GCP: BigQueryにおける「データセット」の作成と管理を理解する

BigQueryでは、データを格納するための要素として「データセット」というものが存在します。

当エントリでは、Google BigQueryにおける「データセット」の作成や管理の方法について、実際にコンソール上やプログラム経由で触ってみながら、基本的な部分について理解を深めていきたいと思います。

目次

• BigQueryの「データセット」とは
• BigQueryデータセットの作成
• BigQueryデータセットの変更
• BigQueryデータセットの削除
• まとめ

BigQueryの「データセット」とは

BigQueryにおける「データセットの概要」は以下公式ドキュメントにその内容がまとまっています。

• データセットの概要  |  BigQuery  |  Google Cloud
• Introduction to datasets  |  BigQuery  |  Google Cloud

日本語サイトからその一部を抜粋。

データセットは、特定のプロジェクト内に含まれています。データセットは、テーブルとビューへのアクセスを整理して制御するために使用される最上位のコンテナです。テーブルまたはビューはデータセットに属していなければなりません。したがって、データを BigQuery に読み込む前に、1 つ以上のデータセットを作成する必要があります。

テーブルを作成するにあたっては無くてはならない、必須となる要素になるようですね。Amazon Redshiftで言うところのスキーマみたいなものかな？と一旦は理解しました。下記スライドに構成をイメージしやすい図が載っていたので添付しておきます。

BigQueryデータセットの作成

• データセットの作成  |  BigQuery  |  Google Cloud

メニューから「BigQuery」を選択。

データセットが1件もプロジェクト内に存在してない状態。ここからまず1個データセットを作ってみます。

ここでは任意の名称、リージョンを指定して作成してみました。テーブルの有効期限、暗号化についてはデフォルト指定としています。

• データセットのロケーション  |  BigQuery  |  Google Cloud

作成完了。

Pythonで作成する場合の実装例は以下。こちらでは説明欄についても作成時に指定可能となっています。また有効期限はミリ秒で記載する形に。プログラムを介する場合、「テーブル」及び「パーティション」の有効期限が設定可能です。

• パーティション分割テーブルの管理  |  BigQuery  |  Google Cloud

create-bq-datasets.py

# TODO(developer): Import the client library.
from google.cloud import bigquery

# TODO(developer): Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set dataset_id to the ID of the dataset to create.
dataset_id = "cm-da-xxxxxxxxxx.bq_cm_dataset_by_python".format(client.project)

# Construct a full Dataset object to send to the API.
dataset = bigquery.Dataset(dataset_id)

# TODO(developer): Specify the geographic location where the dataset should reside.
dataset.location = "asia-east1"

dataset.description = "Python経由で作られたデータセットです."
dataset.default_partition_expiration_ms = 7776000
dataset.default_table_expiration_ms = 3600000

# Send the dataset to the API for creation.
# Raises google.api_core.exceptions.Conflict if the Dataset already
# exists within the project.
dataset = client.create_dataset(dataset)  # Make an API request.
print("Created dataset {}.{}".format(client.project, dataset.dataset_id))

上記Pythonプログラムで作成したデータセット。

CLI(bqコマンド)での作成例は以下の通り。

$ bq --location=asia-northeast2 mk \
> --dataset \
> --default_table_expiration 8000000 \
> --default_partition_expiration 3600000 \
> --description "CLI経由で作成したデータセットです" \
> cm-xxxxxxxxxx:bq_dataset_by_cli
Dataset 'cm-xxxxxxxxxx:bq_dataset_by_cli' successfully created.

データセットの一覧表示

シンプルに「データセットの一覧表示」であればbq lsコマンドで取得可能。

$ bq ls
          datasetId           
 ---------------------------- 
  bq_dataset_by_cli           
  cmbqdataset

また、Pythonプログラムの場合は以下の様な形で情報を取得可能。ただ、個人的には「データセットの詳細をテーブル形式で並べたい」のでちょっと情報としては足りないかな...？別途改めてこの部分については調べてみたいと思います。

list-bq-datasets.py

# TODO(developer): Import the client library.
from google.cloud import bigquery

# TODO(developer): Construct a BigQuery client object.
client = bigquery.Client()

datasets = list(client.list_datasets())  # Make an API request.
project = client.project

if datasets:
    print("Datasets in project {}:".format(project))
    for dataset in datasets:
        print("\t{}".format(dataset.dataset_id))
        print("\t{}".format(dataset.friendly_name))
        print("\t{}".format(dataset.full_dataset_id))
        print("\t{}".format(dataset.labels))
        print("\t{}".format(dataset.model))
        print("\t{}".format(dataset.project))
        print("\t{}".format(dataset.reference))
        print("\t{}".format(dataset.routine))
        print("\t{}".format(dataset.table))
        print(dir(dataset))
else:
    print("{} project does not contain any datasets.".format(project))

BigQueryデータセットの変更

• データセットのプロパティの更新  |  BigQuery  |  Google Cloud

作成したデータセットには、「説明」の文字列と、

「ラベル」を設定可能です。

• リソースへのラベルの追加  |  BigQuery  |  Google Cloud

作成したデータセットについては、[共有データセット]のメニューから

任意のアクセス制限を行う事が可能です。

• データセットへのアクセスの制御  |  BigQuery  |  Google Cloud

有効期限についてはテーブルに対してのみ、変更が可能となっています。

• BigQuery のおすすめの方法: ストレージの最適化  |  Google Cloud

BigQueryデータセットは「複製」も可能。(※ただし現時点ではプレリリース版の模様です)

• データセットのコピー  |  BigQuery  |  Google Cloud

試しに何の気無しに動かしてみましたが、別途「Data Transfer Service」なるサービスを有効にしておく必要があるとのことでした。ここについては別途エントリを改める形でチャレンジ出来ればと思います。

• BigQuery Data Transfer Service の概要  |  Google Cloud

BigQueryデータセットの削除

データセットの削除はコンソール上で実行する場合、対象となっているデータセットの名称を入力させるUIになっています。

delete-bq-datasets.py

# TODO(developer): Import the client library.
from google.cloud import bigquery

# TODO(developer): Construct a BigQuery client object.
client = bigquery.Client()

# TODO(developer): Set model_id to the ID of the model to fetch.
dataset_id = 'cm-xxxxxxxxxxxxxx.bq_cm_dataset_by_python'

# Use the delete_contents parameter to delete a dataset and its contents.
# Use the not_found_ok parameter to not receive an error if the dataset has already been deleted.
client.delete_dataset(
    dataset_id, delete_contents=True, not_found_ok=True
)  # Make an API request.

print("Deleted dataset '{}'.".format(dataset_id))

まとめ

という訳で、Google BigQueryの「データセット」に関する操作方法のざっくりまとめでした。基本的な操作方法を確認していく過程で「あれ？この辺はどうなのかな？」というポイントが幾つか出てきてたので、そのあたりについては別途検証・確認しエントリを改めてアウトプットしていきたいと思います。

• GCP特集 ｜ 特集カテゴリー ｜ Developers.IO
• BigQuery ｜ 特集カテゴリー ｜ Developers.IO