作者將在本文中介紹一些BigQuery的基本情況，并結合Paras Doshi最近撰寫的關于BigQuery的一些使用體會，對BigQuery來一個深入了解。

什么是BigQuery ？

BigQuery是真正為大數據而生的企業級云計算產品，其核心是云平臺的一項基礎服務(PaaS)，用于對TB級別的大數據進行實時的分析處理。

單純從技術上來看，BigQuery就是一個在云端的SQL服務（類SQL），提供對海量數據的實時分析；據Google工程師所說，其處理5個TB數據，15秒即可返回結果。

另外，BigQuery是一項付費服務，旨在企業需要大規模數據分析，又無需承擔硬件設備的投資的情況下開展大數據業務。每月每1GB數據的存儲費用是12美分；實時分析服務每月每處理1GB數據收費3.5美分，每月前100GB的實時數據分析免費。

Google BigQuery價格表

詳細價格表請參考：https://developers.google.com/bigquery/docs/pricing

BigQuery初體驗——快！

Paras Doshi在博客中寫到他對BigQuery做了一個簡單的測試，在一個具有115000000行數據的實例中分別使用max、mean、avg等進行查詢（或計算），BigQuery都會在幾秒內返回結果；并且其中一些包含相對比較復雜的查詢，比如where、joins或group by。

事實上，查詢所返回結果的效率還取決于查詢的類型和SQL語句的效率，但無論如何，結果總是以超乎想象的速度返回。

關于數據源支持——悲催！

BigQuery很快，但還有一個問題，如何將TB級的大數據上傳到Google云存儲上面。當然，不只是Google，這也是每個基于大數據的云存儲服務所面臨的問題。

更現實的問題是，如果已經有數據在Amazon S3或微軟的云存儲上，這些數據是否可以供BigQuery調用來進行分析？

答案是，呃，還不行（這點Google做的沒微軟好，微軟Azure上的Hadoop允許Amazon S3上的數據作為數據源）。甚至，如果你有數據在GAE上，你也需要單獨的將數據上傳到BigQuery，至少目前是這樣。

另外一個悲催的地方在于，BigQuery也無法支持Hadoop高級安裝（比如Hadoop on Azure或Amazon elastic MapReduce）。

還有就是，BigQuery只支持CSV格式。當我們談論大數據時，我們總是把Variability（數據多樣化）當成最重要的一點來討論，很顯然，BigQuery所支持的數據類型還不夠多樣，或者說，非常單一。

總結

從篇幅上看，貌似BigQuery的缺點多于優點。但從大數據的處理能力上來看，其TB級數據查詢結果秒出的效率還是讓人驚嘆的。

另外，更重要的一點是，低門檻和低成本。使用類SQL語言進行數據分析，花上幾美元就得到Google服務器集群的性能，這些都大大降低了大數據業務的成本。至少你有一種廉價的方案來回答《關于大數據 CEO們需要了解的五個問題》一文中老板們關于大數據成本的擔憂。

還有一點是關于數據上傳這個老大難問題。Paras Doshi在測試中使用了350GB的CSV數據文件（分成10GB每個）上傳到BigQuery，用時幾個小時（感嘆米國的大水管），這說明從本地集群到Google云進行數據的遷移也不需要多少耐心，我們已經習慣在下班時間上傳大數據，不是嘛？

原文鏈接：http://inbigdata.com/google-bigquery-first-look-and-try/