按最新日期过滤 BigQuery 行的最有效方法

Posted 2023-04-19

【中文标题】按最新日期过滤 BigQuery 行的最有效方法

【英文标题】：Most efficient way to filter BigQuery rows by latest date

【发布时间】：2018-08-10 12:29:53

【问题描述】：

我目前正在开发一个 ETL 管道，该管道使用 BigQuery 存储暂存数据，然后使用 Dataprep 转换数据并将其存储在新的 BigQuery 表中以用于生产。

我们一直在寻找最经济有效的方法来对一小部分数据应用这些转换时遇到问题，通常仅是从暂存数据表中当前最大日期开始的最后 X 天。例如，我们需要计算暂存数据中的最大可用日期，然后检索从该日期开始的过去 3 天内的所有行。不幸的是，我们不能依赖临时数据中的“最大日期”始终是最新的（这些数据来自不同质量和可靠性的第三方 API）。

起初我尝试通过获取最大日期直接在 Dataprep 中应用这些转换，使用 DATEDIFF 创建一个比较列，然后丢弃比此“最大日期”早 3 天以上的行。事实证明，这非常耗时且在成本方面效率低下。

接下来我们尝试过滤 BigQuery 视图中的数据，然后将其用作 Dataprep 流的初始数据集（数据将在 Dataprep 应用任何转换之前进行预过滤）。我们首先尝试在 BigQuery 中动态执行此操作，如下所示：

WITH latest_partitiontime AS (SELECT _PARTITIONTIME as pt FROM 
`project.dataset.table`
GROUP BY _PARTITIONTIME
ORDER BY _PARTITIONTIME DESC
LIMIT 1)

SELECT columns
FROM `project.dataset.table`
WHERE _PARTITIONTIME >= (SELECT pt FROM latest_partitiontime)

但是在预览查询的 GB/估计成本时，它似乎非常低效且昂贵。

接下来我们尝试对日期进行硬编码，由于某种原因，这样更便宜/更快：

SELECT columns
FROM `project.dataset.table`
WHERE _PARTITIONTIME >= '2018-08-08'

所以我们目前的计划是为每个表维护一个视图，并在每次暂存数据成功完成时通过 Python SDK 更新视图 SQL 中的硬编码日期 (https://cloud.google.com/bigquery/docs/managing-views)。

感觉我们可能会错过一个更简单/更有效的解决方案来解决这个问题。所以我想问：

在 Dataprep 或 BigQuery 中按日期执行此初始过滤是否更具成本效益？ 在所选产品中过滤数据的最具成本效益的方法是什么？

【问题讨论】：

你为什么用(SELECT _PARTITIONTIME as pt FROM project.dataset.table GROUP BY _PARTITIONTIME ORDER BY _PARTITIONTIME DESC LIMIT 1)而不是MAX(_partitiontime)？ GROUP BY 尤其是 ORDER BY 非常耗费资源......

嗨，马丁。在此之前我们也尝试了 MAX(_PARTITIONTIME)，它对查询效率或成本没有影响（两者都仍然很高）。

【参考方案1】：

你熟悉标准SQL的MERGE语句和发布的clustering feature吗？这实际上可以合并您的数据，您可以进一步customize it 以仅读取某些分区。

手册示例：

MERGE dataset.DetailedInventory T
USING dataset.Inventory S
ON T.product = S.product
WHEN NOT MATCHED AND quantity < 20 THEN
  INSERT(product, quantity, supply_constrained, comments)
  VALUES(product, quantity, true, ARRAY<STRUCT<created DATE, comment STRING>>[(DATE('2016-01-01'), 'comment1')])
WHEN NOT MATCHED THEN
  INSERT(product, quantity, supply_constrained)
  VALUES(product, quantity, false)

提示：您可以按null 进行分区，并且仅利用“集群级别”