Load Data into Portfolio, Category, and Product Tables

Verificar meu progresso

/ 30

Load Data into Campaigns Table

Verificar meu progresso

/ 20

Add column to Category Table

Verificar meu progresso

/ 20

Add secondary index to Category table

Verificar meu progresso

/ 30

Este laboratório pode incorporar ferramentas de IA para ajudar no seu aprendizado.
Este conteúdo ainda não foi otimizado para dispositivos móveis.
Para aproveitar a melhor experiência, acesse nosso site em um computador desktop usando o link enviado a você por e-mail.

GSP1050

Laboratórios autoguiados do Google Cloud

Visão geral

O Spanner é o serviço de banco de dados relacional do Google, totalmente gerenciado e com capacidade de escalonamento horizontal. Ele costuma ser usado para a execução de cargas de trabalho mais exigentes, em que a consistência e a disponibilidade em escala são essenciais. Clientes de diversos setores, como serviços financeiros, jogos e varejo, entre outros, já usam o Spanner.

Neste laboratório, vamos analisar os recursos de esquemas do Spanner e aplicá-los a um banco de dados de operações bancárias. Você também vai conhecer os métodos e as regras que o Spanner usa para criar planos de consulta.

Atividades deste laboratório

Neste laboratório, você vai aprender a modificar atributos de esquemas de uma instância do Spanner.

  • Carregar dados em tabelas
  • Usar o código predefinido da biblioteca de cliente Python para carregar dados
  • Consultar dados com bibliotecas de cliente
  • Fazer atualizações no esquema do banco de dados
  • Adicionar um índice secundário
  • Analisar planos de consulta

Configuração e requisitos

Antes de clicar no botão Começar o Laboratório

Leia estas instruções. Os laboratórios são cronometrados e não podem ser pausados. O timer é ativado quando você clica em Iniciar laboratório e mostra por quanto tempo os recursos do Google Cloud vão ficar disponíveis.

Este laboratório prático permite que você realize as atividades em um ambiente real de nuvem, e não em uma simulação ou demonstração. Você vai receber novas credenciais temporárias para fazer login e acessar o Google Cloud durante o laboratório.

Confira os requisitos para concluir o laboratório:

  • Acesso a um navegador de Internet padrão (recomendamos o Chrome).
Observação: para executar este laboratório, use o modo de navegação anônima (recomendado) ou uma janela anônima do navegador. Isso evita conflitos entre sua conta pessoal e de estudante, o que poderia causar cobranças extras na sua conta pessoal.
  • Tempo para concluir o laboratório: não se esqueça que, depois de começar, não será possível pausar o laboratório.
Observação: use apenas a conta de estudante neste laboratório. Se usar outra conta do Google Cloud, você poderá receber cobranças nela.

Como iniciar seu laboratório e fazer login no console do Google Cloud

  1. Clique no botão Começar laboratório. Se for preciso pagar por ele, uma caixa de diálogo vai aparecer para você selecionar a forma de pagamento. À direita, você encontra o painel Configuração e acesso ao laboratório com as seguintes informações:

    • O botão Abrir console do Google Cloud
    • As credenciais temporárias (nome de usuário e senha) que você vai usar no laboratório
    • Outros dados, se necessários

    O timer do laboratório fica na parte de cima da página e mostra o tempo restante.

  2. Se você estiver usando o navegador Chrome, clique em Abrir console do Google Cloud ou clique com o botão direito do mouse e selecione Abrir link em uma janela anônima.

    O laboratório ativa os recursos e depois abre a página "Login" em outra guia.

    Dica: coloque as guias em janelas separadas lado a lado.

    Observação: se aparecer a caixa de diálogo Escolher uma conta, clique em Usar outra conta.
  3. Se necessário, copie o Nome de usuário abaixo e cole na caixa de diálogo Login.

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

    Você também encontra o nome de usuário no painel Configuração e acesso ao laboratório.

  4. Clique em Avançar.

  5. Copie a Senha abaixo e cole na caixa de diálogo Olá!.

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

    Você também encontra a senha no painel Configuração e acesso ao laboratório.

  6. Clique em Avançar.

    Importante: você precisa usar as credenciais fornecidas no laboratório, e não as da sua conta do Google Cloud. Observação: se você usar sua própria conta do Google Cloud neste laboratório, talvez receba cobranças adicionais.
  7. Acesse as próximas páginas:

    • Aceite os Termos e Condições.
    • Não adicione opções de recuperação nem autenticação de dois fatores (porque essa é uma conta temporária).
    • Não se inscreva em testes sem custo financeiro.

Depois de alguns instantes, o console do Google Cloud será aberto nesta guia.

Observação: para acessar os produtos e serviços do Google Cloud, clique no Menu de navegação ou digite o nome do serviço ou produto no campo Pesquisar. Ícone do menu de navegação e campo de pesquisa

Ativar o Cloud Shell

O Cloud Shell é uma máquina virtual com várias ferramentas de desenvolvimento. Ele tem um diretório principal permanente de 5 GB e é executado no Google Cloud. O Cloud Shell oferece acesso de linha de comando aos recursos do Google Cloud.

  1. Clique em Ativar o Cloud Shell Ícone "Ativar o Cloud Shell" na parte de cima do console do Google Cloud.

  2. Clique nas seguintes janelas:

    • Continue na janela de informações do Cloud Shell.
    • Autorize o Cloud Shell a usar suas credenciais para fazer chamadas de APIs do Google Cloud.

Depois de se conectar, você verá que sua conta já está autenticada e que o projeto está configurado com seu Project_ID, . A saída contém uma linha que declara o projeto PROJECT_ID para esta sessão:

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

A gcloud é a ferramenta de linha de comando do Google Cloud. Ela vem pré-instalada no Cloud Shell e aceita preenchimento com tabulação.

  1. (Opcional) É possível listar o nome da conta ativa usando este comando:
gcloud auth list
  1. Clique em Autorizar.

Saída:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`
  1. (Opcional) É possível listar o ID do projeto usando este comando:
gcloud config list project

Saída:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} Observação: consulte a documentação completa da gcloud no Google Cloud no guia de visão geral da gcloud CLI.

Instância do Spanner

Para avançar mais rapidamente neste laboratório, uma instância do Spanner, um banco de dados e tabelas foram criados de forma automática.

Confira alguns detalhes:

Item Nome Detalhes
Instância do Spanner banking-ops-instance A instância para envolvidos no projeto
Banco de dados do Spanner banking-ops-db O banco de dados específico da instância
Tabela Portfólio Contém soluções bancárias de nível superior
Tabela Categoria Contém agrupamentos de soluções bancárias secundárias
Tabela Produto Contém soluções bancárias de itens de linha específicos
Tabela Campanhas Contém detalhes sobre iniciativas de marketing

Tarefa 1: carregar dados em tabelas

O banking-ops-db foi criado com tabelas vazias. Siga as etapas abaixo para carregar dados em três tabelas: Portfólio, Categoria e Produto.

  1. No console do Cloud, abra o menu de navegação (console_nav_small.png) e clique em Bancos de dados > Spanner.

  2. O nome da instância é banking-ops-instance. Clique nele para conferir os bancos de dados.

  3. O banco de dados associado é chamado de banking-ops-db. Clique no nome dele e role para baixo até Tabelas. Já existem quatro tabelas.

  4. No painel esquerdo do console, clique em Spanner Studio. Em seguida, clique em + Nova guia do SQL Editor para abrir um novo editor de SQL.

  5. Um novo editor SQL aparecerá. Cole as instruções "insert" abaixo como um único bloco para carregar a tabela Portfólio. O Spanner vai executar cada uma delas em sequência. Clique em Executar para executar as instruções:

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. O painel Resultados exibe o status de cada instrução. Uma marca de seleção verde indica que a instrução foi concluída com sucesso. A tabela Portfólio vai exibir três linhas.

  2. Clique em Limpar na parte de cima da página.

  3. Cole a instrução INSERT abaixo para carregar a tabela Categoria. Clique em Executar:

INSERT INTO Category (CategoryId, PortfolioId, CategoryName) VALUES (1, 1, 'Cash'), (2, 2, 'Investments - Short Return'), (3, 2, 'Annuities'), (4, 3, 'Life Insurance');
  1. O painel "Resultados" mostra o status da operação INSERT. Uma marca de seleção verde indica que a instrução foi concluída com sucesso. A tabela Categoria vai exibir quatro linhas.

  2. Clique em Limpar na parte de cima da página.

  3. Cole a instrução INSERT abaixo para carregar a tabela Produto e clique em Executar:

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. O painel "Resultados" mostra o status da operação INSERT. Uma marca de seleção verde indica que a instrução foi concluída com sucesso. A tabela Produto vai exibir nove linhas.

  2. Clique em Verificar meu progresso para conferir o objetivo.

Carregar dados nas tabelas "Portfólio", "Categoria" e "Produto"

Tarefa 2: usar o código pré-criado da biblioteca de cliente Python para carregar dados

Você vai usar as bibliotecas de cliente escritas em Python nas próximas etapas.

  1. Abra o Cloud Shell e cole os comandos abaixo para criar e mudar para um novo diretório e armazenar os arquivos necessários.
mkdir python-helper cd python-helper
  1. Em seguida, baixe dois arquivos. Um será usado para configurar o ambiente. O outro é o código do laboratório.
wget https://storage.googleapis.com/cloud-training/OCBL373/requirements.txt wget https://storage.googleapis.com/cloud-training/OCBL373/snippets.py
  1. Crie um ambiente Python isolado e instale as dependências do cliente do Spanner.
pip install -r requirements.txt pip install setuptools
  1. O arquivo snippets.py contém várias funções DDL, DML e DCL do Spanner, que vão auxiliar você neste laboratório. Para preencher a tabela Campanhas, execute snippets.py com o argumento insert_data.
python snippets.py banking-ops-instance --database-id banking-ops-db insert_data
  1. Clique em Verificar meu progresso para conferir o objetivo.
Carregar dados na tabela "Campanhas"

Tarefa 3: consultar dados com bibliotecas de cliente

É possível usar a função query_data() em snippets.py para consultar o banco de dados. Nesta etapa, você vai usá-la para confirmar que os dados foram carregados na tabela Campanhas. Não é necessário modificar o código. Mostramos a função aqui apenas para fins de referência.

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. Para consultar a tabela Campanhas, execute snippets.py com o argumento query_data.
python snippets.py banking-ops-instance --database-id banking-ops-db query_data

O resultado precisa ser semelhante a este:

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

Tarefa 4: atualizar o esquema do banco de dados

Como parte das responsabilidades de DBA, você precisa adicionar uma nova coluna chamada MarketingBudget à tabela Categoria. Para isso, atualize o esquema do banco de dados. Com o Spanner, você pode atualizar esquemas enquanto o banco de dados continua a disponibilizar o tráfego. Para atualizar esquemas, não é necessário desconectar o banco de dados nem bloquear tabelas ou colunas inteiras. É possível ler e gravar dados no banco de dados durante a atualização.

Como usar Python para adicionar uma coluna

O método update_ddl() da classe Banco de dados modifica o esquema.

Use a função add_column() em snippets.py, que usa esse método. Não é necessário modificar o código. Mostramos a função aqui apenas para fins de referência.

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. Use o argumento add_column para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db add_column
  1. Clique em Verificar meu progresso para conferir o objetivo.
Adicionar uma coluna à tabela "Categoria"

Estas são outras opções para adicionar uma coluna a uma tabela:

Emitir um comando DDL usando a CLI gcloud.

Observação: esta opção é mostrada como um exemplo alternativo. Não execute este comando.

O exemplo de código abaixo realiza a mesma tarefa que você acabou de executar usando Python.

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

Executar um comando DDL no console do Cloud.

Observação: esta opção é mostrada como um exemplo alternativo. Não realize esta ação.
  1. Clique no nome da tabela na lista de bancos de dados.
  2. Clique em Gravar DDL no canto superior direito da página.
  3. Cole o DDL apropriado na caixa Modelos DDL.
  4. Clique em Enviar.

AddColumnUI.png

Gravar dados na coluna nova

O código a seguir grava dados na coluna nova. Ele define MarketingBudget como 100000, para a linha com CategoryId 1 e PortfolioId 1, e como 500000, para a linha com CategoryId 3 e PortfolioId 2. Como esta seção é apenas para referência, você não precisa mudar o código.

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. Use o argumento update_data para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db update_data
  1. Consulte a tabela novamente para conferir a atualização. Use o argumento query_data_with_new_column para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db query_data_with_new_column

O resultado precisa ser:

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

Tarefa 5: adicionar um índice secundário

Vamos imaginar que você quer encontrar todas as linhas da tabela "Categorias" que tenham valores "CategoryNames" em um determinado intervalo. É possível usar uma instrução SQL ou uma chamada de leitura para ler todos os valores da coluna CategoryName e descartar as linhas que não atendem aos critérios, mas fazer essa verificação na tabela inteira é caro, especialmente quando há muitas linhas. Em vez disso, ao pesquisar colunas principais não primárias, crie um índice secundário na tabela para acelerar a recuperação de linhas.

Adicionar um índice secundário a uma tabela requer uma atualização de esquema. Como outras atualizações de esquema, o Spanner, permite adicionar um índice enquanto o banco de dados continua a disponibilizar o tráfego. O Spanner preenche o índice com dados (também conhecido como "backfill") em segundo plano. A conclusão dos preenchimentos pode demorar alguns minutos, mas não é necessário deixar o banco de dados off-line ou evitar a gravação em determinadas tabelas ou colunas durante esse processo.

Adicionar um índice secundário usando a biblioteca de cliente Python

Use o método add_index() para criar um índice secundário. Como esta seção é apenas para referência, você não precisa mudar o código.

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. Use o argumento add_index para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db add_index
  1. Clique em Verificar meu progresso para conferir o objetivo.
Adicionar um índice secundário à tabela "Categorias"

Fazer uma leitura usando o índice

Para fazer uma leitura com o índice, invoque uma variação do método read() com um índice incluído. Como esta seção é apenas para referência, você não precisa mudar o código.

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. Use o argumento read_data_with_index para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db read_data_with_index

O resultado precisa ser semelhante a este:

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

Adicionar um índice com uma cláusula STORING

Observe que o exemplo de leitura acima não inclui a leitura da coluna MarketingBudget. Isso acontece porque a interface de leitura do Spanner não mescla um índice com uma tabela de dados para pesquisar valores que não estão armazenados no índice.

Para contornar essa restrição, crie uma definição alternativa do índice CategoryByCategoryName que armazene uma cópia de MarketingBudget no próprio índice.

Use o método update_ddl() da classe "Banco de dados" para adicionar um índice com uma cláusula STORING. Como esta seção é apenas para referência, você não precisa mudar o código.

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. Use o argumento add_storing_index para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db add_storing_index

Agora você pode usar o índice CategoryByCategoryName2 para ler as colunas CategoryId, CategoryName e MarketingBudget. Como esta seção é apenas para referência, você não precisa mudar o código.

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. Use o argumento read_data_with_storing_index para executar snippets.py.
python snippets.py banking-ops-instance --database-id banking-ops-db read_data_with_storing_index

O resultado precisa ser:

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

Tarefa 6: Analisar planos de consulta

Nesta seção, você vai conhecer os planos de consulta do Spanner.

  1. Volte para o console do Google Cloud. O Spanner Studio ainda deve estar aberto. Limpe qualquer SQL atual no editor, cole a consulta a seguir e clique em Executar.
SELECT Name, ShortName, CategoryName FROM Portfolio INNER JOIN Category ON Portfolio.PortfolioId = Category.PortfolioId;
  1. O resultado precisa ser semelhante a este:

PlanQuery.png

Vida útil de uma consulta

Uma consulta SQL no Spanner é compilada em um plano de execução, depois enviada a um servidor raiz inicial para ser executada. O servidor raiz é escolhido para reduzir o número de saltos para alcançar os dados consultados. O servidor raiz:

  • Inicia a execução remota de subplanos (se necessário)
  • Aguarda os resultados das execuções remotas
  • Processa as etapas de execução local restantes, como a agregação de resultados
  • Retorna os resultados da consulta

Os servidores remotos que recebem um subplano atuam como servidor "raiz" do subplano, seguindo o mesmo modelo que o servidor raiz principal. O resultado é uma árvore de execuções remotas. Conceitualmente, a execução da consulta flui de cima para baixo, e os resultados da consulta são retornados de baixo para cima. Este diagrama mostra esse padrão:

SPNPlan.png

Consulta agregada

Confira o plano de uma consulta agregada.

  1. No Spanner Studio, limpe o SQL atual do editor, cole a consulta a seguir e clique em Executar.
SELECT pr.ProductId, COUNT(*) AS ProductCount FROM Product AS pr WHERE pr.ProductId < 100 GROUP BY pr.ProductId;
  1. Depois, clique na guia Explicação abaixo do corpo da consulta para analisar o plano.

O Spanner envia o plano para um servidor raiz que coordena a execução da consulta e distribui os subplanos de forma remota.

O plano de execução começa com uma serialização, que ordena todos os valores retornados. Em seguida, ele realiza um operador "hash aggregate" inicial para calcular os resultados preliminarmente. Um "distributed union" é executado e os subplanos são enviados para servidores remotos com divisões que atendem ao critério ProductId < 100. O "distributed union" envia os resultados para um operador "hash aggregate" final. O operador "aggregate" executa a agregação COUNT por ProductId e retorna os resultados a um operador "serialize result". Por fim, uma verificação ordena os resultados que serão retornados.

O resultado precisa ser semelhante a este:

SPNAggPlan.png

Dica: para conferir mais detalhes de cada etapa do plano de consulta, clique em qualquer um dos operadores. O lado direito da tela muda de acordo com o operador selecionado.

SPNPlanDetail.png

Consultas de mesclagem colocalizadas

As tabelas intercaladas são armazenadas fisicamente de forma que as linhas das tabelas relacionadas fiquem colocalizadas. Uma mesclagem de tabelas intercaladas é conhecida como mesclagem colocalizada. As mesclagens colocalizadas oferecem benefícios de desempenho melhores do que as que exigem índices ou mesclagens reversas.

  1. No Spanner Studio, limpe o SQL atual do editor, cole a consulta a seguir e clique em Executar.
SELECT c.CategoryName, pr.ProductName FROM Category AS c, Product AS pr WHERE c.PortfolioId = pr.PortfolioId AND c.CategoryId = pr.CategoryId;
  1. Depois, clique na guia Explicação abaixo do corpo da consulta para analisar o plano.

Esse plano de execução começa com um "distributed union", que envia subplanos para servidores remotos com divisões da tabela Categoria. Como Produto é uma tabela intercalada da tabela Categoria, cada servidor remoto executa todo o subplano sem exigir uma mesclagem com um servidor diferente.

Os subplanos contêm um "cross apply". Cada "cross apply" executa uma verificação na tabela Categoria para recuperar PortfolioId, CategoryId e CategoryName. Depois ele associa o resultado da verificação da tabela ao resultado de uma verificação do índice CategoryByCategoryName, sujeito a um filtro do PortfolioId no índice que corresponde ao PortfolioId do resultado da verificação de tabela. Cada "cross apply" envia os resultados a um operador "serialize result", que serializa os dados de CategoryName e ProductName e retorna resultados para os "distributed union" locais. O "distributed union" agrega os resultados dos "distributed union" locais e os retorna como resultado da consulta.

SPNColocated.png

Parabéns!

Agora você já conhece melhor os recursos de esquemas do Spanner, e os métodos que ele usa para criar planos de consulta.

Treinamento e certificação do Google Cloud

Esses treinamentos ajudam você a aproveitar as tecnologias do Google Cloud ao máximo. Nossas aulas incluem habilidades técnicas e práticas recomendadas para ajudar você a alcançar rapidamente o nível esperado e continuar sua jornada de aprendizado. Oferecemos treinamentos que vão do nível básico ao avançado, com opções de aulas virtuais, sob demanda e por meio de transmissões ao vivo para que você possa encaixá-las na correria do seu dia a dia. As certificações validam sua experiência e comprovam suas habilidades com as tecnologias do Google Cloud.

Manual atualizado em 23 de julho de 2026

Laboratório testado em 23 de julho de 2026

Copyright 2026 Google LLC. Todos os direitos reservados. Google e o logotipo do Google são marcas registradas da Google LLC. Todos os outros nomes de produtos e empresas podem ser marcas registradas das respectivas empresas a que estão associados.

Antes de começar

  1. Os laboratórios criam um projeto e recursos do Google Cloud por um período fixo
  2. Os laboratórios têm um limite de tempo e não têm o recurso de pausa. Se você encerrar o laboratório, vai precisar recomeçar do início.
  3. No canto superior esquerdo da tela, clique em Começar o laboratório

Usar a navegação anônima

  1. Copie o nome de usuário e a senha fornecidos para o laboratório
  2. Clique em Abrir console no modo anônimo

Fazer login no console

  1. Faça login usando suas credenciais do laboratório. Usar outras credenciais pode causar erros ou gerar cobranças.
  2. Aceite os termos e pule a página de recursos de recuperação
  3. Não clique em Terminar o laboratório a menos que você tenha concluído ou queira recomeçar, porque isso vai apagar seu trabalho e remover o projeto

Este conteúdo não está disponível no momento

Podemos avisar você por e-mail quando estiver disponível

Ótimo!

Vamos entrar em contato por e-mail se ficar disponível

Um laboratório por vez

Confirme para encerrar todos os laboratórios atuais e iniciar este

Use a navegação anônima para executar o laboratório

A melhor maneira de executar este laboratório é usando uma janela de navegação anônima ou privada. Isso evita conflitos entre sua conta pessoal e a conta de estudante, o que poderia causar cobranças extras na sua conta pessoal.