מבוא לכלים למפתחים

ב-BigQuery יש קבוצה של כלים למפתחים שמאפשרים לגשת ל-BigQuery בסביבת הפיתוח, לחבר את BigQuery לאפליקציות חיצוניות ולפתח פתרונות מקצה לקצה. לפני שמשתמשים בכלים האלה, צריך להכיר את המושגים הסטנדרטיים של BigQuery, כמו ניתוח וארגון משאבים.

כלים לגישה ל-BigQuery בסביבת הפיתוח

ממשקי ה-API וספריות הלקוח של BigQuery הם הכלים העיקריים למפתחים שמאפשרים לשלוח בקשות ל-BigQuery מחוץ למסוףGoogle Cloud ולכלי שורת הפקודה של BigQuery. כשניגשים ל-BigQuery בדרך הזו, צריך גם לספק אימות כלשהו.

ממשקי API

ב-BigQuery יש ממשקי API ל-REST ול-gRPC שמאפשרים להתממשק באופן פרוגרמטי עם השירותים השונים שלו. אלה ממשקי ה-API שזמינים:

ספריות לקוח

אפשר להשתמש ישירות בממשקי ה-API של BigQuery על ידי שליחת בקשות לשרת, אבל השימוש בספריות הלקוח של BigQuery יכול להפחית באופן משמעותי את כמות הקוד שצריך לכתוב, כי הוא מפשט את הקריאות ל-BigQuery API. השפות שנתמכות ב-BigQuery הן: C#‎,‏ Go,‏ Java,‏ Node.js,‏ PHP,‏ Python ו-Ruby. במאמר הרצת שאילתות במערך נתונים ציבורי באמצעות ספריות הלקוח של BigQuery תוכלו למצוא מדריך למתחילים בנושא ספריות הלקוח של BigQuery.

אימות

אימות הוא התהליך שבו מאמתים את הזהות שלכם באמצעות פרטי כניסה. כשניגשים ל-BigQuery בסביבת הפיתוח, תמיד נדרש אימות. שיטת האימות הנפוצה ביותר למפתחי BigQuery היא Application Default Credentials, שמוצאת באופן אוטומטי את פרטי הכניסה על סמך הסביבה שלכם. במאמר אימות ב-BigQuery תוכלו לקרוא מידע נוסף על עקרונות האימות הכלליים ועל שיטות אימות אחרות.

כלים לחיבור BigQuery לאפליקציות חיצוניות

יש כמה כלים מותאמים אישית לחיבור, שיעזרו לכם לשלב את היכולות של BigQuery עם אפליקציות של צד שלישי.

MCP Toolbox for Databases

‫Model Context Protocol‏ (MCP) הוא פרוטוקול פתוח לחיבור מודלים גדולים של שפה (LLM) למקורות נתונים כמו BigQuery. ‫MCP Toolbox for Databases מקשר את הפרויקט ב-BigQuery לסביבות פיתוח משולבות (IDE) שונות ולכלים למפתחים, ומאפשר לכם ליצור סוכני AI חזקים יותר באמצעות הנתונים שלכם ב-BigQuery.

BigQuery Agent Analytics

‫BigQuery Agent Analytics הוא פתרון קוד פתוח של צד ראשון, שמתעד, מנתח וממחיש נתונים של אינטראקציות עם סוכנים מולטי-מודאליים בקנה מידה נרחב. הפתרון הזה מאפשר למפתחים להעביר בסטרימינג אינטראקציות גולמיות של נציגים, כמו בקשות, תשובות, קריאות API לכלים ושגיאות, ישירות ל-BigQuery.

איך משתמשים ב-BigQuery Agent Analytics

מנהלי התקנים של ODBC ו-JDBC

מנהלי התקנים של Open Database Connectivity (ODBC) ו-Java Database Connectivity (JDBC) מחברים בין אפליקציות למסדי נתונים. ‫Google משתפת פעולה עם Simba כדי לספק מנהלי התקנים של ODBC ו-JDBC ל-BigQuery, שבעזרתם אפשר ליצור אפליקציות תוכנה שלא תלויות במסד נתונים, באמצעות הכלים והתשתית המועדפים עליכם. אפשר גם להשתמש במנהל התקן JDBC שפותח על ידי Google ל-BigQuery.

Data Agent Kit

‫Google Cloud Data Agent Kit מספק תוסף לכלי תכנות של סוכנים, כמו VS Code, ‏Antigravity ו-Cursor, שמאפשרים לכם לקיים אינטראקציה עם משאבי BigQuery ישירות בסביבת הסוכן. אתם יכולים להשתמש ב-Data Agent Kit כדי לעיין במערכי נתונים, לנהל צינורות עיבוד נתונים, להריץ שאילתות ולבקש מהסוכן לבצע משימות אחרות ב-BigQuery ישירות בסביבת הפיתוח המשולבת (IDE) המועדפת עליכם.

ב-Data Agent Kit יש גם קבוצה של פלאגינים שאפשר להשתמש בהם עם כלים שונים של שורת הפקודה, כולל Antigravity CLI,‏ Gemini CLI,‏ Claude Code ו-Codex CLI.

כלים לפיתוח פתרונות מקצה לקצה

כשאתם מפתחים פתרונות מורכבים באמצעות BigQuery,‏ Google מציעה הרבה דרכים לעזור לכם, בעיקר באמצעות דוגמאות קוד, יכולות של מאגרים וסביבות עבודה ומגוון רחב של שילובים עם BigQuery.

דוגמאות קוד

דוגמאות הקוד של BigQuery מספקות קטעי קוד לביצוע משימות נפוצות ב-BigQuery, כמו יצירת טבלאות, הצגת רשימת חיבורים, הצגת התחייבויות לקיבולת והזמנות וטעינת נתונים. אתם יכולים להשתמש בדוגמאות הקוד האלה כדי להתחיל ליצור פתרונות מורכבים יותר.

מאגרים וסביבות עבודה

אתם יכולים להשתמש במאגרים כדי לנהל את הגרסאות של הקבצים שבהם אתם משתמשים ב-BigQuery, ובסביבות עבודה בתוך המאגרים האלה כדי לערוך את הקוד. ב-BigQuery נעשה שימוש ב-Git כדי לתעד שינויים ולנהל גרסאות של קבצים. אתם יכולים להשתמש ביכולות של Git שמובנות ב-BigQuery, או להתחבר למאגר Git של צד שלישי.

שירותים וכלים משולבים

הכלים והשירותים הבאים של Google משתלבים עם BigQuery ומציעים יכולות נוספות לפיתוח פתרונות:

  • Managed Service for Apache Spark. שירות שמנוהל במלואו להרצת משימות של Apache Hadoop ו-Apache Spark. ב-Managed Service for Apache Spark יש מחבר ל-BigQuery, שמאפשר ל-Hadoop ול-Spark לעבד נתונים ישירות מ-BigQuery.
  • Dataflow. שירות שמנוהל במלואו להרצת משימות של Apache Beam בקנה מידה רחב. מחבר הקלט/פלט של BigQuery ל-Beam מאפשר לצינורות עיבוד נתונים של Beam לקרוא נתונים מ-BigQuery ולכתוב נתונים ל-BigQuery.
  • Managed Service for Apache Airflow. שירות מנוהל לתזמון תהליכי עבודה שמבוסס על Apache Airflow. אופרטורים של BigQuery מאפשרים לתהליכי עבודה של Airflow לנהל מערכי נתונים וטבלאות, להריץ שאילתות ולאמת נתונים.
  • Pub/Sub. שירות העברת הודעות אסינכרוני וניתן להתאמה. ב-Pub/Sub יש מינויים ל-BigQuery, שמאפשרים לכתוב הודעות לטבלה ב-BigQuery ברגע שהן מתקבלות.
  • Dataform. שירות למנתחי נתונים שמאפשר לפתח, לבדוק, לנהל גרסאות ולתזמן תהליכי עבודה מורכבים של SQL לצורך טרנספורמציה של נתונים ב-BigQuery.
  • מודול Terraform של BigQuery. מודול להפעלה אוטומטית של יצירת המופעים והפריסה של מערכי הנתונים והטבלאות ב-BigQuery.
  • כלי שורת הפקודה של BigQuery. כלי שורת הפקודה של BigQuery שמבוסס על Python.

בנוסף, Google מאמתת עשרות פתרונות ושילובים של שותפים ל-BigQuery באמצעות התוכנית Google Cloud Ready - BigQuery. השותפים המוכרים האלה עמדו בדרישות בסיסיות כדי להבטיח תאימות ל-BigQuery.

המאמרים הבאים

  • במרכז למפתחים אפשר למצוא מידע על משאבים ואירועים קרובים למפתחי Google Cloud.
  • במאמר Data Cloud for ISVs מוסבר איך חברות אחרות משתמשות ב- Google Cloud.