在 Bigquery 中参数化数据类型的目的是什么？
What's the purpose of parametrizing data types in Big Query?
在 BigQuery 中，您可以参数化某些数据类型 (reference)。例如：
DECLARE x STRING(10);
DECLARE y STRING;
这些参数不会传播，但会在 insertion/assignment 期间检查。
我现在正在将数据从 PostgreSQL 数据库推送到 BigQuery。我有一个 PSQL 模式，其中所有字符串都有一个设置的最大长度。这些最大长度从大约 1（对于类似枚举的值）到 1000+（对于自由文本）不等。我必须在 BigQuery 中定义一个 table 模式来将数据推送到。我对验证不感兴趣，因为我从我的 PSQL 模式中知道进入 BQ 的数据的确切限制。因此我的问题是：
对于我的用例，在任意长度的字符串上使用参数化数据类型是否有任何优势（性能、成本等）？
如果您既不需要执行也不需要语法糖，那么跳过使用参数化是完全合理的。派生表与原始数据保持相同的约束是有争议的，但这实际上取决于您自己的使用模式和习惯用法。
BigQuery data storage costs 基于实际字符串大小，partitioning/clustering 不利用参数化细节。他们不应该影响你的决定。
在 BigQuery 中，您可以参数化某些数据类型 (reference)。例如：
DECLARE x STRING(10);
DECLARE y STRING;
这些参数不会传播，但会在 insertion/assignment 期间检查。
我现在正在将数据从 PostgreSQL 数据库推送到 BigQuery。我有一个 PSQL 模式，其中所有字符串都有一个设置的最大长度。这些最大长度从大约 1（对于类似枚举的值）到 1000+（对于自由文本）不等。我必须在 BigQuery 中定义一个 table 模式来将数据推送到。我对验证不感兴趣，因为我从我的 PSQL 模式中知道进入 BQ 的数据的确切限制。因此我的问题是：
对于我的用例，在任意长度的字符串上使用参数化数据类型是否有任何优势（性能、成本等）？
如果您既不需要执行也不需要语法糖，那么跳过使用参数化是完全合理的。派生表与原始数据保持相同的约束是有争议的，但这实际上取决于您自己的使用模式和习惯用法。
BigQuery data storage costs 基于实际字符串大小，partitioning/clustering 不利用参数化细节。他们不应该影响你的决定。