BigQuery Scheduled Query 12 Factor App

BigQuery Scheduled Query 12 Factor App คืออะไร

BigQuery เป็น serverless data warehouse จาก Google Cloud ที่ประมวลผล SQL queries บน petabytes ของข้อมูลได้ในวินาที Scheduled Queries คือการตั้งเวลารัน SQL อัตโนมัติ เช่น ETL jobs, reports, aggregations 12-Factor App เป็นหลักการออกแบบ cloud-native applications 12 ข้อจาก Heroku การรวมสามแนวคิดนี้ช่วยสร้าง data pipelines บน BigQuery ที่ maintainable, scalable และ production-ready ตามหลัก 12-Factor

Terraform Infrastructure as Code

# terraform.tf — Terraform config for BigQuery scheduled queries

# Factor III (Config) + Factor V (Build, Release, Run)



# main.tf

resource "google_bigquery_data_transfer_config" "daily_metrics" {

  display_name           = "Daily User Metrics"

  location               = var.region

  data_source_id         = "scheduled_query"

  schedule               = "every day 02:00"

  destination_dataset_id = google_bigquery_dataset.analytics.dataset_id



  params = {

    query                 = file("/queries/daily_user_metrics.sql")

    destination_table_name_template = "user_metrics_daily"

    write_disposition     = "WRITE_APPEND"

  }



  service_account_name = google_service_account.bq_scheduler.email



  email_preferences {

    enable_failure_email = true

  }

}



resource "google_bigquery_data_transfer_config" "hourly_kpi" {

  display_name           = "Hourly KPI Report"

  location               = var.region

  data_source_id         = "scheduled_query"

  schedule               = "every 1 hours"

  destination_dataset_id = google_bigquery_dataset.analytics.dataset_id



  params = {

    query = templatefile("/queries/hourly_kpi.sql", {

      project = var.project_id

      dataset = var.dataset_id

    })

  }



  service_account_name = google_service_account.bq_scheduler.email

}



# variables.tf

variable "project_id" {

  description = "GCP Project ID"

  type        = string

}



variable "dataset_id" {

  description = "BigQuery Dataset ID"

  type        = string

  default     = "analytics"

}



variable "region" {

  description = "BigQuery region"

  type        = string

  default     = "asia-southeast1"

}



# environments/prod.tfvars

# project_id = "my-prod-project"

# dataset_id = "prod_analytics"



# environments/dev.tfvars

# project_id = "my-dev-project"

# dataset_id = "dev_analytics"

FAQ - คำถามที่พบบ่อย

Q: BigQuery Scheduled Query กับ Cloud Composer (Airflow) อันไหนดี?

A: Scheduled Query: ง่าย, ฟรี (จ่ายแค่ query cost), เหมาะ simple ETL/aggregation Cloud Composer: ซับซ้อนกว่า, dependencies, branching, retry logic, multi-step pipelines ใช้ Scheduled Query: SQL-only jobs, simple scheduling ใช้ Composer: complex DAGs, cross-service orchestration, conditional logic

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน AlmaLinux Setup CI CD Automation Pipeline

Q: ค่าใช้จ่าย BigQuery Scheduled Query เท่าไหร่?

แนะนำเพิ่มเติม — XM Signal

A: Scheduling: ฟรี (ไม่มีค่า scheduling fee) Query cost: $6.25/TB processed (on-demand) หรือ flat-rate slots ลดค่า: ใช้ partitioned tables, clustering, materialized views Cache: repeated queries ไม่เสียค่า (ถ้า result cached) ประมาณ: daily query scan 100GB = $0.625/day = ~$19/month

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน HashiCorp Vault Secrets Certification Path

Q: Idempotent queries สำคัญอย่างไร?

A: Idempotent = รัน query ซ้ำกี่ครั้งก็ได้ผลเหมือนเดิม สำคัญมากสำหรับ scheduled queries เพราะ: retry ได้โดยไม่สร้าง duplicate data, backfill ได้ง่าย Patterns: MERGE (upsert), CREATE OR REPLACE, INSERT OVERWRITE หลีกเลี่ยง: INSERT INTO (สร้าง duplicates ถ้ารันซ้ำ)

แนะนำเพิ่มเติม — อ่านเพิ่มเติมที่ SiamCafeBook

เนื้อหาเกี่ยวข้อง — แนะนำให้อ่าน TTS Coqui Real-time Processing

Q: 12-Factor App เหมาะกับ data pipelines ไหม?

A: เหมาะมาก โดยเฉพาะ: Config in environment (ไม่ hardcode project IDs), Codebase in Git, Dev/Prod parity (แยก datasets), Logs as event streams, Disposability (idempotent queries) ช่วยให้ pipelines maintainable, testable, deployable ข้าม environments

เนื้อหาเกี่ยวข้อง — บทความที่เกี่ยวข้อง: SSD 240gb คืออะไร — วิธีตั้งค่าและใช้งานจริงพร้อมตัวอย่าง