BigQuery：查询最新分区、要处理的字节数与实际处理的字节数

Posted 2023-03-23

【中文标题】BigQuery：查询最新分区、要处理的字节数与实际处理的字节数

【英文标题】：BigQuery: querying the latest partition, bytes to be processed vs. actually processed

【发布时间】：2020-07-15 21:18:26

【问题描述】：

我正在努力使用日期或日期时间字段有效地查询表的最后一个分区。第一种方法是像这样过滤：

SELECT *
FROM my_table
WHERE observation_date = (SELECT MAX(observation_date) FROM my_table)

但是，根据 BigQuery 的处理估计，它会扫描整个表并且不使用分区。甚至谷歌也在他们的文档中声明这发生了。如果我对分区使用确切的值，它确实有效：

SELECT *
FROM my_table
WHERE observation_date = CURRENT_DATE

但是如果表不是最新的，那么查询将不会得到任何结果，并且我的自动处理将失败。如果我包含像observation_date = DATE_SUB(CURRENT_DATE, INTERVAL 2 DAY) 这样的偏移量，我可能会错过最新的分区。

高效获取最新分区的最佳做法是什么？

更糟糕的是，BigQuery 对活动查询要处理的字节数的估计与实际处理的字节数不匹配，除非我没有正确解释这些数字。在下面找到不匹配值的屏幕截图。

BigQuery screen with aparrently mistmatching processed bytes

最后我还测试了几个场景：

如果我按照in this post 的建议首先存储带有 DECLARE 语句的 max_date，估计似乎有效，但不清楚原因。但是，运行查询后实际处理的字节数与在 WHERE 子句中过滤最新分区的情况没有什么不同。 在分区和集群的表中使用相同声明的 max_date，估计仅在对分区使用过滤器时有效，但如果我为集群包含过滤器，则会失败。

【问题讨论】：

如何从屏幕截图中判断字节不匹配？

您是否阅读过 Bigquery 中的分区 pruning 机制？

屏幕截图显示两个不匹配的值以黄色突出显示。我期望这些值是相同的，也许我错了。绿色线是 BigQuery 对您在编辑器中输入内容的估计，灰色线是执行后实际处理的字节数。

我读过关于剪枝的文章，但这只是建议我不应该使用子查询来过滤分区字段。此外，我正在使用日期或日期时间字段，并且没有为这种类型的分区创建伪列。

由于查询最新分区可能是最常见的任务，我认为值得贡献并表明您有兴趣将此功能扩展到 Bigquery 开发人员。你是否已经访问过这个公共追踪器的thread？

【参考方案1】：

经过一些迭代后，我得到了 Google 的答复，虽然它没有解决问题，但它承认它确实发生了。

使用 DATE 或 DATETIME 字段分区的表无法有效地查询其最新分区。最佳做法仍然是使用 WHERE observation_date = (SELECT MAX(observation_date) FROM my_table) 之类的内容进行过滤，这将扫描整个表。

他们做了笔记以尝试在未来改进这一点，但我们现在必须处理这个问题。我希望这对尝试做同样事情的人有所帮助。