Nutzeridentität authentifizieren und Verbindung zu einer Datenquelle herstellen

Auf dieser Seite wird beschrieben, wie Sie sich bei der konversationellen Analyse API authentifizieren. Außerdem wird erläutert, wie Sie Verbindungen zu Ihren Daten in Looker, BigQuery, Data Studio und Datenbanken (AlloyDB, GoogleSQL for Spanner, Cloud SQL for MySQL und Cloud SQL for PostgreSQL) konfigurieren. Dazu können Sie entweder direkte HTTP-Anfragen oder das SDK verwenden. Für die konversationelle Analyse API werden standardmäßige Authentifizierungsmethoden vonGoogle Cloud verwendet.

Hinweis

Bevor Sie sich bei der Conversational Analytics API authentifizieren und Verbindungen zu Ihren Daten konfigurieren können, müssen Sie die Voraussetzungen erfüllen und die erforderlichen APIs für Ihr Projekt in Google Cloud aktivieren, wie unter Conversational Analytics API aktivieren beschrieben.

Wenn Sie vom Kunden verwaltete Verschlüsselungsschlüssel (CMEK) zum Schutz Ihrer Conversational Analytics API-Ressourcen verwenden möchten, müssen Sie dem Dienstkonto der API die Berechtigung zur Verwendung Ihres Cloud Key Management Service-Schlüssels erteilen. Weitere Informationen finden Sie in der CMEK-Dokumentation unter Vorbereitung.

Bei der API für konversationelle Analyse authentifizieren

In diesem Abschnitt wird beschrieben, wie Sie sich mit HTTP- und Python-Methoden bei der Conversational Analytics API authentifizieren, um die erforderlichen Autorisierungstokens zu erhalten. In den folgenden Beispielen wird die Logik für regionale Endpunkte basierend auf dem Ressourcenstandort verwendet. Weitere Informationen zu regionalen Endpunkten finden Sie unter Datenstandort.

HTTP-Curl

Der folgende curl-Beispielbefehl zielt auf eine API-Endpunktmethode ab, um zu zeigen, wie eine authentifizierte Anfrage mit dem von der Google Cloud CLI generierten Identitätstoken gesendet wird:

curl  -H "Authorization: Bearer $(gcloud auth print-identity-token)" \
https://ENDPOINT_URL/v1/projects/PROJECT_ID/locations/LOCATION/METHOD

Ersetzen Sie die Beispielwerte so:

  • ENDPOINT_URL: Die Dienstendpunkt-URL, die Ihrem Standort entspricht, z. B. geminidataanalytics.googleapis.com für den Standardstandort global oder geminidataanalytics.us.rep.googleapis.com für die Multiregion us.
  • PROJECT_ID: Die ID des Google Cloud -Projekts, in dem Sie die erforderlichen APIs aktiviert haben.
  • LOCATION: Der Standort, an dem Ihre Ressourcen gespeichert sind (z. B. global oder us-east4).

  • METHOD: Die Methode oder der Ressourcenpfad des Zielendpunkts (z. B. dataAgents, um einen Agent zu erstellen, oder dataAgents/AGENT_ID, um einen bestimmten Agent abzurufen).

HTTP mithilfe von Python

Der folgende Python-Beispielcode zielt auf eine API-Endpunktmethode ab, um zu zeigen, wie Sie ein Zugriffstoken abrufen und eine authentifizierte HTTP-Anfrage senden. Der Code erstellt die Endpunkt-URL dynamisch basierend auf dem angegebenen Standorttyp.

billing_project = 'PROJECT_ID'
location = 'LOCATION'
access_token = !gcloud auth application-default print-access-token

# Set the base URL based on location.
if not location or location == "global":
  base_url = "https://geminidataanalytics.googleapis.com"
elif "-" in location:
  # Regional endpoints
  base_url = f"https://geminidataanalytics-{location}.googleapis.com"
else:
  # Multi-regional endpoints
  base_url = f"https://geminidataanalytics.{location}.rep.googleapis.com"

url = f"{base_url}/v1/projects/{billing_project}/locations/{location}/METHOD"
headers = {"Authorization": f'Bearer {access_token[0]}'}

Ersetzen Sie die Beispielwerte so:

  • PROJECT_ID: Die ID des Google Cloud -Projekts, in dem Sie die erforderlichen APIs aktiviert haben.
  • LOCATION: Der Standort, an dem Ihre Ressourcen gespeichert sind (z. B. global oder us-east4).

  • METHOD: Die Methode oder der Ressourcenpfad des Zielendpunkts. Beispiel:

    • Verwenden Sie zum Erstellen eines Daten-KI-Agenten die Methode POST und geben Sie dataAgents an.
    • Verwenden Sie die Methode GET und geben Sie dataAgents an, um vorhandene Daten-KI-Agenten aufzulisten.

Python SDK

Das folgende Python-Codebeispiel zeigt, wie Sie Ihr Google-Konto für den Zugriff auf die Conversational Analytics API in Colaboratory authentifizieren:

from google.colab import auth
auth.authenticate_user()

Mit der Conversational Analytics API eine Verbindung zu Looker herstellen

Informationen zu den erforderlichen Rollen und Berechtigungen, Autorisierungsoptionen und Beispielcode für die Verbindung mit Looker-Explores finden Sie unter Verbindung zu Looker herstellen. Informationen zu Instanzen, die nur private Verbindungen verwenden, finden Sie unter Verbindung zu einer Looker (Google Cloud Core)-Instanz herstellen, die private Verbindungen verwendet.

Mit der Conversational Analytics API eine Verbindung zu BigQuery herstellen

In diesem Abschnitt wird beschrieben, wie Sie die Conversational Analytics API so konfigurieren, dass sie entweder über direkte HTTP-Anfragen oder über ein SDK eine Verbindung zu BigQuery herstellt. Die API für konversationelle Analyse unterstützt Verbindungen zu BigQuery-Tabellen und zu Graphen mit BigQuery Graph.

Mit der API für konversationelle Analyse gibt es keine strikten Grenzwerte für die Anzahl der BigQuery-Tabellen, zu denen Sie eine Verbindung herstellen können. Wenn Sie jedoch zu einer großen Anzahl an Tabellen eine Verbindung herstellen, kann dies die Accuracy beeinträchtigen oder dazu führen, dass das Eingabetokenlimit von Gemini überschritten wird. Abfragen mit komplexen Joins über mehrere Tabellen hinweg können ebenfalls zu weniger genauen Antworten führen.

Mit Tabellen verbinden

Wenn Sie eine Verbindung zu einer oder mehreren BigQuery-Tabellen herstellen möchten, geben Sie für jede Tabelle die Projekt-ID, die Dataset-ID und die Tabellen-ID an.

In den folgenden Beispielen wird gezeigt, wie Sie entweder über HTTP-Anfragen oder über das Python SDK eine Verbindung zu einer oder mehreren BigQuery-Tabellen herstellen.

HTTP mithilfe von Python

Mit dem folgenden Beispielcode wird eine Verbindung zu mehreren BigQuery-Tabellen definiert:

bigquery_data_sources = {
    "bq": {
      "tableReferences": [
        {
          "projectId": "PROJECT_ID",
          "datasetId": "DATASET_ID",
          "tableId": "TABLE_ID"
        },
        {
          "projectId": "PROJECT_ID_2",
          "datasetId": "DATASET_ID_2",
          "tableId": "TABLE_ID_2"
        },
        {
          "projectId": "PROJECT_ID_3",
          "datasetId": "DATASET_ID_3",
          "tableId": "TABLE_ID_3"
        },
      ]
    }
}

Ersetzen Sie die Beispielwerte so:

  • PROJECT_ID, PROJECT_ID_2, PROJECT_ID_3: Die ID des Projekts in Google Cloud , das das BigQuery-Dataset und die BigQuery-Tabelle enthält, zu denen Sie eine Verbindung herstellen möchten. Wenn Sie eine Verbindung zu einem öffentlichen Dataset herstellen möchten, geben Sie bigquery-public-data an.
  • DATASET_ID, DATASET_ID_2, DATASET_ID_3: Die ID des BigQuery-Datasets (oder catalog.namespace für Lakehouse-Laufzeitkatalogtabellen).
  • TABLE_ID, TABLE_ID_2, TABLE_ID_3: Die ID der BigQuery-Tabelle (oder der Tabellenname für Lakehouse-Laufzeitkatalogtabellen).

Python SDK

Mit dem auth SDK von Colaboratory können Sie sich mit den Anmeldedaten Ihres Google-Kontos authentifizieren und den Colab-Client autorisieren, mit Ihren Anmeldedaten auf BigQuery zuzugreifen.

Mit dem folgenden Python-Beispielcode wird eine Verbindung zu mehreren BigQuery-Tabellen definiert und gezeigt, wie Sie sich in Colaboratory mit Ihren Google-Kontoanmeldedaten authentifizieren, um Anfragen zu autorisieren.

from google.colab import auth
auth.authenticate_user()

# BigQuery data source
bigquery_table_reference = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference.project_id = "PROJECT_ID"
bigquery_table_reference.dataset_id = "DATASET_ID"
bigquery_table_reference.table_id = "TABLE_ID"

bigquery_table_reference_2 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_2.project_id = "PROJECT_ID_2"
bigquery_table_reference_2.dataset_id = "DATASET_ID_2"
bigquery_table_reference_2.table_id = "TABLE_ID_2"

bigquery_table_reference_3 = geminidataanalytics.BigQueryTableReference()
bigquery_table_reference_3.project_id = "PROJECT_ID_3"
bigquery_table_reference_3.dataset_id = "DATASET_ID_3"
bigquery_table_reference_3.table_id = "TABLE_ID_3"

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.bq.table_references = [bigquery_table_reference, bigquery_table_reference_2, bigquery_table_reference_3]

Ersetzen Sie die Beispielwerte so:

  • PROJECT_ID, PROJECT_ID_2, PROJECT_ID_3: Die ID des Projekts in Google Cloud , das das BigQuery-Dataset und die BigQuery-Tabelle enthält, zu denen Sie eine Verbindung herstellen möchten. Wenn Sie eine Verbindung zu einem öffentlichen Dataset herstellen möchten, geben Sie bigquery-public-data an.
  • DATASET_ID, DATASET_ID_2, DATASET_ID_3: Die ID des BigQuery-Datasets (oder catalog.namespace für Lakehouse-Laufzeitkatalogtabellen). Zum Beispiel: san_francisco.
  • TABLE_ID, TABLE_ID_2, TABLE_ID_3: Die ID der BigQuery-Tabelle (oder der Tabellenname für Lakehouse-Laufzeitkatalogtabellen). Beispiel: street_trees

Verbindung zu BigQuery Graph herstellen

In den folgenden Beispielen wird gezeigt, wie Sie mit BigQuery Graph entweder über HTTP-Anfragen oder das Python SDK eine Verbindung zu einem oder mehreren Graphen herstellen.

Informationen zu den Anforderungen für BigQuery-Versionen und zu den Einschränkungen für Graphabfragen finden Sie unter Verbindung zu BigQuery Graph herstellen.

HTTP mithilfe von Python

Im folgenden Beispielcode wird eine Verbindung zu einem BigQuery-Diagramm definiert:

bigquery_data_sources = {
    "bq": {
      "propertyGraphReferences": [
        {
          "projectId": "GRAPH_PROJECT_ID",
          "datasetId": "GRAPH_DATASET_ID",
          "propertyGraphId": "GRAPH_ID"
        }
      ]
    }
}

Ersetzen Sie die Beispielwerte so:

  • GRAPH_PROJECT_ID: Die ID des Projekts in Google Cloud , das den BigQuery-Grafen enthält.
  • GRAPH_DATASET_ID: Die ID des BigQuery-Datasets, das den Graphen enthält.
  • GRAPH_ID: Die ID des BigQuery-Grafen.

Python SDK

Mit dem auth SDK von Colaboratory können Sie sich mit den Anmeldedaten Ihres in Colaboratory authentifizierten Nutzers bei BigQuery authentifizieren.

Mit dem folgenden Python-Beispielcode wird eine Verbindung zu einem BigQuery-Grafen definiert:

from google.colab import auth
auth.authenticate_user()

# BigQuery graph reference
graph_reference = geminidataanalytics.BigQueryPropertyGraphReference()
graph_reference.project_id = "GRAPH_PROJECT_ID"
graph_reference.dataset_id = "GRAPH_DATASET_ID"
graph_reference.property_graph_id = "GRAPH_ID"

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.bq.property_graph_references = [graph_reference]

Ersetzen Sie die Beispielwerte so:

  • GRAPH_PROJECT_ID: Die ID des Projekts in Google Cloud , das den BigQuery-Grafen enthält.
  • GRAPH_DATASET_ID: Die ID des BigQuery-Datasets, das den Graphen enthält.
  • GRAPH_ID: Die ID des BigQuery-Grafen.

Mit der Conversational Analytics API eine Verbindung zu Data Studio herstellen

Wenn Sie mit der konversationellen Analyse API eine Verbindung zu Data Studio herstellen möchten, müssen Sie zuerst die Data Studio API aktivieren. In diesem Abschnitt wird beschrieben, wie Sie die konversationelle Analyse API so konfigurieren, dass sie entweder über direkte HTTP-Anfragen oder über ein SDK eine Verbindung zu Data Studio herstellt.

Wenn Sie die konversationelle Analyse-API mit Data Studio Pro verwenden möchten, muss sich Ihr Pro-Abonnement außerhalb eines VPC-SC-Perimeters befinden.

Data Studio API aktivieren

Folgen Sie der Anleitung unter API aktivieren, um die Data Studio API zu aktivieren.

Bei Data Studio authentifizieren

Wenn Sie mit der konversationellen Analyse API eine Verbindung zu Data Studio herstellen möchten, müssen Sie dafür sorgen, dass der authentifizierte Nutzer oder das authentifizierte Dienstkonto berechtigt ist, auf die Data Studio-Datenquelle zuzugreifen. Anschließend müssen Sie die Datenquellen-ID angeben.

HTTP mithilfe von Python

Nachdem Sie die Data Studio API aktiviert haben, können Sie eine Verbindung zu Data Studio herstellen, indem Sie mit Python HTTP-Curl-Anfragen senden. Der folgende Beispielcode zeigt, wie Sie die Details Ihrer Data Studio-Datenquelle im Text Ihrer HTTP-Anfrage angeben.

Sie können eine Verbindung zu Data Studio herstellen, indem Sie direkte HTTP-Anfragen senden. Ein Beispiel für einen HTTP-Aufruf finden Sie im folgenden Codeblock.

looker_studio_data_source = {
    "studio":{
        "studio_references":
        [
            {
              "datasource_id": "DATASOURCE_ID"
            }
        ]
    }
}

Ersetzen Sie your_studio_datasource_id durch die tatsächliche Datenquellen-ID der Data Studio-Datenquelle, die Sie verwenden möchten.

Python SDK

Nachdem Sie die Data Studio API aktiviert haben, können Sie sich mit einem SDK mit Data Studio verbinden. Im folgenden Python-Beispielcode wird gezeigt, wie Sie die Details Ihrer Data Studio-Datenquelle angeben.


datasource_id = "DATASOURCE_ID"

# Looker Studio
studio_references = geminidataanalytics.StudioDatasourceReference()
studio_references.datasource_id = studio_datasource_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.studio.studio_references = [studio_references]

Ersetzen Sie STUDIO-DATASOURCE-ID durch die tatsächliche Datenquellen-ID der Data Studio-Datenquelle, die Sie verwenden möchten.

Mit der Conversational Analytics API eine Verbindung zu Datenbanken herstellen

Wenn Sie mit der konversationellen Analyse API eine Verbindung zu Datenbanken herstellen möchten, benötigen Sie die erforderlichen IAM-Berechtigungen für Ihre Datenbankinstanz. Wenn Sie Kontextgruppen (Vorabversion) mit Ihrer Datenbankdatenquelle verwenden, müssen Sie zum Erstellen, Hochladen oder Verwalten von Kontextgruppen auch die Knowledge Catalog API aktivieren und die Rolle „Dataplex Catalog Editor“ (roles/dataplex.catalogEditor) oder „Dataplex Catalog Admin“ (roles/dataplex.catalogAdmin) für das Projekt gewähren. Weitere Informationen finden Sie unter Berechtigungen für Kontextgruppen.

Verbindung zu AlloyDB for PostgreSQL herstellen

Das Nutzer- oder Dienstkonto muss die Rolle alloydb.databaseUser haben. Weitere Informationen finden Sie unter AlloyDB, IAM-Datenbankauthentifizierung.

HTTP mithilfe von Python

Im folgenden Beispielcode wird gezeigt, wie Sie die Details Ihrer AlloyDB-Datenquelle im Text Ihrer HTTP-Anfrage angeben.

alloydb_data_sources = {
  "alloydb": {
      "database_reference": {
          "project_id": alloydb_project_id,
          "region": location,
          "cluster_id": alloydb_cluster_id,
          "instance_id": alloydb_instance_id,
          "database_id": alloydb_database_id,
          "table_ids":["table1", "table2", "table3"]
      },
      # Optional: Include this if you have pre-authored context for the agent
      # "agent_context_reference": {
      #     "context_set_id": f"projects/alloydb_project_id/locations/{location}/contextSets/your_context_set_id"
      # }
  }
}

Ersetzen Sie die Beispielwerte so:

  • your_table_id: Eine durch Kommas getrennte Liste von Tabellen-IDs. Wenn nicht festgelegt, werden alle Tabellen in der Datenbank berücksichtigt.
  • your_context_set_id: Optional: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der AlloyDB-Dokumentation.

Python SDK

Im folgenden Python-Beispielcode wird gezeigt, wie Sie die Details Ihrer AlloyDB-Datenquelle mit dem Python SDK definieren.

# AlloyDB data source
alloydb_table_ids = ["your_table_id_1", "your_table_id_2"]
alloydb_context_set_id = "your_context_set_id"

alloydb_reference = geminidataanalytics.AlloyDbReference()
alloydb_reference.database_reference.table_id = alloydb_table_ids
alloydb_reference_database_reference.project_id = billing_project
alloydb_reference_database_reference.region = "us-central1" # Example region
alloydb_reference_database_reference.cluster_id = alloydb_cluster_id
alloydb_reference_database_reference.instance_id = alloydb_instance_id
alloydb_reference_database_reference.database_id = alloydb_database_id
# optional set agent context reference
# alloydb_ref_1.agent_context_reference.context_set_id = f"projects/{billing_project}/locations/{location}/contextSets/your_context_set_id"

alloydb_reference.agent_context_reference.context_set_id = alloydb_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.alloydb.alloydb_reference = alloydb_reference

Ersetzen Sie die Beispielwerte so:

  • your_table_id_1: Die ID der ersten Tabelle in Ihrer AlloyDB-Instanz.
  • your_table_id_2: Die ID der zweiten Tabelle in Ihrer AlloyDB-Instanz.
  • your_context_set_id: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der AlloyDB-Dokumentation.

Verbindung zu GoogleSQL for Spanner herstellen

Das Nutzer- oder Dienstkonto muss die Rolle spanner.databaseReader haben. Weitere Informationen finden Sie unter IAM-Rollen anwenden.

HTTP mithilfe von Python

Im folgenden Beispielcode wird gezeigt, wie Sie die Details Ihrer GoogleSQL for Spanner-Datenquelle im Text Ihrer HTTP-Anfrage angeben.

spanner_data_sources = {
    "spanner_reference": {
        "database_reference": {
            "project_id": spanner_project_id,
            "region": location,
            "engine": engine,
            "instance_id": spanner_instance_id,
            "database_id": spanner_database_id,
        },
        # Optional: Include this if you have pre-authored context for the agent
        # "agent_context_reference": {
        #     "context_set_id": f"projects/{billing_project}/locations/{location}/contextSets/your_context_set_id"
        # }
    }
}

Ersetzen Sie die Beispielwerte so:

  • your_table_id_1: Die ID der ersten Tabelle in Ihrer GoogleSQL for Spanner-Instanz.
  • your_table_id_2: Die ID der zweiten Tabelle in Ihrer GoogleSQL for Spanner-Instanz.
  • your_context_set_id: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der Spanner-Dokumentation.

Python SDK

Im folgenden Python-Beispielcode wird gezeigt, wie Sie die Details Ihrer GoogleSQL for Spanner-Datenquelle mit dem Python SDK definieren.

# Spanner data source
spanner_table_ids = ["your_table_id_1", "your_table_id_2"]
spanner_context_set_id = "your_context_set_id"

spanner_reference = geminidataanalytics.SpannerReference()
spanner_reference.database_reference.table_id = spanner_table_ids
spanner_reference.agent_context_reference.context_set_id = spanner_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.spanner.spanner_reference = spanner_reference

Ersetzen Sie die Beispielwerte so:

  • your_table_id_1: Die ID der ersten Tabelle in Ihrer GoogleSQL for Spanner-Instanz.
  • your_table_id_2: Die ID der zweiten Tabelle in Ihrer GoogleSQL for Spanner-Instanz.
  • your_context_set_id: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der Spanner-Dokumentation.

Verbindung zu Cloud SQL for MySQL und Cloud SQL for PostgreSQL herstellen

In den folgenden Abschnitten finden Sie Anleitungen zum Herstellen einer Verbindung zu Cloud SQL for MySQL und Cloud SQL for PostgreSQL. Das Nutzer- oder Dienstkonto muss die Rollen cloudsql.studioUser und cloudsql.instanceUser haben. Weitere Informationen finden Sie unter Nutzer mit IAM-Datenbankauthentifizierung für Cloud SQL for MySQL verwalten und Nutzer mit IAM-Datenbankauthentifizierung für Cloud SQL for PostgreSQL verwalten.

HTTP mithilfe von Python

Der folgende Beispielcode zeigt, wie Sie die Details Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Datenquelle im Text Ihrer HTTP-Anfrage angeben.

cloudsql_data_source = {
    "cloudSqlReference": {
        "databaseReference": {
            "engine": MYSQL,
            "project_id": cloud-db-nl2sql,
            "region": us-central1,
            "instance_id": nl2sql-birdsql-mysql,
            "database_id": financial
        },
        # Optional: Include this if you have pre-authored context for the agent
        # "agent_context_reference": {
        #     "context_set_id": f"projects/cloud-db-nl2sql/locations/us-central1/contextSets/bdf_pg_all_templates\"
        # }
    }
}

Ersetzen Sie die Beispielwerte so:

  • your_table_id_1: Die ID der ersten Tabelle in Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Instanz.
  • your_table_id_2: Die ID der zweiten Tabelle in Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Instanz.
  • your_context_set_id: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der Dokumentation zu Cloud SQL for MySQL und Cloud SQL for PostgreSQL.

Python SDK

Im folgenden Python-Beispielcode wird gezeigt, wie Sie die Details Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Datenquelle mit dem Python SDK definieren.

# Cloud SQL data source
cloudsql_table_ids = ["your_table_id_1", "your_table_id_2"]
cloudsql_context_set_id = "your_context_set_id"

cloudsql_reference = geminidataanalytics.CloudSqlReference()
cloudsql_reference.database_reference.table_id = cloudsql_table_ids
cloudsql_reference.agent_context_reference.context_set_id = cloudsql_context_set_id

# Connect to your data source
datasource_references = geminidataanalytics.DatasourceReferences()
datasource_references.cloudsql.cloudsql_reference = cloudsql_reference

Ersetzen Sie die Beispielwerte so:

  • your_table_id_1: Die ID der ersten Tabelle in Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Instanz.
  • your_table_id_2: Die ID der zweiten Tabelle in Ihrer Cloud SQL for MySQL- und Cloud SQL for PostgreSQL-Instanz.
  • your_context_set_id: Die vollständige ID des abzurufenden Kontextsets. Weitere Informationen zum Ermitteln der Kontextsatz-ID finden Sie in der Dokumentation zu Cloud SQL for MySQL und Cloud SQL for PostgreSQL.