查询 Google 云端硬盘数据

本页面介绍如何使用 BigQuery 查询存储在 Google 云端硬盘中的数据。

BigQuery 支持查询个人 Google 云端硬盘文件和共享文件。如需详细了解 Google 云端硬盘,请参阅 G Suite 学习中心

您可以查询 Google 云端硬盘中以下格式的文件:

  • 英文逗号分隔值 (CSV)
  • 以换行符分隔的 JSON
  • Avro
  • Google 表格

如需查询 Google 云端硬盘外部数据源,请提供数据的 Google 云端硬盘 URI 路径,并创建一个引用该数据源的外部表。您可以使用永久表临时表引用该 Google 云端硬盘数据源。

检索 Google 云端硬盘 URI

如需为 Google 云端硬盘数据源创建外部表格,您必须提供 Google 云端硬盘 URI。检索 Google 云端硬盘 URI 的方法如下:

  1. 转至 Google 云端硬盘

  2. 右键点击您的文件并选择获取共享链接。URI 应如下所示:https://drive.google.com/open?id=file_id

    其中:

    • file_id 是 Google 云端硬盘文件的字母数字 ID

您也可以通过打开文件来检索 URI。例如,如需检索 Google 表格文件的 URI,请执行以下操作:

  1. 转到 Google 表格

  2. 打开电子表格并复制浏览器地址栏中的 URI。URI 应如下所示:https://docs.google.com/spreadsheets/d/file_id

启用 Google 云端硬盘访问权限

若要访问 Google 云端硬盘中托管的数据,则需要额外的 OAuth 范围,无论是在定义联合源时还是在查询执行期间都是如此。尽管系统在默认情况下并未启用此访问权限,但您可以通过以下方式使用界面、CLI 或 API 启用它:

控制台

在 BigQuery 网页界面中创建永久表时,请按照基于 Web 的身份验证步骤进行操作。出现提示时,请点击允许,以授予 BigQuery 客户端工具对 Google 云端硬盘的访问权限。

经典版界面

在 BigQuery 网页界面中创建永久表时,请按照基于 Web 的身份验证步骤进行操作。出现提示时,请点击 Allow,以授予 BigQuery 客户端工具对 Google 云端硬盘的访问权限。

CLI

启用 Google 云端硬盘访问权限的方法如下:

  1. 输入以下命令,确保您拥有最新版本的命令行工具。

    gcloud components update
    
  2. 输入以下命令,进行 Google 云端硬盘身份验证。

    gcloud auth login --enable-gdrive-access
    

API

如果您使用的是 BigQuery API,则除了 BigQuery 的范围之外,还应请求 Google 云端硬盘的 OAuth 范围

Python

在尝试此示例之前,请先按照《BigQuery 快速入门:使用客户端库》中的 Python 设置说明进行操作。如需了解详情,请参阅 BigQuery Python API 参考文档

import google.auth
# from google.cloud import bigquery

# Create credentials with Drive & BigQuery API scopes
# Both APIs must be enabled for your project before running this code
credentials, project = google.auth.default(scopes=[
    'https://www.googleapis.com/auth/drive',
    'https://www.googleapis.com/auth/bigquery',
])
client = bigquery.Client(credentials=credentials, project=project)

永久外部表与临时外部表

您可以使用永久表或临时表在 BigQuery 中查询外部数据源。永久表是在数据集中创建的表,该表链接到外部数据源。由于该表是永久性的,因此您可以使用数据集级别的访问权限控制与其他同样有权访问底层外部数据源的人员共享该表,还可以随时查询该表。

使用临时表查询外部数据源时,您需要提交一条含有查询的命令,并创建一个链接到外部数据源的非永久表。使用临时表不会在任何 BigQuery 数据集内创建表。由于该表不会永久存储在数据集内,因此无法与他人共享。使用临时表查询外部数据源适用于对外部数据进行一次性临时查询,或执行提取、转换和加载 (ETL) 过程。

使用永久外部表查询 Google 云端硬盘数据

所需的权限和范围

当您使用永久表在 Google 云端硬盘中查询外部数据时,您需要拥有相关权限,才能在项目级别或更高级别运行查询作业,创建指向外部数据的表以及访问表数据。如果外部数据存储在 Google 云端硬盘中,您还需要有权访问链接到外部表的 Google 云端硬盘文件。

BigQuery 权限

在 BigQuery 中创建和查询外部表至少需要以下权限。

  • bigquery.tables.create
  • bigquery.tables.getData
  • bigquery.jobs.create

以下预定义的 Cloud IAM 角色包含 bigquery.tables.createbigquery.tables.getData 权限:

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

以下预定义的 Cloud IAM 角色包含 bigquery.jobs.create 权限:

  • bigquery.user
  • bigquery.jobUser
  • bigquery.admin

此外,如果用户具有 bigquery.datasets.create 权限,则当该用户创建数据集时,系统会为其授予该数据集的 bigquery.dataOwner 访问权限。 借助 bigquery.dataOwner 访问权限,用户可以在数据集中创建外部表,但仍需拥有 bigquery.jobs.create 权限才能查询数据。

如需详细了解 BigQuery 中的 Cloud IAM 角色和权限,请参阅访问权限控制

Google 云端硬盘权限

如需查询 Google 云端硬盘中的外部数据,您必须至少具有对链接到外部表的 Google 云端硬盘文件的 View 访问权限。

Compute Engine 实例的范围

创建 Compute Engine 实例时,您可以为该实例指定一个范围列表。这些范围用于控制实例对 Google Cloud Platform 产品(包括 Google 云端硬盘)的访问权限。在虚拟机上运行的应用使用服务帐号来调用 Google Cloud Platform API。

如果您将某个 Compute Engine 实例设置为以服务帐号身份运行,并且该服务帐号可以访问一个链接到 Google 云端硬盘数据源的外部表,则您必须为该实例添加 Google 云端硬盘 OAuth 范围 (https://www.googleapis.com/auth/drive)。

如需了解将范围应用于 Compute Engine 实例的信息,请参阅更改实例的服务帐号和访问范围。如需详细了解 Compute Engine 服务帐号,请参阅服务帐号

创建和查询永久外部表

您可以通过以下方式创建一个链接到外部数据源的永久表:

如需使用永久表查询外部数据源,需要在 BigQuery 数据集中创建一个链接到外部数据源的表。数据不会存储在 BigQuery 表中。由于该表是永久性的,因此您可以使用数据集级别的访问控制与其他同样有权访问底层外部数据源的人员共享该表。

在 BigQuery 中创建永久外部表时,可通过三种方式指定架构信息:

  • 如果使用 tables.insert API 方法创建永久外部表,将会创建包含模式定义和 ExternalDataConfiguration 的表资源。将 autodetect 参数设置为 true 可为受支持的数据源启用架构自动检测
  • 如果使用 CLI 创建永久外部表,可以使用表定义文件,您可以创建并使用自己的架构文件,或者(在命令行上)输入内嵌架构。创建表定义文件时,可以为受支持的数据源启用架构自动检测
  • 如果使用控制台或经典版 BigQuery 网页界面创建永久外部表,则可以手动输入表架构,也可以对受支持的数据源使用架构自动检测

如需创建外部表,请执行以下操作:

控制台

  1. 在 GCP Console 中打开 BigQuery 网页界面。
    转到 GCP Console

  2. 在导航面板的资源部分中,展开您的项目并选择数据集。点击窗口右侧的创建表

    创建表

  3. 创建表页面的来源部分,执行以下操作:

    • 基于以下数据创建表部分,选择云端硬盘

    • 选择云端硬盘 URI 字段中,输入 Google 云端硬盘 URI。请注意,Google 云端硬盘 URI 不支持通配符。

    • 对于文件格式,请选择数据格式。Google 云端硬盘数据的有效格式包括:

      • 英文逗号分隔值 (CSV)
      • 以换行符分隔的 JSON
      • Avro
      • Google 表格
  4. (可选)如果选择“Google 表格”,请在工作表范围(可选)框中指定要查询的工作表和单元格范围。您可以指定工作表名称,也可以指定 sheet_name!top_left_cell_id:bottom_right_cell_id 作为单元格范围;例如:“Sheet1!A1:B20”。如果未指定工作表范围,则系统会使用文件中的第一个工作表。

  5. 创建表页面的目标部分:对于数据集名称,请选择相应的数据集,然后在表名称字段中输入您要在 BigQuery 中创建的表的名称。

    选择数据集

    • 验证表类型设置为外部表
  6. 架构部分中,输入架构定义。

    • 对于 JSON 或 CSV 文件,您可以选中自动检测选项,以启用架构自动检测功能。 自动检测不适用于 Cloud Datastore 导出文件、Cloud Firestore 导出文件和 Avro 文件。系统将自动从自描述源数据中检索这些文件类型的架构信息。
    • 通过以下方式,手动输入架构信息:
      • 启用以文本形式修改,并以 JSON 数组格式输入表架构。注意:您可以输入以下 CLI 命令来查看 JSON 格式的现有表架构:bq show --format=prettyjson dataset.table
      • 使用添加字段手动输入架构。
  7. 点击创建表

  8. 如有必要,选择您的帐号,然后点击允许,以授予 BigQuery 客户端工具对 Google 云端硬盘的访问权限。

然后,您可以对该表运行查询,就像对原生 BigQuery 表运行查询一样,但要受到外部数据源的限制

查询完成后,可以将结果下载为 CSV 或 JSON,将结果保存为表,或将结果保存到 Google 表格。如需了解详情,请参阅下载、保存和导出数据

经典版界面

  1. 转到 BigQuery 网页界面。

    转到 BigQuery 网页界面

  2. 在导航面板中,将鼠标悬停在数据集上,点击向下箭头图标 向下箭头图标图片,然后点击 Create new table

  3. Create Table 页面的 Source Data 部分,执行以下操作:

    • Location 部分选择 Google Drive,然后在源字段中输入 Google 云端硬盘 URI。请注意,Google 云端硬盘 URI 不支持通配符。
    • 对于 File format,请选择数据格式。Google 云端硬盘数据的有效格式包括:

      • 英文逗号分隔值 (CSV)
      • JSON(以换行符分隔)
      • Avro
      • Google 表格
  4. Create Table 页面的 Destination Table 部分,执行以下操作:

    • 对于 Table name,请选择适当的数据集,然后在表名称字段中输入要在 BigQuery 中创建的永久表的名称。
    • 验证 Table type 设置为 External table
  5. Schema 部分中,输入架构信息。

    • 对于 JSON 或 CSV 文件,您可以选中 Auto-detect 选项,以启用架构自动检测功能。Google 表格目前不支持在网页界面中使用架构自动检测功能(但可以通过 CLI 和 API 使用此功能)。此外,Avro 数据源也不支持自动检测功能。系统会从 Avro 文件自动检索架构信息。

    • 对于 CSV、JSON 或 Google 表格文件,您可以手动输入架构信息,方法如下:

      • 点击 Edit as text,并以 JSON 格式输入表架构
      • 使用 Add Field,手动输入架构
  6. Options 部分中,选择适用项,然后点击 Create Table

  7. 选择您的帐号,然后点击 Allow,授予 BigQuery 客户端工具对 Google 云端硬盘的访问权限。

    “客户端工具访问”(Client tools access) 对话框

然后,您可以对该表运行查询,就像对原生 BigQuery 表运行查询一样,但要受到外部数据源的限制

查询完成后,可以将结果下载为 CSV 或 JSON,将结果保存为表,或将结果保存到 Google 表格。详情请参阅下载、保存和导出数据

CLI

您可以使用 bq mk 命令在 BigQuery 命令行工具中创建表。使用 CLI 创建链接到外部数据源的表时,可以使用以下方法标识表的架构:

  • 表定义文件(存储在本地机器上)
  • 内嵌架构定义
  • JSON 架构文件(存储在本地计算机上)

如需使用表定义文件创建链接到 Google 云端硬盘数据源的永久表,请输入以下命令。

bq mk \
--external_table_definition=definition_file \
dataset.table

其中:

  • definition_file 是本地机器上表定义文件的路径。
  • dataset 是包含该表的数据集的名称。
  • table 是您要创建的表的名称。

例如,以下命令使用名为 mytable_def 的表定义文件创建名为 mytable 的永久表。

bq mk --external_table_definition=/tmp/mytable_def mydataset.mytable

如需使用内嵌架构定义创建链接到外部数据源的永久表,请输入以下命令。

bq mk \
--external_table_definition=schema@source_format=drive_uri \
dataset.table

其中:

  • schema 是架构定义(格式为 field:data_type,field:data_type)。
  • source_formatCSVNEWLINE_DELIMITED_JSONAVROGOOGLE_SHEETS
  • drive_uri 是您的 Google 云端硬盘 URI
  • dataset 是包含该表的数据集的名称。
  • table 是您要创建的表的名称。

例如,以下命令使用架构定义 Region:STRING,Quarter:STRING,Total_sales:INTEGER 创建名为 sales 的永久表,该表链接到存储在 Google 云端硬盘中的 Google 表格文件。

bq mk \
--external_table_definition=Region:STRING,Quarter:STRING,Total_sales:INTEGER@GOOGLE_SHEETS=https://drive.google.com/open?id=1234_AbCD12abCd \
mydataset.sales

如需使用 JSON 架构文件创建链接到外部数据源的永久表,请输入以下命令。

bq mk \
--external_table_definition=schema_file@source_format=drive_uri \
dataset.table

其中:

  • schema_file 是本地机器上 JSON 架构文件的路径。
  • source_formatCSVNEWLINE_DELIMITED_JSONAVROGOOGLE_SHEETS
  • drive_uri 是您的 Google 云端硬盘 URI
  • dataset 是包含该表的数据集的名称。
  • table 是您要创建的表的名称。

例如,以下命令使用 /tmp/sales_schema.json 架构文件创建名为 sales 的表,该表链接到存储在 Google 云端硬盘中的 CSV 文件。

bq mk \
--external_table_definition=/tmp/sales_schema.json@CSV=https://drive.google.com/open?id=1234_AbCD12abCd \
mydataset.sales

创建永久表后,可以对该表运行查询,就像对原生 BigQuery 表运行查询一样,但要受到外部数据源的限制

查询完成后,可以将结果下载为 CSV 或 JSON,将结果保存为表,或将结果保存到 Google 表格。详情请参阅下载、保存和导出数据

API

使用 tables.insert API 方法时创建 ExternalDataConfiguration。指定 schema 属性或将 autodetect 属性设置为 true 以为受支持的数据源启用架构自动检测。

Python

在尝试此示例之前,请先按照《BigQuery 快速入门:使用客户端库》中的 Python 设置说明进行操作。如需了解详情,请参阅 BigQuery Python API 参考文档

import google.auth
# from google.cloud import bigquery
# dataset_id = 'my_dataset'

# Create credentials with Drive & BigQuery API scopes
# Both APIs must be enabled for your project before running this code
credentials, project = google.auth.default(scopes=[
    'https://www.googleapis.com/auth/drive',
    'https://www.googleapis.com/auth/bigquery',
])
client = bigquery.Client(credentials=credentials, project=project)

# Configure the external data source
dataset_ref = client.dataset(dataset_id)
table_id = 'us_states'
schema = [
    bigquery.SchemaField('name', 'STRING'),
    bigquery.SchemaField('post_abbr', 'STRING')
]
table = bigquery.Table(dataset_ref.table(table_id), schema=schema)
external_config = bigquery.ExternalConfig('GOOGLE_SHEETS')
# Use a shareable link or grant viewing access to the email address you
# used to authenticate with BigQuery (this example Sheet is public)
sheet_url = (
    'https://docs.google.com/spreadsheets'
    '/d/1i_QCL-7HcSyUZmIbP9E6lO_T5u3HnpLe7dnpHaijg_E/edit?usp=sharing')
external_config.source_uris = [sheet_url]
external_config.options.skip_leading_rows = 1  # optionally skip header row
table.external_data_configuration = external_config

# Create a permanent table linked to the Sheets file
table = client.create_table(table)  # API request

# Example query to find states starting with 'W'
sql = 'SELECT * FROM `{}.{}` WHERE name LIKE "W%"'.format(
    dataset_id, table_id)

query_job = client.query(sql)  # API request

w_states = list(query_job)  # Waits for query to finish
print('There are {} states with names starting with W.'.format(
    len(w_states)))

使用临时表查询 Google 云端硬盘数据

如需在不创建永久表的情况下查询外部数据源,请运行命令以便进行以下组合:

  • 表定义文件与查询组合
  • 将内嵌架构定义与查询组合
  • 将 JSON 架构定义文件与查询组合

系统会使用表定义文件或提供的架构来创建临时外部表,然后对临时外部表运行查询。BigQuery CLI 和 API 支持使用临时表查询外部数据源。

使用临时外部表时,并不会在您的某个 BigQuery 数据集中创建表。由于该表不会永久存储在数据集内,因此无法与他人共享。使用临时表查询外部数据源适用于对外部数据进行一次性临时查询,或执行提取、转换和加载 (ETL) 过程。

所需权限

当您使用临时表在 Google 云端硬盘中查询外部数据时,您需要拥有相关权限才能在项目级别或更高级别运行查询作业,并且需要对指向该外部数据的表所属数据集的访问权限。在 Google 云端硬盘中查询数据时,您还需要拥有相关权限才能访问包含您的数据的 Google 云端硬盘文件。

BigQuery 权限

使用临时表在 BigQuery 中查询外部表至少需要以下权限。

  • bigquery.tables.getData
  • bigquery.jobs.create

以下预定义的 Cloud IAM 角色包含 bigquery.tables.getData 权限:

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

以下预定义的 Cloud IAM 角色包含 bigquery.jobs.create 权限:

  • bigquery.user
  • bigquery.jobUser
  • bigquery.admin

此外,如果用户具有 bigquery.datasets.create 权限,则当该用户创建数据集时,系统会为其授予该数据集的 bigquery.dataOwner 访问权限。 借助 bigquery.dataOwner 访问权限,用户可以在数据集中创建并访问外部表,但仍需拥有 bigquery.jobs.create 权限才能查询数据。

如需详细了解 BigQuery 中的 Cloud IAM 角色和权限,请参阅访问权限控制

Google 云端硬盘权限

如需查询 Google 云端硬盘中的外部数据,您必须至少获得对链接到外部表的 Google 云端硬盘文件的 View 访问权限。

创建和查询临时表

您可以通过使用 CLI、API 或客户端库来创建和查询链接到外部数据源的临时表。

CLI

您可以使用带有 --external_table_definition 标志的 bq query 命令查询链接到外部数据源的临时表。使用 CLI 查询链接到外部数据源的临时表时,可以使用以下方法标识表的架构:

  • 表定义文件(存储在本地机器上)
  • 内嵌架构定义
  • JSON 架构文件(存储在本地计算机上)

如需使用表定义文件查询链接到外部数据源的临时表,请输入以下命令。

bq --location=location query \
--external_table_definition=table::definition_file \
'query'

其中:

  • location 是您的位置--location 是可选标志。
  • table 是您要创建的临时表的名称。
  • definition_file 是本地机器上表定义文件的路径。
  • query 是您要提交到临时表的查询。

例如,以下命令使用名为 sales_def 的表定义文件创建并查询名为 sales 的临时表。

bq query \
--external_table_definition=sales::sales_def \
'SELECT
   Region,Total_sales
 FROM
   sales'

如需使用内嵌架构定义查询链接到外部数据源的临时表,请输入以下命令。

bq --location=location query \
--external_table_definition=table::schema@source_format=drive_uri \
'query'

其中:

  • location 是您的位置--location 是可选标志。
  • table 是您要创建的临时表的名称。
  • schema 是内嵌架构定义(格式为 field:data_type,field:data_type)。
  • source_formatCSVNEWLINE_DELIMITED_JSONAVROGOOGLE_SHEETS
  • drive_uri 是您的 Google 云端硬盘 URI
  • query 是您要提交到临时表的查询。

例如,以下命令使用架构定义 Region:STRING,Quarter:STRING,Total_sales:INTEGER 创建并查询名为 sales 的临时表,该表链接到存储在 Google 云端硬盘中的 CSV 文件。

bq --location=US query \
--external_table_definition=sales::Region:STRING,Quarter:STRING,Total_sales:INTEGER@CSV=https://drive.google.com/open?id=1234_AbCD12abCd \
'SELECT
   Region,Total_sales
 FROM
   sales'

如需使用 JSON 架构文件查询链接到外部数据源的临时表,请输入以下命令。

bq --location=location query \
--external_table_definition=schema_file@source_format=drive_uri \
'query'

其中:

  • location 是您的位置--location 是可选标志。
  • schema_file 是本地机器上 JSON 架构文件的路径。
  • source_formatCSVNEWLINE_DELIMITED_JSONAVROGOOGLE_SHEETS
  • drive_uri 是您的 Google 云端硬盘 URI
  • query 是您要提交到临时表的查询。

例如,以下命令使用架构文件 /tmp/sales_schema.json 创建并查询名为 sales 的临时表,该表链接到存储在 Google 云端硬盘中的 CSV 文件。

bq query \
--external_table_definition=sales::/tmp/sales_schema.json@CSV=https://drive.google.com/open?id=1234_AbCD12abCd \
'SELECT
   Total_sales
 FROM
   sales'

API

Python

在尝试此示例之前,请先按照《BigQuery 快速入门:使用客户端库》中的 Python 设置说明进行操作。如需了解详情,请参阅 BigQuery Python API 参考文档

import google.auth
# from google.cloud import bigquery

# Create credentials with Drive & BigQuery API scopes
# Both APIs must be enabled for your project before running this code
credentials, project = google.auth.default(scopes=[
    'https://www.googleapis.com/auth/drive',
    'https://www.googleapis.com/auth/bigquery',
])
client = bigquery.Client(credentials=credentials, project=project)

# Configure the external data source and query job
external_config = bigquery.ExternalConfig('GOOGLE_SHEETS')
# Use a shareable link or grant viewing access to the email address you
# used to authenticate with BigQuery (this example Sheet is public)
sheet_url = (
    'https://docs.google.com/spreadsheets'
    '/d/1i_QCL-7HcSyUZmIbP9E6lO_T5u3HnpLe7dnpHaijg_E/edit?usp=sharing')
external_config.source_uris = [sheet_url]
external_config.schema = [
    bigquery.SchemaField('name', 'STRING'),
    bigquery.SchemaField('post_abbr', 'STRING')
]
external_config.options.skip_leading_rows = 1  # optionally skip header row
table_id = 'us_states'
job_config = bigquery.QueryJobConfig()
job_config.table_definitions = {table_id: external_config}

# Example query to find states starting with 'W'
sql = 'SELECT * FROM `{}` WHERE name LIKE "W%"'.format(table_id)

query_job = client.query(sql, job_config=job_config)  # API request

w_states = list(query_job)  # Waits for query to finish
print('There are {} states with names starting with W.'.format(
    len(w_states)))

_FILE_NAME 伪列

基于外部数据源的表提供名为 _FILE_NAME 的伪列。此列包含该行所属文件的完全限定路径。此列仅可用于引用存储在 Cloud StorageGoogle 云端硬盘中的外部数据的表。

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

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

其中:

  • project_id 是有效的项目 ID(如果使用 Cloud Shell 或在 Cloud SDK 中设置默认项目,则不需要此标志)
  • dataset 是存储永久外部表的数据集的名称
  • table_name 是永久外部表的名称
此页内容是否有用?请给出您的反馈和评价:

发送以下问题的反馈:

此网页
需要帮助?请访问我们的支持页面