Google BigQuery, som är gratis för 10 gigabyte (GB) per månad, är sökjättens ginorma, petabyte (PB) -skala datalager för analys.
Det är en SQL-produkt på företagsnivå och Big Data finns i Googles DNA.
Alla företagets verktyg och tjänster är bevis på det.
Kort sagt, om du vill göra något med data kan du satsa på att Google har ett verktyg för att få det att hända.
Om du har massiva datamängder eller samlar dina data genom att blanda den med offentliga eller kommersiella datamängder kan Google BigQuery vara ett bra val.
Den är utformad för att skanna terabyte (TB) på några sekunder och PB på några minuter.
Den största frågan hittills är 2.1 PBs och Google BigQuery hanterade den utan problem.
Trots dessa funktioner är Big Data-analys utmanande, och om du arbetar med mindre datamängder kan det vara överdrivet.
Ändå är Google BigQuery ett solidt val som följer precis bakom Microsoft Azure SQL Database och MongoDB Atlas, Editors 'Choices väljer i vår DBaaS-lösningar granskar sammanläggningen.
Prissättningsmodell
Google BigQuery är en serverlös dataanalysmodell.
Separationen mellan lagring och beräkning ger dig bättre prissättningskontroller, som tenderar att vara av mer intresse för personer som kör exceptionellt stora projekt.
Lagring prissätts till schablonbelopp och beräknar på användningshastigheter.
De första 10 GB lagringsutrymmet är gratis varje månad och kostnaderna börjar med 2 cent per GB per månad efter det.
Om du till exempel lagrar 1 terabyte (TB) i en månad, skulle kostnaden vara 20 USD.
Strömmande datainlägg börjar vid 1 cent per 200 megabyte (MB).
De första 1 TB frågorna är gratis, med ytterligare analys på $ 5 per TB därefter.
Metadataåtgärder är gratis.
Du har också möjlighet att betala när du går eller en fast avgift per månad.
Vissa utvecklare föredrar schablonavgiften för budgetbesvär.
Eftersom lagring redan kostar en fast avgift betyder det här alternativet att beräkningen också sker på ett fast, månatligt avgiftsarrangemang.
Men innan du blir för upphetsad över att registrera dig för schablonprissättning, tänk på att endast konton med $ 40 000 i månadsanalysutgifter kvalificerar sig för detta alternativ.
Google BigQuerys kostnadsfria nivå ger upp till 1 TB data som analyseras varje månad och 10 GB datalagring, men allvarligt sett, om du är långt under det märket, finns det andra verktyg som passar bättre för uppgiften, till exempel Microsoft Azure SQL Database, IBM Db2 på Cloud eller Google Cloud med Google Analytics 360.
Steg för steg
Du behöver ett Google-konto, så ställ in ett om du inte redan har ett.
Du behöver det för att registrera dig för ett Google Cloud Platform-konto, vilket också kräver ett kreditkort för att kunna använda den kostnadsfria provperioden.
Men oroa dig inte eftersom du inte automatiskt uppgraderas och faktureras i slutet av testperioden.
Du måste uppgradera manuellt för att allt som ska debiteras ditt kreditkort.
Från Google Cloud-användargränssnittet (UI), gå till BigQuery.
BigQuerys användargränssnitt är lite vanligt Jane, men dess sammanfattning gör det också lätt att använda.
Google säger till mig att det arbetar med ett nytt gränssnitt nu.
Om du bara vill utforska med det aktuella användargränssnittet, klicka sedan på Skriv fråga och välj en av de offentliga datamängderna på välkomstsidan.
Skriv en standard SQL-fråga i frågefältet genom att använda antingen Query Editor eller User-Defined Function (UDF) Editor, och så går du iväg.
Snabbstartguiderna är användbara för att överföra data eller spinna upp en egen databas i Cloud Bigtable, Cloud Spanner, Cloud SQL eller Cloud Datastore (NoSQL-databas).
BigQuery använder American National Standards Institute (ANSI) -kompatibel SQL samt Open Database Connectivity (ODBC) och Java Database Connectivity (JDBC) -drivrutiner för att integreras med data i andra molnprodukter och ytterligare typer av applikationer.
Unika SQL-implementeringar som är utformade för att smidiga frågor innebär att det finns flera SQL-dialekter, vilket kan vara förvirrande.
Jag märkte att även om standardvärdet är "Legacy SQL", kunde jag avmarkera SQL-dialektrutan för att återgå till sann standard SQL.
Google BigQuery har också en streaming-intagningsmotor för datainsamling och analys i realtid.
Använd fliken Skapa datamängd under rullgardinsmenyn Mitt första projekt för att skapa en datamängd.
Ange datauppsättnings-ID, välj dataläge (USA, Europeiska unionen eller Asien-Nordost) och ställ in datatid.
Google BigQuery kan automatiskt upptäcka schema.
När datamängden har ställts in är du redo att köra frågor.
Det finns anslutningar till de flesta BI-verktyg.
Men du kanske vill använda Data Studio, som är Googles BI-visualiseringsverktyg, och det är gratis.
Listan över Google-verktyg du kan använda är lång.
Jag rekommenderar att du börjar med att granska listan över kostnadsfria nivåer i Google Cloud Platform.
Google Cloud Platform har 15 regioner, 45 zoner, över 100 närvaropunkter och ett välutrustat globalt nätverk med 100 000+ fiberoptisk kabel.
Du får bättre priser med den globala tjänsten, men du är fri att ange regioner som du vill.
Säkerhetskopior och servicenivåavtal (SLA: er) omfattas av Google SQL Cloud.
Hela SLA är här.
Cloud SQL håller sju automatiserade säkerhetskopior för varje instans.
Första generationens (gen) säkerhetskopior fångar allt och ingår i dina förekomstkostnader (per användningsmodell).
Deras lagringsutrymme räknas inte med ditt tilldelade lagringsutrymme.
Andra generationens säkerhetskopior fångade endast data som har ändrats och deras lagring debiteras till en reducerad hastighet.
Sammantaget är Google BigQuery briljant utformad.
Det passar bättre för stora datamängder och de som är skickliga i att arbeta med dem.
Om du vill skriva appar för maskininlärning (ML) eller utforma träningsdata för ML, kommer du särskilt att älska den här produkten.
Detsamma gäller utvecklare som arbetar på IoT-appar (Internet of Things) eller någon utveckling som kräver flexibel datainmatning och massiv dataanalys.
Nackdelar
Byggd för Big Data så att det är överdrivet för små datamängder.
Förvirrande SQL-dialekter.
Svåra kostnader utan ordentlig uppmärksamhet vid verktygsanvändning och automatiserad skalning.
Fast prissättning fungerar bättre.
Visa mer
Poängen
Google BigQuery är en utmärkt databas-som-en-tjänst-lösning (DBaaS) för molnbaserade företag och alla som arbetar med maskininlärning av applikationsutveckling eller hantering av massiva uppsättningar.
Google BigQuery, som är gratis för 10 gigabyte (GB) per månad, är sökjättens ginorma, petabyte (PB) -skala datalager för analys.
Det är en SQL-produkt på företagsnivå och Big Data finns i Googles DNA.
Alla företagets verktyg och tjänster är bevis på det.
Kort sagt, om du vill göra något med data kan du satsa på att Google har ett verktyg för att få det att hända.
Om du har massiva datamängder eller samlar dina data genom att blanda den med offentliga eller kommersiella datamängder kan Google BigQuery vara ett bra val.
Den är utformad för att skanna terabyte (TB) på några sekunder och PB på några minuter.
Den största frågan hittills är 2.1 PBs och Google BigQuery hanterade den utan problem.
Trots dessa funktioner är Big Data-analys utmanande, och om du arbetar med mindre datamängder kan det vara överdrivet.
Ändå är Google BigQuery ett solidt val som följer precis bakom Microsoft Azure SQL Database och MongoDB Atlas, Editors 'Choices väljer i vår DBaaS-lösningar granskar sammanläggningen.
Prissättningsmodell
Google BigQuery är en serverlös dataanalysmodell.
Separationen mellan lagring och beräkning ger dig bättre prissättningskontroller, som tenderar att vara av mer intresse för personer som kör exceptionellt stora projekt.
Lagring prissätts till schablonbelopp och beräknar på användningshastigheter.
De första 10 GB lagringsutrymmet är gratis varje månad och kostnaderna börjar med 2 cent per GB per månad efter det.
Om du till exempel lagrar 1 terabyte (TB) i en månad, skulle kostnaden vara 20 USD.
Strömmande datainlägg börjar vid 1 cent per 200 megabyte (MB).
De första 1 TB frågorna är gratis, med ytterligare analys på $ 5 per TB därefter.
Metadataåtgärder är gratis.
Du har också möjlighet att betala när du går eller en fast avgift per månad.
Vissa utvecklare föredrar schablonavgiften för budgetbesvär.
Eftersom lagring redan kostar en fast avgift betyder det här alternativet att beräkningen också sker på ett fast, månatligt avgiftsarrangemang.
Men innan du blir för upphetsad över att registrera dig för schablonprissättning, tänk på att endast konton med $ 40 000 i månadsanalysutgifter kvalificerar sig för detta alternativ.
Google BigQuerys kostnadsfria nivå ger upp till 1 TB data som analyseras varje månad och 10 GB datalagring, men allvarligt sett, om du är långt under det märket, finns det andra verktyg som passar bättre för uppgiften, till exempel Microsoft Azure SQL Database, IBM Db2 på Cloud eller Google Cloud med Google Analytics 360.
Steg för steg
Du behöver ett Google-konto, så ställ in ett om du inte redan har ett.
Du behöver det för att registrera dig för ett Google Cloud Platform-konto, vilket också kräver ett kreditkort för att kunna använda den kostnadsfria provperioden.
Men oroa dig inte eftersom du inte automatiskt uppgraderas och faktureras i slutet av testperioden.
Du måste uppgradera manuellt för att allt som ska debiteras ditt kreditkort.
Från Google Cloud-användargränssnittet (UI), gå till BigQuery.
BigQuerys användargränssnitt är lite vanligt Jane, men dess sammanfattning gör det också lätt att använda.
Google säger till mig att det arbetar med ett nytt gränssnitt nu.
Om du bara vill utforska med det aktuella användargränssnittet, klicka sedan på Skriv fråga och välj en av de offentliga datamängderna på välkomstsidan.
Skriv en standard SQL-fråga i frågefältet genom att använda antingen Query Editor eller User-Defined Function (UDF) Editor, och så går du iväg.
Snabbstartguiderna är användbara för att överföra data eller spinna upp en egen databas i Cloud Bigtable, Cloud Spanner, Cloud SQL eller Cloud Datastore (NoSQL-databas).
BigQuery använder American National Standards Institute (ANSI) -kompatibel SQL samt Open Database Connectivity (ODBC) och Java Database Connectivity (JDBC) -drivrutiner för att integreras med data i andra molnprodukter och ytterligare typer av applikationer.
Unika SQL-implementeringar som är utformade för att smidiga frågor innebär att det finns flera SQL-dialekter, vilket kan vara förvirrande.
Jag märkte att även om standardvärdet är "Legacy SQL", kunde jag avmarkera SQL-dialektrutan för att återgå till sann standard SQL.
Google BigQuery har också en streaming-intagningsmotor för datainsamling och analys i realtid.
Använd fliken Skapa datamängd under rullgardinsmenyn Mitt första projekt för att skapa en datamängd.
Ange datauppsättnings-ID, välj dataläge (USA, Europeiska unionen eller Asien-Nordost) och ställ in datatid.
Google BigQuery kan automatiskt upptäcka schema.
När datamängden har ställts in är du redo att köra frågor.
Det finns anslutningar till de flesta BI-verktyg.
Men du kanske vill använda Data Studio, som är Googles BI-visualiseringsverktyg, och det är gratis.
Listan över Google-verktyg du kan använda är lång.
Jag rekommenderar att du börjar med att granska listan över kostnadsfria nivåer i Google Cloud Platform.
Google Cloud Platform har 15 regioner, 45 zoner, över 100 närvaropunkter och ett välutrustat globalt nätverk med 100 000+ fiberoptisk kabel.
Du får bättre priser med den globala tjänsten, men du är fri att ange regioner som du vill.
Säkerhetskopior och servicenivåavtal (SLA: er) omfattas av Google SQL Cloud.
Hela SLA är här.
Cloud SQL håller sju automatiserade säkerhetskopior för varje instans.
Första generationens (gen) säkerhetskopior fångar allt och ingår i dina förekomstkostnader (per användningsmodell).
Deras lagringsutrymme räknas inte med ditt tilldelade lagringsutrymme.
Andra generationens säkerhetskopior fångade endast data som har ändrats och deras lagring debiteras till en reducerad hastighet.
Sammantaget är Google BigQuery briljant utformad.
Det passar bättre för stora datamängder och de som är skickliga i att arbeta med dem.
Om du vill skriva appar för maskininlärning (ML) eller utforma träningsdata för ML, kommer du särskilt att älska den här produkten.
Detsamma gäller utvecklare som arbetar på IoT-appar (Internet of Things) eller någon utveckling som kräver flexibel datainmatning och massiv dataanalys.
Nackdelar
Byggd för Big Data så att det är överdrivet för små datamängder.
Förvirrande SQL-dialekter.
Svåra kostnader utan ordentlig uppmärksamhet vid verktygsanvändning och automatiserad skalning.
Fast prissättning fungerar bättre.
Visa mer
Poängen
Google BigQuery är en utmärkt databas-som-en-tjänst-lösning (DBaaS) för molnbaserade företag och alla som arbetar med maskininlärning av applikationsutveckling eller hantering av massiva uppsättningar.
