BigQueryIO 读取与 fromQuery

Posted 2023-03-31

【中文标题】BigQueryIO 读取与 fromQuery

【英文标题】：BigQueryIO Read vs fromQuery

【发布时间】：2019-06-22 03:29:41

【问题描述】：

在 Dataflow/Apache Beam 程序中说，我正在尝试读取数据呈指数增长的表。我想提高读取的性能。

BigQueryIO.Read.from("projectid:dataset.tablename")

或

BigQueryIO.Read.fromQuery("SELECT A, B FROM [projectid:dataset.tablename]")

如果我只选择表中所需的列，而不是上面的整个表，我的读取性能会提高吗？

我知道选择少数列会降低成本。但是想知道上面的读取性能。

【参考方案1】：

您说得对，它会降低成本，而不是引用 SQL/查询中的所有列。此外，当您使用 from() 而不是 fromQuery() 时，您无需为 BigQuery 中的任何表扫描付费。我不确定你是否意识到这一点。

在后台，每当 Dataflow 从 BigQuery 读取数据时，它实际上都会调用其导出 API 并指示 BigQuery 将表作为分片文件转储到 GCS。然后 Dataflow 将这些文件并行读取到您的管道中。它不会从 BigQuery“直接”准备好。

因此，是的，这可能会提高性能，因为需要在后台导出到 GCS 并读入管道的数据量会更少，即更少的列 = 更少的数据。

不过，我也会考虑使用分区表，然后甚至考虑将它们集群化。此外，使用WHERE 子句可以进一步减少要导出和读取的数据量。

【讨论】：

谢谢，是的，我知道这一点，但实际上并不知道 fromQuery() 也会转储到 GCS。您能否确认您是否确实意味着 fromQuery() 还使用用于 from() 的相同导出 API 将所需的列数据导出到 GCS

它们都先转储到 GCS，然后再读入管道。