BigQuery

BigQuery
Prześlij logo tej witryny
Adres	cloud.google.com/products/bigquery/
Język	język angielski
Właściciel	Google
Uruchomić	19 maja 2010
Stan obecny	W działaniu

BigQuery to usługa internetowa zgodna z REST , która umożliwia masową interaktywną analizę dużych zbiorów danych w połączeniu z repozytorium Google. Jest to oprogramowanie jako usługa ( SaaS ), z którego można korzystać oprócz MapReduce .

BigQuery to korporacyjna hurtownia danych Google w trybie bezserwerowym. Ponieważ BigQuery działa w trybie bezserwerowym, nie ma infrastruktury do zarządzania. Zapytania można pisać w starszym języku SQL lub standardowym języku SQL . To narzędzie google umożliwia analizę danych znajdujących się w logicznym magazynie . Hurtownia logiczna zawiera zbiory danych ( bazy danych ). Te zbiory danych zawierają tabele lub widoki . Usługa jest bezpłatna do 1 TB analizowanych danych miesięcznie i 10 GB przechowywanych danych.

Historia

Po okresie testów w 2010 r. BigQuery zostało udostępnione na całym świecie w listopadzie 2011 r. Podczas konferencji Google Atmosphere. W 2014 roku MapR przedstawił projekt Apache Drill , którego celem jest rozwiązanie podobnych problemów. W kwietniu 2016 r. Europejscy użytkownicy usługi mieli 12-godzinną przerwę. Od maja 2016 r. Arkusze kalkulacyjne Google mogą korzystać z BigQuery.

Projekt

BigQuery zapewnia zewnętrzny dostęp do technologii Dremel, skalowalnego, interaktywnego systemu ad hoc typu over -the-query do analizy zagnieżdżonych danych w trybie tylko do odczytu. Aby korzystać z danych w BigQuery, należy je najpierw przesłać do magazynu Google, a następnie zaimportować za pomocą interfejsu HTTP API BigQuery. BigQuery wymaga, aby wszystkie żądania były uwierzytelniane za pomocą mechanizmu uwierzytelniania OAuth .

funkcje

• Bezserwerowa hurtownia danych .
• Analiza w czasie rzeczywistym .
• Automatyczna wysoka dostępność.
• Standardowy język SQL .
• Zapytania stowarzyszone i logiczne magazynowanie danych.
• Oddzielenie przechowywania i obliczeń.
• Automatyczne tworzenie kopii zapasowych i łatwe przywracanie .
• Funkcje geoprzestrzenne i typy danych.
• Usługa przesyłania danych.
• Integracja z ekosystemem dużych zbiorów danych .
• Skalowalność w skali petabajtów .
• Elastyczne modele cenowe.
• Szyfrowanie i bezpieczeństwo danych .
• Lokalizacja danych.
• Podstawa dla AI .
• Podstawy wywiadu gospodarczego.
• Elastyczne pozyskiwanie danych.
• Zarządzanie danymi.
• Zautomatyzowana interakcja.
• Pełne monitorowanie i rejestrowanie za pomocą usługi Stackdriver.
• Ograniczanie kosztów

Charakterystyka

• Zarządzanie danymi - twórz i usuwaj tabele na podstawie schematu zakodowanego w formacie JSON, importuj dane zakodowane w formacie CSV lub JSON z repozytorium Google.
• Zapytanie - zapytania wyrażane są w standardzie języka SQL, a wyniki zwracane są w formacie JSON z odpowiedzią o maksymalnym rozmiarze 128 MB lub nieograniczonym rozmiarze, gdy aktywowane jest kryterium „duże wyniki”.
• Integracja - z BigQuery można korzystać z poziomu Google Apps Script , Arkuszy kalkulacyjnych Google lub dowolnego języka, który może współpracować z jego interfejsem REST API lub bibliotekami klienta.
• Kontrola dostępu - możliwe jest udostępnienie dostępu do zbiorów danych osobie, grupie lub światu

Bibliografia

• ( fr ) Ten artykuł jest częściowo lub w całości zaczerpnięty z artykułu w angielskiej Wikipedii zatytułowanego „  BigQuery   ” ( zobacz listę autorów ) .

1. „  platforma Google w chmurze  ” na cloud.google.com
2. Iain Thomson, „  Google otwiera BigQuery do analizy chmury: bezpłatna wersja próbna Dangles, aby zwabić wątpiących  ” ,14 listopada 2011(dostęp 26 sierpnia 2016 )
3. Neil McAllister, „  Czy Twoje dane są nudne? MapR chce, abyś zanurzył się z powrotem za pomocą Apache Drill: nowa wersja dodaje obsługę technologii Google-y SQL-on-Hadoop  ” ,16 września 2014(dostęp 26 sierpnia 2016 )
4. Simon Sharwood, „  Google Euro-cloud glitch  ” ,7 kwietnia 2016 r(dostęp 26 sierpnia 2016 )
5. Jordan Novet, „  Google BigQuery pozwala teraz analizować dane z Arkuszy Google  ” ,6 maja 2016 r(dostęp 26 sierpnia 2016 )
6. Sergey Melnik, Andrey Gubarev, Jing Jing Long, Geoffrey Romer, Shiva Shivakumar, Matt Tolton i Theo Vassilakis, „  Dremel: Interactive Analysis of Web-Scale Datasets  ” , Proc. Natl. 36. Międzynarodowej Konferencji na temat Bardzo Dużych Baz Danych (VLDB) ,2010
7. Kazunori Sato, „  An Inside Look at Google BigQuery  ”, Google,2012(dostęp 26 sierpnia 2016 )
8. „  SQL Reference  ” (dostęp 26 czerwca 2017 r. )
9. „  Quota Policy  ” (dostęp: 26 czerwca 2017 )
10. „  BigQuery Client Libraries  ” (dostęp: 26 czerwca 2017 r. )

Linki zewnętrzne

• Oficjalna strona