id                      = "mydataset"
  default_partition_expiration_ms = 2592000000  # 30 days
  default_table_expiration_ms     = 31536000000 # 365 days
  description                     = "dataset description"
  location                        = "US"
  max_time_travel_hours           = 96 # 4 days

  labels = {
    billing_group = "accounting",
    pii           = "sensitive"
  }
}

resource "google_bigquery_table" "default" {
  dataset_id          = google_bigquery_dataset.default.dataset_id
  table_id            = "mytable"
  deletion_protection = false # set to "true" in production

  schema = <<EOF
[
  {
    "name": "ID",
    "type": "INT64",
    "mode": "NULLABLE",
    "description": "Item ID"
  },
  {
    "name": "Item",
    "type": "STRING",
    "mode": "NULLABLE"
  }
]
EOF

}

data "google_iam_policy" "default" {
  binding {
    role = "roles/bigquery.dataOwner"
    members = [
      "user:raha@altostrat.com",
    ]
  }
}

resource "google_bigquery_table_iam_policy" "policy" {
  dataset_id  = google_bigquery_table.default.dataset_id
  table_id    = google_bigquery_table.default.table_id
  policy_data = data.google_iam_policy.default.policy_data
}

Crear una tabla con una clave de cifrado gestionada por el cliente

En el ejemplo siguiente se crea una tabla llamada mytable y también se usan los recursos google_kms_crypto_key y google_kms_key_ring para especificar una clave de Cloud Key Management Service para la tabla. Para ejecutar este ejemplo, debes habilitar la API Cloud Key Management Service.

resource "google_bigquery_dataset" "default" {
  dataset_id                      = "mydataset"
  default_partition_expiration_ms = 2592000000  # 30 days
  default_table_expiration_ms     = 31536000000 # 365 days
  description                     = "dataset description"
  location                        = "US"
  max_time_travel_hours           = 96 # 4 days

  labels = {
    billing_group = "accounting",
    pii           = "sensitive"
  }
}

resource "google_bigquery_table" "default" {
  dataset_id          = google_bigquery_dataset.default.dataset_id
  table_id            = "mytable"
  deletion_protection = false # set to "true" in production

  schema = <<EOF
[
  {
    "name": "ID",
    "type": "INT64",
    "mode": "NULLABLE",
    "description": "Item ID"
  },
  {
    "name": "Item",
    "type": "STRING",
    "mode": "NULLABLE"
  }
]
EOF

  encryption_configuration {
    kms_key_name = google_kms_crypto_key.crypto_key.id
  }

  depends_on = [google_project_iam_member.service_account_access]
}

resource "google_kms_crypto_key" "crypto_key" {
  name     = "example-key"
  key_ring = google_kms_key_ring.key_ring.id
}

resource "random_id" "default" {
  byte_length = 8
}

resource "google_kms_key_ring" "key_ring" {
  name     = "${random_id.default.hex}-example-keyring"
  location = "us"
}

# Enable the BigQuery service account to encrypt/decrypt Cloud KMS keys
data "google_project" "project" {
}

resource "google_project_iam_member" "service_account_access" {
  project = data.google_project.project.project_id
  role    = "roles/cloudkms.cryptoKeyEncrypterDecrypter"
  member  = "serviceAccount:bq-${data.google_project.project.number}@bigquery-encryption.iam.gserviceaccount.com"
}

Para aplicar la configuración de Terraform en un proyecto, sigue los pasos que se indican en las siguientes secciones. Google Cloud

Preparar Cloud Shell

Abre Cloud Shell.
Define el Google Cloud proyecto Google Cloud predeterminado en el que quieras aplicar tus configuraciones de Terraform.

Solo tiene que ejecutar este comando una vez por proyecto y puede hacerlo en cualquier directorio.
```
export GOOGLE_CLOUD_PROJECT=PROJECT_ID
```
Las variables de entorno se anulan si defines valores explícitos en el archivo de configuración de Terraform.

Preparar el directorio

Cada archivo de configuración de Terraform debe tener su propio directorio (también llamado módulo raíz).

En Cloud Shell, crea un directorio y un archivo nuevo en ese directorio. El nombre del archivo debe tener la extensión .tf. Por ejemplo, main.tf. En este tutorial, nos referiremos al archivo como main.tf.
```
mkdir DIRECTORY && cd DIRECTORY && touch main.tf
```
Si estás siguiendo un tutorial, puedes copiar el código de ejemplo de cada sección o paso.

Copia el código de ejemplo en el archivo main.tf que acabas de crear.

También puedes copiar el código de GitHub. Se recomienda cuando el fragmento de Terraform forma parte de una solución integral.
Revisa y modifica los parámetros de ejemplo para aplicarlos a tu entorno.
Guarda los cambios.
Inicializa Terraform. Solo tienes que hacerlo una vez por directorio.
```
terraform init
```
Si quieres usar la versión más reciente del proveedor de Google, incluye la opción -upgrade:
```
terraform init -upgrade
```

Aplica los cambios

Revisa la configuración y comprueba que los recursos que va a crear o actualizar Terraform se ajustan a tus expectativas:
```
terraform plan
```
Haga las correcciones necesarias en la configuración.
Aplica la configuración de Terraform ejecutando el siguiente comando e introduciendo yes en la petición:
```
terraform apply
```
Espera hasta que Terraform muestre el mensaje "Apply complete!".
Abre tu Google Cloud proyecto para ver los resultados. En la Google Cloud consola, ve a tus recursos en la interfaz de usuario para asegurarte de que Terraform los ha creado o actualizado.

API

Llama al método tables.insert con un recurso de tabla definido.

C#

Antes de probar este ejemplo, sigue las C#instrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API C# de BigQuery.

Para autenticarte en BigQuery, configura las credenciales predeterminadas de la aplicación. Para obtener más información, consulta el artículo Configurar la autenticación para bibliotecas de cliente.


using Google.Cloud.BigQuery.V2;

public class BigQueryCreateTable
{
    public BigQueryTable CreateTable(
        string projectId = "your-project-id",
        string datasetId = "your_dataset_id"
    )
    {
        BigQueryClient client = BigQueryClient.Create(projectId);
        var dataset = client.GetDataset(datasetId);
        // Create schema for new table.
        var schema = new TableSchemaBuilder
        {
            { "full_name", BigQueryDbType.String },
            { "age", BigQueryDbType.Int64 }
        }.Build();
        // Create the table
        return dataset.CreateTable(tableId: "your_table_id", schema: schema);
    }
}

Go

Antes de probar este ejemplo, sigue las Goinstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API Go de BigQuery.

import (
	"context"
	"fmt"
	"time"

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

// createTableExplicitSchema demonstrates creating a new BigQuery table and specifying a schema.
func createTableExplicitSchema(projectID, datasetID, tableID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydatasetid"
	// tableID := "mytableid"
	ctx := context.Background()

	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}
	defer client.Close()

	sampleSchema := bigquery.Schema{
		{Name: "full_name", Type: bigquery.StringFieldType},
		{Name: "age", Type: bigquery.IntegerFieldType},
	}

	metaData := &bigquery.TableMetadata{
		Schema:         sampleSchema,
		ExpirationTime: time.Now().AddDate(1, 0, 0), // Table will be automatically deleted in 1 year.
	}
	tableRef := client.Dataset(datasetID).Table(tableID)
	if err := tableRef.Create(ctx, metaData); err != nil {
		return err
	}
	return nil
}

Java

Antes de probar este ejemplo, sigue las Javainstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API Java de BigQuery.

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.Field;
import com.google.cloud.bigquery.Schema;
import com.google.cloud.bigquery.StandardSQLTypeName;
import com.google.cloud.bigquery.StandardTableDefinition;
import com.google.cloud.bigquery.TableDefinition;
import com.google.cloud.bigquery.TableId;
import com.google.cloud.bigquery.TableInfo;

public class CreateTable {

  public static void runCreateTable() {
    // TODO(developer): Replace these variables before running the sample.
    String datasetName = "MY_DATASET_NAME";
    String tableName = "MY_TABLE_NAME";
    Schema schema =
        Schema.of(
            Field.of("stringField", StandardSQLTypeName.STRING),
            Field.of("booleanField", StandardSQLTypeName.BOOL));
    createTable(datasetName, tableName, schema);
  }

  public static void createTable(String datasetName, String tableName, Schema schema) {
    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, tableName);
      TableDefinition tableDefinition = StandardTableDefinition.of(schema);
      TableInfo tableInfo = TableInfo.newBuilder(tableId, tableDefinition).build();

      bigquery.create(tableInfo);
      System.out.println("Table created successfully");
    } catch (BigQueryException e) {
      System.out.println("Table was not created. \n" + e.toString());
    }
  }
}

Node.js

Antes de probar este ejemplo, sigue las Node.jsinstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API Node.js de BigQuery.

// Import the Google Cloud client library and create a client
const {BigQuery} = require('@google-cloud/bigquery');
const bigquery = new BigQuery();

async function createTable() {
  // Creates a new table named "my_table" in "my_dataset".

  /**
   * TODO(developer): Uncomment the following lines before running the sample.
   */
  // const datasetId = "my_dataset";
  // const tableId = "my_table";
  // const schema = 'Name:string, Age:integer, Weight:float, IsMagic:boolean';

  // For all options, see https://cloud.google.com/bigquery/docs/reference/v2/tables#resource
  const options = {
    schema: schema,
    location: 'US',
  };

  // Create a new table in the dataset
  const [table] = await bigquery
    .dataset(datasetId)
    .createTable(tableId, options);

  console.log(`Table ${table.id} created.`);
}

PHP

Antes de probar este ejemplo, sigue las PHPinstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API PHP de BigQuery.

use Google\Cloud\BigQuery\BigQueryClient;

/** Uncomment and populate these variables in your code */
// $projectId = 'The Google project ID';
// $datasetId = 'The BigQuery dataset ID';
// $tableId = 'The BigQuery table ID';
// $fields = [
//    [
//        'name' => 'field1',
//        'type' => 'string',
//        'mode' => 'required'
//    ],
//    [
//        'name' => 'field2',
//        'type' => 'integer'
//    ],
//];

$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$dataset = $bigQuery->dataset($datasetId);
$schema = ['fields' => $fields];
$table = $dataset->createTable($tableId, ['schema' => $schema]);
printf('Created table %s' . PHP_EOL, $tableId);

Python

Antes de probar este ejemplo, sigue las Pythoninstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API Python de BigQuery.

from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set table_id to the ID of the table to create.
# table_id = "your-project.your_dataset.your_table_name"

schema = [
    bigquery.SchemaField("full_name", "STRING", mode="REQUIRED"),
    bigquery.SchemaField("age", "INTEGER", mode="REQUIRED"),
]

table = bigquery.Table(table_id, schema=schema)
table = client.create_table(table)  # Make an API request.
print(
    "Created table {}.{}.{}".format(table.project, table.dataset_id, table.table_id)
)

Ruby

Antes de probar este ejemplo, sigue las Rubyinstrucciones de configuración de la guía de inicio rápido de BigQuery con bibliotecas de cliente. Para obtener más información, consulta la documentación de referencia de la API Ruby de BigQuery.

require "google/cloud/bigquery"

def create_table dataset_id = "my_dataset"
  bigquery = Google::Cloud::Bigquery.new
  dataset  = bigquery.dataset dataset_id
  table_id = "my_table"

  table = dataset.create_table table_id do |updater|
    updater.string  "full_name", mode: :required
    updater.integer "age",       mode: :required
  end

  puts "Created table: #{table_id}"
end

Crear una tabla vacía sin una definición de esquema

Java

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.Schema;
import com.google.cloud.bigquery.StandardTableDefinition;
import com.google.cloud.bigquery.TableDefinition;
import com.google.cloud.bigquery.TableId;
import com.google.cloud.bigquery.TableInfo;

// Sample to create a table without schema
public class CreateTableWithoutSchema {

  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";
    createTableWithoutSchema(datasetName, tableName);
  }

  public static void createTableWithoutSchema(String datasetName, String tableName) {
    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, tableName);
      TableDefinition tableDefinition = StandardTableDefinition.of(Schema.of());
      TableInfo tableInfo = TableInfo.newBuilder(tableId, tableDefinition).build();

      bigquery.create(tableInfo);
      System.out.println("Table created successfully");
    } catch (BigQueryException e) {
      System.out.println("Table was not created. \n" + e.toString());
    }
  }
}

Crear una tabla a partir del resultado de una consulta

Para crear una tabla a partir del resultado de una consulta, escribe los resultados en una tabla de destino.

Consola

Abre la página de BigQuery en la Google Cloud consola.

Ir a la página de BigQuery
En el panel Explorador, expande tu proyecto y selecciona un conjunto de datos.
Introduce una consulta de SQL válida.
Haz clic en Más y, a continuación, selecciona Configuración de la consulta.
Selecciona la opción Definir una tabla de destino para los resultados de las consultas.
En la sección Destino, seleccione el Conjunto de datos en el que quiera crear la tabla y, a continuación, elija un ID de tabla.
En la sección Preferencia de escritura de la tabla de destino, elija una de las siguientes opciones:
- Escribir si está vacía: escribe los resultados de la consulta en la tabla solo si está vacía.
- Añadir a tabla: añade los resultados de la consulta a una tabla.
- Sobrescribir tabla: sobrescribe una tabla con el mismo nombre con los resultados de la consulta.
Opcional: En Ubicación de los datos, elija su ubicación.
Para actualizar la configuración de la consulta, haz clic en Guardar.
Haz clic en Ejecutar. De esta forma, se crea una tarea de consulta que escribe los resultados de la consulta en la tabla que ha especificado.

Si olvidas especificar una tabla de destino antes de ejecutar la consulta, puedes copiar la tabla de resultados almacenada en caché en una tabla permanente haciendo clic en el botón Guardar resultados situado encima del editor.

SQL

En el siguiente ejemplo se usa la instrucción CREATE TABLE para crear la tabla trips a partir de los datos de la tabla pública bikeshare_trips:

En la Google Cloud consola, ve a la página BigQuery.

Ir a BigQuery

En el editor de consultas, introduce la siguiente instrucción:

CREATE TABLE mydataset.trips AS (
  SELECT
    bike_id,
    start_time,
    duration_minutes
  FROM
    bigquery-public-data.austin_bikeshare.bikeshare_trips
);

Haz clic en Ejecutar.

Para obtener más información sobre cómo ejecutar consultas, consulta Ejecutar una consulta interactiva.

Para obtener más información, consulta el artículo Crear una tabla a partir de otra tabla.

bq

In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell

At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
Introduce el comando bq query y especifica la marca --destination_table para crear una tabla permanente basada en los resultados de la consulta. Especifica la marca use_legacy_sql=false para usar la sintaxis de GoogleSQL. Para escribir los resultados de la consulta en una tabla que no esté en tu proyecto predeterminado, añade el ID del proyecto al nombre del conjunto de datos con el siguiente formato: project_id:dataset.

Opcional: Proporciona la marca --location y asigna el valor a tu ubicación.

Para controlar la disposición de escritura de una tabla de destino, especifique una de las siguientes marcas opcionales:
- --append_table: si la tabla de destino existe, los resultados de la consulta se añaden a ella.
- --replace: Si la tabla de destino ya existe, se sobrescribe con los resultados de la consulta.
```
bq --location=location query \
--destination_table project_id:dataset.table \
--use_legacy_sql=false 'query'
```
  Haz los cambios siguientes:
- location es el nombre de la ubicación que se usa para procesar la consulta. La marca --location es opcional. Por ejemplo, si usas BigQuery en la región de Tokio, puedes asignar el valor asia-northeast1 a la marca. Puedes definir un valor predeterminado para la ubicación mediante el archivo .bigqueryrc.
- project_id es el ID del proyecto.
- dataset es el nombre del conjunto de datos que contiene la tabla en la que se escriben los resultados de la consulta.
- table es el nombre de la tabla en la que se escriben los resultados de la consulta.
- query es una consulta con sintaxis de GoogleSQL.
  
  Si no se especifica ninguna marca de disposición de escritura, el comportamiento predeterminado es escribir los resultados en la tabla solo si está vacía. Si la tabla existe y no está vacía, se devuelve el siguiente error: BigQuery error in query operation: Error processing job project_id:bqjob_123abc456789_00000e1234f_1: Already Exists: Table project_id:dataset.table.
  
  Ejemplos:
  
  Nota: En estos ejemplos se consulta un conjunto de datos público de Estados Unidos. Como el conjunto de datos público se almacena en la ubicación multirregional de EE. UU., el conjunto de datos que contiene la tabla de destino también debe estar en EE. UU. No puedes consultar un conjunto de datos de una ubicación y escribir los resultados en una tabla de destino de otra ubicación.
  
  Introduce el siguiente comando para escribir los resultados de la consulta en una tabla de destino llamada mytable en mydataset. El conjunto de datos está en tu proyecto predeterminado. Como no se ha especificado ninguna marca de disposición de escritura en el comando, la tabla debe ser nueva o estar vacía. De lo contrario, se devuelve un error Already exists. La consulta obtiene datos del conjunto de datos público USA Name Data.
```
bq query \
--destination_table mydataset.mytable \
--use_legacy_sql=false \
'SELECT
name,
number
FROM
`bigquery-public-data`.usa_names.usa_1910_current
WHERE
gender = "M"
ORDER BY
number DESC'
```
  Introduce el siguiente comando para usar los resultados de la consulta y sobrescribir una tabla de destino llamada mytable en mydataset. El conjunto de datos está en tu proyecto predeterminado. El comando usa la marca --replace para sobrescribir la tabla de destino.
```
bq query \
--destination_table mydataset.mytable \
--replace \
--use_legacy_sql=false \
'SELECT
name,
number
FROM
`bigquery-public-data`.usa_names.usa_1910_current
WHERE
gender = "M"
ORDER BY
number DESC'
```
  Introduce el siguiente comando para añadir los resultados de la consulta a una tabla de destino llamada mytable en mydataset. El conjunto de datos está en my-other-project, no en tu proyecto predeterminado. El comando usa la marca --append_table para añadir los resultados de la consulta a la tabla de destino.
```
bq query \
--append_table \
--use_legacy_sql=false \
--destination_table my-other-project:mydataset.mytable \
'SELECT
name,
number
FROM
`bigquery-public-data`.usa_names.usa_1910_current
WHERE
gender = "M"
ORDER BY
number DESC'
```
  El resultado de cada uno de estos ejemplos es el siguiente. Para mejorar la legibilidad, se ha truncado parte del resultado.
```
Waiting on bqjob_r123abc456_000001234567_1 ... (2s) Current status: DONE
+---------+--------+
|  name   | number |
+---------+--------+
| Robert  |  10021 |
| John    |   9636 |
| Robert  |   9297 |
| ...              |
+---------+--------+
```

API

Para guardar los resultados de una consulta en una tabla permanente, llama al método jobs.insert, configura una tarea query e incluye un valor para la propiedad destinationTable. Para controlar la disposición de escritura de una tabla de destino, configura la propiedad writeDisposition.

Para controlar la ubicación de procesamiento de la tarea de consulta, especifica la propiedad location en la sección jobReference del recurso Job.

Go

import (
	"context"
	"fmt"
	"io"

	"cloud.google.com/go/bigquery"
	"google.golang.org/api/iterator"
)

// queryWithDestination demonstrates saving the results of a query to a specific table by setting the destination
// via the API properties.
func queryWithDestination(w io.Writer, projectID, destDatasetID, destTableID 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)
	}
	defer client.Close()

	q := client.Query("SELECT 17 as my_col")
	q.Location = "US" // Location must match the dataset(s) referenced in query.
	q.QueryConfig.Dst = client.Dataset(destDatasetID).Table(destTableID)
	// Run the query and print results when the query job is completed.
	job, err := q.Run(ctx)
	if err != nil {
		return err
	}
	status, err := job.Wait(ctx)
	if err != nil {
		return err
	}
	if err := status.Err(); err != nil {
		return err
	}
	it, err := job.Read(ctx)
	for {
		var row []bigquery.Value
		err := it.Next(&row)
		if err == iterator.Done {
			break
		}
		if err != nil {
			return err
		}
		fmt.Fprintln(w, row)
	}
	return nil
}

Java

TableId que quieras a la tabla de destino en una QueryJobConfiguration.

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.QueryJobConfiguration;
import com.google.cloud.bigquery.TableId;

public class SaveQueryToTable {

  public static void runSaveQueryToTable() {
    // TODO(developer): Replace these variables before running the sample.
    String query = "SELECT corpus FROM `bigquery-public-data.samples.shakespeare` GROUP BY corpus;";
    String destinationTable = "MY_TABLE";
    String destinationDataset = "MY_DATASET";

    saveQueryToTable(destinationDataset, destinationTable, query);
  }

  public static void saveQueryToTable(
      String destinationDataset, String destinationTableId, 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();

      // Identify the destination table
      TableId destinationTable = TableId.of(destinationDataset, destinationTableId);

      // Build the query job
      QueryJobConfiguration queryConfig =
          QueryJobConfiguration.newBuilder(query).setDestinationTable(destinationTable).build();

      // Execute the query.
      bigquery.query(queryConfig);

      // The results are now saved in the destination table.

      System.out.println("Saved query ran successfully");
    } catch (BigQueryException | InterruptedException e) {
      System.out.println("Saved query did not run \n" + e.toString());
    }
  }
}

Node.js

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

async function queryDestinationTable() {
  // Queries the U.S. given names dataset for the state of Texas
  // and saves results to permanent table.

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

  // Create destination table reference
  const dataset = bigquery.dataset(datasetId);
  const destinationTable = dataset.table(tableId);

  const query = `SELECT name
    FROM \`bigquery-public-data.usa_names.usa_1910_2013\`
    WHERE state = 'TX'
    LIMIT 100`;

  // For all options, see https://cloud.google.com/bigquery/docs/reference/v2/tables#resource
  const options = {
    query: query,
    // Location must match that of the dataset(s) referenced in the query.
    location: 'US',
    destination: destinationTable,
  };

  // Run the query as a job
  const [job] = await bigquery.createQueryJob(options);

  console.log(`Job ${job.id} started.`);
  console.log(`Query results loaded to table ${destinationTable.id}`);
}

Python

Para guardar los resultados de una consulta en una tabla permanente, crea un objeto QueryJobConfig y asigna el objeto destination al objeto TableReference que quieras. Transfiere la configuración de la tarea al método query.

from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set table_id to the ID of the destination table.
# table_id = "your-project.your_dataset.your_table_name"

job_config = bigquery.QueryJobConfig(destination=table_id)

sql = """
    SELECT corpus
    FROM `bigquery-public-data.samples.shakespeare`
    GROUP BY corpus;
"""

# Start the query, passing in the extra configuration.
query_job = client.query(sql, job_config=job_config)  # Make an API request.
query_job.result()  # Wait for the job to complete.

print("Query results loaded to the table {}".format(table_id))

Crear una tabla que haga referencia a una fuente de datos externa

Las fuentes de datos externas se pueden consultar directamente desde BigQuery, aunque los datos no estén almacenados ahí. Por ejemplo, puedes tener datos en una base de datos Google Cloud diferente, en archivos de Cloud Storage o en cualquier otro producto de la nube que quieras analizar en BigQuery, pero que no vayas a migrar.

Para obtener más información, consulta el artículo Introducción a las fuentes de datos externas.

Crear una tabla al cargar datos

Cuando cargas datos en BigQuery, puedes hacerlo en una tabla o partición nuevas, añadir datos a una tabla o partición ya creada, o sobrescribir una tabla o partición. No es necesario crear una tabla vacía antes de cargar datos en ella. Puedes crear la tabla y cargar los datos al mismo tiempo.

Cuando cargas datos en BigQuery, puedes proporcionar el esquema de la tabla o de la partición. En el caso de los formatos de datos admitidos, puedes usar la detección automática del esquema.

Para obtener más información sobre la carga de datos, consulta la introducción a la carga de datos en BigQuery.

Controlar el acceso a las tablas

Para configurar el acceso a tablas y vistas, puede asignar un rol de gestión de identidades y accesos a una entidad en los siguientes niveles, que se indican en orden de rango de recursos permitidos (del mayor al menor):

Un nivel alto de la Google Cloud jerarquía de recursos, como el nivel de proyecto, carpeta u organización
a nivel de conjunto de datos
el nivel de la tabla o de la vista

También puedes restringir el acceso a los datos de las tablas mediante los siguientes métodos:

El acceso a cualquier recurso protegido por IAM es aditivo. Por ejemplo, si una entidad no tiene acceso a un nivel alto, como un proyecto, puedes concederle acceso a nivel de conjunto de datos. De esta forma, la entidad tendrá acceso a las tablas y vistas del conjunto de datos. Del mismo modo, si la entidad no tiene acceso a nivel superior o de conjunto de datos, puedes concederle acceso a nivel de tabla o de vista.

Si asignas roles de IAM a un nivel superior de la Google Cloudjerarquía de recursos , como el nivel de proyecto, carpeta u organización, la entidad tendrá acceso a un amplio conjunto de recursos. Por ejemplo, si asignas un rol a una entidad a nivel de proyecto, esa entidad tendrá permisos que se aplican a todos los conjuntos de datos del proyecto.

Si se concede un rol a nivel de conjunto de datos, se especifican las operaciones que una entidad puede realizar en las tablas y vistas de ese conjunto de datos concreto, aunque la entidad no tenga acceso a un nivel superior. Para obtener información sobre cómo configurar controles de acceso a nivel de conjunto de datos, consulta el artículo Controlar el acceso a los conjuntos de datos.

Si se asigna un rol a nivel de tabla o de vista, se especifican las operaciones que puede realizar una entidad en tablas y vistas concretas, aunque no tenga acceso a un nivel superior. Para obtener información sobre cómo configurar controles de acceso a nivel de tabla, consulta el artículo Controlar el acceso a tablas y vistas.

También puedes crear roles personalizados de gestión de identidades y accesos. Si creas un rol personalizado, los permisos que concedas dependerán de las operaciones específicas que quieras que pueda realizar la entidad.

No puedes definir un permiso de denegación en ningún recurso protegido por IAM.

Para obtener más información sobre los roles y los permisos, consulta el artículo sobre descripción de roles de la documentación de gestión de identidades y accesos y los roles y permisos de gestión de identidades y accesos de BigQuery.

Obtener información sobre las tablas

Puede obtener información o metadatos sobre las tablas de las siguientes formas:

Con la Google Cloud consola.
Usa el comando bq show de la herramienta de línea de comandos bq.
Llamar al método de API tables.get.
Usar las bibliotecas de cliente.
Consultar la vista INFORMATION_SCHEMA.VIEWS.

Permisos obligatorios

Para obtener información sobre las tablas, como mínimo debes tener permisos de bigquery.tables.get. Los siguientes roles de gestión de identidades y accesos predefinidos incluyen los permisos de bigquery.tables.get:

bigquery.metadataViewer
bigquery.dataViewer
bigquery.dataOwner
bigquery.dataEditor
bigquery.admin

Además, si un usuario tiene permisos de bigquery.datasets.create, cuando cree un conjunto de datos, se le concederá acceso de bigquery.dataOwner a él. bigquery.dataOwner permite al usuario recuperar metadatos de la tabla.

Para obtener más información sobre los roles y permisos de gestión de identidades y accesos en BigQuery, consulta el artículo sobre el control de acceso.

Obtener información de una tabla

Para obtener información sobre las tablas, haz lo siguiente:

Consola

En el panel de navegación, en la sección Recursos, despliega tu proyecto y selecciona un conjunto de datos.
Haz clic en el nombre del conjunto de datos para desplegarlo. Se muestran las tablas y las vistas del conjunto de datos.
Haz clic en el nombre de la tabla.
En el panel Detalles, haz clic en Detalles para ver la descripción y la información de la tabla.
También puede cambiar a la pestaña Esquema para ver la definición del esquema de la tabla.

bq

In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell

At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
Ejecuta el comando bq show para mostrar toda la información de la tabla. Usa la marca --schema para mostrar solo la información del esquema de la tabla. La marca --format se puede usar para controlar el resultado.

Si quieres obtener información sobre una tabla de un proyecto que no sea el predeterminado, añade el ID del proyecto al conjunto de datos con el siguiente formato: project_id:dataset.
```
bq show \
--schema \
--format=prettyjson \
project_id:dataset.table
```
Donde:
- project_id es el ID del proyecto.
- dataset es el nombre del conjunto de datos.
- table es el nombre de la tabla.
Ejemplos:

Introduce el siguiente comando para mostrar toda la información sobre mytable en mydataset. mydataset está en tu proyecto predeterminado.
```
bq show --format=prettyjson mydataset.mytable
```
Introduce el siguiente comando para mostrar toda la información sobre mytable en mydataset. mydataset está en myotherproject, no en tu proyecto predeterminado.
```
bq show --format=prettyjson myotherproject:mydataset.mytable
```
Introduce el siguiente comando para mostrar solo la información del esquema sobre mytable en mydataset. mydataset está en myotherproject, no en tu proyecto predeterminado.
```
bq show --schema --format=prettyjson myotherproject:mydataset.mytable
```

API

Llama al método tables.get y proporciona los parámetros pertinentes.

Go

import (
	"context"
	"fmt"
	"io"

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

// printTableInfo demonstrates fetching metadata from a table and printing some basic information
// to an io.Writer.
func printTableInfo(w io.Writer, 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)
	}
	defer client.Close()

	meta, err := client.Dataset(datasetID).Table(tableID).Metadata(ctx)
	if err != nil {
		return err
	}
	// Print basic information about the table.
	fmt.Fprintf(w, "Schema has %d top-level fields\n", len(meta.Schema))
	fmt.Fprintf(w, "Description: %s\n", meta.Description)
	fmt.Fprintf(w, "Rows in managed storage: %d\n", meta.NumRows)
	return nil
}

Java

import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.Table;
import com.google.cloud.bigquery.TableId;

public class GetTable {

  public static void runGetTable() {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "bigquery_public_data";
    String datasetName = "samples";
    String tableName = "shakespeare";
    getTable(projectId, datasetName, tableName);
  }

  public static void getTable(String projectId, String datasetName, String tableName) {
    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(projectId, datasetName, tableName);
      Table table = bigquery.getTable(tableId);
      System.out.println("Table info: " + table.getDescription());
    } catch (BigQueryException e) {
      System.out.println("Table not retrieved. \n" + e.toString());
    }
  }
}

Node.js

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

async function getTable() {
  // Retrieves table named "my_table" in "my_dataset".

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

  // Retrieve table reference
  const dataset = bigquery.dataset(datasetId);
  const [table] = await dataset.table(tableId).get();

  console.log('Table:');
  console.log(table.metadata.tableReference);
}
getTable();

PHP

use Google\Cloud\BigQuery\BigQueryClient;

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

$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$dataset = $bigQuery->dataset($datasetId);
$table = $dataset->table($tableId);

Python


from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set table_id to the ID of the model to fetch.
# table_id = 'your-project.your_dataset.your_table'

table = client.get_table(table_id)  # Make an API request.

# View table properties
print(
    "Got table '{}.{}.{}'.".format(table.project, table.dataset_id, table.table_id)
)
print("Table schema: {}".format(table.schema))
print("Table description: {}".format(table.description))
print("Table has {} rows".format(table.num_rows))

Obtener información de una tabla con `INFORMATION_SCHEMA`

INFORMATION_SCHEMA es una serie de vistas que proporcionan acceso a los metadatos sobre conjuntos de datos, rutinas, tablas, vistas, trabajos, reservas y datos de streaming.

Puedes consultar las siguientes vistas para obtener información sobre las tablas:

Usa las vistas INFORMATION_SCHEMA.TABLES y INFORMATION_SCHEMA.TABLE_OPTIONS para obtener metadatos sobre las tablas y las vistas de un proyecto.
Usa las vistas INFORMATION_SCHEMA.COLUMNS y INFORMATION_SCHEMA.COLUMN_FIELD_PATHS para obtener metadatos sobre las columnas (campos) de una tabla.
Usa las vistas INFORMATION_SCHEMA.TABLE_STORAGE para obtener metadatos sobre el uso del almacenamiento actual e histórico de una tabla.

Las vistas TABLES y TABLE_OPTIONS también contienen información general sobre las vistas. Para obtener información detallada, consulta la vista INFORMATION_SCHEMA.VIEWS.

`TABLES` vista

Cuando consultas la vista INFORMATION_SCHEMA.TABLES, los resultados de la consulta contienen una fila por cada tabla o vista de un conjunto de datos. Para obtener información detallada sobre las vistas, consulta la INFORMATION_SCHEMA.VIEWSvista.

La vista INFORMATION_SCHEMA.TABLES tiene el siguiente esquema:

Nombre de la columna	Tipo de datos	Valor
`table_catalog`	`STRING`	El ID del proyecto que contiene el conjunto de datos.
`table_schema`	`STRING`	Nombre del conjunto de datos que contiene la tabla o la vista. También se denomina `datasetId`.
`table_name`	`STRING`	Nombre de la tabla o de la vista. También se denomina `tableId`.
`table_type`	`STRING`	El tipo de tabla, que puede ser uno de los siguientes: `BASE TABLE`: una tabla estándar `CLONE`: A table clone `SNAPSHOT`: A instantánea de la tabla `VIEW`: A view `MATERIALIZED VIEW`: una vista materializada o una réplica de vista materializada `EXTERNAL`: tabla que hace referencia a una fuente de datos externa
`managed_table_type`	`STRING`	Esta columna está en versión preliminar. El tipo de tabla gestionada, que puede ser uno de los siguientes: `NATIVE`: una tabla estándar `BIGLAKE`: una tabla de BigLake para Apache Iceberg en BigQuery
`is_insertable_into`	`STRING`	`YES` o `NO`, en función de si la tabla admite instrucciones INSERT de DML
`is_fine_grained_mutations_enabled`	`STRING`	`YES` o `NO` en función de si las mutaciones de DML detalladas están habilitadas en la tabla
`is_typed`	`STRING`	El valor es siempre `NO`.
`is_change_history_enabled`	`STRING`	`YES` o `NO`, según si el historial de cambios está habilitado.
`creation_time`	`TIMESTAMP`	Hora de creación de la tabla
`base_table_catalog`	`STRING`	En el caso de las clones de tabla y las instantáneas de tabla, el proyecto de la tabla base. Solo se aplica a las tablas en las que `table_type` tiene el valor `CLONE` o `SNAPSHOT`.
`base_table_schema`	`STRING`	En el caso de los clones de tabla y las instantáneas de tabla, el conjunto de datos de la tabla base. Solo se aplica a las tablas con el valor `CLONE` o `SNAPSHOT` en `table_type`.
`base_table_name`	`STRING`	En el caso de los clones de tabla y las instantáneas de tabla, el nombre de la tabla base. Solo se aplica a las tablas con el valor `CLONE` o `SNAPSHOT` en `table_type`.
`snapshot_time_ms`	`TIMESTAMP`	En el caso de los clones de tabla y las instantáneas de tabla, se indica la hora en la que se ejecutó la operación de clonación o de creación de instantánea en la tabla base para crear esta tabla. Si se ha usado la función de viaje en el tiempo, este campo contiene la marca de tiempo correspondiente. De lo contrario, el campo `snapshot_time_ms` es el mismo que el campo `creation_time`. Solo se aplica a las tablas en las que `table_type` tiene el valor `CLONE` o `SNAPSHOT`.
`replica_source_catalog`	`STRING`	En el caso de las réplicas de vistas materializadas, se trata del proyecto de la vista materializada base.
`replica_source_schema`	`STRING`	En el caso de las réplicas de vistas materializadas, se trata del conjunto de datos de la vista materializada base.
`replica_source_name`	`STRING`	En el caso de las réplicas de vistas materializadas, el nombre de la vista materializada base.
`replication_status`	`STRING`	En el caso de las réplicas de vistas materializadas, el estado de la replicación de la vista materializada base a la réplica de la vista materializada. Puede ser uno de los siguientes: `REPLICATION_STATUS_UNSPECIFIED` `ACTIVE`: la replicación está activa y no hay errores `SOURCE_DELETED`: se ha eliminado la vista materializada de origen `PERMISSION_DENIED`: La vista materializada de origen no se ha autorizado en el conjunto de datos que contiene las tablas de BigLake de Amazon S3 de origen que se han usado en la consulta que ha creado la vista materializada. `UNSUPPORTED_CONFIGURATION`: Hay un problema con los requisitos de la réplica que no está relacionado con la autorización de la vista materializada de origen.
`replication_error`	`STRING`	Si `replication_status` indica un problema de replicación de una réplica de vista materializada, `replication_error` proporciona más detalles sobre el problema.
`ddl`	`STRING`	La declaración de DDL que se puede usar para volver a crear la tabla, como `CREATE TABLE` o `CREATE VIEW`
`default_collation_name`	`STRING`	El nombre de la especificación de ordenación predeterminada, si existe. De lo contrario, `NULL`.
`upsert_stream_apply_watermark`	`TIMESTAMP`	En las tablas que usan la captura de datos de cambios (CDC), se indica la hora en la que se aplicaron por última vez las modificaciones de las filas. Para obtener más información, consulta Monitor the progress of a table upsert operation (Monitorizar el progreso de una operación de upsert de tabla).

Ejemplos

Ejemplo 1:

En el siguiente ejemplo se obtienen los metadatos de todas las tablas del conjunto de datos llamado mydataset. Los metadatos que se devuelven son de todos los tipos de tablas de mydataset de tu proyecto predeterminado.

mydataset contiene las siguientes tablas:

mytable1: una tabla de BigQuery estándar
myview1: una vista de BigQuery

Para ejecutar la consulta en un proyecto que no sea el predeterminado, añade el ID del proyecto al conjunto de datos con el siguiente formato: `project_id`.dataset.INFORMATION_SCHEMA.view; por ejemplo, `myproject`.mydataset.INFORMATION_SCHEMA.TABLES.

SELECT
  table_catalog, table_schema, table_name, table_type,
  is_insertable_into, creation_time, ddl
FROM
  mydataset.INFORMATION_SCHEMA.TABLES;

El resultado es similar al siguiente. Para mejorar la legibilidad, algunas columnas se han excluido del resultado.

+----------------+---------------+----------------+------------+--------------------+---------------------+---------------------------------------------+
| table_catalog  | table_schema  |   table_name   | table_type | is_insertable_into |    creation_time    |                     ddl                     |
+----------------+---------------+----------------+------------+--------------------+---------------------+---------------------------------------------+
| myproject      | mydataset     | mytable1       | BASE TABLE | YES                | 2018-10-29 20:34:44 | CREATE TABLE `myproject.mydataset.mytable1` |
|                |               |                |            |                    |                     | (                                           |
|                |               |                |            |                    |                     |   id INT64                                  |
|                |               |                |            |                    |                     | );                                          |
| myproject      | mydataset     | myview1        | VIEW       | NO                 | 2018-12-29 00:19:20 | CREATE VIEW `myproject.mydataset.myview1`   |
|                |               |                |            |                    |                     | AS SELECT 100 as id;                        |
+----------------+---------------+----------------+------------+--------------------+---------------------+---------------------------------------------+

Ejemplo 2:

En el siguiente ejemplo se obtienen los metadatos de todas las tablas de tipo CLONE o SNAPSHOT de la vista INFORMATION_SCHEMA.TABLES. Los metadatos devueltos corresponden a las tablas de mydataset de su proyecto predeterminado.

  SELECT
    table_name, table_type, base_table_catalog,
    base_table_schema, base_table_name, snapshot_time_ms
  FROM
    mydataset.INFORMATION_SCHEMA.TABLES
  WHERE
    table_type = 'CLONE'
  OR
    table_type = 'SNAPSHOT';

El resultado es similar al siguiente. Para mejorar la legibilidad, algunas columnas se han excluido del resultado.

  +--------------+------------+--------------------+-------------------+-----------------+---------------------+
  | table_name   | table_type | base_table_catalog | base_table_schema | base_table_name | snapshot_time_ms    |
  +--------------+------------+--------------------+-------------------+-----------------+---------------------+
  | items_clone  | CLONE      | myproject          | mydataset         | items           | 2018-10-31 22:40:05 |
  | orders_bk    | SNAPSHOT   | myproject          | mydataset         | orders          | 2018-11-01 08:22:39 |
  +--------------+------------+--------------------+-------------------+-----------------+---------------------+

Ejemplo 3:

En el siguiente ejemplo se obtienen las columnas table_name y ddl de la vista INFORMATION_SCHEMA.TABLES de la tabla population_by_zip_2010 del conjunto de datos census_bureau_usa. Este conjunto de datos forma parte del programa de conjuntos de datos públicos de BigQuery.

Como la tabla que estás consultando está en otro proyecto, debes añadir el ID del proyecto al conjunto de datos con el siguiente formato: `project_id`.dataset.INFORMATION_SCHEMA.view. En este ejemplo, el valor es `bigquery-public-data`.census_bureau_usa.INFORMATION_SCHEMA.TABLES.

SELECT
  table_name, ddl
FROM
  `bigquery-public-data`.census_bureau_usa.INFORMATION_SCHEMA.TABLES
WHERE
  table_name = 'population_by_zip_2010';

El resultado es similar al siguiente:

+------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
|       table_name       |                                                                                                            ddl                                                                                                             |
+------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| population_by_zip_2010 | CREATE TABLE `bigquery-public-data.census_bureau_usa.population_by_zip_2010`                                                                                                                                               |
|                        | (                                                                                                                                                                                                                          |
|                        |   geo_id STRING OPTIONS(description="Geo code"),                                                                                                                                                                           |
|                        |   zipcode STRING NOT NULL OPTIONS(description="Five digit ZIP Code Tabulation Area Census Code"),                                                                                                                          |
|                        |   population INT64 OPTIONS(description="The total count of the population for this segment."),                                                                                                                             |
|                        |   minimum_age INT64 OPTIONS(description="The minimum age in the age range. If null, this indicates the row as a total for male, female, or overall population."),                                                          |
|                        |   maximum_age INT64 OPTIONS(description="The maximum age in the age range. If null, this indicates the row as having no maximum (such as 85 and over) or the row is a total of the male, female, or overall population."), |
|                        |   gender STRING OPTIONS(description="male or female. If empty, the row is a total population summary.")                                                                                                                    |
|                        | )                                                                                                                                                                                                                          |
|                        | OPTIONS(                                                                                                                                                                                                                   |
|                        |   labels=[("freebqcovid", "")]                                                                                                                                                                                             |
|                        | );                                                                                                                                                                                                                         |
+------------------------+----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+

`TABLE_OPTIONS` vista

Cuando consultas la vista INFORMATION_SCHEMA.TABLE_OPTIONS, los resultados de la consulta contienen una fila por cada opción, por cada tabla o vista de un conjunto de datos. Para obtener información detallada sobre las vistas, consulta la vista INFORMATION_SCHEMA.VIEWS.

La vista INFORMATION_SCHEMA.TABLE_OPTIONS tiene el siguiente esquema:

Nombre de la columna	Tipo de datos	Valor
`TABLE_CATALOG`	`STRING`	El ID del proyecto que contiene el conjunto de datos
`TABLE_SCHEMA`	`STRING`	Nombre del conjunto de datos que contiene la tabla o la vista, también denominado `datasetId`
`TABLE_NAME`	`STRING`	Nombre de la tabla o de la vista, también conocido como `tableId`
`OPTION_NAME`	`STRING`	Uno de los valores de nombre de la tabla de opciones
`OPTION_TYPE`	`STRING`	Uno de los valores de tipo de datos de la tabla de opciones
`OPTION_VALUE`	`STRING`	Una de las opciones de valor de la tabla de opciones

Tabla de opciones

`OPTION_NAME`	`OPTION_TYPE`	`OPTION_VALUE`
`description`	`STRING`	Una descripción de la tabla
`enable_refresh`	`BOOL`	Si la actualización automática está habilitada en una vista materializada
`expiration_timestamp`	`TIMESTAMP`	La hora en la que caduca esta tabla
`friendly_name`	`STRING`	Nombre descriptivo de la tabla
`kms_key_name`	`STRING`	Nombre de la clave de Cloud KMS que se usa para cifrar la tabla.
`labels`	`ARRAY<STRUCT<STRING, STRING>>`	Es un array de `STRUCT` que representa las etiquetas de la tabla.
`max_staleness`	`INTERVAL`	La antigüedad máxima de la tabla configurada para las inserciones y actualizaciones de captura de datos de cambios (CDC) de BigQuery
`partition_expiration_days`	`FLOAT64`	Tiempo de vida predeterminado, en días, de todas las particiones de una tabla con particiones.
`refresh_interval_minutes`	`FLOAT64`	Con qué frecuencia se actualiza una vista materializada
`require_partition_filter`	`BOOL`	Indica si las consultas en la tabla requieren un filtro de partición.
`tags`	`ARRAY<STRUCT<STRING, STRING>>`	Etiquetas asociadas a una tabla con la sintaxis <clave, valor> de espacio de nombres. Para obtener más información, consulta el artículo sobre etiquetas y acceso condicional.

En el caso de las tablas externas, se pueden usar las siguientes opciones:

Opciones
`allow_jagged_rows`	`BOOL` Si es `true`, permite las filas que no tengan columnas opcionales finales. Se aplica a los datos CSV.
`allow_quoted_newlines`	`BOOL` Si `true`, permite secciones de datos entre comillas que contengan caracteres de salto de línea en el archivo. Se aplica a los datos CSV.
`bigtable_options`	`STRING` Solo es obligatorio cuando se crea una tabla externa de Bigtable. Especifica el esquema de la tabla externa de Bigtable en formato JSON. Para ver una lista de las opciones de definición de tablas de Bigtable, consulta `BigtableOptions` en la referencia de la API REST.
`column_name_character_map`	`STRING` Define el ámbito de los caracteres admitidos en los nombres de columna y el comportamiento de los caracteres no admitidos. El ajuste predeterminado es `STRICT`, lo que significa que los caracteres no admitidos provocan que BigQuery genere errores. `V1` y `V2` sustituyen los caracteres no admitidos por guiones bajos. Entre los valores admitidos se incluyen los siguientes: `STRICT`. Habilita los nombres de columna flexibles. Este es el valor predeterminado. Las tareas de carga con caracteres no admitidos en los nombres de las columnas fallan y muestran un mensaje de error. Para configurar la sustitución de caracteres no admitidos por guiones bajos de forma que el trabajo de carga se realice correctamente, especifica el ajuste de configuración `default_column_name_character_map`. `V1`. Los nombres de las columnas solo pueden contener caracteres estándar. Los caracteres no admitidos (excepto los puntos en los nombres de las columnas de los archivos Parquet) se sustituyen por guiones bajos. Este es el comportamiento predeterminado de las tablas creadas antes de la introducción de `column_name_character_map`. `V2`. Además de los caracteres de nombres de columna estándar, también admite nombres de columna flexibles. Los caracteres no admitidos (excepto los puntos en los nombres de las columnas de los archivos Parquet) se sustituyen por guiones bajos. Se aplica a los datos CSV y Parquet.
`compression`	`STRING` El tipo de compresión de la fuente de datos. Los valores admitidos son: `GZIP`. Si no se especifica, la fuente de datos no se comprime. Se aplica a los datos CSV y JSON.
`decimal_target_types`	`ARRAY<STRING>` Determina cómo convertir un tipo `Decimal`. Equivalente a ExternalDataConfiguration.decimal_target_types Ejemplo: `["NUMERIC", "BIGNUMERIC"]`
`description`	`STRING` Descripción de esta tabla.
`enable_list_inference`	`BOOL` Si `true`, usa la inferencia de esquemas específicamente para el tipo lógico LIST de Parquet. Se aplica a los datos de Parquet.
`enable_logical_types`	`BOOL` Si `true`, convierte los tipos lógicos de Avro en sus tipos de SQL correspondientes. Para obtener más información, consulta Tipos lógicos. Se aplica a los datos de Avro.
`encoding`	`STRING` La codificación de caracteres de los datos. Entre los valores admitidos se incluyen los siguientes: `UTF8` (o `UTF-8`), `ISO_8859_1` (o `ISO-8859-1`), `UTF-16BE`, `UTF-16LE`, `UTF-32BE` o `UTF-32LE`. El valor predeterminado es `UTF-8`. Se aplica a los datos CSV.
`enum_as_string`	`BOOL` Si `true`, infiere el tipo lógico ENUM de Parquet como STRING en lugar de BYTES de forma predeterminada. Se aplica a los datos de Parquet.
`expiration_timestamp`	`TIMESTAMP` La hora en la que caduca esta tabla. Si no se especifica, la tabla no caduca. Ejemplo: `"2025-01-01 00:00:00 UTC"`
`field_delimiter`	`STRING` El separador de los campos de un archivo CSV. Se aplica a los datos CSV.
`format`	`STRING` El formato de los datos externos. Los valores admitidos para `CREATE EXTERNAL TABLE` son: `AVRO`, `CLOUD_BIGTABLE`, `CSV`, `DATASTORE_BACKUP`, `DELTA_LAKE` (vista previa), `GOOGLE_SHEETS`, `NEWLINE_DELIMITED_JSON` (o `JSON`), `ORC` y `PARQUET`. Los valores admitidos para `LOAD DATA` son: `AVRO`, `CSV`, `DELTA_LAKE` (vista previa) `NEWLINE_DELIMITED_JSON` (o `JSON`), `ORC` y `PARQUET`. El valor `JSON` equivale a `NEWLINE_DELIMITED_JSON`.
`hive_partition_uri_prefix`	`STRING` Prefijo común de todos los URIs de origen antes de que empiece la codificación de la clave de partición. Solo se aplica a las tablas externas con particiones de Hive. Se aplica a los datos de Avro, CSV, JSON, Parquet y ORC. Ejemplo: `"gs://bucket/path"`
`file_set_spec_type`	`STRING` Especifica cómo interpretar los URIs de origen de las tareas de carga y las tablas externas. Entre los valores admitidos se incluyen los siguientes: `FILE_SYSTEM_MATCH`. Amplía los URIs de origen mostrando los archivos del almacén de objetos. Este es el comportamiento predeterminado si no se define FileSetSpecType. `NEW_LINE_DELIMITED_MANIFEST`. Indica que los URIs proporcionados son archivos de manifiesto delimitados por saltos de línea, con un URI por línea. Las URIs comodín no se admiten en los archivos de manifiesto y todos los archivos de datos a los que se haga referencia deben estar en el mismo segmento que el archivo de manifiesto. Por ejemplo, si tiene un URI de origen `"gs://bucket/path/file"` y el `file_set_spec_type` es `FILE_SYSTEM_MATCH`, el archivo se usa directamente como archivo de datos. Si el `file_set_spec_type` es `NEW_LINE_DELIMITED_MANIFEST`, cada línea del archivo se interpreta como un URI que apunta a un archivo de datos.
`ignore_unknown_values`	`BOOL` Si es `true`, ignora los valores adicionales que no estén representados en el esquema de la tabla sin devolver un error. Se aplica a los datos CSV y JSON.
`json_extension`	`STRING` En el caso de los datos JSON, indica un formato de intercambio JSON concreto. Si no se especifica, BigQuery lee los datos como registros JSON genéricos. Los valores admitidos son los siguientes: `GEOJSON`. Datos de GeoJSON delimitados por líneas nuevas. Para obtener más información, consulta el artículo Crear una tabla externa a partir de un archivo GeoJSON delimitado por líneas nuevas.
`max_bad_records`	`INT64` Número máximo de registros incorrectos que se deben ignorar al leer los datos. Se aplica a los datos CSV, JSON y de Hojas de cálculo de Google.
`max_staleness`	`INTERVAL` Se aplica a las tablas de BigLake y a las tablas de objetos. Especifica si las operaciones de la tabla usan metadatos almacenados en caché y cuánto tiempo deben haber pasado desde la última actualización de los metadatos almacenados en caché para que la operación los pueda usar. Para inhabilitar el almacenamiento en caché de metadatos, especifica 0. Este es el valor predeterminado. Para habilitar el almacenamiento en caché de metadatos, especifica un valor de literal de intervalo entre 30 minutos y 7 días. Por ejemplo, especifica `INTERVAL 4 HOUR` para un intervalo de obsolescencia de 4 horas. Con este valor, las operaciones en la tabla usan metadatos almacenados en caché si se han actualizado en las últimas 4 horas. Si los metadatos almacenados en caché son anteriores a esa fecha, la operación recurre a la recuperación de metadatos de Cloud Storage.
`null_marker`	`STRING` Cadena que representa los valores de `NULL` en un archivo CSV. Se aplica a los datos CSV.
`null_markers`	`ARRAY<STRING>` Vista previa Lista de cadenas que representan valores `NULL` en un archivo CSV. Esta opción no se puede usar con la opción `null_marker`. Se aplica a los datos CSV.
`object_metadata`	`STRING` Solo es obligatorio cuando se crea una tabla de objetos. Asigna el valor `SIMPLE` a esta opción cuando crees una tabla de objetos.
`preserve_ascii_control_characters`	`BOOL` Si `true`, se conservan los caracteres de control ASCII insertados, que son los 32 primeros caracteres de la tabla ASCII, que van de "\x00" a "\x1F". Se aplica a los datos CSV.
`projection_fields`	`STRING` Lista de propiedades de la entidad que se van a cargar. Se aplica a los datos de Datastore.
`quote`	`STRING` Cadena que se usa para poner entre comillas las secciones de datos de un archivo CSV. Si sus datos contienen caracteres de salto de línea entre comillas, también debe asignar el valor `true` a la propiedad `allow_quoted_newlines`. Se aplica a los datos CSV.
`reference_file_schema_uri`	`STRING` Archivo de referencia proporcionado por el usuario con el esquema de la tabla. Se aplica a los datos de Parquet, ORC y AVRO. Ejemplo: `"gs://bucket/path/reference_schema_file.parquet"`
`require_hive_partition_filter`	`BOOL` Si `true`, todas las consultas de esta tabla requieren un filtro de partición que se pueda usar para descartar particiones al leer datos. Solo se aplica a las tablas externas con particiones de Hive. Se aplica a los datos de Avro, CSV, JSON, Parquet y ORC.
`sheet_range`	`STRING` Intervalo de una hoja de cálculo de Google del que se va a obtener información. Se aplica a los datos de Hojas de cálculo de Google. Ejemplo: `"sheet1!A1:B20"`,
`skip_leading_rows`	`INT64` Número de filas de la parte superior de un archivo que se deben omitir al leer los datos. Se aplica a los datos de archivos CSV y de Hojas de cálculo de Google.
`source_column_match`	`STRING` Vista previa Controla la estrategia utilizada para asociar las columnas cargadas al esquema. Si no se especifica ningún valor, el valor predeterminado se basa en cómo se proporciona el esquema. Si la detección automática está habilitada, el comportamiento predeterminado es hacer coincidir las columnas por nombre. De lo contrario, las columnas se emparejan por posición de forma predeterminada. Esto se hace para mantener la retrocompatibilidad. Entre los valores admitidos se incluyen los siguientes: `POSITION`: coincidencias por posición. Esta opción da por supuesto que las columnas están ordenadas de la misma forma que el esquema. `NAME`: coincide por nombre. Esta opción lee la fila de encabezado como nombres de columna y reordena las columnas para que coincidan con los nombres de los campos del esquema. Los nombres de las columnas se leen de la última fila omitida en función de la propiedad `skip_leading_rows`.
`tags`	`<ARRAY<STRUCT<STRING, STRING>>>` Es un array de etiquetas de gestión de identidades y accesos de la tabla, expresado como pares clave-valor. La clave debe ser el nombre de la clave con espacio de nombres y el valor debe ser el nombre abreviado.
`time_zone`	`STRING` Vista previa Zona horaria predeterminada que se aplicará al analizar valores de marca de tiempo que no tengan una zona horaria específica. Consulta los nombres de zonas horarias válidos. Si no se incluye este valor, las marcas de tiempo sin una zona horaria específica se analizan con la zona horaria predeterminada UTC. Se aplica a los datos CSV y JSON.
`date_format`	`STRING` Vista previa Elementos de formato que definen cómo se les da formato a los valores DATE en los archivos de entrada (por ejemplo, `MM/DD/YYYY`). Si este valor está presente, este formato es el único compatible con DATE. La detección automática de esquemas también determinará el tipo de columna DATE en función de este formato en lugar del formato actual. Si no se incluye este valor, el campo DATE se analiza con los formatos predeterminados. Se aplica a los datos CSV y JSON.
`datetime_format`	`STRING` Vista previa Elementos de formato que definen cómo se formatean los valores DATETIME en los archivos de entrada (por ejemplo, `MM/DD/YYYY HH24:MI:SS.FF3`). Si este valor está presente, este formato es el único compatible con DATETIME. La detección automática de esquemas también determinará el tipo de columna DATETIME en función de este formato en lugar del formato actual. Si no se incluye este valor, el campo DATETIME se analiza con los formatos predeterminados. Se aplica a los datos CSV y JSON.
`time_format`	`STRING` Vista previa Elementos de formato que definen cómo se formatean los valores TIME en los archivos de entrada (por ejemplo, `HH24:MI:SS.FF3`). Si este valor está presente, este formato es el único compatible con TIME. La detección automática de esquemas también decidirá el tipo de columna TIME en función de este formato en lugar del formato actual. Si no se incluye este valor, el campo TIME se analiza con los formatos predeterminados. Se aplica a los datos CSV y JSON.
`timestamp_format`	`STRING` Vista previa Elementos de formato que definen cómo se formatean los valores TIMESTAMP en los archivos de entrada (por ejemplo, `MM/DD/YYYY HH24:MI:SS.FF3`). Si este valor está presente, este formato es el único compatible con TIMESTAMP. La detección automática de esquemas también determinará el tipo de columna TIMESTAMP en función de este formato en lugar del formato actual. Si no se incluye este valor, el campo TIMESTAMP se analiza con los formatos predeterminados. Se aplica a los datos CSV y JSON.
`uris`	En el caso de las tablas externas, incluidas las tablas de objetos, que no sean tablas de Bigtable: `ARRAY<STRING>` Matriz de URIs totalmente cualificados de las ubicaciones de datos externos. Cada URI puede contener un asterisco (``) comodín, que debe ir después del nombre del depósito. Si especifica valores de `uris` que se dirijan a varios archivos, todos esos archivos deben compartir un esquema compatible. En los siguientes ejemplos se muestran valores de `uris` válidos: `['gs://bucket/path1/myfile.csv']` `['gs://bucket/path1/.csv']` `['gs://bucket/path1/', 'gs://bucket/path2/file00']` En el caso de las tablas de Bigtable: `STRING` El URI que identifica la tabla de Bigtable que se va a usar como fuente de datos. Solo puedes especificar un URI de Bigtable. Ejemplo: `https://googleapis.com/bigtable/projects/project_id/instances/instance_id[/appProfiles/app_profile]/tables/table_name` Para obtener más información sobre cómo crear un URI de Bigtable, consulta Obtener el URI de Bigtable.

Ejemplos

Ejemplo 1:

En el siguiente ejemplo se obtienen los tiempos de caducidad de tabla predeterminados de todas las tablas de mydataset en tu proyecto predeterminado (myproject) consultando la vista INFORMATION_SCHEMA.TABLE_OPTIONS.

  SELECT
    *
  FROM
    mydataset.INFORMATION_SCHEMA.TABLE_OPTIONS
  WHERE
    option_name = 'expiration_timestamp';

El resultado es similar al siguiente:

  +----------------+---------------+------------+----------------------+-------------+--------------------------------------+
  | table_catalog  | table_schema  | table_name |     option_name      | option_type |             option_value             |
  +----------------+---------------+------------+----------------------+-------------+--------------------------------------+
  | myproject      | mydataset     | mytable1   | expiration_timestamp | TIMESTAMP   | TIMESTAMP "2020-01-16T21:12:28.000Z" |
  | myproject      | mydataset     | mytable2   | expiration_timestamp | TIMESTAMP   | TIMESTAMP "2021-01-01T21:12:28.000Z" |
  +----------------+---------------+------------+----------------------+-------------+--------------------------------------+

Ejemplo 2:

En el siguiente ejemplo se recuperan los metadatos de todas las tablas de mydataset que contienen datos de prueba. La consulta usa los valores de la opción description para buscar tablas que contengan "test" en cualquier parte de la descripción. mydataset está en tu proyecto predeterminado: myproject.

Para ejecutar la consulta en un proyecto que no sea el predeterminado, añade el ID del proyecto al conjunto de datos con el siguiente formato: `project_id`.dataset.INFORMATION_SCHEMA.view. Por ejemplo: `myproject`.mydataset.INFORMATION_SCHEMA.TABLE_OPTIONS.

  SELECT
    *
  FROM
    mydataset.INFORMATION_SCHEMA.TABLE_OPTIONS
  WHERE
    option_name = 'description'
    AND option_value LIKE '%test%';

El resultado es similar al siguiente:

  +----------------+---------------+------------+-------------+-------------+--------------+
  | table_catalog  | table_schema  | table_name | option_name | option_type | option_value |
  +----------------+---------------+------------+-------------+-------------+--------------+
  | myproject      | mydataset     | mytable1   | description | STRING      | "test data"  |
  | myproject      | mydataset     | mytable2   | description | STRING      | "test data"  |
  +----------------+---------------+------------+-------------+-------------+--------------+

`COLUMNS` vista

Cuando consultas la vista INFORMATION_SCHEMA.COLUMNS, los resultados de la consulta contienen una fila por cada columna (campo) de una tabla.

La vista INFORMATION_SCHEMA.COLUMNS tiene el siguiente esquema:

Nombre de la columna	Tipo de datos	Valor
`TABLE_CATALOG`	`STRING`	El ID del proyecto que contiene el conjunto de datos
`TABLE_SCHEMA`	`STRING`	Nombre del conjunto de datos que contiene la tabla, también conocido como `datasetId`
`TABLE_NAME`	`STRING`	Nombre de la tabla o de la vista, también conocido como `tableId`
`COLUMN_NAME`	`STRING`	Nombre de la columna
`ORDINAL_POSITION`	`INT64`	Desplazamiento de base 1 de la columna en la tabla. Si se trata de una pseudocolumna, como _PARTITIONTIME o _PARTITIONDATE, el valor es `NULL`.
`IS_NULLABLE`	`STRING`	`YES` o `NO` en función de si el modo de la columna permite valores `NULL`
`DATA_TYPE`	`STRING`	El tipo de datos de GoogleSQL de la columna
`IS_GENERATED`	`STRING`	El valor es siempre `NEVER`.
`GENERATION_EXPRESSION`	`STRING`	El valor es siempre `NULL`.
`IS_STORED`	`STRING`	El valor es siempre `NULL`.
`IS_HIDDEN`	`STRING`	`YES` o `NO` en función de si la columna es una pseudocolumna como _PARTITIONTIME o _PARTITIONDATE
`IS_UPDATABLE`	`STRING`	El valor es siempre `NULL`.
`IS_SYSTEM_DEFINED`	`STRING`	`YES` o `NO` en función de si la columna es una pseudocolumna como _PARTITIONTIME o _PARTITIONDATE
`IS_PARTITIONING_COLUMN`	`STRING`	`YES` o `NO` en función de si la columna es una columna de partición
`CLUSTERING_ORDINAL_POSITION`	`INT64`	Desplazamiento de la columna en la tabla, indexado a partir de 1, dentro de las columnas de agrupación en clústeres de la tabla. El valor es `NULL` si la tabla no es una tabla agrupada en clústeres.
`COLLATION_NAME`	`STRING`	Nombre de la especificación de ordenación, si existe. De lo contrario, se devuelve `NULL` . Si se incluye `STRING` o `ARRAY<STRING>`, se devuelve la especificación de ordenación si existe. De lo contrario, se devuelve `NULL`.
`COLUMN_DEFAULT`	`STRING`	El valor predeterminado de la columna si existe. De lo contrario, el valor es `NULL`.
`ROUNDING_MODE`	`STRING`	El modo de redondeo que se usa para los valores escritos en el campo si su tipo es `NUMERIC` o `BIGNUMERIC` con parámetros. De lo contrario, el valor es `NULL`.
`POLICY_TAGS`	`ARRAY<STRING>`	Lista de etiquetas de política asociadas a la columna

Ejemplos

En el siguiente ejemplo se recuperan los metadatos de la vista INFORMATION_SCHEMA.COLUMNS de la tabla population_by_zip_2010 del conjunto de datos census_bureau_usa. Este conjunto de datos forma parte del programa de conjuntos de datos públicos de BigQuery.

Como la tabla que estás consultando está en otro proyecto (bigquery-public-data), debes añadir el ID del proyecto al conjunto de datos con el siguiente formato: `project_id`.dataset.INFORMATION_SCHEMA.view; por ejemplo, `bigquery-public-data`.census_bureau_usa.INFORMATION_SCHEMA.TABLES.

Las siguientes columnas se excluyen de los resultados de la consulta porque actualmente están reservadas para usarlas en el futuro:

IS_GENERATED
GENERATION_EXPRESSION
IS_STORED
IS_UPDATABLE

  SELECT
    * EXCEPT(is_generated, generation_expression, is_stored, is_updatable)
  FROM
    `bigquery-public-data`.census_bureau_usa.INFORMATION_SCHEMA.COLUMNS
  WHERE
    table_name = 'population_by_zip_2010';

El resultado es similar al siguiente. Para mejorar la legibilidad, algunas columnas se han excluido del resultado.

+------------------------+-------------+------------------+-------------+-----------+-----------+-------------------+------------------------+-----------------------------+-------------+
|       table_name       | column_name | ordinal_position | is_nullable | data_type | is_hidden | is_system_defined | is_partitioning_column | clustering_ordinal_position | policy_tags |
+------------------------+-------------+------------------+-------------+-----------+-----------+-------------------+------------------------+-----------------------------+-------------+
| population_by_zip_2010 | zipcode     |                1 | NO          | STRING    | NO        | NO                | NO                     |                        NULL | 0 rows      |
| population_by_zip_2010 | geo_id      |                2 | YES         | STRING    | NO        | NO                | NO                     |                        NULL | 0 rows      |
| population_by_zip_2010 | minimum_age |                3 | YES         | INT64     | NO        | NO                | NO                     |                        NULL | 0 rows      |
| population_by_zip_2010 | maximum_age |                4 | YES         | INT64     | NO        | NO                | NO                     |                        NULL | 0 rows      |
| population_by_zip_2010 | gender      |                5 | YES         | STRING    | NO        | NO                | NO                     |                        NULL | 0 rows      |
| population_by_zip_2010 | population  |                6 | YES         | INT64     | NO        | NO                | NO                     |                        NULL | 0 rows      |
+------------------------+-------------+------------------+-------------+-----------+-----------+-------------------+------------------------+-----------------------------+-------------+

`COLUMN_FIELD_PATHS` vista

Cuando consultas la vista INFORMATION_SCHEMA.COLUMN_FIELD_PATHS, los resultados de la consulta contienen una fila por cada columna anidada en una columna RECORD (o STRUCT).

La vista INFORMATION_SCHEMA.COLUMN_FIELD_PATHS tiene el siguiente esquema:

Nombre de la columna	Tipo de datos	Valor
`TABLE_CATALOG`	`STRING`	El ID del proyecto que contiene el conjunto de datos
`TABLE_SCHEMA`	`STRING`	Nombre del conjunto de datos que contiene la tabla, también conocido como `datasetId`
`TABLE_NAME`	`STRING`	Nombre de la tabla o de la vista, también conocido como `tableId`
`COLUMN_NAME`	`STRING`	Nombre de la columna
`FIELD_PATH`	`STRING`	La ruta a una columna anidada en una columna `RECORD` o `STRUCT`
`DATA_TYPE`	`STRING`	El tipo de datos de GoogleSQL de la columna
`DESCRIPTION`	`STRING`	Descripción de la columna
`COLLATION_NAME`	`STRING`	Nombre de la especificación de ordenación si existe. De lo contrario, `NULL` . Si se incluye un campo `STRING`, `ARRAY<STRING>` o `STRING` en un `STRUCT`, se devuelve la especificación de ordenación si existe. De lo contrario, se devuelve `NULL`.
`ROUNDING_MODE`	`STRING`	El modo de redondeo que se usa al aplicar precisión y escala a los valores de los parámetros `NUMERIC` o `BIGNUMERIC`. De lo contrario, el valor es `NULL`.
`POLICY_TAGS`	`ARRAY<STRING>`	Lista de etiquetas de política asociadas a la columna

Ejemplos

En el siguiente ejemplo se recuperan los metadatos de la vista INFORMATION_SCHEMA.COLUMN_FIELD_PATHS de la tabla commits del conjunto de datos github_repos. Este conjunto de datos forma parte del programa de conjuntos de datos públicos de BigQuery.

La tabla commits contiene las siguientes columnas anidadas y repetidas:

author: columna RECORD anidada
committer: columna RECORD anidada
trailer: columna RECORD anidada y repetida
difference: columna RECORD anidada y repetida

Para ver los metadatos de las columnas author y difference, ejecuta la siguiente consulta.

SELECT
  *
FROM
  `bigquery-public-data`.github_repos.INFORMATION_SCHEMA.COLUMN_FIELD_PATHS
WHERE
  table_name = 'commits'
  AND (column_name = 'author' OR column_name = 'difference');

El resultado es similar al siguiente. Para mejorar la legibilidad, algunas columnas se han excluido del resultado.

  +------------+-------------+---------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------+-------------+-------------+
  | table_name | column_name |     field_path      |                                                                      data_type                                                                      | description | policy_tags |
  +------------+-------------+---------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------+-------------+-------------+
  | commits    | author      | author              | STRUCT<name STRING, email STRING, time_sec INT64, tz_offset INT64, date TIMESTAMP>                                                                  | NULL        | 0 rows      |
  | commits    | author      | author.name         | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | author      | author.email        | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | author      | author.time_sec     | INT64                                                                                                                                               | NULL        | 0 rows      |
  | commits    | author      | author.tz_offset    | INT64                                                                                                                                               | NULL        | 0 rows      |
  | commits    | author      | author.date         | TIMESTAMP                                                                                                                                           | NULL        | 0 rows      |
  | commits    | difference  | difference          | ARRAY<STRUCT<old_mode INT64, new_mode INT64, old_path STRING, new_path STRING, old_sha1 STRING, new_sha1 STRING, old_repo STRING, new_repo STRING>> | NULL        | 0 rows      |
  | commits    | difference  | difference.old_mode | INT64                                                                                                                                               | NULL        | 0 rows      |
  | commits    | difference  | difference.new_mode | INT64                                                                                                                                               | NULL        | 0 rows      |
  | commits    | difference  | difference.old_path | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | difference  | difference.new_path | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | difference  | difference.old_sha1 | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | difference  | difference.new_sha1 | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | difference  | difference.old_repo | STRING                                                                                                                                              | NULL        | 0 rows      |
  | commits    | difference  | difference.new_repo | STRING                                                                                                                                              | NULL        | 0 rows      |
  +------------+-------------+---------------------+-----------------------------------------------------------------------------------------------------------------------------------------------------+-------------+-------------+

`TABLE_STORAGE` vista

Las vistas TABLE_STORAGE y TABLE_STORAGE_BY_ORGANIZATION tienen el siguiente esquema:

Nombre de la columna	Tipo de datos	Valor
`PROJECT_ID`	`STRING`	El ID del proyecto que contiene el conjunto de datos.
`PROJECT_NUMBER`	`INT64`	El número de proyecto del proyecto que contiene el conjunto de datos.
`TABLE_CATALOG`	`STRING`	El ID del proyecto que contiene el conjunto de datos.
`TABLE_SCHEMA`	`STRING`	Nombre del conjunto de datos que contiene la tabla o la vista materializada, también denominado `datasetId`.
`TABLE_NAME`	`STRING`	Nombre de la tabla o de la vista materializada, también conocido como `tableId`.
`CREATION_TIME`	`TIMESTAMP`	Hora de creación de la tabla.
`TOTAL_ROWS`	`INT64`	Número total de filas de la tabla o de la vista materializada.
`TOTAL_PARTITIONS`	`INT64`	Número de particiones presentes en la tabla o en la vista materializada. Las tablas sin particiones devuelven 0.
`TOTAL_LOGICAL_BYTES`	`INT64`	Número total de bytes lógicos (sin comprimir) de la tabla o de la vista materializada.
`ACTIVE_LOGICAL_BYTES`	`INT64`	Número de bytes lógicos (sin comprimir) que tienen menos de 90 días.
`LONG_TERM_LOGICAL_BYTES`	`INT64`	Número de bytes lógicos (sin comprimir) que tienen más de 90 días.
`CURRENT_PHYSICAL_BYTES`	`INT64`	Número total de bytes físicos del almacenamiento actual de la tabla en todas las particiones.
`TOTAL_PHYSICAL_BYTES`	`INT64`	Número total de bytes físicos (comprimidos) usados para el almacenamiento, incluidos los bytes activos, a largo plazo y de viajes en el tiempo (datos eliminados o modificados). No se incluyen los bytes de seguridad (datos eliminados o modificados que se conservan después del periodo de la función de viaje en el tiempo).
`ACTIVE_PHYSICAL_BYTES`	`INT64`	Número de bytes físicos (comprimidos) con una antigüedad inferior a 90 días, incluidos los bytes de viajes en el tiempo (datos eliminados o modificados).
`LONG_TERM_PHYSICAL_BYTES`	`INT64`	Número de bytes físicos (comprimidos) con más de 90 días de antigüedad.
`TIME_TRAVEL_PHYSICAL_BYTES`	`INT64`	Número de bytes físicos (comprimidos) usados por el almacenamiento de viajes en el tiempo (datos eliminados o modificados).
`STORAGE_LAST_MODIFIED_TIME`	`TIMESTAMP`	La hora más reciente en la que se escribieron datos en la tabla.
`DELETED`	`BOOLEAN`	Indica si la tabla se ha eliminado.
`TABLE_TYPE`	`STRING`	El tipo de tabla. Por ejemplo, `BASE TABLE`.
`MANAGED_TABLE_TYPE`	`STRING`	Esta columna está en versión preliminar. Tipo gestionado de la tabla. Por ejemplo, `NATIVE` o `BIGLAKE`.
`FAIL_SAFE_PHYSICAL_BYTES`	`INT64`	Número de bytes físicos (comprimidos) utilizados por el almacenamiento a prueba de fallos (datos eliminados o modificados).
`LAST_METADATA_INDEX_REFRESH_TIME`	`TIMESTAMP`	La hora de la última actualización del índice de metadatos de la tabla.
`TABLE_DELETION_REASON`	`STRING`	Motivo de la eliminación de la tabla si el campo `DELETED` es true. Los valores posibles son los siguientes: `TABLE_EXPIRATION:` tabla eliminada tras el tiempo de vencimiento establecido El usuario ha eliminado el conjunto de datos `DATASET_DELETION:` El usuario ha eliminado la tabla `USER_DELETED:`
`TABLE_DELETION_TIME`	`TIMESTAMP`	Hora de eliminación de la tabla.

Ejemplos

Ejemplo 1:

En el siguiente ejemplo se muestra el total de bytes lógicos facturados del proyecto actual.

SELECT
  SUM(total_logical_bytes) AS total_logical_bytes
FROM
  `region-REGION`.INFORMATION_SCHEMA.TABLE_STORAGE;

El resultado es similar al siguiente:

+---------------------+
| total_logical_bytes |
+---------------------+
| 971329178274633     |
+---------------------+

Ejemplo 2:

En el siguiente ejemplo se muestran los bytes de almacenamiento en GiB a nivel de conjunto de datos del proyecto actual.

SELECT
  table_schema AS dataset_name,
  -- Logical
  SUM(total_logical_bytes) / power(1024, 3) AS total_logical_gib,  
  SUM(active_logical_bytes) / power(1024, 3) AS active_logical_gib, 
  SUM(long_term_logical_bytes) / power(1024, 3) AS long_term_logical_gib, 
  -- Physical
  SUM(total_physical_bytes) / power(1024, 3) AS total_physical_gib,
  SUM(active_physical_bytes) / power(1024, 3) AS active_physical_gib,
  SUM(active_physical_bytes - time_travel_physical_bytes) / power(1024, 3) AS active_no_tt_physical_gib,
  SUM(long_term_physical_bytes) / power(1024, 3) AS long_term_physical_gib,
  SUM(time_travel_physical_bytes) / power(1024, 3) AS time_travel_physical_gib,
  SUM(fail_safe_physical_bytes) / power(1024, 3) AS fail_safe_physical_gib 
FROM
  `region-REGION`.INFORMATION_SCHEMA.TABLE_STORAGE 
WHERE 
  table_type ='BASE TABLE'
GROUP BY 
  table_schema  
ORDER BY 
  dataset_name

Ejemplo 3:

En el siguiente ejemplo se muestra cómo predecir la diferencia de precio por conjunto de datos entre los modelos de facturación lógicos y físicos durante los próximos 30 días. En este ejemplo se da por supuesto que el uso del almacenamiento futuro es constante durante los próximos 30 días a partir del momento en que se ejecutó la consulta. Ten en cuenta que la previsión se limita a las tablas base y excluye todos los demás tipos de tablas de un conjunto de datos.

Los precios que se usan en las variables de precios de esta consulta corresponden a la región us-central1. Si quieres ejecutar esta consulta en otra región, actualiza las variables de precios según corresponda. Para obtener información sobre los precios, consulta la sección Precio del almacenamiento.

Abre la página de BigQuery en la Google Cloud consola.

Ir a la página de BigQuery

Introduce la siguiente consulta de GoogleSQL en el cuadro Editor de consultas. INFORMATION_SCHEMA requiere la sintaxis de GoogleSQL. GoogleSQL es la sintaxis predeterminada en la Google Cloud consola.

DECLARE active_logical_gib_price FLOAT64 DEFAULT 0.02;
DECLARE long_term_logical_gib_price FLOAT64 DEFAULT 0.01;
DECLARE active_physical_gib_price FLOAT64 DEFAULT 0.04;
DECLARE long_term_physical_gib_price FLOAT64 DEFAULT 0.02;

WITH
 storage_sizes AS (
   SELECT
     table_schema AS dataset_name,
     -- Logical
     SUM(IF(deleted=false, active_logical_bytes, 0)) / power(1024, 3) AS active_logical_gib,
     SUM(IF(deleted=false, long_term_logical_bytes, 0)) / power(1024, 3) AS long_term_logical_gib,
     -- Physical
     SUM(active_physical_bytes) / power(1024, 3) AS active_physical_gib,
     SUM(active_physical_bytes - time_travel_physical_bytes) / power(1024, 3) AS active_no_tt_physical_gib,
     SUM(long_term_physical_bytes) / power(1024, 3) AS long_term_physical_gib,
     -- Restorable previously deleted physical
     SUM(time_travel_physical_bytes) / power(1024, 3) AS time_travel_physical_gib,
     SUM(fail_safe_physical_bytes) / power(1024, 3) AS fail_safe_physical_gib,
   FROM
     `region-REGION`.INFORMATION_SCHEMA.TABLE_STORAGE_BY_PROJECT
   WHERE total_physical_bytes + fail_safe_physical_bytes > 0
     -- Base the forecast on base tables only for highest precision results
     AND table_type  = 'BASE TABLE'
     GROUP BY 1
 )
SELECT
  dataset_name,
  -- Logical
  ROUND(active_logical_gib, 2) AS active_logical_gib,
  ROUND(long_term_logical_gib, 2) AS long_term_logical_gib,
  -- Physical
  ROUND(active_physical_gib, 2) AS active_physical_gib,
  ROUND(long_term_physical_gib, 2) AS long_term_physical_gib,
  ROUND(time_travel_physical_gib, 2) AS time_travel_physical_gib,
  ROUND(fail_safe_physical_gib, 2) AS fail_safe_physical_gib,
  -- Compression ratio
  ROUND(SAFE_DIVIDE(active_logical_gib, active_no_tt_physical_gib), 2) AS active_compression_ratio,
  ROUND(SAFE_DIVIDE(long_term_logical_gib, long_term_physical_gib), 2) AS long_term_compression_ratio,
  -- Forecast costs logical
  ROUND(active_logical_gib * active_logical_gib_price, 2) AS forecast_active_logical_cost,
  ROUND(long_term_logical_gib * long_term_logical_gib_price, 2) AS forecast_long_term_logical_cost,
  -- Forecast costs physical
  ROUND((active_no_tt_physical_gib + time_travel_physical_gib + fail_safe_physical_gib) * active_physical_gib_price, 2) AS forecast_active_physical_cost,
  ROUND(long_term_physical_gib * long_term_physical_gib_price, 2) AS forecast_long_term_physical_cost,
  -- Forecast costs total
  ROUND(((active_logical_gib * active_logical_gib_price) + (long_term_logical_gib * long_term_logical_gib_price)) -
     (((active_no_tt_physical_gib + time_travel_physical_gib + fail_safe_physical_gib) * active_physical_gib_price) + (long_term_physical_gib * long_term_physical_gib_price)), 2) AS forecast_total_cost_difference
FROM
  storage_sizes
ORDER BY
  (forecast_active_logical_cost + forecast_active_physical_cost) DESC;

Haz clic en Ejecutar.

El resultado es similar al siguiente:

+--------------+--------------------+-----------------------+---------------------+------------------------+--------------------------+-----------------------------+------------------------------+----------------------------------+-------------------------------+----------------------------------+--------------------------------+
| dataset_name | active_logical_gib | long_term_logical_gib | active_physical_gib | long_term_physical_gib | active_compression_ratio | long_term_compression_ratio | forecast_active_logical_cost | forecaset_long_term_logical_cost | forecast_active_physical_cost | forecast_long_term_physical_cost | forecast_total_cost_difference |
+--------------+--------------------+-----------------------+---------------------+------------------------+--------------------------+-----------------------------+------------------------------+----------------------------------+-------------------------------+----------------------------------+--------------------------------+
| dataset1     |               10.0 |                  10.0 |                 1.0 |                    1.0 |                     10.0 |                        10.0 |                          0.2 |                              0.1 |                          0.04 |                             0.02 |                           0.24 |

Mostrar las tablas de un conjunto de datos

Puede enumerar las tablas de los conjuntos de datos de las siguientes formas:

Con la Google Cloud consola.
Usa el comando bq ls de la herramienta de línea de comandos bq.
Llamar al método de API tables.list.
Usar las bibliotecas de cliente.

Permisos obligatorios

Para poder enumerar las tablas de un conjunto de datos, como mínimo debes tener permisos de bigquery.tables.list. Los siguientes roles de gestión de identidades y accesos predefinidos incluyen los permisos de bigquery.tables.list:

bigquery.user
bigquery.metadataViewer
bigquery.dataViewer
bigquery.dataEditor
bigquery.dataOwner
bigquery.admin

Para obtener más información sobre los roles y permisos de gestión de identidades y accesos en BigQuery, consulta el artículo sobre el control de acceso.

Mostrar lista de tablas

Para mostrar las tablas de un conjunto de datos, sigue estos pasos:

Consola

En la Google Cloud consola, en el panel de navegación, haz clic en tu conjunto de datos para desplegarlo. Se muestran las tablas y las vistas del conjunto de datos.
Desplázate por la lista para ver las tablas del conjunto de datos. Las tablas y las vistas se identifican con iconos diferentes.

bq

In the Google Cloud console, activate Cloud Shell.

Activate Cloud Shell

At the bottom of the Google Cloud console, a Cloud Shell session starts and displays a command-line prompt. Cloud Shell is a shell environment with the Google Cloud CLI already installed and with values already set for your current project. It can take a few seconds for the session to initialize.
Ejecuta el comando bq ls. La marca --format se puede usar para controlar la salida. Si vas a enumerar las tablas de un proyecto que no sea el predeterminado, añade el ID del proyecto al conjunto de datos con el siguiente formato: project_id:dataset.

Entre las marcas adicionales se incluyen las siguientes:
- --max_results o -n: número entero que indica el número máximo de resultados. El valor predeterminado es 50.
```
bq ls \
--format=pretty \
--max_results integer \
project_id:dataset
```
Donde:
- integer es un número entero que representa el número de tablas que se van a enumerar.
- project_id es el ID del proyecto.
- dataset es el nombre del conjunto de datos.
Cuando ejecutes el comando, el campo Type mostrará TABLE o VIEW. Por ejemplo:
```
+-------------------------+-------+----------------------+-------------------+
|         tableId         | Type  |        Labels        | Time Partitioning |
+-------------------------+-------+----------------------+-------------------+
| mytable                 | TABLE | department:shipping  |                   |
| myview                  | VIEW  |                      |                   |
+-------------------------+-------+----------------------+-------------------+
```
Ejemplos:

Introduce el siguiente comando para ver una lista de las tablas del conjunto de datos mydataset de tu proyecto predeterminado.
```
   bq ls --format=pretty mydataset
```
Introduce el siguiente comando para obtener más de las 50 tablas predeterminadas de mydataset. mydataset está en tu proyecto predeterminado.
```
   bq ls --format=pretty --max_results 60 mydataset
```
Introduce el siguiente comando para enumerar las tablas del conjunto de datos mydataset en myotherproject.
```
   bq ls --format=pretty myotherproject:mydataset
```

API

Para enumerar las tablas mediante la API, llama al método tables.list.

C#


using Google.Cloud.BigQuery.V2;
using System;
using System.Collections.Generic;
using System.Linq;

public class BigQueryListTables
{
    public void ListTables(
        string projectId = "your-project-id",
        string datasetId = "your_dataset_id"
    )
    {
        BigQueryClient client = BigQueryClient.Create(projectId);
        // Retrieve list of tables in the dataset
        List<BigQueryTable> tables = client.ListTables(datasetId).ToList();
        // Display the results
        if (tables.Count > 0)
        {
            Console.WriteLine($"Tables in dataset {datasetId}:");
            foreach (var table in tables)
            {
                Console.WriteLine($"\t{table.Reference.TableId}");
            }
        }
        else
        {
            Console.WriteLine($"{datasetId} does not contain any tables.");
        }
    }
}

Go

import (
	"context"
	"fmt"
	"io"

	"cloud.google.com/go/bigquery"
	"google.golang.org/api/iterator"
)

// listTables demonstrates iterating through the collection of tables in a given dataset.
func listTables(w io.Writer, projectID, datasetID string) error {
	// projectID := "my-project-id"
	// datasetID := "mydataset"
	ctx := context.Background()
	client, err := bigquery.NewClient(ctx, projectID)
	if err != nil {
		return fmt.Errorf("bigquery.NewClient: %v", err)
	}
	defer client.Close()

	ts := client.Dataset(datasetID).Tables(ctx)
	for {
		t, err := ts.Next()
		if err == iterator.Done {
			break
		}
		if err != nil {
			return err
		}
		fmt.Fprintf(w, "Table: %q\n", t.TableID)
	}
	return nil
}

Java

import com.google.api.gax.paging.Page;
import com.google.cloud.bigquery.BigQuery;
import com.google.cloud.bigquery.BigQuery.TableListOption;
import com.google.cloud.bigquery.BigQueryException;
import com.google.cloud.bigquery.BigQueryOptions;
import com.google.cloud.bigquery.DatasetId;
import com.google.cloud.bigquery.Table;

public class ListTables {

  public static void runListTables() {
    // TODO(developer): Replace these variables before running the sample.
    String projectId = "bigquery-public-data";
    String datasetName = "samples";
    listTables(projectId, datasetName);
  }

  public static void listTables(String projectId, String datasetName) {
    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();

      DatasetId datasetId = DatasetId.of(projectId, datasetName);
      Page<Table> tables = bigquery.listTables(datasetId, TableListOption.pageSize(100));
      tables.iterateAll().forEach(table -> System.out.print(table.getTableId().getTable() + "\n"));

      System.out.println("Tables listed successfully.");
    } catch (BigQueryException e) {
      System.out.println("Tables were not listed. Error occurred: " + e.toString());
    }
  }
}

Node.js

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

async function listTables() {
  // Lists tables in 'my_dataset'.

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

  // List all tables in the dataset
  const [tables] = await bigquery.dataset(datasetId).getTables();

  console.log('Tables:');
  tables.forEach(table => console.log(table.id));
}

PHP

use Google\Cloud\BigQuery\BigQueryClient;

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

$bigQuery = new BigQueryClient([
    'projectId' => $projectId,
]);
$dataset = $bigQuery->dataset($datasetId);
$tables = $dataset->tables();
foreach ($tables as $table) {
    print($table->id() . PHP_EOL);
}

Python


from google.cloud import bigquery

# Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set dataset_id to the ID of the dataset that contains
#                  the tables you are listing.
# dataset_id = 'your-project.your_dataset'

tables = client.list_tables(dataset_id)  # Make an API request.

print("Tables contained in '{}':".format(dataset_id))
for table in tables:
    print("{}.{}.{}".format(table.project, table.dataset_id, table.table_id))

Ruby

require "google/cloud/bigquery"

def list_tables dataset_id = "your_dataset_id"
  bigquery = Google::Cloud::Bigquery.new
  dataset  = bigquery.dataset dataset_id

  puts "Tables in dataset #{dataset_id}:"
  dataset.tables.each do |table|
    puts "\t#{table.table_id}"
  end
end

Historial de la tabla de auditoría

Puedes auditar el historial de las tablas de BigQuery consultando los registros de auditoría de Cloud en el Explorador de registros. Estos registros te ayudan a hacer un seguimiento de cuándo se crearon, actualizaron o eliminaron las tablas, así como a identificar el usuario o la cuenta de servicio que hizo los cambios.

Permisos obligatorios

Para consultar los registros de auditoría, necesitas el roles/logging.privateLogViewer rol. Para obtener más información sobre los roles y permisos de gestión de identidades y accesos en Cloud Logging, consulta el artículo sobre el control de acceso con gestión de identidades y accesos.

Obtener datos de auditoría

Puedes acceder a la información de auditoría desde la Google Cloud consolagcloud, la línea de comandos, la API REST y todos los lenguajes admitidos mediante bibliotecas de cliente. El filtro de registro que se muestra en el siguiente ejemplo se puede usar independientemente del método utilizado.

En la Google Cloud consola, ve a la página Registro.
Ir a Logging

Usa la siguiente consulta para acceder a los datos de auditoría:

logName = "projects/PROJECT_ID/logs/cloudaudit.googleapis.com%2Factivity"
AND resource.type = "bigquery_dataset"
AND timestamp >= "STARTING_TIMESTAMP"
AND protoPayload.@type = "type.googleapis.com/google.cloud.audit.AuditLog"
AND (
  protoPayload.metadata.tableCreation :*
  OR protoPayload.metadata.tableChange :*
  OR protoPayload.metadata.tableDeletion :*
)
AND protoPayload.resourceName : "projects/PROJECT_ID/datasets/DATASET_ID/tables/"

Haz los cambios siguientes:

PROJECT_ID: el proyecto que contiene los conjuntos de datos y las tablas que te interesan.
STARTING_TIMESTAMP: los registros más antiguos que quieras ver. Usa el formato ISO 8601, como 2025-01-01 o 2025-02-03T04:05:06Z.
DATASET_ID: el conjunto de datos por el que quieres filtrar.

Interpretación de los resultados

En el panel de resultados del Explorador de registros, despliega la entrada que te interese y, a continuación, haz clic en Desplegar campos anidados para ver todo el mensaje.

La entrada de registro contiene solo uno de los siguientes objetos para indicar la operación realizada:

protoPayload.metadata.tableCreation: se ha creado una tabla.
protoPayload.metadata.tableChange: se han cambiado los metadatos de la tabla, como la actualización del esquema, el cambio de la descripción o la sustitución de la tabla.
protoPayload.metadata.tableDeletion: se ha eliminado una tabla.

El contenido de estos objetos describe la acción solicitada. Para obtener una descripción detallada, consulta BigQueryAuditMetadata.

Explicación de la consulta

logName = "projects/PROJECT_ID/logs/cloudaudit.googleapis.com%2Factivity": Esta línea filtra los registros de auditoría de la actividad del administrador de tu Google Cloud proyecto. Estos registros registran las llamadas a la API y las acciones que modifican la configuración o los metadatos de tus recursos.
resource.type = "bigquery_dataset": acota la búsqueda a eventos relacionados con conjuntos de datos de BigQuery, donde se registran las operaciones de las tablas.
timestamp >= "STARTING_TIMESTAMP": filtra las entradas de registro para mostrar solo las que se crearon en la marca de tiempo especificada o después.
protoPayload.@type = "type.googleapis.com/google.cloud.audit.AuditLog": Asegura que el mensaje de registro se ajuste a la estructura estándar de los registros de auditoría de Cloud.
( ... ): este bloque agrupa las condiciones para encontrar diferentes tipos de eventos de tabla, como se indica en la sección anterior. El operador :* indica que la clave debe estar presente. Si solo te interesa un evento, como la creación de una tabla, elimina las condiciones innecesarias de este bloque.
protoPayload.resourceName : "projects/PROJECT_ID/datasets/DATASET_ID/tables/": Selecciona las entradas de registro que coinciden con las tablas incluidas en el conjunto de datos especificado. El operador de dos puntos (:) realiza una búsqueda de subcadenas.
- Para filtrar las entradas de una sola tabla, sustituya la condición por la siguiente: protoPayload.resourceName = "projects/PROJECT_ID/datasets/DATASET_ID/tables/TABLE_NAME".
- Para incluir todas las tablas de todos los conjuntos de datos del proyecto específico, quite esta condición.

Para obtener más información sobre el filtrado de registros, consulta el lenguaje de consultas de registro.

Seguridad de las tablas

Para controlar el acceso a las tablas de BigQuery, consulta el artículo sobre cómo controlar el acceso a los recursos con la gestión de identidades y accesos.

Siguientes pasos

Para obtener más información sobre los conjuntos de datos, consulta el artículo Introducción a los conjuntos de datos.
Para obtener más información sobre cómo gestionar los datos de las tablas, consulta el artículo Gestionar datos de tablas.
Para obtener más información sobre cómo especificar esquemas de tabla, consulta Especificar un esquema.
Para obtener más información sobre cómo modificar los esquemas de tabla, consulta el artículo Modificar esquemas de tabla.
Para obtener más información sobre cómo gestionar tablas, consulta Gestionar tablas.
Para ver un resumen de INFORMATION_SCHEMA, consulta el artículo Introducción a BigQueryINFORMATION_SCHEMA.

Pruébalo

Si es la primera vez que utilizas Google Cloud, crea una cuenta para evaluar el rendimiento de BigQuery en situaciones reales. Los nuevos clientes también reciben 300 USD en crédito gratuito para ejecutar, probar y desplegar cargas de trabajo.

Probar BigQuery gratis

Crear y usar tablas

Antes de empezar

Roles obligatorios

Permisos obligatorios

Nombres de tablas

Creación de tablas

Crear una tabla vacía con una definición de esquema

Consola

SQL

bq

Terraform

Preparar Cloud Shell

Preparar el directorio

Aplica los cambios

API

C#

Go

Java

Node.js

PHP

Python

Ruby

Crear una tabla vacía sin una definición de esquema

Java

Crear una tabla a partir del resultado de una consulta

Consola

SQL

bq

API

Go

Java

Node.js

Python

Crear una tabla que haga referencia a una fuente de datos externa

Crear una tabla al cargar datos

Controlar el acceso a las tablas

Obtener información sobre las tablas

Permisos obligatorios

Obtener información de una tabla

Consola

bq

API

Go

Java

Node.js

PHP

Python

Obtener información de una tabla con INFORMATION_SCHEMA

TABLES vista

Ejemplos

Ejemplo 1:

Ejemplo 2:

Ejemplo 3:

TABLE_OPTIONS vista

Tabla de opciones

Ejemplos

Ejemplo 1:

Ejemplo 2:

COLUMNS vista

Ejemplos

COLUMN_FIELD_PATHS vista

Ejemplos

TABLE_STORAGE vista

Ejemplos

Ejemplo 1:

Ejemplo 2:

Ejemplo 3:

Mostrar las tablas de un conjunto de datos

Permisos obligatorios

Mostrar lista de tablas

Consola

bq

API

C#

Go

Java

Node.js

PHP

Python

Ruby

Obtener información de una tabla con `INFORMATION_SCHEMA`

`TABLES` vista

`TABLE_OPTIONS` vista

`COLUMNS` vista

`COLUMN_FIELD_PATHS` vista

`TABLE_STORAGE` vista