این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.

CrUX در BigQuery

با نحوه ساختار داده های CrUX در BigQuery آشنا شوید.

معرفی

داده‌های خام پشت گزارش Chrome UX (CrUX) در BigQuery موجود است، پایگاه داده‌ای که در Google Cloud میزبانی می‌شود.

CrUX در BigQuery به کاربران این امکان را می دهد که مستقیماً مجموعه داده کامل را از سال 2017 پرس و جو کنند، به عنوان مثال برای تجزیه و تحلیل روندها، مقایسه فناوری های وب و دامنه های معیار.

ساختار داده ها بر اساس انتشار ماهانه و همچنین تعدادی جداول خلاصه برای ارائه دسترسی ساده برای پرس و جو از داده ها است.

داده های BigQuery اساس داشبورد CrUX است که به شما امکان می دهد این داده ها را بدون نوشتن پرس و جوهای SQL تجسم کنید.

دسترسی به مجموعه داده

استفاده از BigQuery به یک حساب Google Cloud و دانش اولیه SQL نیاز دارد. مجموعه داده CrUX در BigQuery برای دسترسی و کاوش تا سقف ردیف رایگان رایگان است که هر ماه تمدید می شود و توسط BigQuery ارائه می شود. علاوه بر این، کاربران جدید Google Cloud ممکن است واجد شرایط دریافت اعتبار ثبت‌نام برای پوشش هزینه‌های فراتر از سطح رایگان باشند. توجه داشته باشید که برای پروژه Google Cloud باید کارت اعتباری ارائه شود، ببینید چرا باید کارت اعتباری ارائه کنم؟ .

اگر اولین باری است که از BigQuery استفاده می‌کنید، مراحل زیر را برای راه‌اندازی یک پروژه دنبال کنید:

به سمت ایجاد پروژه در کنسول Google Cloud بروید.
به پروژه جدید خود نامی مانند «گزارش کاربری Chrome من» بدهید و روی ایجاد کلیک کنید.
در صورت درخواست، اطلاعات صورتحساب خود را ارائه دهید.
به مجموعه داده CrUX در BigQuery بروید

اکنون آماده شروع پرس و جو از مجموعه داده هستید.

سازمان پروژه

داده های CrUX در BigQuery در دومین سه شنبه ماه بعد منتشر می شود. هر ماه به عنوان یک جدول جدید تحت chrome-ux-report.all منتشر می شود. همچنین تعدادی جداول تحقق یافته وجود دارد که آمار خلاصه ای را برای هر ماه ارائه می دهد.

`گزارش chrome-ux
- all
  - YYYYMM
- country_CC
  - YYYYMM
- experimental
  - country
  - global
- materialized

طرح جدول تفصیلی

جداول خام برای هر کشور و all مجموعه داده ها بر اساس سال و ماه ارائه شده است.

جداول خام

جداول خام دارای طرح زیر هستند:

origin
effective_connection_type
form_factor
first_paint
first_contentful_paint
largest_contentful_paint
dom_content_loaded
onload
first_input
- delay
layout_instability
- cumulative_layout_shift
interaction_to_next_paint
navigation_types
- navigate
- navigate_cache
- reload
- restore
- back_forward
- back_forward_cache
- prerender
experimental
- permission
  - notifications
- time_to_first_byte
- popularity

طرح جدول مادی شده

جداول مادی شده برای دسترسی آسان تر به داده های خلاصه با تعدادی از ابعاد کلیدی ارائه شده است. هیچ هیستوگرام ارائه نشده است، در عوض داده های عملکرد با ارزیابی عملکرد و مقدار صدک 75 به کسری جمع می شوند. مجموعه ای از ردیف های نمونه از جدول metrics_summary در این مثال نشان داده شده است:

yyyymm	اصل و نسب	fast_lcp	avg_lcp	slow_lcp	p75_lcp
202204	https://example.com	0.9056	0.0635	0.0301	1600
202203	https://example.com	0.9209	0.052	0.0274	1400
202202	https://example.com	0.9169	0.0545	0.0284	1500
202201	https://example.com	0.9072	0.0626	0.0298	1500

این نشان می‌دهد که در مجموعه داده 202204، 90.56٪ از تجربیات کاربر واقعی در https://example.com معیارهای LCP خوب را برآورده می‌کنند و مقدار درشت صدک 75 LCP 1600 میلی‌ثانیه است. این مقدار کمی کندتر از ماه های گذشته است.

چهار جدول مادی ارائه شده است:

metrics_summary: معیارهای کلیدی بر اساس ماه و مبدا
device_summary: معیارهای کلیدی بر اساس ماه، مبدا و نوع دستگاه
country_summary: معیارهای کلیدی بر اساس ماه، مبدا، نوع دستگاه و کشور
origin_summary: لیستی از همه مبداهای موجود در مجموعه داده

`metrics_summary`

جدول metrics_summary شامل آمار خلاصه برای هر مبدا و هر مجموعه داده ماهانه است:

yyyymm: ماه دوره جمع آوری داده ها
origin: URL مبدا سایت
rank: رتبه بندی محبوبیت درشت (از مارس 2021 )
[small|medium|large]_cls: کسری از ترافیک توسط آستانه های CLS
[fast|avg|slow]_<metric>: کسری از ترافیک بر اساس آستانه عملکرد
p75_<metric>: ارزش صدک 75 معیارهای عملکرد (میلی ثانیه)
notification_permission_[accept|deny|ignore|dismiss]: کسری از رفتارهای مجوز اعلان
[desktop|phone|tablet]Density: کسری از ترافیک بر اساس فاکتور شکل
[_4G|_3G|_2G|slow2G|offline]Density: کسری از ترافیک بر اساس نوع اتصال موثر
navigation_type_[navigate|navigate_cache|reload|restore|back_forward|back_forward_cache|prerender]: کسری از انواع ناوبری

`device_summary`

جدول device_summary شامل آمار انبوه بر اساس ماه، مبدا، کشور و دستگاه است. علاوه بر ستون های metrics_summary وجود دارد:

device: فاکتور فرم دستگاه

`country_summary`

جدول country_summary شامل آمار انبوه بر اساس ماه، مبدا، کشور و دستگاه است. علاوه بر ستون های metrics_summary وجود دارد:

country_code: کد کشور دو حرفی
device: فاکتور فرم دستگاه

`origin_summary`

جدول origin_summary شامل لیستی از تمام مبداها در مجموعه داده CrUX است. ماهانه با آخرین لیست مبدا در مجموعه داده به روز می شود و دارای یک ستون است: origin .

مجموعه داده تجربی

جداول موجود در مجموعه داده آزمایشی کپی دقیق جداول پیش‌فرض YYYYMM هستند، اما از ویژگی‌های جدیدتر و پیشرفته‌تر BigQuery مانند پارتیشن‌بندی و خوشه‌بندی استفاده می‌کنند که به شما امکان می‌دهد جستارهای سریع‌تر، ساده‌تر و ارزان‌تر بنویسید.

`country`

مجموعه داده experimental.country حاوی داده‌های انبوهی از مجموعه داده‌های country_CC با یک ستون yyyymm اضافی برای تاریخ مجموعه است. این طرح با جداول خام با اضافه کردن ستون‌های تاریخ و country_code یکسان است و امکان مقایسه در سطح کشور در طول زمان را بدون پیوستن به جداول ماهانه می‌دهد.

`global`

مجموعه داده experimental.global حاوی داده‌های انباشته از all مجموعه داده با یک ستون yyyymm اضافی برای تاریخ مجموعه است. این طرح با جداول خام با اضافه کردن تاریخ یکسان است و امکان مقایسه در طول زمان را بدون پیوستن به جداول ماهانه فراهم می کند.