BigQuery راه حل ذخیره سازی داده در مقیاس پتابایت گوگل است. Looker Studio به صورت بومی با BigQuery ادغام می شود و می توان از آن برای تجزیه و تحلیل و تجسم داده های BigQuery استفاده کرد.
مراحل پیاده سازی
راه های مختلفی برای آوردن داده های BigQuery به Looker Studio وجود دارد:
- با استفاده از رابط اصلی BigQuery در رابط کاربری Looker Studio
- توسعه و استفاده از یک اتصال دهنده جامعه
با استفاده از رابط اصلی BigQuery در رابط کاربری Looker Studio
کاربران می توانند از رابط اصلی BigQuery در Looker Studio برای تجسم جداول BigQuery یا پرس و جوهای خاص استفاده کنند. می توانید کل جداول را واکشی کنید یا پرس و جوهای سفارشی را در BigQuery از داخل Looker Studio اجرا کنید. همچنین می توان از ویژگی Looker Studio Explorer برای تکمیل تجزیه و تحلیل اکتشافی داده های BigQuery خود استفاده کرد.
این رویکرد در صورتی مفید است که کاربران شما:
- در حال انجام تجزیه و تحلیل اکتشافی هستند.
- با SQL آشنا هستند و می توانند پرس و جوهای خود را بنویسند.
- با داده ها آشنا هستند و می دانند چگونه آنها را از ابتدا تجسم کنند.
مثال: جستجوی داده‌های نرخ تولد از BigQuery
این راهنما نشان می دهد که چگونه یک کاربر نهایی می تواند از رابط BigQuery بومی Looker Studio از رابط کاربری Looker Studio برای تجسم داده های BigQuery استفاده کند. این مثال جدول نمونه تولد BigQuery را پرس و جو می کند و کل جدول را در Looker Studio واکشی می کند.
مثال: ساخت داشبورد BI با BigQuery، App Engine و Looker Studio
نحوه ساخت داشبورد BI با استفاده از Looker Studio و BigQuery نشان می‌دهد که چگونه می‌توانید از App Engine برای پیش‌جمع‌کردن داده‌های BigQuery و سپس تجسم آن با Looker Studio استفاده کنید.
توسعه و استفاده از یک اتصال دهنده جامعه
می‌توانید یک Connector Community ایجاد کنید که داده‌ها را از BigQuery واکشی می‌کند. این رویکرد نسبت به استفاده از کانکتور بومی مزایایی به شما می دهد:
- می توانید پرس و جوهای موجود را در رابط خود بگنجانید. کاربران شما نیازی به نوشتن SQL خود یا کپی/پیست کردن قطعه SQL برای دریافت پرس و جو دقیق ندارند. علاوه بر این، می توانید پرس و جوهای خود را پارامتر کنید و به کاربران خود اجازه دهید ورودی را از طریق پیکربندی رابط برای سفارشی کردن پرس و جوها ارائه دهند.
- می توانید از حساب های خدماتی برای متمرکز کردن صورتحساب استفاده کنید. کاربران شما نیازی به دسترسی به حساب صورتحساب GCP نخواهند داشت.
- کاربران شما می توانند با گزارش های قالب آماده با داده های خود شروع کنند.
- شما می توانید لایه کش خود را برای کنترل هزینه BigQuery پیاده سازی کنید.
در یک Connector Community، می‌توانید به سه روش جداگانه به داده‌های BigQuery دسترسی داشته باشید:
این جدول مزایا و معایب را خلاصه می کند:
| سرویس های پیشرفته استودیو Looker | Apps Script Service BigQuery | BigQuery REST API | |
|---|---|---|---|
| ارجاع | سرویس های پیشرفته استودیو Looker | Apps Script Service BigQuery | BigQuery REST API |
| جریان داده ها | BigQuery > Looker Studio | BigQuery > Apps Script > Looker Studio | BigQuery > Apps Script > Looker Studio |
فیلدهای محاسبه شده از طریق getschema پشتیبانی می شوند | آره | آره | آره |
| می توان با حساب سرویس/کنترل دسترسی سفارشی استفاده کرد | آره | خیر (مدارک کاربری موثر اجرا شد) | آره |
| فیلترها به طور خودکار به پایین فشار داده می شوند | آره | خیر | خیر |
تبدیل داده های اضافی در getData مورد نیاز است | خیر | آره | آره |
| داده‌های واکشی شده در Apps Script قابل دسترسی هستند (به شما امکان می دهد تحول اضافی انجام دهید) | خیر | آره | آره |
| ذخیره سازی سفارشی پشتیبانی می شود | خیر | آره | آره |
| سهمیه UrlfetchApp اعمال شد | خیر | خیر | آره |
| اجرای نمونه | رابط داده بانک جهانی | Apps Script Service BigQuery | رابط کاربری Chrome UX |
مگر اینکه نیاز به تبدیل داده های واکشی شده از BigQuery داشته باشید یا نیاز به کش سفارشی داشته باشید، در بیشتر موارد استفاده، می توانید از سرویس های پیشرفته استودیو Looker استفاده کنید.