{"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\/fr\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","title":{"rendered":"Comment BigQuery de Google a d\u00e9mocratis\u00e9 l'analyse des donn\u00e9es. Partie 1","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><b><i>Bonjour, Habr ! Actuellement, il y a une nouvelle session d'inscription pour le cours sur OTUS. <noindex><a rel=\"nofollow\" href=\"https:\/\/otus.pw\/wDZQ\/\">\u00abIng\u00e9nieur en donn\u00e9es\u00bb<\/a><\/noindex>\u00c0 l'approche du lancement du cours, nous avons traditionnellement pr\u00e9par\u00e9 pour vous la traduction d'un mat\u00e9riel int\u00e9ressant. <\/i><\/b><\/p>\n<p>\nChaque jour, plus de cent millions de personnes se rendent sur Twitter pour d\u00e9couvrir ce qui se passe dans le monde et en discuter. Chaque tweet et toute autre action de l'utilisateur g\u00e9n\u00e8rent un \u00e9v\u00e9nement accessible pour l'analyse interne des donn\u00e9es sur Twitter. Des centaines d'employ\u00e9s analysent et visualisent ces donn\u00e9es, et am\u00e9liorer leur exp\u00e9rience est la priorit\u00e9 principale pour l'\u00e9quipe de la plateforme de donn\u00e9es de Twitter. <\/p>\n<p>Nous pensons que les utilisateurs ayant une large gamme de comp\u00e9tences techniques doivent pouvoir trouver des donn\u00e9es et avoir acc\u00e8s \u00e0 de bons outils d'analyse et de visualisation bas\u00e9s sur SQL. Cela permettrait \u00e0 un tout nouveau groupe d'utilisateurs moins techniques, y compris les analystes de donn\u00e9es et les chefs de produit, d'extraire des informations des donn\u00e9es, leur permettant de mieux comprendre et utiliser les opportunit\u00e9s offertes par Twitter. Ainsi, nous d\u00e9mocratisons l'analyse des donn\u00e9es sur Twitter. <noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<p>\u00c0 mesure que nos outils et capacit\u00e9s d'analyse interne des donn\u00e9es s'am\u00e9liorent, nous avons \u00e9t\u00e9 t\u00e9moins d'une am\u00e9lioration du service Twitter. Cependant, il y a encore du chemin \u00e0 parcourir. Les outils actuels, tels que Scalding, n\u00e9cessitent des comp\u00e9tences en programmation. Les outils d'analyse bas\u00e9s sur SQL, tels que Presto et Vertica, rencontrent des probl\u00e8mes de performance \u00e0 grande \u00e9chelle. Nous avons \u00e9galement un probl\u00e8me de diffusion des donn\u00e9es entre plusieurs syst\u00e8mes sans acc\u00e8s permanent \u00e0 celles-ci.<\/p>\n<p>L'ann\u00e9e derni\u00e8re, nous avons annonc\u00e9 <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.twitter.com\/engineering\/en_us\/topics\/infrastructure\/2018\/a-new-collaboration-with-google-cloud.html\">une nouvelle collaboration avec Google<\/a><\/noindex>, dans le cadre de laquelle nous transf\u00e9rons une partie de notre <noindex><a rel=\"nofollow\" href=\"https:\/\/blog.twitter.com\/engineering\/en_us\/topics\/infrastructure\/2019\/the-start-of-a-journey-into-the-cloud.html\">infrastructure de donn\u00e9es<\/a><\/noindex> sur Google Cloud Platform (GCP). Nous en sommes venus \u00e0 la conclusion que les outils Google Cloud <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/products\/big-data\/\">Big Data<\/a><\/noindex> peuvent nous aider dans nos initiatives de d\u00e9mocratisation de l'analyse, de la visualisation et de l'apprentissage automatique sur Twitter :<\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/\">BigQuery<\/a><\/noindex>: un entrep\u00f4t de donn\u00e9es d'entreprise avec un moteur SQL bas\u00e9 sur <noindex><a rel=\"nofollow\" href=\"https:\/\/ai.google\/research\/pubs\/pub36632\">Dremel<\/a><\/noindex>, qui est r\u00e9put\u00e9 pour sa rapidit\u00e9, sa simplicit\u00e9 et qui g\u00e8re <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery-ml\/docs\/bigqueryml-intro\">de l'apprentissage automatique<\/a><\/noindex>.<\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/datastudio.google.com\/overview\">Data Studio :<\/a><\/noindex> un outil de visualisation de grandes donn\u00e9es avec des fonctionnalit\u00e9s de collaboration, comme dans Google Docs.<\/li>\n<\/ul>\n<p>\nDans cet article, vous d\u00e9couvrirez notre exp\u00e9rience avec ces outils : ce que nous avons fait, ce que nous avons appris et ce que nous ferons ensuite. Nous nous concentrerons maintenant sur l'analyse par lots et interactive. L'analyse en temps r\u00e9el sera abord\u00e9e dans le prochain article.<\/p>\n<h2>L'histoire des entrep\u00f4ts de donn\u00e9es sur Twitter<\/h2>\n<p>\nAvant d'approfondir BigQuery, il vaut la peine de r\u00e9sumer bri\u00e8vement l'histoire des entrep\u00f4ts de donn\u00e9es chez Twitter. En 2011, l'analyse des donn\u00e9es chez Twitter \u00e9tait r\u00e9alis\u00e9e avec Vertica et Hadoop. Pour cr\u00e9er des travaux MapReduce sous Hadoop, nous utilisions Pig. En 2012, nous avons remplac\u00e9 Pig par Scalding, qui offrait une API Scala avec des avantages tels que la possibilit\u00e9 de cr\u00e9er des pipelines complexes et la simplicit\u00e9 des tests. Cependant, pour de nombreux analystes de donn\u00e9es et chefs de produit, qui se sentaient plus \u00e0 l'aise avec SQL, la courbe d'apprentissage \u00e9tait assez escarp\u00e9e. Environ en 2016, nous avons commenc\u00e9 \u00e0 utiliser Presto comme interface SQL pour les donn\u00e9es Hadoop. Spark offrait une interface Python, ce qui en faisait un bon choix pour les recherches ad hoc et l'apprentissage automatique.<\/p>\n<p>Depuis 2018, nous avons utilis\u00e9 les outils suivants pour l'analyse et la visualisation des donn\u00e9es :<\/p>\n<ul>\n<li>Scalding pour les pipelines de production<\/li>\n<li>Scalding et Spark pour l'analyse ad hoc des donn\u00e9es et l'apprentissage automatique<\/li>\n<li>Vertica et Presto pour l'analyse SQL ad hoc et interactive <\/li>\n<li>Druid pour l'interaction l\u00e9g\u00e8re, la recherche et l'acc\u00e8s \u00e0 faible latence aux m\u00e9triques de s\u00e9ries temporelles<\/li>\n<li>Tableau, Zeppelin et Pivot pour la visualisation des donn\u00e9es<\/li>\n<\/ul>\n<p>\nNous avons d\u00e9couvert que, bien que ces outils offrent des fonctionnalit\u00e9s tr\u00e8s puissantes, nous rencontrions des difficult\u00e9s \u00e0 rendre ces capacit\u00e9s accessibles \u00e0 un public plus large au sein de Twitter. En \u00e9largissant notre plateforme avec Google Cloud, nous nous concentrons sur la simplification de nos outils d'analyse pour l'ensemble de Twitter.<\/p>\n<h2>L'entrep\u00f4t de donn\u00e9es BigQuery de Google <\/h2>\n<p>\nPlusieurs \u00e9quipes chez Twitter ont d\u00e9j\u00e0 int\u00e9gr\u00e9 BigQuery dans certains de leurs pipelines de production. En utilisant leur exp\u00e9rience, nous avons commenc\u00e9 \u00e0 \u00e9valuer les possibilit\u00e9s de BigQuery pour tous les cas d'utilisation de Twitter. Notre objectif \u00e9tait d'offrir BigQuery \u00e0 l'ensemble de l'entreprise, ainsi que de le standardiser et de le soutenir dans le cadre de l'ensemble des outils de la plateforme de donn\u00e9es. Cela s'est av\u00e9r\u00e9 difficile pour de nombreuses raisons. Nous devions d\u00e9velopper une infrastructure pour recevoir de mani\u00e8re fiable de grands volumes de donn\u00e9es, prendre en charge la gestion des donn\u00e9es \u00e0 l'\u00e9chelle de l'entreprise, garantir un contr\u00f4le d'acc\u00e8s appropri\u00e9 et assurer la confidentialit\u00e9 des clients. Nous avons \u00e9galement d\u00fb cr\u00e9er des syst\u00e8mes pour la r\u00e9partition des ressources, la surveillance et la facturation, afin que les \u00e9quipes puissent utiliser efficacement BigQuery.<\/p>\n<p>En novembre 2018, nous avons lanc\u00e9 la version alpha de BigQuery et Data Studio pour toute l'entreprise. Nous avons propos\u00e9 \u00e0 nos employ\u00e9s Twitter certains de nos tableaux les plus fr\u00e9quemment utilis\u00e9s, contenant des donn\u00e9es personnelles anonymis\u00e9es. Plus de 250 utilisateurs de diff\u00e9rentes \u00e9quipes, y compris celles de l'ing\u00e9nierie, des finances et du marketing, ont utilis\u00e9 BigQuery. Plus r\u00e9cemment, ils ont effectu\u00e9 environ 8 000 requ\u00eates, traitant environ 100 Po de donn\u00e9es par mois, sans compter les requ\u00eates planifi\u00e9es. Apr\u00e8s avoir re\u00e7u des retours tr\u00e8s positifs, nous avons d\u00e9cid\u00e9 d'aller de l'avant et de proposer BigQuery comme ressource principale pour l'interaction avec les donn\u00e9es chez Twitter.<\/p>\n<p>Voici un sch\u00e9ma de l'architecture de haut niveau de notre entrep\u00f4t de donn\u00e9es Google BigQuery. <\/p>\n<p><img decoding=\"async\" alt=\"Comment BigQuery de Google a d\u00e9mocratis\u00e9 l&#039;analyse des donn\u00e9es. Partie 1\" src=\"\/wp-content\/uploads\/2020\/08\/6a3e0b43752ebbac641c43519c8c2fba.png\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nNous copions des donn\u00e9es depuis des clusters Hadoop locaux vers Google Cloud Storage (GCS) en utilisant notre outil interne Cloud Replicator. Nous utilisons ensuite Apache Airflow pour cr\u00e9er des pipelines qui utilisent \u00ab<noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/docs\/reference\/bq-cli-reference#bq_load\">bq_load<\/a><\/noindex>\u00bb pour charger des donn\u00e9es depuis GCS vers BigQuery. Nous utilisons Presto pour interroger des ensembles de donn\u00e9es Parquet ou Thrift-LZO dans GCS. BQ Blaster est un outil interne de Scalding pour charger des ensembles de donn\u00e9es HDFS Vertica et Thrift-LZO dans BigQuery.<\/p>\n<p>Dans les sections suivantes, nous discuterons de notre approche et de nos connaissances en mati\u00e8re de facilit\u00e9 d'utilisation, de performance, de gestion des donn\u00e9es, de disponibilit\u00e9 du syst\u00e8me et de co\u00fbt.<\/p>\n<h4>Simplicit\u00e9 d'utilisation<\/h4>\n<p>\nNous avons constat\u00e9 qu'il \u00e9tait facile pour les utilisateurs de commencer avec BigQuery, car il ne n\u00e9cessitait pas d'installation de logiciel et les utilisateurs pouvaient y acc\u00e9der via une interface web intuitive. Cependant, les utilisateurs devaient se familiariser avec certaines fonctionnalit\u00e9s de GCP et ses concepts, y compris des ressources telles que les projets, les ensembles de donn\u00e9es et les tables. Nous avons d\u00e9velopp\u00e9 des supports de formation et des tutoriels pour aider les utilisateurs \u00e0 d\u00e9marrer. Avec une compr\u00e9hension de base acquise, les utilisateurs ont trouv\u00e9 facile de naviguer dans les ensembles de donn\u00e9es, d'examiner le sch\u00e9ma et les donn\u00e9es des tables, d'ex\u00e9cuter des requ\u00eates simples et de visualiser les r\u00e9sultats dans Data Studio.<\/p>\n<p>Notre objectif concernant l'importation de donn\u00e9es dans BigQuery \u00e9tait de permettre le chargement fluide d'ensembles de donn\u00e9es HDFS ou GCS en un clic. Nous avons envisag\u00e9 <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/composer\/\">Cloud Composer<\/a><\/noindex> (Airflow g\u00e9r\u00e9), mais nous n'avons pas pu l'utiliser en raison de notre mod\u00e8le de s\u00e9curit\u00e9 \u00abPartage Restreint au Domaine\u00bb (plus de d\u00e9tails dans la section \u00abGestion des donn\u00e9es\u00bb ci-dessous). Nous avons exp\u00e9riment\u00e9 l'utilisation de Google Data Transfer Service (DTS) pour organiser des t\u00e2ches de charge dans BigQuery. Bien que DTS soit rapide \u00e0 configurer, il n'\u00e9tait pas flexible pour construire des pipelines avec des d\u00e9pendances. Pour notre version alpha, nous avons cr\u00e9\u00e9 notre propre environnement Apache Airflow dans GCE et nous le pr\u00e9parons \u00e0 \u00eatre op\u00e9rationnel en production et capable de prendre en charge davantage de sources de donn\u00e9es, comme Vertica.<\/p>\n<p>Pour transformer des donn\u00e9es dans BigQuery, les utilisateurs cr\u00e9ent de simples pipelines de donn\u00e9es SQL, en utilisant des requ\u00eates planifi\u00e9es. Pour des pipelines complexes avec des d\u00e9pendances, nous pr\u00e9voyons d'utiliser soit notre propre infrastructure Airflow, soit Cloud Composer avec <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/dataflow\/\">Cloud Dataflow<\/a><\/noindex>.<\/p>\n<h4>Performance<\/h4>\n<p>\nBigQuery est con\u00e7u pour des requ\u00eates SQL g\u00e9n\u00e9rales qui traitent de grands volumes de donn\u00e9es. Il n'est pas destin\u00e9 \u00e0 des requ\u00eates \u00e0 faible latence, \u00e0 haute bande passante, n\u00e9cessaires pour une base de donn\u00e9es transactionnelle, ou pour l'analyse de s\u00e9ries temporelles \u00e0 faible latence, r\u00e9alis\u00e9e par <noindex><a rel=\"nofollow\" href=\"https:\/\/druid.apache.org\/\">Apache Druid<\/a><\/noindex>. Pour des requ\u00eates d'analyse interactive, nos utilisateurs s'attendent \u00e0 un temps de r\u00e9ponse de moins d'une minute. Nous devions concevoir l'utilisation de BigQuery de mani\u00e8re \u00e0 satisfaire ces attentes. Pour garantir des performances pr\u00e9visibles pour nos utilisateurs, nous avons utilis\u00e9 les fonctionnalit\u00e9s de BigQuery disponibles pour les clients sur un paiement fixe, qui permettent aux propri\u00e9taires de projets de r\u00e9server des slots minimum pour leurs requ\u00eates. <noindex><a rel=\"nofollow\" href=\"https:\/\/cloud.google.com\/bigquery\/docs\/slots\">Slot<\/a><\/noindex> BigQuery est une unit\u00e9 de puissance de calcul n\u00e9cessaire pour l'ex\u00e9cution de requ\u00eates SQL. <\/p>\n<p>Nous avons analys\u00e9 plus de 800 requ\u00eates traitant environ 1 To de donn\u00e9es chacune et avons constat\u00e9 que le temps d'ex\u00e9cution moyen \u00e9tait de 30 secondes. Nous avons \u00e9galement d\u00e9couvert que la performance d\u00e9pendait fortement de l'utilisation de notre cr\u00e9neau dans divers projets et t\u00e2ches. Nous devions clairement diff\u00e9rencier nos r\u00e9serves de cr\u00e9neaux de production et ad hoc pour maintenir la performance dans les sc\u00e9narios d'utilisation en production et l'analyse interactive. Cela a eu un impact important sur notre conception de la r\u00e9servation de cr\u00e9neaux et de la hi\u00e9rarchie des projets.<\/p>\n<p><i>Nous aborderons la gestion des donn\u00e9es, les fonctionnalit\u00e9s et les co\u00fbts des syst\u00e8mes dans les prochains jours lors de la deuxi\u00e8me partie de la traduction, mais pour l'instant, nous invitons tous les int\u00e9ress\u00e9s \u00e0 participer \u00e0 <noindex><a rel=\"nofollow\" href=\"https:\/\/otus.pw\/wDZQ\/\">un webinaire en direct gratuit<\/a><\/noindex>, au cours duquel vous pourrez en apprendre davantage sur le cours et poser des questions \u00e0 notre expert \u2014 Egor Mateshuk (Senior Data Engineer, MaximaTelecom). <\/i><\/p>\n<p><\/p>\n<h2>Lire aussi :<\/h2>\n<p><\/p>\n<ul>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/501380\/\">Data Build Tool ou ce que les entrep\u00f4ts de donn\u00e9es et les smoothies ont en commun<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/502324\/\">Plong\u00e9e dans Delta Lake : application stricte et \u00e9volution du sch\u00e9ma<\/a><\/noindex><\/li>\n<li><noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/otus\/blog\/503132\/\">Apache Parquet haute vitesse sur Python avec Apache Arrow<\/a><\/noindex><\/li>\n<\/ul>\n<p>Source : <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\/fr\/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=\"fr_FR\" \/>\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\/fr\/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\udd47Comment BigQuery de Google a d\u00e9mocratis\u00e9 l'analyse des donn\u00e9es. Partie 1 | ProHoster","description":"Bonjour, Habr ! En ce moment, OTUS ouvre une nouvelle cohorte pour le cours \u00ab Data Engineer \u00bb.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/kak-bigquery-ot-google-demokratiziroval-analiz-dannyh-chast-1","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","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\/fr\/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\/fr\/wp-json\/wp\/v2\/posts\/90783","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=90783"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/90783\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media\/90784"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=90783"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=90783"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=90783"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}