选择合适的 Python 库
在使用 BigQuery 时,您可以根据自己的需求选择以下三个 Python 库:
- BigQuery DataFrame:通过服务器端处理,支持 Pandas 和 Scikit-learn API,适合数据处理和机器学习任务。
- pandas-gbq:客户端库,用于在 Python 中读写 BigQuery 数据,适合简单的数据处理和分析。
- google-cloud-bigquery:Google 维护的库,提供完整的 BigQuery API 功能,适合复杂的数据管理和分析。
安装库
要使用这些库,您需要安装以下包:
bash
pip install --upgrade pandas-gbq 'google-cloud-bigquery[bqstorage,pandas]'
运行查询
使用 GoogleSQL 语法
以下示例展示了如何使用 pandas-gbq
和 google-cloud-bigquery
运行 GoogleSQL 查询:
pandas-gbq
python
import pandas
sql = """
SELECT name
FROM `bigquery-public-data.usa_names.usa_1910_current`
WHERE state = 'TX'
LIMIT 100
"""
# 使用标准 SQL 查询
df = pandas.read_gbq(sql, dialect="standard")
# 指定项目 ID
project_id = "your-project-id"
df = pandas.read_gbq(sql, project_id=project_id, dialect="standard")
google-cloud-bigquery
python
from google.cloud import bigquery
client = bigquery.Client()
sql = """
SELECT name
FROM `bigquery-public-data.usa_names.usa_1910_current`
WHERE state = 'TX'
LIMIT 100
"""
# 使用标准 SQL 查询
df = client.query(sql).to_dataframe()
# 指定项目 ID
project_id = "your-project-id"
df = client.query(sql, project=project_id).to_dataframe()
使用旧版 SQL 语法
如果需要使用旧版 SQL 语法,可以通过以下方式进行:
pandas-gbq
python
import pandas
sql = """
SELECT name
FROM [bigquery-public-data:usa_names.usa_1910_current]
WHERE state = 'TX'
LIMIT 100
"""
df = pandas.read_gbq(sql, dialect="legacy")
google-cloud-bigquery
python
from google.cloud import bigquery
client = bigquery.Client()
sql = """
SELECT name
FROM [bigquery-public-data:usa_names.usa_1910_current]
WHERE state = 'TX'
LIMIT 100
"""
query_config = bigquery.QueryJobConfig(use_legacy_sql=True)
df = client.query(sql, job_config=query_config).to_dataframe()
使用 BigQuery Storage API 加速数据下载
BigQuery Storage API 可以显著提高大型结果的下载速度。以下示例展示了如何使用此 API:
pandas-gbq
python
import pandas
sql = "SELECT * FROM `bigquery-public-data.irs_990.irs_990_2012`"
# 使用 BigQuery Storage API 加速下载
df = pandas.read_gbq(sql, dialect="standard", use_bqstorage_api=True)
google-cloud-bigquery
python
from google.cloud import bigquery
client = bigquery.Client()
sql = "SELECT * FROM `bigquery-public-data.irs_990.irs_990_2012`"
# 如果 BigQuery Storage API 已启用,则自动使用
df = client.query(sql).to_dataframe()
配置查询
参数化查询
以下示例展示了如何使用参数化查询:
pandas-gbq
python
import pandas
sql = """
SELECT name
FROM `bigquery-public-data.usa_names.usa_1910_current`
WHERE state = @state
LIMIT @limit
"""
query_config = {
"query": {
"parameterMode": "NAMED",
"queryParameters": [
{
"name": "state",
"parameterType": {"type": "STRING"},
"parameterValue": {"value": "TX"},
},
{
"name": "limit",
"parameterType": {"type": "INTEGER"},
"parameterValue": {"value": 100},
},
],
}
}
df = pandas.read_gbq(sql, configuration=query_config)
google-cloud-bigquery
python
from google.cloud import bigquery
client = bigquery.Client()
sql = """
SELECT name
FROM `bigquery-public-data.usa_names.usa_1910_current`
WHERE state = @state
LIMIT @limit
"""
query_config = bigquery.QueryJobConfig(
query_parameters=[
bigquery.ScalarQueryParameter("state", "STRING", "TX"),
bigquery.ScalarQueryParameter("limit", "INTEGER", 100),
]
)
df = client.query(sql, job_config=query_config).to_dataframe()
将 pandas DataFrame 加载到 BigQuery 表中
以下示例展示了如何将 pandas DataFrame 加载到 BigQuery 表中:
pandas-gbq
python
import pandas
df = pandas.DataFrame(
{
"my_string": ["a", "b", "c"],
"my_int64": [1, 2, 3],
"my_float64": [4.0, 5.0, 6.0],
"my_timestamp": [
pandas.Timestamp("1998-09-04T16:03:14"),
pandas.Timestamp("2010-09-13T12:03:45"),
pandas.Timestamp("2015-10-02T16:00:00"),
],
}
)
table_id = "my_dataset.new_table"
df.to_gbq(table_id)
google-cloud-bigquery
python
from google.cloud import bigquery
import pandas
df = pandas.DataFrame(
{
"my_string": ["a", "b", "c"],
"my_int64": [1, 2, 3],
"my_float64": [4.0, 5.0, 6.0],
"my_timestamp": [
pandas.Timestamp("1998-09-04T16:03:14"),
pandas.Timestamp("2010-09-13T12:03:45"),
pandas.Timestamp("2015-10-02T16:00:00"),
],
}
)
client = bigquery.Client()
table_id = "my_dataset.new_table"
# 确保正确的数据类型
job_config = bigquery.LoadJobConfig(
schema=[
bigquery.SchemaField("my_string", "STRING"),
]
)
job = client.load_table_from_dataframe(df, table_id, job_config=job_config)
# 等待加载完成
job.result()
pandas-gbq 的局限性
- 数据集管理:不支持创建、更新或删除数据集。
- 数据格式支持:仅支持 CSV 格式,不支持嵌套值或数组值。
- 表管理:不支持列出表、复制表或删除表。
- 数据导出:不支持直接导出数据到 Cloud Storage。
解决连接池错误
如果遇到连接池错误,可以通过以下方式增加连接池大小:
python
import requests
client = bigquery.Client()
adapter = requests.adapters.HTTPAdapter(pool_connections=128, pool_maxsize=128, max_retries=3)
client._http.mount("https://", adapter)
client._http._auth_request.session.mount("https://", adapter)