Apprendre  /  Nouveautés

La mise à jour BigQuery de novembre 2026 : Gemini 4 en SQL, plafonds de slots par projet, JSON_FLATTEN et requêtes fédérées vers PostgreSQL, MySQL et Oracle

La grande annonce du cloud de données de Google a fait les gros titres en début de mois. Les petites notes de version qui ont suivi sont celles que vous utiliserez vraiment un mardi après-midi. Les voici, classées selon qui elles aident.

Nouveautés7 min de lectureMis à jour le 16 novembre 2026
SQLBases de donnéesNouveautés
Tous les guides et antisèches

Notre article sur l'annonce de Google du 4 novembre couvrait BigQuery Graph et Knowledge Catalog. Celui-ci couvre les notes de version du 5 au 13 novembre 2026 : des fonctionnalités plus modestes, dont beaucoup sont en disponibilité générale (GA) d'emblée. Le point d'octobre couvre le mois précédent.

17Notes de versiondu 5 au 13 novembre
11En disponibilité généraleles autres en préversion ou en déploiement
2Nouveaux modèles Geminidans les fonctions d'IA générative
3Nouvelles connexions à des basesMySQL, Oracle, PostgreSQL

Pour les analystes

Gemini 4 dans votre SQL

Les fonctions d'IA de BigQuery, comme AI.CLASSIFY, AI.IF et AI.GENERATE, peuvent désormais utiliser gemini-4-carbon (10 novembre) et gemini-4-hydrogen (12 novembre). Si vous n'indiquez pas de modèle, BigQuery en choisit un pour le meilleur équilibre entre coût et qualité, ce qui est en général le bon choix pour un étiquetage simple.

SQL
SELECT
  title,
  AI.CLASSIFY(
    body,
    categories => ['tech', 'sport', 'business', 'politics', 'entertainment', 'other']
  ) AS category
FROM `bigquery-public-data.bbc_news.fulltext`
LIMIT 100;

JSON_FLATTEN

Les tableaux imbriqués dans le JSON sont une plaie courante. JSON_FLATTEN (GA, 11 novembre) renvoie, sous forme d'ARRAY<JSON>, toutes les valeurs non-tableaux présentes directement dans l'entrée ou dans des tableaux imbriqués. Ces exemples viennent de la documentation de Google :

SQL
SELECT JSON_FLATTEN(JSON '[[[1]], 2, [3]]') AS json_flatten;
-- [1, 2, 3]

SELECT JSON_FLATTEN(JSON '[[[1, 2], 3], {"a": 4}, true]') AS json_flatten;
-- [1, 2, 3, {"a": 4}, true]

Notez que les objets restent entiers : JSON_FLATTEN(JSON '{"a": [[1]]}') renvoie [{"a":[[1]]}]. Combinez-la avec UNNEST pour obtenir une ligne par valeur.

Les graphes, désormais à la demande

BigQuery Graph et les requêtes GQL fonctionnent désormais aussi pour les projets en tarification à la demande (6 novembre), pas seulement avec des réservations. Les mesures de graphe (GA, 10 novembre) lient une agrégation à une clé, pour que les totaux ne comptent pas deux fois quand un motif rencontre plusieurs fois le même nœud.

Pour les administrateurs et le FinOps

Plafonds par projet (GA, 11 nov.)
Fixent les slots et la concurrence maximum d'un projet dans une réservation, pour qu'un seul projet lourd n'affame pas les autres. Éditions Enterprise et Enterprise Plus.
Principal sur les affectations de réservation (GA, 11 nov.)
Route les requêtes vers une réservation précise selon qui les lance, un utilisateur ou un compte de service. Utile pour donner aux pipelines planifiés leur propre capacité.
Attribution des coûts de calcul (préversion, 9 nov.)
Choisissez d'imputer directement les coûts de calcul au projet qui a lancé la requête, ce qui simplifie beaucoup la refacturation interne.
Jobs explorer (GA, 9 nov.)
Diagnostiquez une requête lente et comparez côte à côte les performances des jobs et du système.
Concurrence des tâches de pipeline (GA, 9 nov.)
Définissez combien de tâches d'un pipeline peuvent tourner en même temps.
Règle d'organisation personnalisée pour les modèles (préversion, 6 nov.)
Autorisez ou bloquez des opérations précises sur les modèles BigQuery ML dans toute l'organisation.

Pour les data engineers

Disponibilité générale

À utiliser maintenant
  • Lignage au niveau des tables dans Knowledge Catalog pour les pipelines BigQuery (12 nov.)
  • La carte de chaleur du texte de requête affiche le SQL de vos UDF et une liste des références de contexte (5 nov.)

Lignage et carte de chaleur rendent beaucoup plus rapide la réponse à « pourquoi cette table est fausse, et pourquoi elle est lente ? ».

Préversion

À tester dans un projet d'essai
  • Connexions à MySQL, Oracle et PostgreSQL pour les requêtes fédérées (13 nov.)
  • Fonctions de compression et décompression Zstandard en GoogleSQL (9 nov.)
  • Analyse conversationnelle dans la région de Tokyo (5 nov.)

Les requêtes fédérées conviennent aux petites recherches ; pour les grosses tables, mieux vaut copier.

Que faire cette semaine

  1. 1

    Repérez les projets gourmands

    Si un projet vide régulièrement votre réservation, donnez-lui un plafond.

  2. 2

    Donnez aux pipelines leur propre capacité

    Utilisez le réglage principal pour router un compte de service vers sa propre réservation.

  3. 3

    Nettoyez le code JSON

    Remplacez les UNNEST imbriqués écrits à la main par JSON_FLATTEN quand cela convient.

  4. 4

    Testez Hydrogen sur un travail d'IA

    Comparez ses étiquettes et son coût à votre modèle actuel sur un échantillon de 500 lignes.

Testez vos connaissances

1/3Que limitent les plafonds par projet ?

2/3Que renvoie JSON_FLATTEN pour JSON '[[[1]], 2, [3]]' ?

3/3Qu'est-ce qui a changé pour BigQuery Graph le 6 novembre ?

Pour aller plus loin : BigQuery contre Snowflake, les fonctions de fenêtre SQL expliquées et les fonctions d'IA en SQL comparées.

Sources : notes de version de BigQuery, entrées du 5 au 13 novembre 2026 ; documentation Google Cloud pour AI.CLASSIFY et les fonctions JSON (exemples). Les fonctionnalités en préversion peuvent changer avant leur disponibilité générale.

Alessandro Ecclesie AgazziÉcrit par Alessandro Ecclesie Agazzi, analytics engineer à Londres. Mis à jour le 16 novembre 2026. À propos

Cet article vous a été utile ?

De nouveaux guides et décryptages des nouveautés en data et en IA paraissent ici régulièrement. Suivez-moi sur LinkedIn ou partagez cet article avec un collègue.