使用自动检测将动态架构 JSON 文件加载到 BigQuery table

Question

这个问题与非常相似 - 但使用 python API，几年后 - 由于解决方案不完整，我认为它是最好开一个新问题。

我有一堆 ndjson 文件，每天在 GCS 上生成，我想将其加载到 BQ table。

来自 file_1.json 的几行示例：

{"a": 1, "b": 2, "c": [1,2,4], "d": "string"}
{"a": 1, "c": [2, 4], "d": "some_string"}
{"a": 1, "e": 4}

一个file_2.json的例子：

{"a": 4, "e": 6, "f": {"g": 7, "h": "str"}}
{"a": 1, "c": [2, 4], "f": {"g": 5}}

大多数字段是可选的，每个文件中的每个文件记录理论上可以包含任意字段组合（目前从大约 50 个中选择，但将来会改变和增加）。同名字段的内容应该（抛开任何错误）包含相同的数据类型。

我想将一组文件（某一天的所有文件）加载到 BQ table，其架构将由文件中所有字段的并集组成，具有 NULL 值其中一行没有对应字段的键。

我希望在没有需要维护的模式的情况下这样做。

我目前的尝试：

job_config = bigquery.LoadJobConfig(
    write_disposition="WRITE_TRUNCATE",
    create_disposition="CREATE_IF_NEEDED",
    autodetect=True,
    ignore_unknown_values=True,
    schema_update_option="ALLOW_FIELD_ADDITION",
    source_format="NEWLINE_DELIMITED_JSON"
)
uri = "gs://my-bucket/test/*.json"

load_job = client.load_table_from_uri(
    uri,
    table_id,
    location="EU",
    job_config=job_config,
)

load_job.result()

使用 autodetect=True 来避免明确指定架构，但由于自动检测从单个文件扫描多达 500 行 - 某些字段可能一开始不会创建。

我希望 schema_update_option="ALLOW_FIELD_ADDITION" (ref here) 能满足我的需要，但它不起作用。

我尝试过的另一种选择：

# Instead of wildcard, get blob list and convert to uris
blobs = storage_client.get_bucket(BUCKET).list_blobs(prefix=FOLDER)
uris = [f"gs://{BUCKET}/{blob.name}" for blob in blobs if blob.name.endswith(".json")]

job_config = bigquery.LoadJobConfig(
    write_disposition="WRITE_APPEND", #Will append file by file
    create_disposition="CREATE_IF_NEEDED",
    autodetect=True,
    schema_update_option="ALLOW_FIELD_ADDITION",
    source_format="NEWLINE_DELIMITED_JSON"
)

for uri in uris:
    load_job = client.load_table_from_uri(
        uri,
        table_id,
        location="EU",
        job_config=job_config,
    )

    load_job.result()

这效率较低，我想 - 但无论如何它也不起作用 - 收到此错误：

BadRequest: 400 Provided Schema does not match Table my-bucket:test.test_diff_schema. Cannot add fields (field: f)

同样，我想 schema_update_option="ALLOW_FIELD_ADDITION" 会避免 - 但它似乎只适用于预定义的模式，而不适用于自动检测。

欢迎任何想法，提前致谢！

Answer 1

在自动检测中，BigQuery 读取了一堆第一行并尝试检测模式。在这第一个运行之后，模式已设置并且在整个摄取过程中无法更改。您可以使用“ignore_unknown_values”选项跳过与自动检测架构不匹配的值。

但它不会如你所愿。我知道 BigQuery 团队致力于更好的 JSON 集成。目前，我只能建议您将 JSON 作为字符串提取并使用 BigQuery JSON 函数来浏览文档。

Answer 2

BigQuery 使用新的 JSON 数据类型原生支持 JSON 数据，这样我们就可以将半结构化 JSON 提取到 BigQuery 中，而无需为 JSON 前期数据。希望这能解决您的问题。

https://cloud.google.com/bigquery/docs/reference/standard-sql/json-data

使用自动检测将动态架构 JSON 文件加载到 BigQuery table

Loading dynamic schema JSON files into a BigQuery table using autodetect

python

json

google-cloud-storage

google-bigquery