BigQuery 是 Google 推出的一款 SaaS 查询产品，其发展势头似乎越来越好。它允许查询云中的大型柱状数据结构。开发人员可以通过上传到 Google 云存储（相当于 Amazon 的 S3）或者以流数据的方式把数据加载到BigQuery 中，然后使用类似SQL 的查询语言执行OLAP 风格的查询。
现在，越来越多的从业者分享了他们的 BigQuery 实践经验。例如，Shine Technologies 的 Graham Polley 在报告中写道：
我们决定自己进行测试，使用一个 15 亿行的数据集向 BQ 发起挑战。事情即将变得非常有趣——BigQuery 真能像 Google 的宣传口号所说的那样“能够对数十亿行的大规模数据集进行交互式分析”吗？印象深刻，它能。确切地说，印象非常深刻。即使不使用缓存结果（缓存结果可以开启和关闭），使用相对复杂的查询在一个 15 亿行的大规模数据集中汇总数据，在 20 到 25 秒的时间里，我们就能获得一致的结果。
BigQuery 可以单独使用，也提供与其它服务的集成，如 Google Apps 脚本或 Google 分析。关于后者，Jonathan Weber（来自 LunaMetrics 的数据传教士）写过一篇内容丰富的文章，其中他写道：
首先，BigQuery 导出功能只对 Google 分析付费版客户可用。他们可以通过付费版账户管理器启用 BigQuery 导出功能。请注意，在 BigQuery 中，数据存储和处理都是收费的，但 Google 分析付费版用户可以使用每月 500 美元的信用额度来支付那些费用。在许多情况下，那 500 美元都会发挥很大作用。作为参考，我看了我们其中一位使用 BigQuery 的付费版客户。他们的网站每月大约有 600 万的访问量和 5000 万的综合浏览量。数据从九月份开始导出，本月他们的数据存储费用大约为 12.86 美元。
虽然 BigQuery 只是一个基于云的解决方案，但支撑 BigQuery（ Dremel ）的底层技术是许多像 Apache Drill 或 Impala 那样的开源SQL-in-Hadoop 解决方案的核心。
评论