Zum Hauptinhalt springen
Technologiebereiche
close
KI und ML
Anwendungsentwicklung
Anwendungshosting
Compute
Datenanalyse und Pipelines
Datenbanken
Verteilt, Hybrid und Multi-Cloud
Branchenlösungen
Migration
Netzwerk
Beobachtbarkeit und Monitoring
Sicherheit
Storage
Produktübergreifende Tools
close
Zugriffs- und Ressourcenverwaltung
Kosten- und Nutzungsmanagement
Infrastruktur als Code
SDK, Sprachen, Frameworks und Tools
/
Console
English
Deutsch
Español
Español – América Latina
Français
Indonesia
Italiano
Português
Português – Brasil
עברית
中文 – 简体
中文 – 繁體
日本語
한국어
Anmelden
BigQuery
Jetzt kostenlos testen
Übersicht
Leitfäden
Referenzen
Beispiele
Ressourcen
Technologiebereiche
Mehr
Übersicht
Leitfäden
Referenzen
Beispiele
Ressourcen
Produktübergreifende Tools
Mehr
Console
Erste Schritte
Produktübersicht
BigQuery mit der Sandbox ausprobieren
Los gehts
Schritt-für-Schritt-Anleitungen und Videos für die Console
Console verwenden
Die Console entdecken
Daten laden und abfragen
Notebook-Galerie verwenden
Reservierungen erstellen
DataFrames ausprobieren
Agenten verwenden
Daten mit dem Colab Data Science Agent analysieren
bq-Befehlszeilentool verwenden
Verwenden Sie die Client-Bibliotheken!
Plan
Einführung in die Ressourcenhierarchie
API-Abhängigkeiten
Datasets
Einführung
Datasets erstellen
Datasets auflisten
Regionenübergreifende Replikation
Verwaltete Notfallwiederherstellung
Zur verwalteten Notfallwiederherstellung migrieren
Datenaufbewahrung für Datasets
Tabellen
BigQuery-Tabellen
Einführung
Tabellen erstellen und verwenden
Tabellenschemas angeben
Schema angeben
Verschachtelte und wiederkehrende Spalten angeben
Standardspaltenwerte angeben
ObjectRef-Werte angeben
Mit partitionierten Tabellen segmentieren
Einführung
Partitionierte Tabellen erstellen
Partitionierte Tabellen verwalten
Partitionierte Tabellen abfragen
Mit geclusterten Tabellen optimieren
Einführung
Geclusterte Tabellen erstellen
Geclusterte Tabellen verwalten
Geclusterte Tabellen abfragen
Metadatenindexierung verwenden
Externe Datenquellen
Einführung
BigLake-Tabellen
Einführung
Amazon S3 BigLake-Tabellen erstellen
BigLake-Tabellen in Azure Blob Storage erstellen
BigLake-Tabellen in Cloud Storage erstellen
Objekttabellen
Einführung
Cloud Storage-Objekttabellen erstellen
Externe Tabellen
Einführung
Externe Apache Iceberg-Tabellen erstellen
Externe Bigtable-Tabellen erstellen
Externe Cloud Storage-Tabellen erstellen
Externe Google Drive-Tabellen erstellen
Metadaten-Caching verwenden
Partitionierte Hive-Daten verwalten
Tabellendefinitionsdatei für externe Daten erstellen
Föderierte Datasets
Föderierte AWS Glue-Datasets erstellen und verwalten
Externe Spanner-Datasets erstellen
Verwaltete Apache Iceberg-Tabellen
Mit Lakehouse-Daten interagieren
Aufrufe
Übersicht
Logische Ansichten
Einführung
Logische Ansichten erstellen
Materialisierte Ansichten
Einführung
Materialisierte Ansichten erstellen
Laden, transformieren und exportieren
Einführung
Datenpipeline mit Data Engineering Agent erstellen
Daten migrieren
Einführung
Migrationsbewertung
Schema und Daten migrieren
Datenpipelines migrieren
Benutzerdefinierte Organisationsrichtlinien verwenden
SQL migrieren
SQL-Abfragen interaktiv übersetzen
SQL-Abfragen mit der API übersetzen
SQL-Abfragen im Batch übersetzen
Metadaten für Übersetzung und Bewertung generieren
SQL-Übersetzungen mit YAML transformieren
SQL-Objektnamen für die Batchübersetzung zuordnen
Daten laden
Einführung
Datenintegrationsworkflows mit der BigQuery-Web-UI erstellen
Speicheroptionen
BigQuery Data Transfer Service
Einführung
Unterstützte Datenquellen
Speicherort und Übertragung von Daten
Übertragungen autorisieren
Übertragungen aktivieren
Netzwerkverbindungen einrichten
Cloud SQL-Instanzzugriff
AWS VPN und Netzwerkverbindung
Azure-VPN und Netzwerkanhang
Übertragungen verwalten
Benachrichtigungen zu Übertragungsausführungen
Fehlerbehebung bei Übertragungskonfigurationen
Dienstkonten verwenden
Drittanbieter-Übertragungen verwenden
Benutzerdefinierte Organisationsrichtlinien verwenden
Änderungsprotokoll für Datenquellen
Ereignisgesteuerte Übertragungen
Daten in verwaltete Iceberg-Tabellen übertragen
Daten im Batch laden
Einführung
Schemas automatisch erkennen
Avro-Daten laden
Parquet-Daten laden
ORC-Daten laden
CSV-Daten laden
JSON-Daten laden
Extern partitionierte Daten laden
Daten aus einem Datastore-Export laden
Daten aus einem Firestore-Export laden
Daten mit der Storage Write API laden
Daten in partitionierte Tabellen laden
Daten mit der Storage API schreiben und lesen
Daten mit der Storage Read API lesen
Daten mit der Storage Write API schreiben
Einführung
Storage Write API (gRPC) verwenden
Übersicht
Daten streamen
Daten im Batch laden
Updates mit Change Data Capture-Aufnahme streamen
Best Practices
Unterstützte Protokollzwischenspeicher- und Arrow-Datentypen
Storage Write API (REST) verwenden
Daten aus anderen Google-Diensten laden
Cloud Storage-Daten ermitteln und katalogisieren
Daten mit Drittanbieteranwendungen laden
Daten mit BigQuery Omni-Vorgängen laden
Ladejobs optimieren
Daten transformieren
Einführung
Daten vorbereiten
Einführung
Daten mit Gemini vorbereiten
Mit DML transformieren
Daten in partitionierten Tabellen transformieren
Änderungsverlauf verwenden
Daten mit Pipelines transformieren
Einführung
Pipelines erstellen
Daten exportieren
Einführung
Abfrageergebnisse exportieren
Nach Cloud Storage exportieren
Nach Bigtable exportieren
In Spanner exportieren
In AlloyDB exportieren
Nach Pub/Sub exportieren
Als Protobuf-Spalten exportieren
ELT-Anleitungen
ELT für Marketinganalysedaten erstellen
Analysieren
Einführung
Meine Daten erkunden
Nach Ressourcen suchen
Tabellen-Explorer verwenden
Datenprofil erstellen:
Informationen zu Daten
Informationen zu Data Insights
Tabellenstatistiken generieren
Dataset-Statistiken generieren
Mit einem Data Canvas analysieren
Daten mit Gemini analysieren
Daten mit der Gemini CLI analysieren
Daten analysieren
Abfrage ausführen
Abfragen mit Gemini schreiben
Abfrageergebnisse schreiben
Daten mit SQL abfragen
Einführung
Arrays
JSON-Daten
Abfragen mit mehreren Anweisungen
Parametrisierte Abfragen
Pipe-Syntax
Daten mit Pipe-Syntax analysieren
Rekursive CTEs
Sketche
Tabellenstichproben
Zeitreihe
Transaktionen
Platzhaltertabellen
Notebooks verwenden
Einführung
Colab-Notebooks verwenden
Einführung
Notebooks erstellen
Abfrageergebnisse ansehen
Abfrageergebnisse visualisieren
Data Apps erstellen und freigeben
Spark verwenden
Data Science Agent in Colab verwenden
DataFrames verwenden
Einführung
DataFrames installieren
Daten bearbeiten
Python-Funktionen anpassen
ML und KI verwenden
Datentypsystem verwenden
Sitzungen und Ein-/Ausgabe verwalten
Grafiken visualisieren
DataFrames in dbt verwenden
Leistung optimieren
Zu DataFrames Version 2.0 migrieren
BigQuery JupyterLab-Plug-in verwenden
Raumbezogene Analysen verwenden
Einführung
Mit raumbezogenen Analysen arbeiten
Mit Rasterdaten arbeiten
Best Practices für räumliche Analysen
Geodaten darstellen
Grid-Systeme für räumliche Analysen
Syntaxreferenz für raumbezogene Analysen
Anleitungen für raumbezogene Analysen
Erste Schritte mit raumbezogenen Analysen
Verwenden Sie raumbezogene Analysen, um den Weg eines Hurrikans darzustellen
Daten aus raumbezogenen Analysen in einem Colab-Notebook visualisieren
Rasterdaten zur Analyse der Temperatur verwenden
Routinen
Einführung
Routinen verwalten
Benutzerdefinierte Funktionen
Benutzerdefinierte Funktionen in Python
Benutzerdefinierte Aggregatfunktionen
Tabellenfunktionen
Remote-Funktionen
Gespeicherte SQL-Prozeduren
Gespeicherte Prozeduren für Apache Spark
Objekttabellen mit Remote-Funktionen analysieren
Remote-Funktionen und Translation API – Anleitung
Multimodale Daten analysieren
Einführung
Mit ObjectRef-Werten arbeiten
Multimodale Daten mit SQL und BigQuery DataFrames analysieren
Suchindexe
Einführung
Suchindexe verwalten
Indexierte Daten durchsuchen
Mit Textanalysatoren arbeiten
Globale Abfragen ausführen
Auf Verlaufsdaten zugreifen
Open-Source-Python-Bibliotheken verwenden
BigQuery Graph verwenden
Einführung
Grafik erstellen und abfragen
Schemaübersicht
Abfrageübersicht
Best Practices für Abfragen
Mit Messungen arbeiten
Visuellen Graph-Modellierer verwenden
Grafiken visualisieren
Mit einem Diagramm chatten
Mit Visualisierungstools und ‑integrationen arbeiten
BigQuery Graph und Spanner Graph verwenden
Graph durchsuchen
Abfragen verwalten
Suchanfragen speichern
Einführung
Gespeicherte Abfragen erstellen
Kontinuierliche Abfragen
Einführung
Kontinuierliche Abfragen erstellen
Stream-to-Stream-Joins in kontinuierlichen Abfragen verwenden
Fensteraggregation in kontinuierlichen Abfragen
Im Cache gespeicherte Ergebnisse verwenden
Sitzungen verwenden
Einführung
Mit Sitzungen arbeiten
Abfragen in Sitzungen schreiben
Fehlerbehebung bei Abfragen
Abfragen optimieren
Einführung
Erläuterung eines Abfrageplans verwenden
Statistiken zur Abfrageleistung abrufen
Abfrageleistung optimieren
Verlaufsbasierte Optimierungen verwenden
Speicher für die Abfrageleistung optimieren
Materialisierte Ansichten verwenden
BI Engine verwenden
Verschachtelte und wiederkehrende Daten verwenden
Funktionen optimieren
Erweiterte Laufzeit verwenden
Primär- und Fremdschlüssel verwenden
Mit der BigQuery API paginieren
Externe Datenquellen abfragen
Verbindungen herstellen
Einführung
Verbindungen erstellen
Cloud-Ressourcen-Verbindung erstellen
Standardmäßige Cloud-Ressourcenverbindung erstellen
AlloyDB-Verbindungen
Amazon S3-Verbindungen
Apache Spark-Verbindungen
Azure Blob Storage-Verbindungen
Cloud SQL-Verbindungen
SAP Datasphere-Verbindungen
Cloud Spanner-Verbindungen
Verbindungen verwalten
Verbindungen mit Netzwerkanhängen konfigurieren
Abfragen für externe Daten ausführen
BigLake-Tabellen abfragen
Amazon S3 BigLake-Tabellen
BigLake-Tabellen in Azure Blob Storage
BigLake-Tabellen in Cloud Storage
Daten mit BigQuery Omni analysieren
Abfrageergebnisse exportieren
Export nach Amazon S3
In Azure Blob Storage exportieren
Externe Tabellen abfragen
Externe Apache Iceberg-Tabellen
Externe Bigtable-Tabellen
Externe Cloud Storage-Tabellen
Externe Google Drive-Tabellen
Föderierte Abfragen ausführen
Einführung
Föderierte AlloyDB-Abfragen ausführen
Föderierte Cloud SQL-Abfragen ausführen
Föderierte SAP Datasphere-Abfragen ausführen
Föderierte Spanner-Abfragen ausführen
Andere externe Datentypen analysieren
Offene Tabellenformate mit Manifestdateien abfragen
Salesforce Data Cloud-Daten analysieren
Analyse- und BI-Tools verwenden
Einführung
Verbundene Tabellenblätter verwenden
Tableau Desktop verwenden
Looker verwenden
Data Studio verwenden
Tools von Drittanbietern verwende
Google Cloud-fähig – BigQuery
Übersicht
Partner
BigQuery AI
Einführung
Generative AI-Funktionen
Übersicht
End-to-End-Nutzerpfade für generative KI-Modelle
Funktion für die Texterstellung auswählen
Berechtigungen für Funktionen basierend auf generativer KI festlegen
Kosten mit Model Distillation optimieren
Cloud AI API-Funktionen
Übersicht
Funktion für Natural Language Processing auswählen
Funktion zur Dokumentverarbeitung auswählen
Anleitungen
Text generieren
Text mit Gemini generieren
Text mit Gemma generieren
Text mit einem beliebigen unterstützten Modell generieren
Text mit AI.GENERATE generieren
Kontingentfehler behandeln
Bilder analysieren
Semantische Analyse durchführen
Modelle zur Textgenerierung abstimmen
Modell abstimmen
Feinabstimmung und Bewertung verwenden, um die Modelleistung zu verbessern
Strukturierte Daten generieren
Strukturierte Daten generieren
Natural Language Processing
Text verstehen
Text übersetzen
Dokumentverarbeitung
Dokumente verarbeiten
PDFs in einer Retrieval-Augmented-Generation-Pipeline parsen
Spracherkennung
