使用 Google Cloud Datalab 时如何将 .gz 文件加载到 BigQuery？答案

【问题标题】：How to load .gz files to BigQuery when using Google Cloud Datalab?使用 Google Cloud Datalab 时如何将 .gz 文件加载到 BigQuery？
【发布时间】：2015-11-05 05:06:20
【问题描述】：

维基百科将他们的日志文件存储为 .gz，BigQuery 能够提取 .gz 文件。

如何在使用 Google Cloud Datalab 时将此文件“移动”到 BigQuery？

（http://dumps.wikimedia.org/other/pagecounts-raw/ 的文件）

【问题讨论】：

标签： python google-bigquery google-cloud-datalab

【解决方案1】：

这就是我现在从网络加载 .gz 的方式：

import gcp.bigquery as bq
import gcp.storage as storage

f = urllib.urlopen(url)   
storage.Bucket('mybucket').item(gcs_url).write_to(f.read(), 'application/x-gzip')
table = bq.Table('%s.%s' % (dataset_name, table_name)).create(schema=schema, overwrite = True)
table.load_async(
  'gs://mybucket/%s' % gcs_url, mode='overwrite', csv_delimiter=' ', quote='', max_bad_records=100)

这是在https://dumps.wikimedia.org/other/pagecounts-raw/2015/2015-01/下载gz文件。

观察：

我找不到下载和上传文件的简单方法。相反，我将整个东西保存在 RAM (~100GB) 中。它适用于此用例，但不适用于较大的文件。
我在将数据加载到其中之前创建了表。我不知道如何同时做这两个（因此 BigQuery 有一段时间有一个空表）。
当我使用 load_async 时，我希望有一种简单的方法可以等待所有作业完成。
有什么简单的方法可以集成https://cloud.google.com/monitoring/，以便在工作完成时呼叫我？

（问题跟踪器https://github.com/GoogleCloudPlatform/datalab/issues/198）

【讨论】：

您可以使用 gcp.bigquery.wait_any/wait_all 等待您的作业完成
是的，我们要求您在 BQ 表之前创建一个 Table 对象。这是因为 Table 对象具有诸如 exists()、delete() 等方法 - 即它们的存在独立于相应的 BQ 表是否存在。

【解决方案2】：

对于从某个 HTTP 位置复制大文件，您有一些选择。您可以从笔记本中调用单个 bash 命令，并在 bash 单元中使用 wget 和 gsutil 的组合。

%%bash
mkdir -p /tmp/data
cd /tmp/data
wget [src url]
gsutil cp [local file] [gcs location]

如果你想枚举单个文件，你甚至可以使用 python 生成一个 shell 脚本，写出来然后从 bash shell 调用它。

或存储传输服务。请参阅在开发控制台中传输直到云存储。我相信有一个 API，但我们没有为它构建任何 python 包装器。至少现在还没有。

BQ 是否支持一次性创建和加载表格。如果是这样，我们应该确保我们的 API 可以做到这一点。如果是，您可以为此提交错误吗？

有关等待从 load_async 返回的作业，请参阅 gcp.bigquery.wait_all/any。

监控/提醒工作完成——好主意。我不完全确定这是 Datalab 的事情还是基础工作（例如 BQ 中的加载工作）应该这样做。原因：您可能会杀死您的 Datalab 内核，甚至是实例，因此您确实希望通知作业，而不是 Datalab 监视作业的完成。但是，对于这种整合没有异议。

【讨论】：