Google bigquery 如何最好地处理Google BigQuery中存储在不同位置的数据？

我目前在BigQuery中的工作流程如下：

（1） 在公共存储库中查询数据（存储在美国），（2）将其写入我的存储库中的表中，（3）将csv导出到云存储桶中，（4）在我工作的服务器上下载csv，以及（5）在服务器上使用csv

我现在的问题是，我工作的服务器位于EU。因此，我必须为在我的美国bucket和我的欧盟服务器之间传输数据支付相当多的费用。我现在可以继续在欧盟定位我的存储桶，但我仍然有一个问题，那就是我将数据从美国（BigQuery）传输到欧盟（bucket）。因此，我也可以将我在bq中的数据集设置为位于欧盟，但我不能再进行任何查询，因为公共存储库中的数据位于美国，不允许在不同位置之间进行查询

---

有人知道如何处理这个问题吗？

不管怎样，你在美国有你在欧盟需要的数据，所以我认为你有两个选择：

您可以继续支付许多较小的费用，将缩减后的数据集从美国转移到欧盟，就像您今天所做的那样

您可以一次性支付费用，将原始公共BQ数据集从美国转移到您自己在欧盟的数据集。从那时起，您运行的所有查询都停留在同一地区，不再进行跨大陆传输

这实际上取决于您计划执行多少查询。如果不是很多，那么你今天做事情的方式似乎是最有效的。如果数量很多，那么移动数据一次（支付预付费）可能会更便宜

---

也许谷歌有一些神奇的方法可以让这一切变得更好，但据我所知，你在大西洋的一端处理大量数据，而你在大西洋的另一端需要这些数据，而将这些数据跨越这条线需要花费很多钱。

将BigQuery数据集从一个地区复制到另一个地区的一种方法是利用这些数据。它不能回避您仍然必须这样做的事实，但可能会为您节省一些将数据复制到欧盟服务器上的CPU时间

流程将是：

将所有BigQuery表提取到与表位于同一区域的bucket中。（推荐Avro格式，以获得数据类型的最佳保真度和最快的加载速度。）

运行存储传输作业，将提取的文件从起始位置bucket复制到目标位置的bucket

将所有文件加载到位于目标位置的BigQuery数据集中

Python示例：

# Copyright 2018 Google LLC
#
# Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
#     https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

import datetime
import sys
import time

import googleapiclient.discovery
from google.cloud import bigquery
import json
import pytz


PROJECT_ID = 'swast-scratch'  # TODO: set this to your project name
FROM_LOCATION = 'US'  # TODO: set this to the BigQuery location
FROM_DATASET = 'workflow_test_us'  # TODO: set to BQ dataset name
FROM_BUCKET = 'swast-scratch-us'  # TODO: set to bucket name in same location
TO_LOCATION = 'EU'  # TODO: set this to the destination BigQuery location
TO_DATASET = 'workflow_test_eu'  # TODO: set to destination dataset name
TO_BUCKET = 'swast-scratch-eu'  # TODO: set to bucket name in destination loc

# Construct API clients.
bq_client = bigquery.Client(project=PROJECT_ID)
transfer_client = googleapiclient.discovery.build('storagetransfer', 'v1')


def extract_tables():
    # Extract all tables in a dataset to a Cloud Storage bucket.
    print('Extracting {}:{} to bucket {}'.format(
        PROJECT_ID, FROM_DATASET, FROM_BUCKET))

    tables = list(bq_client.list_tables(bq_client.dataset(FROM_DATASET)))
    extract_jobs = []
    for table in tables:
        job_config = bigquery.ExtractJobConfig()
        job_config.destination_format = bigquery.DestinationFormat.AVRO
        extract_job = bq_client.extract_table(
            table.reference,
            ['gs://{}/{}.avro'.format(FROM_BUCKET, table.table_id)],
            location=FROM_LOCATION,  # Available in 0.32.0 library.
            job_config=job_config)  # Starts the extract job.
        extract_jobs.append(extract_job)

    for job in extract_jobs:
        job.result()

    return tables


def transfer_buckets():
    # Transfer files from one region to another using storage transfer service.
    print('Transferring bucket {} to {}'.format(FROM_BUCKET, TO_BUCKET))
    now = datetime.datetime.now(pytz.utc)
    transfer_job = {
        'description': '{}-{}-{}_once'.format(
            PROJECT_ID, FROM_BUCKET, TO_BUCKET),
        'status': 'ENABLED',
        'projectId': PROJECT_ID,
        'transferSpec': {
            'transferOptions': {
                'overwriteObjectsAlreadyExistingInSink': True,
            },
            'gcsDataSource': {
                'bucketName': FROM_BUCKET,
            },
            'gcsDataSink': {
                'bucketName': TO_BUCKET,
            },
        },
        # Set start and end date to today (UTC) without a time part to start
        # the job immediately.
        'schedule': {
            'scheduleStartDate': {
                'year': now.year,
                'month': now.month,
                'day': now.day,
            },
            'scheduleEndDate': {
                'year': now.year,
                'month': now.month,
                'day': now.day,
            },
        },
    }
    transfer_job = transfer_client.transferJobs().create(
        body=transfer_job).execute()
    print('Returned transferJob: {}'.format(
        json.dumps(transfer_job, indent=4)))

    # Find the operation created for the job.
    job_filter = {
        'project_id': PROJECT_ID,
        'job_names': [transfer_job['name']],
    }

    # Wait until the operation has started.
    response = {}
    while ('operations' not in response) or (not response['operations']):
        time.sleep(1)
        response = transfer_client.transferOperations().list(
            name='transferOperations', filter=json.dumps(job_filter)).execute()

    operation = response['operations'][0]
    print('Returned transferOperation: {}'.format(
        json.dumps(operation, indent=4)))

    # Wait for the transfer to complete.
    print('Waiting ', end='')
    while operation['metadata']['status'] == 'IN_PROGRESS':
        print('.', end='')
        sys.stdout.flush()
        time.sleep(5)
        operation = transfer_client.transferOperations().get(
            name=operation['name']).execute()
    print()

    print('Finished transferOperation: {}'.format(
        json.dumps(operation, indent=4)))


def load_tables(tables):
    # Load all tables into the new dataset.
    print('Loading tables from bucket {} to {}:{}'.format(
        TO_BUCKET, PROJECT_ID, TO_DATASET))

    load_jobs = []
    for table in tables:
        dest_table = bq_client.dataset(TO_DATASET).table(table.table_id)
        job_config = bigquery.LoadJobConfig()
        job_config.source_format = bigquery.SourceFormat.AVRO
        load_job = bq_client.load_table_from_uri(
            ['gs://{}/{}.avro'.format(TO_BUCKET, table.table_id)],
            dest_table,
            location=TO_LOCATION,  # Available in 0.32.0 library.
            job_config=job_config)  # Starts the load job.
        load_jobs.append(load_job)

    for job in load_jobs:
        job.result()


# Actually run the script.
tables = extract_tables()
transfer_buckets()
load_tables(tables)

前面的示例使用google cloud bigquery库作为bigquery API，使用google API python客户端作为存储数据传输API

---

请注意，此示例不考虑分区表。

数据量是多少，以及您希望避免支付的大致数字是多少？我最终需要传输的csv数据量每次约为3GB。然而，我经常这样做。每天的总金额大约是美元。实际上你在这里付多少钱？好吧，我支付这里列出的“跨大陆转账”：我每天的金额取决于我查询的次数；例如，昨天有2美元。从一家不知名的公司获得一台便宜的虚拟机不是很容易，但服务器位于美国，没有这样的定价，并将其作为中间步骤使用？一些其他选项（使用Composer和Dataflow）现在列在这里的SO问题->