Visão geral

O BigQuery é compatível com vários tipos de instruções SQL, incluindo linguagem de definição de dados (DDL), linguagem de manipulação de dados (DML), funções definidas pelo usuário (UDFs) e procedimentos armazenados.

O objetivo deste laboratório é fornecer aos especialistas em Oracle o conhecimento e as habilidades necessárias para começar a trabalhar com SQL no BigQuery. Após concluir o laboratório, os especialistas em Redshift vão entender melhor como usar o SQL no BigQuery para criar, atualizar e trabalhar com estruturas de dados no BigQuery.

Neste laboratório, você vai criar tabelas e visualizações usando instruções DDL, atualizar tabelas usando instruções DML, mesclar dados usando SQL e personalizar funções definidas pelo usuário (UDFs) e procedimentos armazenados.

Para mais informações sobre como converter SQL do Redshift para o BigQuery, consulte o guia de conversão de SQL do Redshift para o BigQuery.

Objetivos

Neste laboratório, você vai aprender a:

• Criar novas tabelas e visualizações usando instruções DDL.
• Atualizar dados de tabelas usando instruções DML.
• Mesclar dados e definir expressões de tabela comuns (CTEs, na sigla em inglês) usando instruções SQL SELECT.
• Personalizar UDFs e procedimentos armazenados.

Configuração e requisitos

Para cada laboratório, você recebe um novo projeto do Google Cloud e um conjunto de recursos por um determinado período sem custo financeiro.

1. Faça login no Google Skills usando uma janela anônima.

2. Confira o tempo de acesso do laboratório (por exemplo, 1:15:00) e finalize todas as atividades nesse prazo. Não é possível pausar o laboratório. Você pode reiniciar o desafio, mas vai precisar refazer todas as etapas.

3. Quando tudo estiver pronto, clique em Começar o laboratório.

4. Anote as credenciais (Nome de usuário e Senha). É com elas que você vai fazer login no Console do Google Cloud.

5. Clique em Abrir Console do Google.

6. Clique em Usar outra conta e copie e cole as credenciais deste laboratório nos locais indicados. Se você usar outras credenciais, vai receber mensagens de erro ou cobranças.

7. Aceite os termos e pule a página de recursos de recuperação.

Como começar o laboratório e fazer login no console

1. Clique no botão Começar o laboratório. Se for preciso pagar pelo laboratório, você verá um pop-up para selecionar a forma de pagamento. Um painel aparece à esquerda contendo as credenciais temporárias que você precisa usar no laboratório.

   

2. Copie o nome de usuário e clique em Abrir console do Google. O laboratório ativa os recursos e depois abre a página Escolha uma conta em outra guia.

   Observação: abra as guias em janelas separadas, lado a lado.

3. Na página "Escolha uma conta", clique em Usar outra conta. A página de login abre.

   

4. Cole o nome de usuário que foi copiado do painel "Detalhes da conexão". Em seguida, copie e cole a senha.

Observação: é necessário usar as credenciais do painel "Detalhes da conexão". Não use suas credenciais do Google Skills. Caso tenha sua própria conta do Google Cloud, não a use para este laboratório (isso evita cobranças).

5. 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 Cloud abre nesta guia.

Observação: para acessar a lista dos produtos e serviços do Google Cloud, clique no Menu de navegação no canto superior esquerdo.

Tarefa 1: Criar conjuntos de dados e tabelas do BigQuery usando instruções DDL

No BigQuery, você pode usar a linguagem de definição de dados (DDL) para criar conjuntos de dados e tabelas. Também é possível usar a instrução SQL LOAD DATA para carregar dados de um ou mais arquivos em uma tabela.

Para saber mais sobre como usar instruções DDL para criar conjuntos de dados e tabelas do BigQuery e uma instrução SQL LOAD DATA para carregar dados, consulte a documentação Instrução CREATE SCHEMA, Instrução CREATE TABLE e Instrução LOAD DATA.

Nesta tarefa, você vai usar DDL para criar conjuntos de dados e tabelas no BigQuery e, em seguida, carregar dados nas tabelas novas com a instrução LOAD DATA.

1. No Menu de navegação () do console do Google Cloud, em "Produtos", clique em BigQuery.

A caixa de mensagem "Olá! Este é o BigQuery no console do Cloud" vai aparecer. Esta caixa de mensagem fornece um link para o guia de início rápido e para as notas da versão.

Clique em Concluído.

2. No painel Explorer clássico, clique no ícone Consulta sem título para abrir o editor de código SQL.

3. No editor, copie e cole a consulta abaixo, depois clique em Executar:

CREATE SCHEMA IF NOT EXISTS animals_dataset OPTIONS( location="us");

Essa consulta cria um novo conjunto de dados do BigQuery chamado animals_dataset. A instrução DDL usa o termo SCHEMA para se referir a uma coleção lógica de tabelas, visualizações e outros recursos. No BigQuery, trata-se de um conjunto de dados.

4. No editor, execute as consultas abaixo para criar duas tabelas:

CREATE TABLE animals_dataset.owners( OwnerID INT64 NOT NULL, Name STRING); CREATE TABLE animals_dataset.pets( PetID INT64 NOT NULL, OwnerID INT64 NOT NULL, Type STRING, Name STRING, Weight FLOAT64);

Essas consultas criam duas tabelas chamadas tutores e animais de estimação no conjunto de dados do BigQuery que você criou anteriormente chamado animals_dataset.

Antes de passar para a próxima etapa, atualize o modo do campo de REQUIRED para NULLABLE no esquema da tabela para evitar erros na etapa 5.

No painel Explorador clássico, selecione o nome da tabela, escolha a guia ESQUEMA, clique em EDITAR ESQUEMA e atualize o modo do campo de REQUIRED para NULLABLE. Repita essa etapa para todos os campos com o modo "REQUIRED" nas duas tabelas.

5. No editor, execute estas consultas:

LOAD DATA INTO animals_dataset.owners FROM FILES ( skip_leading_rows=1, format = 'CSV', field_delimiter = ',', uris = ['gs://tcd_repo/data/environmental/animals/owners.csv']); LOAD DATA INTO animals_dataset.pets FROM FILES ( skip_leading_rows=1, format = 'CSV', field_delimiter = ',', uris = ['gs://tcd_repo/data/environmental/animals/pets.csv']);

Essas consultas carregam dados nas tabelas tutores e animais de estimação usando arquivos CSV no Cloud Storage.

O painel Resultados mostra uma mensagem indicando que a instrução LOAD foi executada com sucesso.

6. No painel Explorador clássico, expanda o conjunto de dados para mostrar as tabelas e selecione a tabela tutores.

7. Clique nas guias Detalhes e Visualização para mais informações sobre a tabela e uma prévia dos dados.

No canto superior direito, clique em Atualizar para atualizar os dados na guia Visualização.

8. Repita as etapas 6 e 7 para ver mais informações sobre a tabela animais de estimação e uma prévia dos dados.

Clique em Verificar meu progresso para conferir o objetivo. Criar conjunto de dados e tabelas do BigQuery

Tarefa 2: Atualizar os dados das tabelas do BigQuery usando instruções DML

No BigQuery, é possível usar a DML para atualizar os dados em uma tabela, incluindo para adicionar, alterar e excluir dados das tabelas do BigQuery.

Para saber mais sobre como usar as instruções DML para trabalhar com dados nas tabelas do BigQuery, consulte a documentação Instruções da linguagem de manipulação de dados (DML) no GoogleSQL.

Nesta tarefa, você vai usar a DML para inserir, atualizar e excluir dados de uma tabela do BigQuery.

1. No editor, execute a consulta abaixo para adicionar uma tutora chamada Mary:

INSERT INTO animals_dataset.owners (OwnerID, Name) VALUES (9, 'Mary');

2. No editor, execute as consultas abaixo para adicionar os dois cachorros de Mary:

INSERT INTO animals_dataset.pets (PetID, OwnerID, Type, Name, Weight) VALUES (28, 9, 'Dog', "George", 50); INSERT INTO animals_dataset.pets (PetID, OwnerID, Type, Name, Weight) VALUES (29, 9, 'Dog', "Washington", 60);

Depois de cada inserção, o painel Resultados mostra que um registro foi adicionado à tabela animais de estimação.

3. No editor, execute a consulta abaixo para verificar se Mary e os dois cachorros dela estão nas tabelas apropriadas:

SELECT o.Name, p.Type, p.Name FROM animals_dataset.owners o JOIN animals_dataset.pets p ON o.OwnerID = p.OwnerID WHERE o.Name = 'Mary';

O registro de Mary na tabela tutores foi mesclado aos dois registros na tabela animais de estimação dos cachorros dela: George e Washington.

4. No editor, execute a consulta abaixo para atualizar todos os valores do tipo de animal "Cachorro" para "Cão":

UPDATE animals_dataset.pets SET Type = 'Canine' WHERE Type = 'Dog';

Essa instrução modifica 10 linhas na tabela animais de estimação.

5. Clique em Acessar tabela e depois na guia "Visualização".

Verifique se todos os cachorros agora são classificados como cães na tabela animais de estimação.

No canto superior direito, clique em Atualizar para atualizar os dados na guia Visualização.

6. No editor, execute a consulta abaixo para excluir todos os valores do tipo de animal "Sapo":

DELETE FROM animals_dataset.pets WHERE Type = 'Frog';

Essa instrução remove uma linha da tabela animais de estimação.

7. Clique em Acessar tabela e depois na guia Visualização.

Verifique se todos os sapos foram removidos da tabela animais de estimação.

No canto superior direito, clique em Atualizar para atualizar os dados na guia Visualização.

Clique em Verificar meu progresso para conferir o objetivo. Atualizar os dados da tabela do BigQuery usando instruções DML

Tarefa 3: Mesclar dados e escrever CTEs usando as instruções SQL SELECT

No BigQuery, você pode escrever instruções SQL SELECT com sintaxe para mesclagens, CTEs, ordenação, agrupamento, filtragem, mudanças no estilo do conteúdo, janelamento e muito mais para recuperar os dados necessários.

Para saber mais sobre a sintaxe SQL SELECT e como trabalhar com dados em tabelas do BigQuery, consulte a documentação Sintaxe das consultas.

Nesta tarefa, você vai escrever instruções SQL SELECT que incluem operações JOIN para mesclar várias tabelas e cláusulas WITH para definir CTEs.

1. No editor, execute a consulta abaixo com um JOIN para selecionar todos os tutores e seus animais de estimação:

SELECT o.Name, p.Type, p.Name, p.Weight FROM animals_dataset.owners o JOIN animals_dataset.pets p ON o.OwnerID = p.OwnerID;

2. No editor, execute a mesma consulta com uma cláusula WHERE para selecionar apenas os cães:

SELECT o.Name, p.Type, p.Name, p.Weight FROM animals_dataset.owners o JOIN animals_dataset.pets p ON o.OwnerID = p.OwnerID WHERE p.Type = "Canine";

3. No editor, execute a mesma consulta com um ORDER BY para classificar os resultados por nome do tutor.

SELECT o.Name, p.Type, p.Name, p.Weight FROM animals_dataset.owners o JOIN animals_dataset.pets p ON o.OwnerID = p.OwnerID WHERE p.Type = "Canine" ORDER BY o.Name ASC;

4. No editor, execute a consulta abaixo para contar os animais de estimação por tipo:

SELECT type, COUNT(*) AS count FROM animals_dataset.pets GROUP BY type ORDER BY count DESC;

Há 10 cães, cinco gatos, dois porcos e uma tartaruga na tabela animais de estimação.

5. No editor, execute a consulta abaixo para contar os animais de estimação por tutor.

SELECT o.Name, COUNT(p.Name) AS count FROM animals_dataset.owners o JOIN animals_dataset.pets p ON o.OwnerID = p.OwnerID GROUP BY o.Name ORDER BY count DESC;

O tutor chamado Doug tem o maior número de animais de estimação, totalizando quatro.

6. No editor, execute a consulta abaixo para retornar as informações dos animais de estimação como um campo aninhado e repetido:

SELECT o.OwnerID, o.Name AS OwnerName, ARRAY_AGG(STRUCT( p.Name AS PetName, p.Type, p.Weight)) AS Pets FROM animals_dataset.owners AS o JOIN animals_dataset.pets AS p ON o.OwnerID = p.OwnerID GROUP BY o.OwnerID, o.Name; Observação: no BigQuery, campos aninhados e repetidos são armazenados como ARRAYs de STRUCT. A sintaxe ARRAY_AGG(STRUCT…) fornece os resultados como valores aninhados e repetidos, facilitando a visualização dos relacionamentos entre os dados, porque os valores unidos são organizados de forma clara.

Outra alternativa de SQL no BigQuery é usar uma cláusula WITH para definir CTEs e ver os resultados de outra consulta. Com essa sintaxe, você evita usar instruções SQL aninhadas, facilitando a leitura do código.

7. No editor, execute a consulta abaixo para definir uma CTE com base na consulta anterior:

WITH owners_pets AS (SELECT o.OwnerID, o.Name AS OwnerName, ARRAY_AGG(STRUCT( p.Name AS PetName, p.Type, p.Weight)) AS Pets FROM animals_dataset.owners AS o JOIN animals_dataset.pets AS p ON o.OwnerID = p.OwnerID GROUP BY o.OwnerID, o.Name) SELECT op.OwnerName, op.Pets FROM owners_pets AS op;

Clique em Verificar meu progresso para conferir o objetivo. Mesclar dados e escrever CTEs usando instruções SQL SELECT

Tarefa 4: Criar tabelas e visualizações usando instruções DDL

Em uma tarefa anterior, você usou DDL para criar conjuntos de dados e tabelas do BigQuery. No BigQuery, também é possível usar DDL para criar visualizações lógicas e materializadas.

Para saber mais sobre como usar instruções DDL para criar visualizações no BigQuery, consulte a documentação Introdução às visualizações.

Nesta tarefa, você vai usar DDL para criar tabelas, visualizações lógicas e visualizações materializadas.

1. No editor de consultas, execute o código abaixo para gravar os resultados de uma consulta em uma nova tabela:

CREATE OR REPLACE TABLE animals_dataset.owners_pets AS ( SELECT o.OwnerID, o.Name AS OwnerName, ARRAY_AGG(STRUCT( p.PetID, p.Name AS PetName, p.Type, p.Weight)) AS Pets FROM animals_dataset.owners AS o JOIN animals_dataset.pets AS p ON o.OwnerID = p.OwnerID GROUP BY o.OwnerID, o.Name );

2. No painel Explorador clássico, expanda o conjunto de dados para mostrar as tabelas e selecione owner_pets.

3. Clique na guia Esquema para revisar o esquema da tabela chamada owners_pets.

O esquema inclui um campo aninhado e repetido chamado Animais de estimação, com o ID, o nome, o tipo e o peso de cada animal de estimação para cada tutor.

Em uma tarefa anterior, você executou uma consulta que mesclou as tabelas tutores e animais de estimação para contar o número de animais de estimação por tutor. Agora que os dados estão em um campo aninhado e repetido, você pode usar a função ARRAY_LENGTH para conferir o número de animais de estimação de cada tutor.

4. No editor, execute a consulta abaixo para retornar o número de animais de estimação de cada tutor:

SELECT OwnerName, ARRAY_LENGTH(Pets) AS count FROM animals_dataset.owners_pets ORDER BY count DESC;

5. No editor, execute a consulta abaixo para criar uma visualização lógica que retorne apenas animais de estimação pequenos (com até 9 kg):

CREATE OR REPLACE VIEW animals_dataset.small_pets AS ( SELECT * FROM animals_dataset.pets WHERE weight <= 20 );

6. Clique em Acessar visualização.

7. No painel Explorador clássico, clique em Ver ações (ícone com três botões verticais) na visualização small_pets e selecione Consultar.

8. No editor, execute a consulta abaixo para analisar os dados na visualização:

SELECT PetID, Weight FROM animals_dataset.small_pets;

No BigQuery, as visualizações materializadas são pré-calculadas e armazenam os resultados de uma consulta em cache periodicamente para aumentar o desempenho e a eficiência. As visualizações materializadas podem ajudar muito em consultas que exigem processamento complexo, como agregações.

9. No editor, execute a consulta abaixo para criar uma visualização materializada que retorne o peso total de cada tipo de animal de estimação:

CREATE OR REPLACE MATERIALIZED VIEW animals_dataset.pet_weight_by_type AS ( SELECT type, SUM(Weight) AS total_weight FROM animals_dataset.pets GROUP BY type );

10. Clique em Acessar visualização materializada.

11. No painel Explorador clássico, clique em Ver ações (ícone com três botões verticais) na visualização materializada pet_weight_by_type e selecione "Consulta".

12. No editor, execute a consulta abaixo para analisar os dados na visualização materializada:

SELECT type, total_weight FROM animals_dataset.pet_weight_by_type;

Os cães têm o maior peso total, totalizando 142 kg.

Clique em Verificar meu progresso para conferir o objetivo. Criar tabelas e visualizações usando instruções DDL

Tarefa 5: Personalizar UDFs e procedimentos armazenados

No BigQuery, é possível personalizar uma UDF quando não houver uma função integrada que já faça o que você precisa. Uma UDF aceita uma ou mais colunas de entrada, executa ações na entrada e retorna o resultado dessas ações como saída. Além disso, você também pode definir procedimentos armazenados como funções que executam coleções de instruções SQL, como SELECT, INSERT e outras, na ordem que preferir.

Para saber como definir UDFs e procedimentos armazenados no BigQuery, consulte a documentação Funções definidas pelo usuário e Trabalhos com procedimentos armazenados em SQL.

Nesta tarefa, você vai definir UDFs e procedimentos armazenados para recalcular valores atuais em uma tabela e facilitar a adição de novos registros de dados a uma tabela.

1. No editor, execute o código abaixo para criar uma UDF que converte libras em quilogramas:

CREATE OR REPLACE FUNCTION animals_dataset.PoundsToKilos(pounds FLOAT64) AS ( round(pounds / 2.2, 1) );

2. No editor, execute esta consulta para testar a UDF:

SELECT name, weight AS pounds, animals_dataset.PoundsToKilos(Weight) AS Kilos FROM animals_dataset.pets;

Você também pode criar um procedimento armazenado para facilitar a adição de um novo animal de estimação. O procedimento abaixo encontra o maior ID do animal de estimação na tabela animais de estimação e adiciona o valor 1 a esse ID. Em seguida, ele atribui esse novo valor como o ID do novo animal de estimação e retorna o valor do novo ID quando o animal de estimação é adicionado.

3. No editor, execute a consulta abaixo para criar um procedimento armazenado de inclusão de um novo animal de estimação:

CREATE OR REPLACE PROCEDURE animals_dataset.create_pet( customerID INT64, type STRING, name STRING, weight FLOAT64, out newPetID INT64) BEGIN SET newPetID = (SELECT MAX(PetID) + 1 FROM animals_dataset.pets); INSERT INTO animals_dataset.pets (PetID, OwnerID, Type, Name, Weight) VALUES(newPetID, customerID, type, name, weight); END

4. No editor, execute a consulta abaixo para testar o procedimento armazenado:

DECLARE newPetID INT64; CALL animals_dataset.create_pet(1, 'Dog', 'Duke', 15.0, newPetID); SELECT * FROM animals_dataset.pets WHERE PetID = newPetID;

5. Clique em Ver resultados para a última instrução SELECT *.

A variável de saída da função é o registro recém-criado de um cachorro chamado Duke com um ID de animal de estimação de número 30.

6. No editor, execute a consulta abaixo para adicionar outro animal de estimação:

DECLARE newPetID INT64; CALL animals_dataset.create_pet(4, 'Cat', 'Fluffy', 6.0, newPetID); SELECT * FROM animals_dataset.pets WHERE PetID = newPetID;

7. Clique em Ver resultados para a última instrução SELECT *.

O valor do campo "ID" continua aumentando. O novo ID do gato Fluffy é 31.

8. No editor, execute a consulta abaixo para verificar se os dois novos animais de estimação foram adicionados à tabela animais de estimação:

SELECT * FROM animals_dataset.pets WHERE Name in ('Duke', 'Fluffy');

Clique em Verificar meu progresso para conferir o objetivo. Personalizar UDFs e procedimentos armazenados

Finalize o laboratório

Após concluir o laboratório, clique em Terminar o laboratório. O Google Skills remove os recursos usados e limpa a conta para você.

Você poderá classificar sua experiência neste laboratório. Basta selecionar o número de estrelas, digitar um comentário e clicar em Enviar.

O número de estrelas indica o seguinte:

• 1 estrela = muito insatisfeito
• 2 estrelas = insatisfeito
• 3 estrelas = neutro
• 4 estrelas = satisfeito
• 5 estrelas = muito satisfeito

Feche a caixa de diálogo se não quiser enviar feedback.

Para enviar seu feedback, fazer sugestões ou correções, use a guia Suporte.

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 empresas e produtos podem ser marcas registradas das empresas a que estão associados.