BigQuery JSON 架构验证

Question

是否有任何工具可以根据 BigQuery 架构验证 JSON 字符串？ 我想将有效的加载到 BQ，并重新处理无效的。

我知道您可以使用（例如）python 的 jsonschema 针对标准 JSON 模式进行验证，BQ 模式是否有类似的东西？

---

Re Pentium10 的评论，我可以想象许多 ETL 场景，其中必须组装来自多个来源的数据，以便它与 BQ 模式匹配 - 目前我需要 2 个数据模式，一个 JSON 模式和一个 BQ 模式 - 我验证了JSON 模式，并希望这足以满足提交时的 BQ 模式。

---

具体来说：在这种情况下，我有一个来自 javascript 前端的 JSON，并作为字符串输入到 BQ 中。 我想处理这个字段，并将它作为一个表本身添加到BQ中，以便我可以搜索它。

JSON（或多或少）分为 2 个“模式”，但它的类型很差（即数字被视为字符串，长度为 1 的列表是字符串，而不是列表......）。 我想要一种快速的方法来查看一个字段是否会进入表中，我有一个 BQ 表模式似乎有点愚蠢，但无法对其进行验证 - 相反，我还必须为理想化的数据创建一个 JSON 模式和必须检查。

Answer 1

如果您在 JSON-schema ( http://json-schema.org/implementations.html ) 中重新表达您的架构，那么您应该能够使用他们列出的工具之一来进行验证。

Answer 2

我建议你使用你的 JSON 模式作为 Python 中的 JSON 对象，这样你可以尝试使用 BigQuery 的库来验证模式。

1 - 从 BigQuery 表中请求架构（然后应该动态实现）：

from google.cloud import bigquery
client = bigquery.Client(project='your_project')
dataset_ref = client.dataset('your_dataset')
table_ref = dataset_ref.table('your_table_name')
table_helper = client.get_table(table_ref)

2 - 获取架构并将其格式化为 JSON，之后您应该能够比较两个架构。

您现在拥有的是一个包含 SchemaField() 的列表

your_schema = table_helper.schema

您可以尝试格式化列表，然后将其转储到 JSON 对象中...

formatted_list_schema = ["'{0}','{1}','{2}',{3},{4}".format(schema.name,schema.field_type,schema.mode,schema.description,schema.fields) for schema in table_helper.schema]

json_bq_schema = json.dumps(formatted_list_schema)

您可以尝试格式化该 BQ-JSON-Schema 以便像他们在这里做的那样进行比较： How to compare two JSON objects with the same elements in a different order equal?

我知道这不是一个容易实现的解决方案，但我想如果你把它调整得足够好，它会很健壮，可以解决你的问题。 随意问我是否可以帮助您更多...

检查有关架构的更多信息https://cloud.google.com/bigquery/docs/schemas

Answer 3

如果不提供任何示例，很难回答，但您通常可以使用jsonschema 。

这是 YAML 中的元模式定义：

"$schema": http://json-schema.org/draft-07/schema

title: Metaschema for BigQuery fields definition schemas
description: "See also: https://cloud.google.com/bigquery/docs/schemas"

type: array
minItems: 1
uniqueItems: yes

items:
  "$id": "#/items"
  title: Single field definition schema
  type: object

  examples:

  - name: Item_Name
    type: STRING
    mode: NULLABLE
    description: Name of catalog item

  - name: Item_Category
    type: STRING
    mode: REQUIRED

  - name: Exchange_Rate
    type: NUMERIC

  additionalProperties: no
  required:
  - name
  - type

  properties:

    name:
      "$id": "#/items/properties/name"
      title: Name of field
      description: "See also: https://cloud.google.com/bigquery/docs/schemas#column_names"
      type: string
      minLength: 1
      maxLength: 128
      pattern: "^[a-zA-Z_]+[a-zA-Z0-9_]*$"
      examples:
      - Item_Name
      - Exchange_Rate

    description:
      "$id": "#/items/properties/description"
      title: Description of field
      description: "See also: https://cloud.google.com/bigquery/docs/schemas#column_descriptions"          
      type: string
      maxLength: 1024

    type:
      "$id": "#/items/properties/type"
      title: Name of BigQuery data type
      description: 'See also: https://cloud.google.com/bigquery/docs/schemas#standard_sql_data_types'
      type: string
      enum:
      - INTEGER
      - FLOAT
      - NUMERIC
      - BOOL
      - STRING
      - BYTES
      - DATE
      - DATETIME
      - TIME
      - TIMESTAMP
      - GEOGRAPHY

    mode:
      "$id": "#/items/properties/mode"
      title: Mode of field
      description: 'See also: https://cloud.google.com/bigquery/docs/schemas#modes'
      type: string
      default: NULLABLE
      enum:
      - NULLABLE
      - REQUIRED
      - REPEATED

这是我能够从 GCP 文档生成的最精确的元模式。 但是，此处不支持结构和数组。

YAML 只是为了便于阅读，如果需要，您可以轻松地将其转换为 JSON。

假设上面的metaschema保存为“/path/to/metaschema.yaml”，用法如下：

import json

from pathlib import Path

import jsonschema
import yaml


metaschema = yaml.safe_load(Path("/path/to/metaschema.yaml").read_text())

schema = """[{"name": "foo", "type": "STRING"}]"""
schema = json.loads(schema)


jsonschema.validate(schema, metaschema)

上面的yaml模块由PyYAML包提供。

如果schema有效， jsonschema.validate()函数将简单地通过。 否则，将抛出jsonschema.exceptions.ValidationError并带有错误解释。

是使用 JSON 还是 YAML 以及如何存储和解析模式取决于您。

此外，是否将类型和模式的名称转换为大写/小写也取决于您。

Answer 4

这是我创建的实现之一。 https://github.com/toshi0607/bq-schema-validator

它有点模糊，但它通常会检测 JSON 日志中的容易出错的字段。