Partitions- und Clusterempfehlungen verwalten

In diesem Dokument wird beschrieben, wie der Recommender für Partitionen und Cluster funktioniert, wie Sie Ihre Empfehlungen und Statistiken aufrufen und wie Sie Partitions- und Clusterempfehlungen anwenden.

Funktionsweise des Recommenders

Der BigQuery-Partitionierungs- und -Clustering-Recommender generiert Empfehlungen für Partitionen oder Cluster zur Optimierung Ihrer BigQuery-Tabellen. Der Recommender analysiert Workflows in Ihren BigQuery-Tabellen und gibt Empfehlungen zur besseren Optimierung Ihrer Workflows und Abfragekosten durch Tabellenpartitionierung oder Tabellen-Clustering.

Weitere Informationen zum Recommender-Dienst finden Sie in der Recommender-Übersicht.

Der Partitionierungs- und Clustering-Recommender verwendet die Arbeitslastausführungsdaten des Projekts der letzten 30 Tage, um jede BigQuery-Tabelle auf suboptimale Partitionierungs- und Clustering-Konfigurationen zu analysieren. Der Recommender verwendet auch maschinelles Lernen, um vorherzusagen, wie viel die Ausführung von Arbeitslasten mit verschiedenen Partitionierungs- oder Clustering-Konfigurationen optimiert werden könnte. Wenn der Recommender feststellt, dass Partitionierung oder Clustering einer Tabelle erhebliche Einsparungen ermöglicht, generiert der Recommender eine Empfehlung. Der Partitionierungs- und Clustering-Recommender generiert die folgenden Arten von Empfehlungen:

Vorhandener Tabellentyp Empfehlungsuntertyp Empfehlungsbeispiel
Nicht partitioniert, nicht geclustert Partition „Sparen Sie etwa 64 Slot-Stunden pro Monat durch Partitionierung nach column_C nach DAY“
Nicht partitioniert, nicht geclustert Cluster „Sparen Sie durch Clustering nach Spalte_C etwa 64 Slot-Stunden pro Monat“
Partitioniert, nicht geclustert Cluster „Sparen Sie durch Clustering nach Spalte_C etwa 64 Slot-Stunden pro Monat“

Jede Empfehlung besteht aus drei Teilen:

  • Anleitung zum Partitionieren oder Clustern einer bestimmten Tabelle
  • Die spezifische Spalte in einer Tabelle, die partitioniert oder geclustert werden soll
  • Geschätzte monatliche Einsparungen beim Anwenden der Empfehlung

Bei der Berechnung potenzieller Arbeitslasteinsparungen geht der Recommender davon aus, dass die Verlaufsdaten der Ausführungsarbeitslasten der letzten 30 Tage die zukünftige Arbeitslast darstellen.

Die Recommender API gibt auch Informationen zur Tabellenarbeitslast in Form von Statistiken zurück. Statistiken sind Erkenntnisse, mit denen Sie die Arbeitslast Ihres Projekts verstehen können. Sie erhalten dadurch mehr Kontext dazu, wie eine Partition oder Clusterempfehlung die Arbeitslastkosten verbessern kann.

Beschränkungen

  • Der Partitionierungs- und Clustering-Recommender unterstützt keine BigQuery-Tabellen mit Legacy-SQL. Beim Generieren einer Empfehlung schließt der Recommender alle Legacy-SQL-Abfragen in der Analyse aus. Darüber hinaus werden durch das Anwenden von Partitionsempfehlungen auf BigQuery-Tabellen mit Legacy-SQL alle Legacy-SQL-Workflows in dieser Tabelle beeinträchtigt.

    Bevor Sie Partitionsempfehlungen anwenden, migrieren Sie Ihre Legacy-SQL-Workflows in Google SQL.

  • BigQuery unterstützt nicht das Ändern des Partitionierungsschemas einer vorhandenen Tabelle. Sie können die Partitionierung einer Tabelle nur in einer Kopie der Tabelle ändern. Weitere Informationen finden Sie unter Partitionsempfehlungen anwenden.

Standorte

Der Partitionierungs- und Clustering-Recommender ist an den folgenden Verarbeitungsorten verfügbar:

Beschreibung der Region Name der Region Details
Asiatisch-pazifischer Raum
Delhi asia-south2
Hongkong asia-east2
Jakarta asia-southeast2
Mumbai asia-south1
Osaka asia-northeast2
Seoul asia-northeast3
Singapur asia-southeast1
Sydney australia-southeast1
Taiwan asia-east1
Tokio asia-northeast1
Europa
Belgien europe-west1 Blattsymbol Niedriger CO2-Wert
Berlin europe-west10 Blattsymbol Niedriger CO2-Wert
EU (mehrere Regionen) eu
Frankfurt europe-west3 Blattsymbol Niedriger CO2-Wert
London europe-west2 Blattsymbol Niedriger CO2-Wert
Niederlande europe-west4 Blattsymbol Niedriger CO2-Wert
Zürich europe-west6 Blattsymbol Niedriger CO2-Wert
Amerika
Iowa us-central1 Blattsymbol Niedriger CO2-Wert
Las Vegas us-west4
Los Angeles us-west2
Montreal northamerica-northeast1 Blattsymbol Niedriger CO2-Wert
Northern Virginia us-east4
Oregon us-west1 Blattsymbol Niedriger CO2-Wert
Salt Lake City us-west3
São Paulo southamerica-east1 Blattsymbol Niedriger CO2-Wert
Toronto northamerica-northeast2 Blattsymbol Niedriger CO2-Wert
USA (mehrere Regionen) us

Hinweise

Erforderliche Berechtigungen

Bitten Sie Ihren Administrator, Ihnen die IAM-Rolle Betrachter von BigQuery-Partitionierungsclustering-Recommender (roles/recommender.bigqueryPartitionClusterViewer) zu gewähren, um die Berechtigungen zu erhalten, die Sie für den Zugriff auf Partitions- und Clusterempfehlungen benötigen. Weitere Informationen zum Zuweisen von Rollen finden Sie unter Zugriff verwalten.

Diese vordefinierte Rolle enthält die Berechtigungen, die für den Zugriff auf Partitions- und Clusterempfehlungen erforderlich sind. Erweitern Sie den Abschnitt Erforderliche Berechtigungen, um die erforderlichen Berechtigungen anzuzeigen:

Erforderliche Berechtigungen

Für den Zugriff auf Partitions- und Clusterempfehlungen sind die folgenden Berechtigungen erforderlich:

  • recommender.bigqueryPartitionClusterRecommendations.get
  • recommender.bigqueryPartitionClusterRecommendations.list

Sie können diese Berechtigungen auch mit benutzerdefinierten Rollen oder anderen vordefinierten Rollen erhalten.

Weitere Informationen zu IAM-Rollen und Berechtigungen in BigQuery finden Sie unter Einführung in IAM.

Empfehlungen aufrufen

In diesem Abschnitt wird beschrieben, wie Sie Empfehlungen zu Partitionen und Clustern mit der Google Cloud Console, der Google Cloud CLI oder der Recommender API aufrufen.

Wählen Sie eine der folgenden Optionen aus:

Console

  1. Öffnen Sie in der Google Cloud Console die Seite BigQuery.

    BigQuery aufrufen

  2. Klicken Sie zum Öffnen des Tabs „Empfehlungen“ auf Empfehlungen > Alle Empfehlungen ansehen.

    Klicken Sie auf „Empfehlungen“, um alle Empfehlungen aufzurufen.

    Auf dem Tab „Empfehlungen“ werden alle Empfehlungen aufgelistet, die für Ihr Projekt verfügbar sind.

  3. Klicken Sie im Bereich BigQuery-Arbeitslastkosten optimieren auf Alle ansehen.

    In der Tabelle mit den Kostenempfehlungen werden alle Empfehlungen aufgeführt, die für das aktuelle Projekt generiert wurden. Der folgende Screenshot zeigt beispielsweise, dass der Recommender die Tabelle example_table analysiert und dann das Clustering der Spalte example_column empfohlen hat, um eine ungefähre Menge von Byte und Slots zu sparen.

    Empfehlungstabelle mit Partitionierungs- und Clustering-Empfehlungen.

  4. Klicken Sie auf eine Empfehlung, um weitere Informationen zu den Daten und Empfehlungen der Tabelle zu sehen.

gcloud

Verwenden Sie den Befehl gcloud recommender recommendations list, um Partitions- oder Clusterempfehlungen für ein bestimmtes Projekt aufzurufen:

gcloud recommender recommendations list \
    --project=PROJECT_NAME \
    --location=REGION_NAME \
    --recommender=google.bigquery.table.PartitionClusterRecommender \
    --format=FORMAT_TYPE \

Dabei gilt:

  • PROJECT_NAME: der Name des Projekts, das Ihre BigQuery-Tabelle enthält
  • REGION_NAME: die Region, in der sich Ihr Projekt befindet
  • FORMAT_TYPE: ein unterstütztes Ausgabeformat der gcloud CLI, z. B. JSON
In der folgenden Tabelle werden die wichtigen Felder der Recommender API-Antwort beschrieben:

Attribut Relevant für Untertyp Beschreibung
recommenderSubtype Partition oder Cluster Gibt den Typ der Empfehlung an.
content.overview.partitionColumn Partition Empfohlener Name der Partitionierungsspalte.
content.overview.partitionTimeUnit Partition Empfohlene Partitionierungszeiteinheit. DAY bedeutet beispielsweise, dass Sie tägliche Partitionen in der empfohlenen Spalte haben sollten.
content.overview.clusterColumns Cluster Empfohlene Clustering-Spaltennamen.

Verwenden Sie den Befehl gcloud recommender insights list, um Tabellenstatistiken mit der gcloud CLI aufzurufen:

gcloud recommender insights list \
    --project=PROJECT_NAME \
    --location=REGION_NAME \
    --insight-type=google.bigquery.table.StatsInsight \
    --format=FORMAT_TYPE \

Dabei gilt:

  • PROJECT_NAME: der Name des Projekts, das Ihre BigQuery-Tabelle enthält
  • REGION_NAME: die Region, in der sich Ihr Projekt befindet
  • FORMAT_TYPE: ein unterstütztes Ausgabeformat der gcloud CLI, z. B. JSON
In der folgenden Tabelle werden die wichtigen Felder der insights API-Antwort beschrieben:

Attribut Relevant für Untertyp Beschreibung
content.existingPartitionColumn Cluster Vorhandene Partitionierungsspalte, falls vorhanden
content.tableSizeTb Alle Größe der Tabelle in Terabyte
content.bytesReadMonthly Alle Monatliche Byte, die aus der Tabelle gelesen werden
content.slotMsConsumedMonthly Alle Monatliche Slot-Millisekunden, die von der auf der Tabelle ausgeführten Arbeitslast verbraucht werden
content.queryJobsCountMonthly Alle Monatliche Anzahl von Jobs, die in der Tabelle ausgeführt werden

REST API

Verwenden Sie die REST API, um Partitions- oder Clusterempfehlungen für ein bestimmtes Projekt aufzurufen. Bei jedem Befehl müssen Sie ein Authentifizierungstoken angeben, das Sie mit der gcloud CLI abrufen können. Weitere Informationen zum Abrufen eines Authentifizierungstokens finden Sie unter Methoden zum Abrufen eines ID-Tokens.

Mit der curl list-Anfrage können Sie alle Empfehlungen für ein bestimmtes Projekt anzeigen:

curl
    -H "Authorization: Bearer $GCLOUD_AUTH_TOKEN"
    -H "x-goog-user-project: PROJECT_NAME" https://recommender.googleapis.com/v1/projects/my-project/locations/us/recommenders/google.bigquery.table.PartitionClusterRecommender/recommendations

Dabei gilt:

  • GCLOUD_AUTH_TOKEN: der Name eines gültigen gcloud CLI-Zugriffstokens
  • PROJECT_NAME: der Name des Projekts, das Ihre BigQuery-Tabelle enthält
In der folgenden Tabelle werden die wichtigen Felder der Recommender API-Antwort beschrieben:

Attribut Relevant für Untertyp Beschreibung
recommenderSubtype Partition oder Cluster Gibt den Typ der Empfehlung an.
content.overview.partitionColumn Partition Empfohlener Name der Partitionierungsspalte.
content.overview.partitionTimeUnit Partition Empfohlene Partitionierungszeiteinheit. DAY bedeutet beispielsweise, dass Sie tägliche Partitionen in der empfohlenen Spalte haben sollten.
content.overview.clusterColumns Cluster Empfohlene Clustering-Spaltennamen.

Führen Sie den folgenden Befehl aus, um Tabellenstatistiken mit der REST API aufzurufen:

curl
-H "Authorization: Bearer $GCLOUD_AUTH_TOKEN"
-H "x-goog-user-project: PROJECT_NAME" https://recommender.googleapis.com/v1/projects/my-project/locations/us/insightTypes/google.bigquery.table.StatsInsight/insights

Ersetzen Sie Folgendes:

  • GCLOUD_AUTH_TOKEN: der Name eines gültigen gcloud CLI-Zugriffstokens
  • PROJECT_NAME: der Name des Projekts, das Ihre BigQuery-Tabelle enthält
In der folgenden Tabelle werden die wichtigen Felder der insights API-Antwort beschrieben:

Attribut Relevant für Untertyp Beschreibung
content.existingPartitionColumn Cluster Vorhandene Partitionierungsspalte, falls vorhanden
content.tableSizeTb Alle Größe der Tabelle in Terabyte
content.bytesReadMonthly Alle Monatliche Byte, die aus der Tabelle gelesen werden
content.slotMsConsumedMonthly Alle Monatliche Slot-Millisekunden, die von der auf der Tabelle ausgeführten Arbeitslast verbraucht werden
content.queryJobsCountMonthly Alle Monatliche Anzahl von Jobs, die in der Tabelle ausgeführt werden

Clusterempfehlungen anwenden

So wenden Sie Clusterempfehlungen an:

Cluster direkt auf die ursprüngliche Tabelle anwenden

Sie können Clusterempfehlungen direkt auf eine vorhandene BigQuery-Tabelle anwenden. Diese Methode ist schneller als das Anwenden von Empfehlungen auf eine kopierte Tabelle, aber eine Sicherungstabelle bleibt dabei nicht erhalten.

Führen Sie die folgenden Schritte aus, um eine neue Clustering-Spezifikation auf nicht partitionierte oder partitionierte Tabellen anzuwenden.

  1. Aktualisieren Sie im bq-Tool die Clustering-Spezifikation Ihrer Tabelle, damit sie dem neuen Clustering entspricht:

     bq update --clustering_fields=CLUSTER_COLUMN DATASET.ORIGINAL_TABLE

    Ersetzen Sie Folgendes:

    • CLUSTER_COLUMN: die Spalte, nach der Sie Cluster gruppieren, z. B. mycolumn
    • DATASET: der Name des Datasets, das die Tabelle enthält, z. B. mydataset
    • ORIGINAL_TABLE: der Name der ursprünglichen Tabelle, z. B. mytable

    Sie können auch die API-Methode tables.update oder tables.patch aufrufen, um die Clustering-Spezifikation zu ändern.

  2. Führen Sie die folgende UPDATE-Anweisung aus, um alle Zeilen gemäß der neuen Clustering-Spezifikation zu clustern:

    UPDATE DATASET.ORIGINAL_TABLE SET CLUSTER_COLUMN=CLUSTER_COLUMN WHERE true

Cluster auf eine kopierte Tabelle anwenden

Wenn Sie Clusterempfehlungen auf eine BigQuery-Tabelle anwenden, können Sie zuerst die ursprüngliche Tabelle kopieren und dann die Empfehlung auf die kopierte Tabelle anwenden. So wird sichergestellt, dass Ihre ursprünglichen Daten erhalten bleiben, wenn Sie ein Rollback der Änderung auf die Clustering-Konfiguration durchführen müssen.

Sie können diese Methode verwenden, um Clusterempfehlungen sowohl auf nicht partitionierte als auch auf partitionierte Tabellen anzuwenden.

  1. Rufen Sie in der Google Cloud Console die Seite „BigQuery“ auf.

    BigQuery aufrufen

  2. Erstellen Sie im Abfrageeditor mit dem LIKE-Operator eine leere Tabelle mit denselben Metadaten (einschließlich der Clustering-Spezifikationen) der ursprünglichen Tabelle:

    CREATE TABLE DATASET.COPIED_TABLE
LIKE DATASET.ORIGINAL_TABLE

    Dabei gilt:

    • DATASET: der Name des Datasets, das die Tabelle enthält, z. B. mydataset
    • COPIED_TABLE: der Name der kopierten Tabelle, z. B. copy_mytable
    • ORIGINAL_TABLE: der Name der ursprünglichen Tabelle, z. B. mytable

  3. Öffnen Sie in der Google Cloud Console den Cloud Shell-Editor.

    Cloud Shell aktivieren

  4. Aktualisieren Sie im Cloud Shell-Editor die Clustering-Spezifikation der kopierten Tabelle mit dem empfohlenen Clustering. Verwenden Sie dazu den Befehl bq update:

     bq update --clustering_fields=CLUSTER_COLUMN DATASET.COPIED_TABLE

    Ersetzen Sie CLUSTER_COLUMN durch die Spalte, die Sie clustern, z. B. mycolumn.

    Sie können auch die API-Methode tables.update oder tables.patch aufrufen, um die Clustering-Spezifikation zu ändern.

  5. Rufen Sie im Abfrageeditor das Tabellenschema mit der Partitionierungs- und Clustering-Konfiguration der ursprünglichen Tabelle ab, sofern eine Partitionierung oder ein Clustering vorhanden ist. Sie können das Schema abrufen, wenn Sie die Ansicht INFORMATION_SCHEMA.TABLES der ursprünglichen Tabelle anzeigen:

    SELECT
  ddl
FROM
  DATASET.INFORMATION_SCHEMA.TABLES
WHERE
  table_name = 'DATASET.ORIGINAL_TABLE;'

    Die Ausgabe ist die vollständige DDL-Anweisung (Datendefinitionssprache) von ORIGINAL_TABLE, einschließlich der Klausel PARTITION BY. Weitere Informationen zu den Argumenten in der DDL-Ausgabe finden Sie unter CREATE TABLE-Anweisung.

    Die DDL-Ausgabe gibt den Partitionierungstyp in der ursprünglichen Tabelle an:

    Partitionierungstyp Ausgabebeispiel
    Nicht partitioniert Die PARTITION BY-Klausel fehlt.
    Nach Tabellenspalte partitioniert PARTITION BY c0
    PARTITION BY DATE(c0)
    PARTITION BY DATETIME_TRUNC(c0, MONTH)
    Nach Aufnahmezeit partitioniert PARTITION BY _PARTITIONDATE
    PARTITION BY DATETIME_TRUNC(_PARTITIONTIME, MONTH)

  6. Daten in die kopierte Tabelle aufnehmen. Der verwendete Prozess basiert auf dem Partitionstyp.

    • Wenn die ursprüngliche Tabelle nicht partitioniert oder durch eine Tabellenspalte partitioniert ist, nehmen Sie die Daten aus der ursprünglichen Tabelle in die kopierte Tabelle auf: 
      INSERT INTO DATASET.COPIED_TABLE
SELECT * FROM DATASET.ORIGINAL_TABLE

    • Wenn die ursprüngliche Tabelle nach Aufnahmezeit partitioniert ist, gehen Sie so vor:

      1. Rufen Sie die Liste der Spalten ab, um den Datenaufnahmeausdruck mithilfe der Ansicht INFORMATION_SCHEMA.COLUMNS zu bilden: 

        SELECT
ARRAY_TO_STRING((
SELECT
  ARRAY(
  SELECT
    column_name
  FROM
    DATASET.INFORMATION_SCHEMA.COLUMNS
  WHERE
    table_name = 'ORIGINAL_TABLE')), ", ")

        Die Ausgabe ist eine durch Kommas getrennte Liste von Spaltennamen.

      2. Nehmen Sie die Daten aus der ursprünglichen Tabelle in die kopierte Tabelle auf:

        INSERT DATASET.COPIED_TABLE (COLUMN_NAMES, _PARTITIONTIME)
SELECT *, _PARTITIONTIME FROM DATASET.ORIGINAL_TABLE

        Ersetzen Sie COLUMN_NAMES durch die durch Kommas getrennte Liste der Spalten, die im vorherigen Schritt ausgegeben wurde. Beispiel: col1, col2, col3.

    Sie haben jetzt eine geclusterte kopierte Tabelle mit denselben Daten wie die ursprüngliche Tabelle. In den nächsten Schritten ersetzen Sie die ursprüngliche Tabelle durch eine neu geclusterte Tabelle.

  7. Benennen Sie die ursprüngliche Tabelle in eine Sicherungstabelle um:

    ALTER TABLE DATASET.ORIGINAL_TABLE
RENAME TO DATASET.BACKUP_TABLE

    Ersetzen Sie BACKUP_TABLE durch einen Namen für die Sicherungstabelle, z. B. backup_mytable.

  8. Benennen Sie die kopierte Tabelle in die ursprüngliche Tabelle um:

    ALTER TABLE DATASET.COPIED_TABLE
RENAME TO DATASET.ORIGINAL_TABLE

    Die ursprüngliche Tabelle wird jetzt gemäß der Clusterempfehlung geclustert.

Wir empfehlen Ihnen, die geclusterte Tabelle zu prüfen, damit alle Tabellenfunktionen wie vorgesehen funktionieren. Viele Tabellenfunktionen sind wahrscheinlich an die Tabellen-ID und nicht an den Tabellennamen gebunden. Daher sollten Sie die folgenden Tabellenfunktionen prüfen, bevor Sie fortfahren:

Wenn Probleme auftreten, müssen Sie die betroffenen Artefakte manuell in die neue Tabelle migrieren.

Nachdem Sie die geclusterte Tabelle geprüft haben, können Sie optional die Sicherungstabelle mit dem folgenden Befehl löschen: 
    DROP TABLE DATASET.BACKUP_TABLE

Cluster in einer materialisierten Ansicht anwenden

Sie können eine materialisierte Ansicht der Tabelle erstellen, um Daten aus der ursprünglichen Tabelle mit der angewendeten Empfehlung zu speichern. Durch die Verwendung von materialisierten Ansichten zur Anwendung von Empfehlungen wird sichergestellt, dass die geclusterten Daten mithilfe von automatischen Aktualisierungen auf dem neuesten Stand bleiben. Beim Abfragen, Verwalten und Speichern von materialisierten Ansichten gibt es Überlegungen zur Preisgestaltung. Geclusterte materialisierte Ansichten erstellen.

Partitionsempfehlungen anwenden

Sie müssen Partitionsempfehlungen auf eine Kopie der ursprünglichen Tabelle anwenden. BigQuery unterstützt nicht das Ändern eines Partitionierungsschemas einer vorhandenen Tabelle, z. B. das Ändern einer nicht partitionierten Tabelle in eine partitionierte Tabelle, das Ändern des Partitionierungsschemas einer Tabelle oder das Erstellen einer materialisierten Ansicht mit Ein anderes Partitionierungsschema als die Basistabelle. Sie können die Partitionierung einer Tabelle nur in einer Kopie der Tabelle ändern.

Partitionsempfehlungen auf eine kopierte Tabelle anwenden

Wenn Sie Partitionsempfehlungen auf eine BigQuery-Tabelle anwenden, müssen Sie zuerst die ursprüngliche Tabelle kopieren und dann die Empfehlung auf die kopierte Tabelle anwenden. So werden die ursprünglichen Daten beibehalten, falls Sie eine Partition zurücksetzen müssen.

Das folgende Verfahren verwendet eine Beispielempfehlung, um eine Tabelle nach der Partitionszeiteinheit DAY zu partitionieren.

  1. Erstellen Sie eine kopierte Tabelle mit den Partitionsempfehlungen: 

    CREATE TABLE DATASET.COPIED_TABLE
PARTITION BY DATE_TRUNC(PARTITION_COLUMN, DAY)
AS SELECT * FROM DATASET.ORIGINAL_TABLE

    Dabei gilt:

    • DATASET: der Name des Datasets, das die Tabelle enthält, z. B. mydataset
    • COPIED_TABLE: der Name der kopierten Tabelle, z. B. copy_mytable
    • PARTITION_COLUMN: die Spalte, nach der Sie partitionieren, z. B. mycolumn

    Weitere Informationen zum Erstellen von partitionierten Tabellen erhalten Sie unter Partitionierte Tabellen erstellen.

  2. Benennen Sie die ursprüngliche Tabelle in eine Sicherungstabelle um: 

    ALTER TABLE DATASET.ORIGINAL_TABLE
RENAME TO DATASET.BACKUP_TABLE

    Ersetzen Sie BACKUP_TABLE durch einen Namen für die Sicherungstabelle, z. B. backup_mytable.

  3. Benennen Sie die kopierte Tabelle in die ursprüngliche Tabelle um:

    ALTER TABLE DATASET.COPIED_TABLE
RENAME TO DATASET.ORIGINAL_TABLE

    Die ursprüngliche Tabelle wird jetzt gemäß der Partitionsempfehlung partitioniert.

Wir empfehlen Ihnen, die partitionierte Tabelle zu prüfen, damit alle Tabellenfunktionen wie vorgesehen funktionieren. Viele Tabellenfunktionen sind wahrscheinlich an die Tabellen-ID und nicht an den Tabellennamen gebunden. Daher sollten Sie die folgenden Tabellenfunktionen prüfen, bevor Sie fortfahren:

Wenn Probleme auftreten, müssen Sie die betroffenen Artefakte manuell in die neue Tabelle migrieren.

Nachdem Sie die partitionierte Tabelle geprüft haben, können Sie optional die Sicherungstabelle mit dem folgenden Befehl löschen: 
    DROP TABLE DATASET.BACKUP_TABLE

Preise

Weitere Informationen zu den Preisen für diese Funktion finden Sie unter Preisübersicht für Gemini in BigQuery.

Wenn Sie eine Empfehlung auf eine Tabelle anwenden, können folgende Kosten anfallen:

  • Verarbeitungskosten. Wenn Sie eine Empfehlung anwenden, führen Sie eine DDL-Abfrage (Datendefinitionssprache) oder eine DML-Abfrage (Datenbearbeitungssprache) für Ihr BigQuery-Projekt aus.
  • Speicherkosten. Wenn Sie die Methode zum Kopieren einer Tabelle verwenden, verwenden Sie zusätzlichen Speicher für die kopierte (oder Sicherungs-)Tabelle.

Standardverarbeitungs- und Speichergebühren hängen vom Rechnungskonto ab, das dem Projekt zugeordnet ist. Weitere Informationen finden Sie unter BigQuery-Preise.

Kontingente und Limits

Informationen zu Kontingenten und Limits für dieses Feature finden Sie unter Kontingente für Gemini in BigQuery.

Fehlerbehebung

Problem: Für eine bestimmte Tabelle werden keine Empfehlungen angezeigt.

Partitions- und Clusterempfehlungen werden unter folgenden Umständen möglicherweise nicht angezeigt:

  • Die Tabelle ist kleiner als 10 GB.
  • Die Tabelle verursacht hohe Schreibkosten für Vorgänge zur Datenbearbeitungssprache (DML).
  • Die Tabelle wurde in den letzten 30 Tagen nicht gelesen.
  • Die geschätzten monatlichen Einsparungen sind zu unbedeutend (weniger als eine Slot-Stunde).
  • Die Tabelle ist bereits geclustert.