Gérer les recommandations de partition et de cluster

Ce document décrit le fonctionnement de l'outil de recommandation de partition et de cluster, les méthodes pour afficher vos recommandations et insights, ainsi que la manière d'appliquer les recommandations de partition et de cluster.

Fonctionnement de l'outil de recommandation

L'outil de recommandation de partitionnement et de clustering génère des recommandations de partition ou de cluster pour optimiser vos tables BigQuery. L'outil de recommandation analyse les workflows sur vos tables BigQuery et propose des recommandations pour mieux optimiser vos workflows et coûts de requêtes à l'aide du partitionnement ou du clustering de tables.

Pour en savoir plus sur l'outil de recommandation, consultez la page Présentation de l'outil de recommandation.

L'outil de recommandation de partitionnement et de clustering utilise les données d'exécution de charge de travail du projet au cours des 30 derniers jours pour analyser chaque table BigQuery afin d'identifier les configurations de partitionnement et de clustering non optimales. L'outil de recommandation utilise également le machine learning pour prédire dans quelle mesure l'exécution de la charge de travail pourrait être optimisée avec différentes configurations de partitionnement ou de clustering. Si l'outil de recommandation constate que le partitionnement ou le clustering d'une table permet de réaliser des économies significatives, il génère une recommandation. L'outil de recommandation de partitionnement et de clustering génère les types de recommandations suivants :

Type de table existant	Sous-type de recommandation	Exemple de recommandation
Non partitionnée, hors cluster	Partition	"Économisez environ 64 heures d'utilisation des emplacement par mois en partitionnant la colonne_C par JOUR".
Non partitionnée, hors cluster	Cluster	"Économisez environ 64 heures d'utilisation des emplacement par mois en regroupant les lignes en fonction de la colonne_C"
Partitionnée, hors cluster	Cluster	"Économisez environ 64 heures d'utilisation des emplacement par mois en regroupant les lignes en fonction de la colonne_C"

Chaque recommandation comprend trois parties :

• L'orientation vers le partitionnement ou la mise en cluster d'une table spécifique
• La colonne spécifique d'une table à partitionner ou à mettre en cluster
• L'estimation des économies mensuelles réalisées grâce à l'application de la recommandation

Pour calculer les économies de charges de travail potentielles, l'outil de recommandation suppose que les données d'historique de charge de travail d'exécution des 30 derniers jours représentent la charge de travail future.

L'API de l'outil de recommandation renvoie également des informations sur les charges de travail de table sous la forme d'insights. Les insights sont des résultats qui vous aident à comprendre la charge de travail de votre projet, en fournissant plus de contexte sur la façon dont une recommandation de partitionnement ou de clustering peut améliorer les coûts des charges de travail.

Limites

• L'outil de recommandation de partitionnement et de clustering n'est pas compatible avec les tables BigQuery utilisant l'ancien SQL. Lors de la génération d'une recommandation, l'outil de recommandation exclut toutes les requêtes en ancien SQL de son analyse. En outre, l'application de recommandations de partition sur les tables BigQuery avec l'ancien SQL interrompt tous les workflows en ancien SQL de cette table.

  Avant d'appliquer des recommandations de partition, migrez vos workflows en ancien SQL vers GoogleSQL.

• BigQuery ne permet pas de modifier le schéma de partitionnement d'une table en place. Vous ne pouvez modifier le partitionnement d'une table que sur une copie de la table. Pour en savoir plus, consultez la section Appliquer des recommandations de partition.

Emplacements

L'outil de recommandation de partitionnement et de clustering est disponible dans les emplacements de traitement suivants :

	Description de la région	Nom de la région	Détails
Asie-Pacifique
	Delhi	asia-south2
	Hong Kong	asia-east2
	Jakarta	asia-southeast2
	Mumbai	asia-south1
	Osaka	asia-northeast2
	Séoul	asia-northeast3
	Singapour	asia-southeast1
	Sydney	australia-southeast1
	Taïwan	asia-east1
	Tokyo	asia-northeast1
Europe
	Belgique	europe-west1	Faibles émissions de CO2
	Berlin	europe-west10	Faibles émissions de CO2
	UE (multirégional)	eu
	Francfort	europe-west3	Faibles émissions de CO2
	Londres	europe-west2	Faibles émissions de CO2
	Pays-Bas	europe-west4	Faibles émissions de CO2
	Zurich	europe-west6	Faibles émissions de CO2
Amériques
	Iowa	us-central1	Faibles émissions de CO2
	Las Vegas	us-west4
	Los Angeles	us-west2
	Montréal	northamerica-northeast1	Faibles émissions de CO2
	Virginie du Nord	us-east4
	Oregon	us-west1	Faibles émissions de CO2
	Salt Lake City	us-west3
	São Paulo	southamerica-east1	Faibles émissions de CO2
	Toronto	northamerica-northeast2	Faibles émissions de CO2
	États-Unis (multirégional)	us

Avant de commencer

• Assurez-vous que Gemini dans BigQuery est activé pour votre projet Google Cloud.
• Activez l'API Recommender.

Autorisations requises

Pour obtenir les autorisations nécessaires pour accéder aux recommandations de partition et de cluster, demandez à votre administrateur de vous accorder le rôle IAM Lecteur de l'outil de recommandation de partitionnement et de clustering BigQuery (roles/recommender.bigqueryPartitionClusterViewer). Pour en savoir plus sur l'attribution de rôles, consultez la page Gérer l'accès aux projets, aux dossiers et aux organisations.

Ce rôle prédéfini contient les autorisations requises pour accéder aux recommandations de partition et de cluster. Pour connaître les autorisations exactes requises, développez la section Autorisations requises :

Autorisations requises

Vous devez disposer des autorisations suivantes pour accéder aux recommandations de partition et de cluster :

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

Vous pouvez également obtenir ces autorisations avec des rôles personnalisés ou d'autres rôles prédéfinis.

Pour plus d'informations sur les rôles et les autorisations IAM dans BigQuery, consultez la page Présentation d'IAM.

Afficher les recommandations

Cette section explique comment afficher les recommandations et les insights de partition et de cluster à l'aide de la console Google Cloud, de Google Cloud CLI ou de l'API Recommender.

Remarque : Vous pouvez également exporter des recommandations vers BigQuery à l'aide du service de transfert de données BigQuery. Pour en savoir plus, consultez la page Exporter des recommandations vers BigQuery.

Sélectionnez l'une des options suivantes :

Console

1. Dans la console Google Cloud, accédez à la page BigQuery.

   Accéder à BigQuery

2. Pour ouvrir l'onglet "Recommandations", cliquez sur  Recommandations > Afficher toutes les recommandations.

   

   L'onglet "Recommandations" répertorie toutes les recommandations disponibles pour votre projet.

3. Dans le panneau Optimiser le coût des charges de travail BigQuery, cliquez sur Tout afficher.

   La table des recommandations de coûts répertorie toutes les recommandations générées pour le projet en cours. Par exemple, la capture d'écran suivante montre que l'outil de recommandation a analysé la table example_table, puis qu'il a recommandé de mettre en cluster la colonne example_column pour économiser une quantité approximative d'octets et d'emplacements.

   

4. Pour afficher plus d'informations sur les recommandations et insights de la table, cliquez sur une recommandation.

gcloud

Pour afficher les recommandations de partition ou de cluster pour un projet spécifique, utilisez la commande gcloud recommender recommendations list :

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

Remplacez les éléments suivants :

• PROJECT_NAME : nom du projet contenant votre table BigQuery.
• REGION_NAME : région dans laquelle se trouve votre projet
• FORMAT_TYPE : format de sortie gcloud CLI compatible (par exemple, JSON)

Le tableau suivant décrit les champs importants de la réponse de l'API Recommender :

Propriété	Pertinent pour le sous-type	Description
recommenderSubtype	Partition ou cluster	Indique le type de recommandation.
content.overview.partitionColumn	Partition	Nom de colonne de partitionnement recommandé.
content.overview.partitionTimeUnit	Partition	Unité de temps de partitionnement recommandée. Par exemple, DAY signifie que la recommandation consiste à avoir des partitions quotidiennes sur la colonne recommandée.
content.overview.clusterColumns	Cluster	Noms de colonnes de clustering recommandés.

• Pour en savoir plus sur les autres champs dans la réponse de l'outil de recommandation, consultez la section Ressource REST : projects.locations.recommendersrecommendation.
• Pour en savoir plus sur l'utilisation de l'API Recommender, consultez la section Utiliser l'API - Recommandations.

Pour afficher les insights de tables à l'aide de gcloud CLI, exécutez la commande gcloud recommender insights list :

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

Remplacez les éléments suivants :

• PROJECT_NAME : nom du projet contenant votre table BigQuery.
• REGION_NAME : région dans laquelle se trouve votre projet
• FORMAT_TYPE : format de sortie gcloud CLI compatible (par exemple, JSON)

Le tableau suivant décrit les champs importants de la réponse de l'API Insights :

Propriété	Pertinent pour le sous-type	Description
content.existingPartitionColumn	Cluster	Colonne de partitionnement existante, le cas échéant
content.tableSizeTb	Tout	Taille de la table en téraoctets
content.bytesReadMonthly	Tout	Octets lus depuis la table par mois
content.slotMsConsumedMonthly	Tout	Millisecondes d'emplacement consommées par la charge de travail exécutée sur la table par mois
content.queryJobsCountMonthly	Tout	Nombre de jobs exécutés sur la table par mois

• Pour en savoir plus sur les autres champs dans la réponse des insights, consultez la section Ressource REST : projects.locations.insightTypes.insights.
• Pour en savoir plus sur l'utilisation des insights, consultez la section Utiliser l'API - Insights.

API REST

Pour afficher les recommandations de partition ou de cluster pour un projet spécifique, utilisez l'API REST. Avec chaque commande, vous devez fournir un jeton d'authentification, que vous pouvez obtenir à l'aide de gcloud CLI. Pour en savoir plus sur l'obtention d'un jeton d'authentification, consultez la section Méthodes d'obtention d'un jeton d'ID.

Vous pouvez utiliser la requête curl list pour afficher toutes les recommandations pour un projet spécifique :

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

Remplacez les éléments suivants :

• GCLOUD_AUTH_TOKEN : nom d'un jeton d'accès gcloud CLI valide
• PROJECT_NAME : nom du projet contenant votre table BigQuery

Le tableau suivant décrit les champs importants de la réponse de l'API Recommender :

Propriété	Pertinent pour le sous-type	Description
recommenderSubtype	Partition ou cluster	Indique le type de recommandation.
content.overview.partitionColumn	Partition	Nom de colonne de partitionnement recommandé.
content.overview.partitionTimeUnit	Partition	Unité de temps de partitionnement recommandée. Par exemple, DAY signifie que la recommandation consiste à avoir des partitions quotidiennes sur la colonne recommandée.
content.overview.clusterColumns	Cluster	Noms de colonnes de clustering recommandés.

• Pour en savoir plus sur les autres champs dans la réponse de l'outil de recommandation, consultez la section Ressource REST : projects.locations.recommendersrecommendation.
• Pour en savoir plus sur l'utilisation de l'API Recommender, consultez la section Utiliser l'API - Recommandations.

Pour afficher les insights de la table à l'aide de l'API REST, exécutez la commande suivante :

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

Remplacez les éléments suivants :

• GCLOUD_AUTH_TOKEN : nom d'un jeton d'accès gcloud CLI valide
• PROJECT_NAME : nom du projet contenant votre table BigQuery

Le tableau suivant décrit les champs importants de la réponse de l'API Insights :

Propriété	Pertinent pour le sous-type	Description
content.existingPartitionColumn	Cluster	Colonne de partitionnement existante, le cas échéant
content.tableSizeTb	Tout	Taille de la table en téraoctets
content.bytesReadMonthly	Tout	Octets lus depuis la table par mois
content.slotMsConsumedMonthly	Tout	Millisecondes d'emplacement consommées par la charge de travail exécutée sur la table par mois
content.queryJobsCountMonthly	Tout	Nombre de jobs exécutés sur la table par mois

• Pour en savoir plus sur les autres champs dans la réponse des insights, consultez la section Ressource REST : projects.locations.insightTypes.insights.
• Pour en savoir plus sur l'utilisation des insights, consultez la section Utiliser l'API - Insights.

Appliquer des recommandations de cluster

Pour appliquer des recommandations de cluster, procédez comme suit :

• Appliquer des clusters directement à la table d'origine
• Appliquer des clusters à une table copiée
• Appliquer des clusters dans une vue matérialisée

Appliquer des clusters directement à la table d'origine

Vous pouvez directement appliquer des recommandations de cluster à une table BigQuery existante. Cette méthode est plus rapide que d'appliquer des recommandations à une table copiée, mais elle ne conserve pas de table de sauvegarde.

Suivez ces étapes pour appliquer une nouvelle spécification de clustering à des tables non partitionnées ou partitionnées.

1. Dans l'outil bq, mettez à jour la spécification de clustering de votre table pour qu'elle corresponde au nouveau clustering :

    bq update --clustering_fields=CLUSTER_COLUMN DATASET.ORIGINAL_TABLE 

   Remplacez les éléments suivants :

   • CLUSTER_COLUMN : colonne sur laquelle vous effectuez le clustering, par exemple mycolumn
   • DATASET : nom de l'ensemble de données contenant la table, par exemple mydataset
   • ORIGINAL_TABLE : nom de votre table d'origine, par exemple mytable

   Vous pouvez également appeler la méthode API tables.update ou tables.patch pour modifier la spécification du clustering.

2. Pour mettre en cluster toutes les lignes conformément à la nouvelle spécification de clustering, exécutez l'instruction UPDATE suivante :

   UPDATE DATASET.ORIGINAL_TABLE SET CLUSTER_COLUMN=CLUSTER_COLUMN WHERE true
   

   Remarque : Si une nouvelle spécification de clustering est appliquée à une table en stockage à long terme, la table reprend la tarification du stockage actif. Pour en savoir plus, consultez les tarifs de stockage.

Appliquer des clusters à une table copiée

Lorsque vous appliquez des recommandations de cluster à une table BigQuery, vous pouvez d'abord copier la table d'origine, puis appliquer la recommandation à la table copiée. Cette méthode garantit que vos données d'origine sont conservées si vous devez annuler la modification de la configuration de clustering.

Cette méthode vous permet d'appliquer des recommandations de cluster aux tables non partitionnées et aux tables partitionnées.

1. Dans la console Google Cloud, accédez à la page "BigQuery".

   Accéder à BigQuery

2. Dans l'éditeur de requête, créez une table vide avec les mêmes métadonnées (y compris les spécifications de clustering) de la table d'origine à l'aide de l'opérateur LIKE :

   CREATE TABLE DATASET.COPIED_TABLE
   LIKE DATASET.ORIGINAL_TABLE
   

   Remplacez les éléments suivants :

   • DATASET : nom de l'ensemble de données contenant la table, par exemple mydataset
   • COPIED_TABLE : nom de votre table copiée, par exemple copy_mytable
   • ORIGINAL_TABLE : nom de votre table d'origine, par exemple mytable

3. Dans la console Google Cloud, ouvrez l'éditeur Cloud Shell.

   Activer Cloud Shell

4. Dans l'éditeur Cloud Shell, mettez à jour la spécification de clustering de la table copiée pour qu'elle corresponde au clustering recommandé à l'aide de la commande bq update :

    bq update --clustering_fields=CLUSTER_COLUMN DATASET.COPIED_TABLE 

   Remplacez CLUSTER_COLUMN par la colonne sur laquelle vous effectuez le clustering, par exemple mycolumn.

   Vous pouvez également appeler la méthode API tables.update ou tables.patch pour modifier la spécification du clustering.

5. Dans l'éditeur de requête, récupérez le schéma de table avec la configuration de partitionnement et de clustering de la table d'origine, si un partitionnement ou un clustering existe. Vous pouvez récupérer le schéma en affichant la vue INFORMATION_SCHEMA.TABLES de la table d'origine :

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

   Le résultat est l'instruction LDD (langage de définition de données) complète de ORIGINAL_TABLE, y compris la clause PARTITION BY. Pour en savoir plus sur les arguments de votre sortie LDD, consultez la section Instruction CREATE TABLE.

   Le résultat LDD indique le type de partitionnement dans la table d'origine :

   Type de partitionnement	Exemple de sortie
   Non partitionnée	La clause PARTITION BY est absente.
   Partitionnée par colonne de table	PARTITION BY c0
   	PARTITION BY DATE(c0)
   	PARTITION BY DATETIME_TRUNC(c0, MONTH)
   Partitionnée par date d'ingestion	PARTITION BY _PARTITIONDATE
   	PARTITION BY DATETIME_TRUNC(_PARTITIONTIME, MONTH)

6. Ingérez les données dans la table copiée. Le processus à utiliser dépend du type de partition.

   • Si la table d'origine n'est pas partitionnée ou partitionnée par une colonne de table, ingérez les données de la table d'origine dans la table copiée :

     INSERT INTO DATASET.COPIED_TABLE
     SELECT * FROM DATASET.ORIGINAL_TABLE
     

   • Si la table d'origine est partitionnée par date d'ingestion, procédez comme suit :

     1. Récupérez la liste des colonnes pour former l'expression d'ingestion de données à l'aide de la vue INFORMATION_SCHEMA.COLUMNS :

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

        La sortie est une liste de noms de colonnes séparés par une virgule.

     2. Ingérez les données de la table d'origine dans la table de copie :

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

        Remplacez COLUMN_NAMES par la liste des colonnes en sortie de l'étape précédente, séparées par une virgule (par exemple, col1, col2, col3).

   Vous disposez maintenant d'une table de copie en cluster avec les mêmes données que la table d'origine. Dans les étapes suivantes, vous allez remplacer votre table d'origine par une nouvelle table en cluster.

7. Renommez la table d'origine en table de sauvegarde :

   ALTER TABLE DATASET.ORIGINAL_TABLE
   RENAME TO DATASET.BACKUP_TABLE
   

   Remplacez BACKUP_TABLE par le nom de votre table de sauvegarde, par exemple backup_mytable.

8. Renommez la table de copie en table d'origine :

   ALTER TABLE DATASET.COPIED_TABLE
   RENAME TO DATASET.ORIGINAL_TABLE
   

   Votre table d'origine est maintenant mise en cluster conformément à la recommandation de cluster.

Nous vous recommandons d'examiner la table en cluster pour vous assurer que toutes les fonctions de la table fonctionnent comme prévu. De nombreuses fonctions de table sont probablement liées à l'ID de table et non au nom de la table. Il est donc préférable d'examiner les fonctions de table suivantes avant de continuer :

• Les accès et autorisations, tels que les autorisations IAM, l'accès au niveau des lignes ou l'accès au niveau des colonnes.
• Les artefacts de table, tels que les clones de table, les instantanés de table ou les index de recherche.
• L'état de tous les processus de table en cours, tels que les vues matérialisées ou les jobs exécutés lors de la copie de la table.
• La possibilité d'accéder aux données historiques des tables à l'aide des fonctionnalités temporelles.
• Toutes les métadonnées associées à la table d'origine, par exemple table_option_list ou column_option_list. Pour en savoir plus, consultez la section Instructions de langage de définition des données.

Si des problèmes surviennent, vous devez migrer manuellement les artefacts concernés vers la nouvelle table.

Après avoir examiné la table en cluster, vous pouvez éventuellement supprimer la table de sauvegarde à l'aide de la commande suivante :

    DROP TABLE DATASET.BACKUP_TABLE
    

Appliquer des clusters dans une vue matérialisée

Vous pouvez créer une vue matérialisée de la table pour stocker les données de la table d'origine avec la recommandation appliquée. L'utilisation de vues matérialisées pour appliquer des recommandations garantit la tenue à jour des données en cluster à l'aide d'actualisations automatiques. Lorsque vous interrogez, gérez et stockez des vues matérialisées, il existe des considérations tarifaires à prendre en compte. Pour savoir comment créer une vue matérialisée en cluster, consultez la section Vues matérialisées en cluster.

Appliquer des recommandations de partition

Pour appliquer des recommandations de partition, vous devez les appliquer à une copie de la table d'origine. BigQuery ne permet pas de modifier le schéma de partitionnement d'une table en place, par exemple en convertissant une table non partitionnée en table partitionnée, en modifiant le schéma de partitionnement d'une table ou en créant une vue matérialisée avec un schéma de partitionnement différent de celui de la table de base. Vous ne pouvez modifier le partitionnement d'une table que sur une copie de la table.

Attention : Migrez vos workflows en ancien SQL vers GoogleSQL avant d'appliquer les recommandations de partition. Pour en savoir plus, consultez la section Limites.

Appliquer des recommandations de partition à une table copiée

Lorsque vous appliquez des recommandations de partition à une table BigQuery, vous pouvez d'abord copier la table d'origine, puis appliquer la recommandation à la table copiée. Cette approche garantit que vos données d'origine sont conservées si vous devez effectuer un rollback d'une partition.

La procédure suivante utilise un exemple de recommandation pour partitionner une table en fonction de l'unité de temps DAY.

1. Créez une table copiée à l'aide des recommandations de partition :

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

   Remplacez les éléments suivants :

   • DATASET : nom de l'ensemble de données contenant la table, par exemple mydataset
   • COPIED_TABLE : nom de votre table copiée, par exemple copy_mytable
   • PARTITION_COLUMN : colonne sur laquelle vous effectuez le partitionnement, par exemple mycolumn.

   Pour plus d'informations sur la création de tables partitionnées, consultez la section Créer des tables partitionnées.

2. Renommez la table d'origine en table de sauvegarde :

   ALTER TABLE DATASET.ORIGINAL_TABLE
   RENAME TO DATASET.BACKUP_TABLE
   

   Remplacez BACKUP_TABLE par le nom de votre table de sauvegarde, par exemple backup_mytable.

3. Renommez la table de copie en table d'origine :

   ALTER TABLE DATASET.COPIED_TABLE
   RENAME TO DATASET.ORIGINAL_TABLE
   

   Votre table d'origine est maintenant partitionnée conformément à la recommandation de partition.

Nous vous recommandons d'examiner la table partitionnée pour vous assurer que toutes les fonctions de la table fonctionnent comme prévu. De nombreuses fonctions de table sont probablement liées à l'ID de table et non au nom de la table. Il est donc préférable d'examiner les fonctions de table suivantes avant de continuer :

• Les accès et autorisations, tels que les autorisations IAM, l'accès au niveau des lignes ou l'accès au niveau des colonnes.
• Les artefacts de table, tels que les clones de table, les instantanés de table ou les index de recherche.
• L'état de tous les processus de table en cours, tels que les vues matérialisées ou les jobs exécutés lors de la copie de la table.
• La possibilité d'accéder aux données historiques des tables à l'aide des fonctionnalités temporelles.
• Toutes les métadonnées associées à la table d'origine, par exemple table_option_list ou column_option_list. Pour en savoir plus, consultez la section Instructions de langage de définition des données.
• La possibilité d'utiliser l'ancien SQL pour écrire des résultats de requête dans des tables partitionnées. L'utilisation de l'ancien SQL n'est pas totalement compatible avec les tables partitionnées. Une solution consiste à migrer vos workflows en l'ancien SQL vers GoogleSQL avant d'appliquer une recommandation de partition.

Si des problèmes surviennent, vous devez migrer manuellement les artefacts concernés vers la nouvelle table.

Après avoir examiné la table partitionnée, vous pouvez éventuellement supprimer la table de sauvegarde à l'aide de la commande suivante :

    DROP TABLE DATASET.BACKUP_TABLE
    

Tarifs

Pour en savoir plus sur les tarifs de cette fonctionnalité, consultez la section Présentation des tarifs de Gemini dans BigQuery.

L'application d'une recommandation à une table peut entraîner les coûts suivants :

• Coûts de traitement. Lorsque vous appliquez une recommandation, vous exécutez une requête LDD (langage de définition de données) ou LMD (langage de manipulation de données) sur votre projet BigQuery.
• Coûts de stockage. Si vous utilisez la méthode de copie d'une table, vous utilisez de l'espace de stockage supplémentaire pour la table copiée (ou de sauvegarde).

Les frais de traitement et de stockage standards s'appliquent en fonction du compte de facturation associé au projet. Pour en savoir plus, consultez la page relative aux tarifs de BigQuery.

Quotas et limites

Pour en savoir plus sur les quotas et les limites de cette fonctionnalité, consultez la page Quotas pour Gemini dans BigQuery.

Dépannage

Problème : aucune recommandation n'apparaît pour une table spécifique.

Les recommandations de partitionnement et de clustering peuvent ne pas s'afficher dans les cas suivants :

• La taille de la table est inférieure à 10 Go.
• La table présente un coût d'écriture élevé pour les opérations du langage de manipulation de données (LMD).
• La table n'a pas été lue au cours des 30 derniers jours.
• Les économies mensuelles estimées sont trop faibles (moins d'une heure d'économies par emplacement).
• La table est déjà en cluster.

Remarque : Les tables qui ne sont ni partitionnées ni en cluster peuvent recevoir des recommandations de cluster et de partition. Les tables qui ne sont pas en cluster mais partitionnées ne peuvent recevoir que des recommandations de cluster. Les tables en cluster ne reçoivent aucune recommandation.