Load Data into Portfolio, Category, and Product Tables

Fortschritt prüfen

/ 30

Load Data into Campaigns Table

Fortschritt prüfen

/ 20

Add column to Category Table

Fortschritt prüfen

/ 20

Add secondary index to Category table

Fortschritt prüfen

/ 30

Dieses Lab kann KI-Tools enthalten, die den Lernprozess unterstützen.
Dieser Inhalt ist noch nicht für Mobilgeräte optimiert.
Die Lernumgebung funktioniert am besten, wenn Sie auf einem Computer über einen per E‑Mail gesendeten Link darauf zugreifen.

GSP1050

Google Cloud-Labs zum selbstbestimmten Lernen

Übersicht

Spanner ist der vollständig verwaltete, horizontal skalierbare relationale Datenbankdienst von Google. Kundinnen und Kunden aus den Bereichen Finanzdienstleistungen, Gaming, Einzelhandel und vielen anderen Branchen vertrauen darauf, dass sie anspruchsvollste Arbeitslasten ausführen können, bei denen Konsistenz und Verfügbarkeit im großen Maßstab entscheidend sind.

In diesem Lab lernen Sie schemabezogene Funktionen von Spanner kennen und wenden diese auf eine Datenbank für Bankgeschäfte an. Außerdem erfahren Sie, nach welchen Methoden und Regeln Spanner Abfragepläne erstellt.

Aufgaben

In diesem Lab lernen Sie, schemabezogene Attribute einer Spanner-Instanz zu ändern.

  • Daten in Tabellen laden
  • Vordefinierten Python-Clientbibliothekscode zum Laden von Daten verwenden
  • Daten mit Clientbibliotheken abfragen
  • Datenbankschema aktualisieren
  • Sekundären Index hinzufügen
  • Abfragepläne prüfen

Einrichtung und Anforderungen

Vor dem Klick auf „Start Lab“ (Lab starten)

Lesen Sie diese Anleitung. Labs sind zeitlich begrenzt und können nicht pausiert werden. Der Timer beginnt zu laufen, wenn Sie auf Lab starten klicken, und zeigt Ihnen, wie lange Google Cloud-Ressourcen für das Lab verfügbar sind.

In diesem praxisorientierten Lab können Sie die Lab-Aktivitäten in einer echten Cloud-Umgebung durchführen – nicht in einer Simulations- oder Demo-Umgebung. Dazu erhalten Sie neue, temporäre Anmeldedaten, mit denen Sie für die Dauer des Labs auf Google Cloud zugreifen können.

Für dieses Lab benötigen Sie Folgendes:

  • Einen Standardbrowser (empfohlen wird Chrome)
Hinweis: Nutzen Sie den privaten oder Inkognitomodus (empfohlen), um dieses Lab durchzuführen. So wird verhindert, dass es zu Konflikten zwischen Ihrem persönlichen Konto und dem Teilnehmerkonto kommt und zusätzliche Gebühren für Ihr persönliches Konto erhoben werden.
  • Zeit für die Durchführung des Labs – denken Sie daran, dass Sie ein begonnenes Lab nicht unterbrechen können.
Hinweis: Verwenden Sie für dieses Lab nur das Teilnehmerkonto. Wenn Sie ein anderes Google Cloud-Konto verwenden, fallen dafür möglicherweise Kosten an.

Lab starten und bei der Google Cloud Console anmelden

  1. Klicken Sie auf Lab starten. Wenn Sie für das Lab bezahlen müssen, wird ein Dialogfeld geöffnet, in dem Sie Ihre Zahlungsmethode auswählen können. Auf der rechten Seite befindet sich der Bereich Lab-Einrichtung und ‑Zugriff:

    • Button Google Cloud Console öffnen
    • Die temporären Anmeldedaten (Nutzername und Passwort), die Sie für dieses Lab verwenden müssen
    • Gegebenenfalls weitere Informationen für dieses Lab

    Der Lab-Timer befindet sich oben auf der Seite und zeigt die verbleibende Zeit an.

  2. Klicken Sie auf Google Cloud Console öffnen. Wenn Sie Chrome verwenden, können Sie auch rechtsklicken und Link in Inkognitofenster öffnen auswählen.

    Im Lab werden Ressourcen aktiviert. Anschließend wird ein weiterer Tab mit der Seite „Anmelden“ geöffnet.

    Tipp: Ordnen Sie die Tabs nebeneinander in separaten Fenstern an.

    Hinweis: Wird das Dialogfeld Konto auswählen angezeigt, klicken Sie auf Anderes Konto verwenden.
  3. Kopieren Sie bei Bedarf den folgenden Nutzernamen und fügen Sie ihn in das Dialogfeld Anmelden ein.

    {{{user_0.username | "Username"}}}

    Sie finden den Nutzernamen auch im Bereich Lab-Einrichtung und ‑Zugriff.

  4. Klicken Sie auf Weiter.

  5. Kopieren Sie das folgende Passwort und fügen Sie es in das Dialogfeld Willkommen ein.

    {{{user_0.password | "Password"}}}

    Sie finden das Passwort auch im Bereich Lab-Einrichtung und ‑Zugriff.

  6. Klicken Sie auf Weiter.

    Wichtig: Sie müssen die für das Lab bereitgestellten Anmeldedaten verwenden. Nutzen Sie nicht die Anmeldedaten Ihres Google Cloud-Kontos. Hinweis: Wenn Sie Ihr eigenes Google Cloud-Konto für dieses Lab nutzen, können zusätzliche Kosten anfallen.
  7. Klicken Sie sich durch die nachfolgenden Seiten:

    • Akzeptieren Sie die Nutzungsbedingungen.
    • Fügen Sie keine Wiederherstellungsoptionen oder 2-Faktor-Authentifizierung hinzu, da dies nur ein temporäres Konto ist.
    • Melden Sie sich nicht für kostenlose Testversionen an.

Nach wenigen Augenblicken wird die Google Cloud Console in diesem Tab geöffnet.

Hinweis: Wenn Sie auf Google Cloud-Produkte und ‑Dienste zugreifen möchten, klicken Sie auf das Navigationsmenü oder geben Sie den Namen des Produkts oder Dienstes in das Feld Suchen ein. Symbol für das Navigationsmenü und Suchfeld

Cloud Shell aktivieren

Cloud Shell ist eine virtuelle Maschine, auf der Entwicklertools installiert sind. Sie bietet ein Basisverzeichnis mit 5 GB nichtflüchtigem Speicher und läuft auf Google Cloud. Mit Cloud Shell erhalten Sie Befehlszeilenzugriff auf Ihre Google Cloud-Ressourcen.

  1. Klicken Sie oben in der Google Cloud Console auf Cloud Shell aktivieren Symbol für Cloud Shell-Aktivierung.

  2. Klicken Sie sich durch die folgenden Fenster:

    • Fahren Sie mit dem Informationsfenster zu Cloud Shell fort.
    • Autorisieren Sie Cloud Shell, Ihre Anmeldedaten für Google Cloud API-Aufrufe zu verwenden.

Wenn eine Verbindung besteht, sind Sie bereits authentifiziert und das Projekt ist auf Project_ID, eingestellt. Die Ausgabe enthält eine Zeile, in der die Project_ID für diese Sitzung angegeben ist:

Ihr Cloud-Projekt in dieser Sitzung ist festgelegt als {{{project_0.project_id | "PROJECT_ID"}}}

gcloud ist das Befehlszeilentool für Google Cloud. Das Tool ist in Cloud Shell vorinstalliert und unterstützt die Tab-Vervollständigung.

  1. (Optional) Sie können den aktiven Kontonamen mit diesem Befehl auflisten:
gcloud auth list
  1. Klicken Sie auf Autorisieren.

Ausgabe:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} Um das aktive Konto festzulegen, führen Sie diesen Befehl aus: $ gcloud config set account `ACCOUNT`
  1. (Optional) Sie können die Projekt-ID mit diesem Befehl auflisten:
gcloud config list project

Ausgabe:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Hinweis: Die vollständige Dokumentation für gcloud finden Sie in Google Cloud in der Übersicht zur gcloud CLI.

Spanner-Instanz

Damit Sie dieses Lab schneller durcharbeiten können, wurden die Spanner-Instanz, die Datenbank und Tabellen automatisch für Sie erstellt.

Hier sind einige Details dazu:

Element Name Details
Spanner-Instanz banking-ops-instance Instanz auf Projektebene
Spanner-Datenbank banking-ops-db Instanzspezifische Datenbank
Tabelle Portfolio Enthält Bankangebote auf oberster Ebene
Tabelle Category Enthält Gruppierungen von Bankangeboten der zweiten Ebene
Tabelle Product Enthält bestimmte Bankangebote für Werbebuchungen
Tabelle Campaigns Enthält Details zu Marketinginitiativen

Aufgabe 1: Daten in Tabellen laden

Die Datenbank banking-ops-db wurde mit leeren Tabellen erstellt. Führen Sie die folgenden Schritte aus, um Daten in drei der Tabellen (Portfolio, Category und Product) zu laden.

  1. Öffnen Sie in der Cloud Console das Navigationsmenü (console_nav_small.png) und klicken Sie auf Datenbanken > Spanner.

  2. Der Name der Instanz ist banking-ops-instance. Klicken Sie auf den Namen, um die Datenbanken aufzurufen.

  3. Die zugehörige Datenbank heißt banking-ops-db. Klicken Sie auf den Namen und scrollen Sie nach unten zu Tabellen. Sie sehen, dass bereits vier Tabellen vorhanden sind.

  4. Klicken Sie im linken Bereich der Console auf Spanner Studio. Klicken Sie dann auf + Neuer SQL-Editor-Tab, um einen neuen SQL-Editor zu öffnen.

  5. Ein neuer SQL-Editor wird geöffnet. Fügen Sie die folgenden Insert-Anweisungen als Block ein, um die Tabelle Portfolio zu laden. Spanner führt die Anweisungen nacheinander aus. Klicken Sie auf Ausführen, um die Anweisungen auszuführen:

INSERT INTO Portfolio (PortfolioId, Name, ShortName, PortfolioInfo) VALUES (1, 'Banking', 'Bnkg', 'All Banking Business'), (2, 'Asset Growth', 'AsstGrwth', 'All Asset Focused Products'), (3, 'Insurance', 'Ins', 'All Insurance Focused Products');
  1. Im Bereich Ergebnisse wird der Status jeder Anweisung angezeigt. Ein grünes Häkchen gibt an, dass die Anweisung erfolgreich abgeschlossen wurde. Die Tabelle Portfolio enthält jetzt drei Zeilen.

  2. Klicken Sie oben auf der Seite auf Löschen.

  3. Fügen Sie die folgende INSERT-Anweisung ein, um die Tabelle Category zu laden. Klicken Sie auf Ausführen.

INSERT INTO Category (CategoryId, PortfolioId, CategoryName) VALUES (1, 1, 'Cash'), (2, 2, 'Investments - Short Return'), (3, 2, 'Annuities'), (4, 3, 'Life Insurance');
  1. Im Bereich „Ergebnisse“ wird der Status des INSERT-Vorgangs angezeigt. Ein grünes Häkchen gibt an, dass die Anweisung erfolgreich abgeschlossen wurde. Die Tabelle Category enthält jetzt vier Zeilen.

  2. Klicken Sie oben auf der Seite auf Löschen.

  3. Fügen Sie die folgende INSERT-Anweisung ein, um die Tabelle Product zu laden, und klicken Sie dann auf Ausführen:

INSERT INTO Product (ProductId, CategoryId, PortfolioId, ProductName, ProductAssetCode, ProductClass) VALUES (1, 1, 1, 'Checking Account', 'ChkAcct', 'Banking LOB'), (2, 2, 2, 'Mutual Fund Consumer Goods', 'MFundCG', 'Investment LOB'), (3, 3, 2, 'Annuity Early Retirement', 'AnnuFixed', 'Investment LOB'), (4, 4, 3, 'Term Life Insurance', 'TermLife', 'Insurance LOB'), (5, 1, 1, 'Savings Account', 'SavAcct', 'Banking LOB'), (6, 1, 1, 'Personal Loan', 'PersLn', 'Banking LOB'), (7, 1, 1, 'Auto Loan', 'AutLn', 'Banking LOB'), (8, 4, 3, 'Permanent Life Insurance', 'PermLife', 'Insurance LOB'), (9, 2, 2, 'US Savings Bonds', 'USSavBond', 'Investment LOB');
  1. Im Bereich „Ergebnisse“ wird der Status des INSERT-Vorgangs angezeigt. Ein grünes Häkchen gibt an, dass die Anweisung erfolgreich abgeschlossen wurde. Die Tabelle Product enthält jetzt neun Zeilen.

  2. Klicken Sie auf Fortschritt prüfen.

Daten in die Tabellen „Portfolio“, „Category“ und „Product“ laden

Aufgabe 2: Vorab erstellten Python-Clientbibliothekscode zum Laden von Daten verwenden

In den nächsten Schritten verwenden Sie die in Python geschriebenen Clientbibliotheken.

  1. Öffnen Sie die Cloud Shell und fügen Sie die folgenden Befehle ein. Damit erstellen und öffnen Sie ein neues Verzeichnis, in dem die erforderlichen Dateien gespeichert werden.
mkdir python-helper cd python-helper
  1. Laden Sie zwei Dateien herunter. Eine wird zum Einrichten der Umgebung verwendet. Die andere ist der Lab-Code.
wget https://storage.googleapis.com/cloud-training/OCBL373/requirements.txt wget https://storage.googleapis.com/cloud-training/OCBL373/snippets.py
  1. Erstellen Sie eine isolierte Python-Umgebung und installieren Sie Abhängigkeiten für den Spanner-Client.
pip install -r requirements.txt pip install setuptools
  1. Die Datei snippets.py enthält mehrere Spanner-DDL-, DML- und DCL-Funktionen, die Sie in diesem Lab als Hilfscode verwenden. Führen Sie snippets.py mit dem Argument insert_data aus, um die Tabelle Campaigns mit Daten zu füllen.
python snippets.py banking-ops-instance --database-id banking-ops-db insert_data
  1. Klicken Sie auf Fortschritt prüfen.
Daten in die Tabelle „Campaigns“ laden

Aufgabe 3: Daten mit Clientbibliotheken abfragen

Mit der Funktion query_data() in snippets.py können Sie die Datenbank abfragen. In diesem Schritt prüfen Sie damit, ob die Daten in die Tabelle Campaigns geladen wurden. Sie müssen den Code nicht ändern. Die Funktion wird hier nur als Referenz aufgeführt.

def query_data(instance_id, database_id): """Queries sample data from the database using SQL.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) with database.snapshot() as snapshot: results = snapshot.execute_sql( """ SELECT CampaignId, PortfolioId, CampaignStartDate, CampaignEndDate, CampaignName, CampaignBudget FROM Campaigns """ ) for row in results: print( "CampaignId: {}, PortfolioId: {}, CampaignStartDate: {}, " "CampaignEndDate: {}, CampaignName: {}, CampaignBudget: {}".format(*row) )
  1. Führen Sie snippets.py mit dem Argument query_data aus, um die Tabelle Campaigns abzufragen.
python snippets.py banking-ops-instance --database-id banking-ops-db query_data

Das Ergebnis sollte etwa so aussehen:

CampaignId: 1, PortfolioId: 1, CampaignStartDate: 2026-07-23, CampaignEndDate: 2026-07-23, CampaignName: New Account Reward, CampaignBudget: 15000 CampaignId: 2, PortfolioId: 2, CampaignStartDate: 2026-07-23, CampaignEndDate: 2026-07-23, CampaignName: Intro to Investments, CampaignBudget: 5000 CampaignId: 3, PortfolioId: 2, CampaignStartDate: 2026-07-23, CampaignEndDate: 2026-07-23, CampaignName: Youth Checking Accounts, CampaignBudget: 25000 CampaignId: 4, PortfolioId: 3, CampaignStartDate: 2026-07-23, CampaignEndDate: 2026-07-23, CampaignName: Protect Your Family, CampaignBudget: 10000

Aufgabe 4: Datenbankschema aktualisieren

Im Rahmen Ihrer DBV-Aufgaben müssen Sie der Tabelle Category eine neue Spalte mit dem Namen MarketingBudget hinzufügen. Damit einer vorhandenen Tabelle eine neue Spalte hinzugefügt werden kann, muss das Datenbankschema aktualisiert werden. Spanner unterstützt Schemaaktualisierungen für Datenbanken, ohne dass die Traffic-Bereitstellung unterbrochen werden muss. Bei einer Schemaaktualisierung muss die Datenbank nicht offline geschaltet und es müssen keine ganzen Tabellen oder Spalten gesperrt werden. Sie können während der Aktualisierung weiter Daten in die Datenbank schreiben oder darin lesen.

Mit Python eine Spalte hinzufügen

Die Methode update_ddl() der Klasse Database wird verwendet, um das Schema zu ändern.

Nutzen Sie die Funktion add_column() in snippets.py, die diese Methode verwendet. Sie müssen den Code nicht ändern. Die Funktion wird hier nur als Referenz aufgeführt.

def add_column(instance_id, database_id): """Adds a new column to the Category table.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) operation = database.update_ddl( [ "ALTER TABLE Category ADD COLUMN MarketingBudget INT64" ] ) print("Waiting for operation to complete...") operation.result(OPERATION_TIMEOUT_SECONDS) print("Added the MarketingBudget column.")
  1. Führen Sie snippets.py mit dem Argument add_column aus.
python snippets.py banking-ops-instance --database-id banking-ops-db add_column
  1. Klicken Sie auf Fortschritt prüfen.
Der Tabelle „Category“ eine Spalte hinzufügen

Weitere Optionen zum Hinzufügen einer Spalte zu vorhandenen Tabellen:

DDL-Befehl über die gcloud CLI ausgeben

Hinweis: Diese Option wird als alternatives Beispiel gezeigt. Führen Sie diesen Befehl nicht aus.

Das folgende Codebeispiel erledigt dieselbe Aufgabe, die Sie gerade mit Python ausgeführt haben.

Spanner databases ddl update banking-ops-db --instance=banking-ops-instance --ddl='ALTER TABLE Category ADD COLUMN MarketingBudget INT64;'

DDL-Befehl in der Cloud Console ausgeben

Hinweis: Diese Option wird als alternatives Beispiel gezeigt. Führen Sie diese Aktion nicht aus.
  1. Klicken Sie in der Datenbankliste auf den Namen der Tabelle.
  2. Klicken Sie rechts oben auf der Seite auf DDL schreiben.
  3. Fügen Sie die entsprechende DDL in das Feld DDL-Vorlagen ein.
  4. Klicken Sie auf Senden.

AddColumnUI.png

Daten in die neue Spalte schreiben

Mit dem folgenden Code werden Daten in die neue Spalte geschrieben. Er legt für MarketingBudget den Wert 100000 für die Zeile mit CategoryId = 1 und PortfolioId = 1 fest und den Wert 500000 für die Zeile mit CategoryId = 3 und PortfolioId = 2. Sie nehmen keine Änderungen am Code vor. Der hier gezeigte Abschnitt dient nur als Referenz.

def update_data(instance_id, database_id): """Updates sample data in the database. This updates the `MarketingBudget` column, which must be created before running this sample. You can add the column by running the `add_column` sample or by running this DDL statement against your database. """ spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) with database.batch() as batch: batch.update( table="Category", columns=("CategoryId", "PortfolioId", "MarketingBudget"), values=[ (1, 1, 100000), (3, 2, 500000), ], ) print("Updated data.")
  1. Führen Sie snippets.py mit dem Argument update_data aus.
python snippets.py banking-ops-instance --database-id banking-ops-db update_data
  1. Führen Sie die Abfrage noch einmal aus, um die Aktualisierung anzuzeigen. Führen Sie snippets.py mit dem Argument query_data_with_new_column aus.
python snippets.py banking-ops-instance --database-id banking-ops-db query_data_with_new_column

Das Ergebnis sollte so aussehen:

CategoryId: 1, PortfolioId: 1, MarketingBudget: 100000 CategoryId: 2, PortfolioId: 2, MarketingBudget: None CategoryId: 3, PortfolioId: 2, MarketingBudget: 500000 CategoryId: 4, PortfolioId: 3, MarketingBudget: None

Aufgabe 5: Sekundären Index hinzufügen

Angenommen, Sie möchten alle Zeilen aus „Categories“ abrufen, deren Werte für „CategoryNames“ in einem bestimmten Bereich liegen. Sie könnten dazu alle Werte aus der Spalte CategoryName mit einer SQL-Anweisung oder einem Leseaufruf lesen und dann die Zeilen verwerfen, die die Kriterien nicht erfüllen. Dieser vollständige Tabellenscan wäre jedoch sehr kostspielig, insbesondere bei Tabellen mit vielen Zeilen. Stattdessen können Sie einen sekundären Index für die Tabelle erstellen und damit das Abrufen von Zeilen beim Suchen über Spalten mit nicht primärem Schlüssel beschleunigen.

Damit ein sekundärer Index einer vorhandenen Tabelle hinzugefügt werden kann, muss das Schema aktualisiert werden. Wie bei anderen Schemaaktualisierungen kann mit Spanner ein Index hinzugefügt werden, ohne dass die Traffic-Bereitstellung unterbrochen werden muss. Spanner füllt den Index im Hintergrund mit Daten (auch als „Backfill“ bezeichnet). Backfills können einige Minuten dauern, aber Sie müssen die Datenbank nicht offline schalten und können während des Vorgangs weiter in alle Tabellen oder Spalten schreiben.

Sekundären Index mit der Python-Clientbibliothek hinzufügen

Verwenden Sie die Methode add_index(), um einen sekundären Index zu erstellen. Sie nehmen keine Änderungen am Code vor. Der hier gezeigte Abschnitt dient nur als Referenz.

def add_index(instance_id, database_id): """Adds a secondary index to the Category table.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) operation = database.update_ddl( [ "CREATE INDEX CategoryByCategoryName " "ON Category(CategoryName)" ] ) print("Waiting for operation to complete...") operation.result(OPERATION_TIMEOUT_SECONDS) print("Added the CategoryByCategoryName index.")
  1. Führen Sie snippets.py mit dem Argument add_index aus.
python snippets.py banking-ops-instance --database-id banking-ops-db add_index
  1. Klicken Sie auf Fortschritt prüfen.
Der Tabelle „Category“ einen sekundären Index hinzufügen

Mit dem Index auslesen

Um Daten mit dem Index auszulesen, rufen Sie eine Variante der Methode read() auf, die einen Index enthält. Sie nehmen keine Änderungen am Code vor. Der hier gezeigte Abschnitt dient nur als Referenz.

def read_data_with_index(instance_id, database_id): """Reads sample data from the database using an index.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) with database.snapshot() as snapshot: keyset = spanner.KeySet(all_=True) results = snapshot.read( table="Category", columns=("CategoryId", "CategoryName"), keyset=keyset, index="CategoryByCategoryName", ) for row in results: print("CategoryId: {}, CategoryName: {}".format(*row))
  1. Führen Sie snippets.py mit dem Argument read_data_with_index aus.
python snippets.py banking-ops-instance --database-id banking-ops-db read_data_with_index

Das Ergebnis sollte so aussehen:

CategoryId: 3, CategoryName: Annuities CategoryId: 1, CategoryName: Cash CategoryId: 2, CategoryName: Investments - Short Return CategoryId: 4, CategoryName: Life Insurance

Index mit einer STORING-Anweisung hinzufügen

Vielleicht haben Sie bemerkt, dass im obigen Beispiel die Spalte MarketingBudget nicht gelesen wird. Die Leseschnittstelle von Spanner unterstützt die Möglichkeit nicht, einen Index mit einer Datentabelle zu verbinden, um Werte zu suchen, die nicht im Index gespeichert sind.

Um diese Einschränkung zu umgehen, erstellen Sie eine alternative Definition des Index CategoryByCategoryName, die eine Kopie von MarketingBudget im Index speichert.

Verwenden Sie die Methode update_ddl() der Klasse „Database“, um einen Index mit einer STORING-Anweisung hinzuzufügen. Sie nehmen keine Änderungen am Code vor. Der hier gezeigte Abschnitt dient nur als Referenz.

def add_storing_index(instance_id, database_id): """Adds a storing index to the example database.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) operation = database.update_ddl( [ "CREATE INDEX CategoryByCategoryName2 ON Category(CategoryName)" "STORING (MarketingBudget)" ] ) print("Waiting for operation to complete...") operation.result(OPERATION_TIMEOUT_SECONDS) print("Added the CategoryByCategoryName2 index.")
  1. Führen Sie snippets.py mit dem Argument add_storing_index aus.
python snippets.py banking-ops-instance --database-id banking-ops-db add_storing_index

Sie können jetzt einen Lesevorgang ausführen, der die Spalten CategoryId, CategoryName und MarketingBudget abruft, während Sie den Index CategoryByCategoryName2 verwenden. Sie nehmen keine Änderungen am Code vor. Der hier gezeigte Abschnitt dient nur als Referenz.

def read_data_with_storing_index(instance_id, database_id): """Reads sample data using an index with a storing clause.""" spanner_client = spanner.Client() instance = spanner_client.instance(instance_id) database = instance.database(database_id) with database.snapshot() as snapshot: keyset = spanner.KeySet(all_=True) results = snapshot.read( table="Category", columns=("CategoryId", "CategoryName", "MarketingBudget"), keyset=keyset, index="CategoryByCategoryName2", ) for row in results: print( "CategoryId: {}, CategoryName: {}, MarketingBudget: {}".format( *row ) )
  1. Führen Sie snippets.py mit dem Argument read_data_with_storing_index aus.
python snippets.py banking-ops-instance --database-id banking-ops-db read_data_with_storing_index

Das Ergebnis sollte so aussehen:

CategoryNameId: 3, CategoryName: Annuities, MarketingBudget: 500000 CategoryNameId: 1, CategoryName: Cash, MarketingBudget: 100000 CategoryNameId: 2, CategoryName: Investments - Short Return, MarketingBudget: None CategoryNameId: 4, CategoryName: Life Insurance, MarketingBudget: None

Aufgabe 6: Abfragepläne prüfen

In diesem Abschnitt lernen Sie Abfragepläne in Spanner kennen.

  1. Kehren Sie zur Google Cloud Console zurück. Spanner Studio sollte noch geöffnet sein. Löschen Sie alle vorhandenen SQL-Anweisungen im Editor, fügen Sie die folgende Abfrage ein und klicken Sie auf Ausführen.
SELECT Name, ShortName, CategoryName FROM Portfolio INNER JOIN Category ON Portfolio.PortfolioId = Category.PortfolioId;
  1. Das Ergebnis sollte so aussehen:

PlanQuery.png

Phasen einer Abfrage

Eine SQL-Abfrage in Spanner wird zuerst in einen Ausführungsplan kompiliert und anschließend zur Ausführung an einen ersten Root-Server gesendet. Der Root-Server ist so gewählt, dass die Anzahl der Hops, die die abgefragten Daten erreichen, minimiert wird. Anschließend führt der Root-Server folgende Schritte durch:

  • Initiierung der Remote-Ausführung von Teilplänen (falls erforderlich)
  • Warten auf die Ergebnisse der Remote-Ausführungen
  • Verwaltung aller verbleibenden lokalen Ausführungsschritte, zum Beispiel das Aggregieren von Ergebnissen
  • Ausgabe der Ergebnisse für die Abfrage

Remote-Server, die einen Teilplan erhalten, fungieren als „Root“-Server für ihren Teilplan und folgen demselben Modell wie der oberste Root-Server. Das Ergebnis ist eine Struktur von Remote-Ausführungen. Die Abfrageausführung wird konzeptionell von oben nach unten ausgeführt und Abfrageergebnisse werden von unten nach oben ausgegeben. Im folgenden Diagramm sehen Sie dieses Muster:

SPNPlan.png

Aggregierte Abfrage

Sehen Sie sich den Abfrageplan für eine aggregierte Abfrage an.

  1. Löschen Sie in Spanner Studio die vorhandene SQL-Abfrage aus dem Editor, fügen Sie die folgende Abfrage ein und klicken Sie auf Ausführen.
SELECT pr.ProductId, COUNT(*) AS ProductCount FROM Product AS pr WHERE pr.ProductId < 100 GROUP BY pr.ProductId;
  1. Sobald die Abfrage abgeschlossen ist, klicken Sie unter dem Text der Abfrage auf den Tab Erklärung, um den Abfrageplan zu prüfen.

Spanner sendet den Ausführungsplan an einen Root-Server, der die Abfrageausführung koordiniert und die Remote-Verteilung von Teilplänen ausführt.

Dieser Ausführungsplan beginnt mit einer Serialisierung, die alle ausgegebenen Werte ordnet. Dann führt der Plan einen ersten Hash-Aggregate-Operator aus, um vorläufige Ergebnisse zu berechnen. Dann wird eine „Distributed Union“ ausgeführt, die Teilpläne an Remote-Server verteilt, deren Splits ProductId < 100 erfüllen. Die „Distributed Union“ sendet Ergebnisse an einen finalen Hash-Aggregate-Operator. Der Aggregate-Operator führt die Zusammenfassung nach ProductId aus und gibt Ergebnisse an einen Operator des Typs „Serialize Result“ aus. Schließlich wird ein Scan durchgeführt, um die auszugebenden Ergebnisse zu sortieren.

Das Ergebnis sollte so aussehen:

SPNAggPlan.png

Tipp: Wenn Sie weitere Details zu den einzelnen Schritten im Abfrageplan erhalten möchten, klicken Sie auf einen der Operatoren. Die rechte Seite des Bildschirms ändert sich dann entsprechend.

SPNPlanDetail.png

Zusammengelegte Join-Abfragen

Verschachtelte Tabellen werden gemeinsam mit ihren Zeilen zusammengehöriger Tabellen physisch gespeichert. Ein Join zwischen verschachtelten Tabellen wird als „zusammengelegter Join“ bezeichnet. Zusammengelegte Joins können Leistungsverbesserungen gegenüber Joins bieten, für die Indizes oder Back-Joins erforderlich sind.

  1. Löschen Sie in Spanner Studio die vorhandene SQL-Abfrage aus dem Editor, fügen Sie die folgende Abfrage ein und klicken Sie auf Ausführen.
SELECT c.CategoryName, pr.ProductName FROM Category AS c, Product AS pr WHERE c.PortfolioId = pr.PortfolioId AND c.CategoryId = pr.CategoryId;
  1. Sobald die Abfrage abgeschlossen ist, klicken Sie unter dem Text der Abfrage auf den Tab Erklärung, um den Abfrageplan zu prüfen.

Dieser Ausführungsplan beginnt mit dem Operator „Distributed Union“. Er verteilt Teilpläne an Remote-Server, die Splits der Tabelle Category haben. Da es sich bei Product um eine verschachtelte Tabelle von Category handelt, kann jeder Remote-Server den gesamten Teilplan auf jedem Remote-Server ausführen, ohne dass eine Verbindung zu einem anderen Server hergestellt werden muss.

Der Teilplan enthält einen „Cross Apply“. Jeder „Cross Apply“ führt einen Tabellenscan der Tabelle Category aus, um PortfolioId, CategoryId und CategoryName abzurufen. Der „Cross Apply“ ordnet dann die Ausgabe aus dem Tabellenscan der Ausgabe eines Indexscans des Indexes CategoryByCategoryName zu. Dazu muss die gefilterte PortfolioId im Index mit der PortfolioId aus der Ausgabe des Tabellenscans übereinstimmen. Jeder „Cross Apply“ sendet seine Ergebnisse an den Operator „Serialize Result“, der die Daten von CategoryName und ProductName serialisiert und an die „Local Distributed Unions“ ausgibt. Die „Distributed Union“ aggregiert die Ergebnisse der „Local Distributed Unions“ und gibt sie als Abfrageergebnis aus.

SPNColocated.png

Das wars! Sie haben das Lab erfolgreich abgeschlossen.

Sie haben jetzt ein solides Verständnis für die schemabezogenen Funktionen von Spanner sowie für die Methoden, nach denen Spanner Abfragepläne erstellt.

Google Cloud-Schulungen und -Zertifizierungen

In unseren Schulungen erfahren Sie alles zum optimalen Einsatz unserer Google Cloud-Technologien und können sich entsprechend zertifizieren lassen. Unsere Kurse vermitteln technische Fähigkeiten und Best Practices, damit Sie möglichst schnell mit Google Cloud loslegen und Ihr Wissen fortlaufend erweitern können. Wir bieten On-Demand-, Präsenz- und virtuelle Schulungen für Anfänger wie Fortgeschrittene an, die Sie individuell in Ihrem eigenen Zeitplan absolvieren können. Mit unseren Zertifizierungen weisen Sie nach, dass Sie Experte im Bereich Google Cloud-Technologien sind.

Anleitung zuletzt am 23. Juli 2026 aktualisiert

Lab zuletzt am 23. Juli 2026 getestet

© 2026 Google LLC. Alle Rechte vorbehalten. Google und das Google-Logo sind Marken von Google LLC. Alle anderen Unternehmens- und Produktnamen können Marken der jeweils mit ihnen verbundenen Unternehmen sein.

Vorbereitung

  1. Labs erstellen ein Google Cloud-Projekt und Ressourcen für einen bestimmten Zeitraum
  2. Labs haben ein Zeitlimit und keine Pausenfunktion. Wenn Sie das Lab beenden, müssen Sie von vorne beginnen.
  3. Klicken Sie links oben auf dem Bildschirm auf Lab starten, um zu beginnen

Privates Surfen verwenden

  1. Kopieren Sie den bereitgestellten Nutzernamen und das Passwort für das Lab
  2. Klicken Sie im privaten Modus auf Konsole öffnen

In der Konsole anmelden

  1. Melden Sie sich mit Ihren Lab-Anmeldedaten an. Wenn Sie andere Anmeldedaten verwenden, kann dies zu Fehlern führen oder es fallen Kosten an.
  2. Akzeptieren Sie die Nutzungsbedingungen und überspringen Sie die Seite zur Wiederherstellung der Ressourcen
  3. Klicken Sie erst auf Lab beenden, wenn Sie das Lab abgeschlossen haben oder es neu starten möchten. Andernfalls werden Ihre bisherige Arbeit und das Projekt gelöscht.

Diese Inhalte sind derzeit nicht verfügbar

Bei Verfügbarkeit können wir Sie per E-Mail benachrichtigen

Sehr gut!

Bei Verfügbarkeit können wir Sie per E-Mail kontaktieren

Es ist immer nur ein Lab möglich

Bestätigen Sie, dass Sie alle vorhandenen Labs beenden und dieses Lab starten möchten

Privates Surfen für das Lab verwenden

Am besten führen Sie dieses Lab in einem Inkognito- oder privaten Browserfenster aus. So vermeiden Sie Konflikte zwischen Ihrem privaten Konto und dem Teilnehmerkonto, die zusätzliche Kosten für Ihr privates Konto verursachen könnten.