{"id":90783,"date":"2020-08-06T01:42:19","date_gmt":"2020-08-05T23:42:19","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1"},"modified":"2020-08-06T01:42:19","modified_gmt":"2020-08-05T23:42:19","slug":"kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","title":{"rendered":"C\u00f3mo BigQuery de Google democratiz\u00f3 el an\u00e1lisis de datos. Parte 1","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><b><i>\u00a1Hola, Habr! En este momento, OTUS est\u00e1 aceptando inscripciones para una nueva edici\u00f3n del curso <noindex><a rel=\"nofollow\" href=\"https:\/\/otus.pw\/wDZQ\/\">\u00abIngeniero de Datos\u00bb<\/a><\/noindex>. A medida que se acerca el inicio del curso, hemos preparado para ustedes una traducci\u00f3n de un material interesante. <\/i><\/b><\/p>\n<p>\nCada d\u00eda, m\u00e1s de cien millones de personas visitan Twitter para enterarse de lo que sucede en el mundo y discutirlo. Cada tuit y cualquier otra acci\u00f3n del usuario generan un evento, disponible para el an\u00e1lisis interno de datos en Twitter. Cientos de empleados analizan y visualizan estos datos, y mejorar su experiencia es una de las principales prioridades del equipo de Twitter Data Platform. <\/p>\n<p>Creemos que los usuarios con una amplia gama de habilidades t\u00e9cnicas deben poder encontrar datos y tener acceso a herramientas de an\u00e1lisis y visualizaci\u00f3n que funcionen bien basadas en SQL. Esto permitir\u00eda a un nuevo grupo de usuarios con menor inclinaci\u00f3n t\u00e9cnica, incluidos analistas de datos y gerentes de producto, extraer informaci\u00f3n de los datos, permiti\u00e9ndoles comprender y utilizar mejor las oportunidades de Twitter. As\u00ed es como democratizamos el an\u00e1lisis de datos en Twitter. <noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>A medida que perfeccionamos nuestras herramientas y capacidades para el an\u00e1lisis interno de datos, hemos sido testigos de la mejora del servicio de Twitter. Sin embargo, a\u00fan queda mucho por hacer. Las herramientas actuales, como Scalding, requieren experiencia en programaci\u00f3n. Las herramientas de an\u00e1lisis basadas en SQL, como Presto y Vertica, enfrentan problemas de rendimiento a gran escala. Tambi\u00e9n tenemos un problema con la distribuci\u00f3n de datos a trav\u00e9s de m\u00faltiples sistemas sin acceso constante a ellos.<\/p>\n<p>El a\u00f1o pasado anunciamos <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.twitter.com\/engineering\/en_us\/topics\/infrastructure\/2018\/a-new-collaboration-with-google-cloud.html\">una nueva colaboraci\u00f3n con Google<\/a><\/noindex>, en la cual trasladamos partes de nuestra <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.twitter.com\/engineering\/en_us\/topics\/infrastructure\/2019\/the-start-of-a-journey-into-the-cloud.html\">infraestructura de datos<\/a><\/noindex> a Google Cloud Platform (GCP). Concluimos que las herramientas de Google Cloud <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/products\/big-data\/\">Big Data<\/a><\/noindex> pueden ayudarnos en nuestras iniciativas para democratizar el an\u00e1lisis, la visualizaci\u00f3n y el aprendizaje autom\u00e1tico en Twitter:<\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/\">BigQuery<\/a><\/noindex>: un almac\u00e9n de datos empresariales con un motor SQL basado en <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.google\/research\/pubs\/pub36632\">Dremel<\/a><\/noindex>, conocido por su rapidez, simplicidad y capacidad para manejar <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery-ml\/docs\/bigqueryml-intro\">, el aprendizaje autom\u00e1tico<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/datastudio.google.com\/overview\">Data Studio:<\/a><\/noindex> una herramienta para la visualizaci\u00f3n de grandes datos con funciones de colaboraci\u00f3n, como en Google Docs.<\/li>\n<\/ul>\n<p>\nEn este art\u00edculo, aprender\u00e1s sobre nuestra experiencia con estas herramientas: lo que hicimos, lo que aprendimos y lo que haremos a continuaci\u00f3n. Ahora nos centraremos en la anal\u00edtica por lotes e interactiva. La anal\u00edtica en tiempo real la discutiremos en el siguiente art\u00edculo.<\/p>\n<h2>Historia de los almacenes de datos en Twitter<\/h2>\n<p>\nAntes de profundizar en BigQuery, vale la pena hacer un breve resumen sobre la historia de los almacenes de datos en Twitter. En 2011, el an\u00e1lisis de datos en Twitter se realizaba en Vertica y Hadoop. Para crear el MapReduce del trabajo de Hadoop, utilizamos Pig. En 2012, reemplazamos Pig por Scalding, que ten\u00eda una API de Scala con ventajas como la capacidad de crear tuber\u00edas complejas y la facilidad de pruebas. Sin embargo, para muchos analistas de datos y gerentes de producto, que se sent\u00edan m\u00e1s c\u00f3modos trabajando con SQL, esta ten\u00eda una curva de aprendizaje bastante pronunciada. Aproximadamente en 2016, comenzamos a usar Presto como interfaz SQL para los datos de Hadoop. Spark ofrec\u00eda una interfaz de Python, lo que lo convierte en una buena opci\u00f3n para investigaciones de datos ad hoc y aprendizaje autom\u00e1tico.<\/p>\n<p>Desde 2018, hemos utilizado las siguientes herramientas para el an\u00e1lisis y la visualizaci\u00f3n de datos:<\/p>\n<ul>\n<li>Scalding para tuber\u00edas de producci\u00f3n<\/li>\n<li>Scalding y Spark para an\u00e1lisis de datos ad hoc y aprendizaje autom\u00e1tico<\/li>\n<li>Vertica y Presto para an\u00e1lisis SQL ad hoc e interactivo <\/li>\n<li>Druid para acceso interactivo, exploratorio y con baja latencia a m\u00e9tricas de series temporales<\/li>\n<li>Tableau, Zeppelin y Pivot para visualizaci\u00f3n de datos<\/li>\n<\/ul>\n<p>\nHemos descubierto que, aunque estas herramientas ofrecen capacidades muy potentes, hemos enfrentado dificultades para hacer que estas capacidades est\u00e9n disponibles para una audiencia m\u00e1s amplia en Twitter. Al expandir nuestra plataforma con Google Cloud, nos estamos enfocando en simplificar nuestras herramientas anal\u00edticas para toda la comunidad de Twitter.<\/p>\n<h2>Almac\u00e9n de datos BigQuery de Google <\/h2>\n<p>\nVarios equipos en Twitter ya han integrado BigQuery en algunos de sus flujos de trabajo de producci\u00f3n. Aprovechando su experiencia, comenzamos a evaluar las capacidades de BigQuery para todos los casos de uso en Twitter. Nuestro objetivo era ofrecer BigQuery a toda la empresa, as\u00ed como estandarizarlo y mantenerlo dentro del conjunto de herramientas de la Data Platform. Esto result\u00f3 complicado por muchas razones. Necesitamos desarrollar una infraestructura para recibir grandes vol\u00famenes de datos de manera confiable, soportar la gesti\u00f3n de datos a nivel empresarial, garantizar el control adecuado de acceso y mantener la privacidad de los clientes. Tambi\u00e9n tuvimos que crear sistemas para la distribuci\u00f3n de recursos, monitoreo y reembolso, para que los equipos pudieran utilizar BigQuery de manera efectiva.<\/p>\n<p>En noviembre de 2018, lanzamos la versi\u00f3n alfa de BigQuery y Data Studio para toda la empresa. Ofrecimos a los empleados de Twitter algunas de nuestras tablas m\u00e1s utilizadas con datos personales limpiados. M\u00e1s de 250 usuarios de diversos equipos, incluyendo ingenier\u00eda, finanzas y marketing, utilizaron BigQuery. Recientemente, realizaron alrededor de 8,000 consultas, procesando cerca de 100 PB al mes, sin incluir solicitudes programadas. Tras recibir comentarios muy positivos, decidimos avanzar y ofrecer BigQuery como recurso principal para la interacci\u00f3n con los datos en Twitter.<\/p>\n<p>Aqu\u00ed est\u00e1 el esquema de alto nivel de nuestra arquitectura de almacenamiento de datos en Google BigQuery. <\/p>\n<p><img decoding=\"async\" alt=\"C\u00f3mo BigQuery de Google democratiz\u00f3 el an\u00e1lisis de datos. Parte 1\" src=\"\/wp-content\/uploads\/2020\/08\/6a3e0b43752ebbac641c43519c8c2fba.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nCopiamos datos de cl\u00fasteres locales de Hadoop a Google Cloud Storage (GCS), utilizando una herramienta interna llamada Cloud Replicator. Luego utilizamos Apache Airflow para crear flujos de trabajo que utilizan \u00ab<noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/docs\/reference\/bq-cli-reference#bq_load\">bq_load<\/a><\/noindex>\u00bb para cargar datos desde GCS a BigQuery. Usamos Presto para consultar conjuntos de datos Parquet o Thrift-LZO en GCS. BQ Blaster es una herramienta interna de Scalding para cargar conjuntos de datos HDFS, Vertica y Thrift-LZO en BigQuery.<\/p>\n<p>En las siguientes secciones, discutiremos nuestro enfoque y conocimientos sobre la facilidad de uso, el rendimiento, la gesti\u00f3n de datos, la operatividad del sistema y el coste.<\/p>\n<h4>Facilidad de uso<\/h4>\n<p>\nHemos descubierto que los usuarios encontraron f\u00e1cil comenzar con BigQuery, ya que no requer\u00eda instalaci\u00f3n de software y pod\u00edan acceder a \u00e9l a trav\u00e9s de una interfaz web intuitiva. Sin embargo, los usuarios necesitaban familiarizarse con algunas caracter\u00edsticas de GCP y sus conceptos, incluyendo recursos como proyectos, conjuntos de datos y tablas. Hemos desarrollado materiales de capacitaci\u00f3n y tutoriales para ayudar a los usuarios a empezar. Con una comprensi\u00f3n b\u00e1sica, a los usuarios les result\u00f3 f\u00e1cil navegar por los conjuntos de datos, revisar el esquema y los datos de las tablas, realizar consultas simples y visualizar los resultados en Data Studio.<\/p>\n<p>Nuestro objetivo respecto a la carga de datos en BigQuery era asegurar la carga fluida de conjuntos de datos HDFS o GCS con un solo clic. Consideramos <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/composer\/\">Cloud Composer<\/a><\/noindex> (Airflow administrado), pero no pudimos usarlo debido a nuestro modelo de seguridad de \u00abDomain Restricted Sharing\u00bb (m\u00e1s sobre esto en la secci\u00f3n de \u00abGesti\u00f3n de datos\u00bb a continuaci\u00f3n). Experimentamos utilizando Google Data Transfer Service (DTS) para organizar tareas de carga en BigQuery. Aunque DTS se configuraba r\u00e1pidamente, no era flexible para construir tuber\u00edas con dependencias. Para nuestra versi\u00f3n alfa, creamos nuestro propio entorno Apache Airflow en GCE y lo estamos preparando para producci\u00f3n, pudiendo soportar m\u00e1s fuentes de datos, como Vertica.<\/p>\n<p>Para transformar datos en BigQuery, los usuarios crean simples tuber\u00edas de datos SQL utilizando consultas programadas. Para tuber\u00edas complejas de m\u00faltiples etapas con dependencias, planeamos usar nuestra propia infraestructura de Airflow o Cloud Composer junto con <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/dataflow\/\">Cloud Dataflow<\/a><\/noindex>.<\/p>\n<h4>Rendimiento<\/h4>\n<p>\nBigQuery est\u00e1 dise\u00f1ado para consultas SQL de prop\u00f3sito general que procesan grandes vol\u00famenes de datos. No est\u00e1 destinado a consultas de baja latencia, alta capacidad necesarias para bases de datos transaccionales, o para el an\u00e1lisis de series temporales de baja latencia implementadas en <noindex><a rel=\"nofollow\" href=\"https:\/\/druid.apache.org\/\">Apache Druid<\/a><\/noindex>. Para consultas anal\u00edticas interactivas, nuestros usuarios esperan un tiempo de respuesta de menos de un minuto. Debimos dise\u00f1ar el uso de BigQuery de manera que se ajustara a estas expectativas. Para garantizar un rendimiento predecible para nuestros usuarios, utilizamos la funcionalidad de BigQuery disponible para clientes con tarifa fija, que permite a los propietarios de proyectos reservar slots m\u00ednimos para sus consultas. <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/docs\/slots\">Slot<\/a><\/noindex> BigQuery es una unidad de potencia de c\u00e1lculo necesaria para ejecutar consultas SQL. <\/p>\n<p>Analizamos m\u00e1s de 800 consultas, procesando alrededor de 1 TB de datos cada una, y descubrimos que el tiempo medio de ejecuci\u00f3n fue de 30 segundos. Tambi\u00e9n aprendimos que el rendimiento depende en gran medida del uso de nuestro slot en diferentes proyectos y tareas. Debimos delinear claramente nuestras reservas de slots de producci\u00f3n y ad hoc para mantener el rendimiento para los escenarios de uso de producci\u00f3n y el an\u00e1lisis interactivo. Esto afect\u00f3 significativamente nuestro dise\u00f1o para la reserva de slots y la jerarqu\u00eda de proyectos.<\/p>\n<p><i>Hablaremos sobre la gesti\u00f3n de datos, la funcionalidad y el costo de los sistemas en los pr\u00f3ximos d\u00edas en la segunda parte de la traducci\u00f3n, pero por ahora, invitamos a todos los interesados a un <noindex><a rel=\"nofollow\" href=\"https:\/\/otus.pw\/wDZQ\/\">webinar en vivo gratuito<\/a><\/noindex>, donde podr\u00e1n conocer m\u00e1s sobre el curso y hacer preguntas a nuestro experto, Yegor Mateshchuk (Ingeniero de Datos Senior, MaximaTelecom). <\/i><\/p>\n<p><\/p>\n<h2>Leer m\u00e1s:<\/h2>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/501380\/\">Data Build Tool o qu\u00e9 tienen en com\u00fan el Almac\u00e9n de Datos y un Smoothie<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/502324\/\">Sumergirse en Delta Lake: aplicaci\u00f3n forzada y evoluci\u00f3n del esquema<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/503132\/\">Apache Parquet de alta velocidad en Python con Apache Arrow<\/a><\/noindex><\/li>\n<\/ul>\n<p>Fuente: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/513780\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u041f\u0440\u044f\u043c\u043e \u0441\u0435\u0439\u0447\u0430\u0441 \u0432 OTUS \u043e\u0442\u043a\u0440\u044b\u0442 \u043d\u0430\u0431\u043e\u0440 \u043d\u0430 \u043d\u043e\u0432\u044b\u0439 \u043f\u043e\u0442\u043e\u043a \u043a\u0443\u0440\u0441\u0430 \u00abData Engineer\u00bb. \u0412 \u043f\u0440\u0435\u0434\u0434\u0432\u0435\u0440\u0438\u0438 \u0441\u0442\u0430\u0440\u0442\u0430 \u043a\u0443\u0440\u0441\u0430 \u043c\u044b \u0442\u0440\u0430\u0434\u0438\u0446\u0438\u043e\u043d\u043d\u043e \u043f\u043e\u0434\u0433\u043e\u0442\u043e\u0432\u0438\u043b\u0438 \u0434\u043b\u044f \u0432\u0430\u0441 \u043f\u0435\u0440\u0435\u0432\u043e\u0434 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0433\u043e \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b\u0430. \u041a\u0430\u0436\u0434\u044b\u0439 \u0434\u0435\u043d\u044c \u0431\u043e\u043b\u0435\u0435 \u0441\u0442\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d\u043e\u0432 \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u043f\u043e\u0441\u0435\u0449\u0430\u044e\u0442 Twitter, \u0447\u0442\u043e\u0431\u044b \u0443\u0437\u043d\u0430\u0442\u044c, \u0447\u0442\u043e \u043f\u0440\u043e\u0438\u0441\u0445\u043e\u0434\u0438\u0442 \u0432 \u043c\u0438\u0440\u0435, \u0438 \u043e\u0431\u0441\u0443\u0434\u0438\u0442\u044c \u044d\u0442\u043e. \u041a\u0430\u0436\u0434\u044b\u0439 \u0442\u0432\u0438\u0442 \u0438 \u043b\u044e\u0431\u043e\u0435 \u0434\u0440\u0443\u0433\u043e\u0435 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044f \u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u0435\u043b\u044f \u0433\u0435\u043d\u0435\u0440\u0438\u0440\u0443\u044e\u0442 \u0441\u043e\u0431\u044b\u0442\u0438\u0435, \u0434\u043e\u0441\u0442\u0443\u043f\u043d\u043e\u0435 \u0434\u043b\u044f \u0432\u043d\u0443\u0442\u0440\u0435\u043d\u043d\u0435\u0433\u043e [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":90784,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-90783","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u041f\u0440\u044f\u043c\u043e \u0441\u0435\u0439\u0447\u0430\u0441 \u0432 OTUS \u043e\u0442\u043a\u0440\u044b\u0442 \u043d\u0430\u0431\u043e\u0440 \u043d\u0430 \u043d\u043e\u0432\u044b\u0439 \u043f\u043e\u0442\u043e\u043a \u043a\u0443\u0440\u0441\u0430 \u00abData Engineer\u00bb.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"es_ES\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041a\u0430\u043a BigQuery \u043e\u0442 Google \u0434\u0435\u043c\u043e\u043a\u0440\u0430\u0442\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043b \u0430\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445. \u0427\u0430\u0441\u0442\u044c 1 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u041f\u0440\u044f\u043c\u043e \u0441\u0435\u0439\u0447\u0430\u0441 \u0432 OTUS \u043e\u0442\u043a\u0440\u044b\u0442 \u043d\u0430\u0431\u043e\u0440 \u043d\u0430 \u043d\u043e\u0432\u044b\u0439 \u043f\u043e\u0442\u043e\u043a \u043a\u0443\u0440\u0441\u0430 \u00abData Engineer\u00bb.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-08-05T23:42:19+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-08-05T23:42:19+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47C\u00f3mo BigQuery de Google ha democratizado el an\u00e1lisis de datos. Parte 1 | ProHoster","description":"\u00a1Hola, Habr! En este momento, OTUS est\u00e1 abierto para nuevas inscripciones en un nuevo curso de \"Ingeniero de Datos!\"","canonical_url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041a\u0430\u043a BigQuery \u043e\u0442 Google \u0434\u0435\u043c\u043e\u043a\u0440\u0430\u0442\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043b \u0430\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445. \u0427\u0430\u0441\u0442\u044c 1 | ProHoster","og:description":"\u041f\u0440\u0438\u0432\u0435\u0442, \u0425\u0430\u0431\u0440! \u041f\u0440\u044f\u043c\u043e \u0441\u0435\u0439\u0447\u0430\u0441 \u0432 OTUS \u043e\u0442\u043a\u0440\u044b\u0442 \u043d\u0430\u0431\u043e\u0440 \u043d\u0430 \u043d\u043e\u0432\u044b\u0439 \u043f\u043e\u0442\u043e\u043a \u043a\u0443\u0440\u0441\u0430 \u00abData Engineer\u00bb.","og:url":"https:\/\/prohoster.info\/es\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-08-05T23:42:19+00:00","article:modified_time":"2020-08-05T23:42:19+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"90783","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 12:42:25","updated":"2022-10-03 03:00:18","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/90783","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=90783"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/90783\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media\/90784"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=90783"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=90783"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=90783"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}