Diese Seite wurde von der Cloud Translation API übersetzt.

CrUX in BigQuery

Informationen zur Strukturierung von CrUX-Daten in BigQuery

Einführung

Die Rohdaten des Chrome UX-Berichts (CrUX) sind in BigQuery verfügbar, einer Datenbank, die in Google Cloud gehostet wird.

Mit CrUX in BigQuery können Nutzer den vollständigen Datensatz seit 2017 direkt abfragen, um beispielsweise Trends zu analysieren, Webtechnologien zu vergleichen und Domains zu benchmarken.

Die Daten sind nach monatlichen Releases sowie in einer Reihe von Zusammenfassungstabellen strukturiert, um den Zugriff auf die Daten zu vereinfachen.

Die BigQuery-Daten bilden die Grundlage des CrUX-Dashboards, mit dem Sie diese Daten visualisieren können, ohne SQL-Abfragen schreiben zu müssen.

Auf Dataset zugreifen

Für die Verwendung von BigQuery benötigen Sie ein Google Cloud-Konto und grundlegende SQL-Kenntnisse. Der CrUX-Dataset in BigQuery ist kostenlos zugänglich und kann bis zu den Limits der kostenlosen Stufe genutzt werden, die monatlich erneuert und von BigQuery bereitgestellt wird. Außerdem erhalten neue Google Cloud-Nutzer möglicherweise ein Guthaben bei der Registrierung, um Kosten zu decken, die über den kostenlosen Tarif hinausgehen. Für das Google Cloud-Projekt muss eine Kreditkarte angegeben werden. Weitere Informationen finden Sie unter Warum muss ich eine Kreditkarte angeben?.

Wenn Sie BigQuery zum ersten Mal verwenden, gehen Sie so vor, um ein Projekt einzurichten:

Klicken Sie in der Google Cloud Console auf Projekt erstellen.
Geben Sie Ihrem neuen Projekt einen Namen wie „Mein Chrome-UX-Bericht“ und klicken Sie auf „Erstellen“.
Gib deine Zahlungsinformationen an, wenn du dazu aufgefordert wirst.
Rufen Sie den CrUX-Dataset in BigQuery auf.

Jetzt können Sie mit dem Abfragen des Datensatzes beginnen.

Projektorganisation

CrUX-Daten in BigQuery werden am zweiten Dienstag des Folgemonats veröffentlicht. Jeder Monat wird als neue Tabelle unter chrome-ux-report.all veröffentlicht. Außerdem gibt es eine Reihe von materialisierten Tabellen mit zusammenfassenden Statistiken für jeden Monat.

`chrome-ux-report
- all
  - JJJJMM
- country_CC
  - JJJJMM
- experimental
  - country
  - global
- materialized

Detaillierte Tabellenschema

Die Rohtabellen für jedes Land und der Datensatz all werden nach Jahr und Monat bereitgestellt.

Rohtabellen

Die Rohtabellen haben das folgende Schema:

origin
effective_connection_type
form_factor
first_paint
first_contentful_paint
largest_contentful_paint
dom_content_loaded
onload
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

Schema der materialisierten Tabelle

Materialisierte Tabellen ermöglichen einen einfacheren Zugriff auf zusammengefasste Daten nach einer Reihe wichtiger Dimensionen. Es werden keine Histogramme bereitgestellt. Stattdessen werden Leistungsdaten nach Leistungsbewertung und dem Wert des 75. Perzentils in Fraktionen zusammengefasst. In diesem Beispiel sind einige Beispielzeilen aus der Tabelle metrics_summary zu sehen:

yyyymm	origin	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

Das bedeutet, dass im Datensatz 202204 90,56% der Interaktionen echter Nutzer auf https://example.com die Kriterien für einen guten LCP erfüllt haben und dass der LCP-Wert des groben 75. Perzentilwerts 1.600 ms betrug. Das ist etwas langsamer als in den Vormonaten.

Es werden vier materialisierte Tabellen bereitgestellt:

metrics_summary: Wichtige Messwerte nach Monat und Herkunft
device_summary: Wichtige Messwerte nach Monat, Herkunft und Gerätetyp
country_summary: Wichtige Messwerte nach Monat, Herkunft, Gerätetyp und Land
origin_summary: eine Liste aller im Datensatz enthaltenen Ursprünge

`metrics_summary`

Die Tabelle metrics_summary enthält zusammenfassende Statistiken für jeden Ursprung und jedes monatliche Dataset:

yyyymm: Monat des Zeitraums der Datenerhebung
origin: URL der Website
rank: Grobes Beliebtheitsranking (Stand: März 2021)
[small|medium|large]_cls: Anteil des Traffics nach CLS-Grenzwerten
[fast|avg|slow]_<metric>: Anteil des Traffics nach Leistungsgrenzwerten
p75_<metric>: Wert des 75. Perzentils der Leistungsmesswerte (Millisekunden)
notification_permission_[accept|deny|ignore|dismiss]: Anteil der Verhaltensweisen bei Berechtigungen zum Senden von Benachrichtigungen
[desktop|phone|tablet]Density: Anteil des Traffics nach Formfaktor
[_4G|_3G|_2G|slow2G|offline]Density: Anteil des Traffics nach effektivem Verbindungstyp
navigation_type_[navigate|navigate_cache|reload|restore|back_forward|back_forward_cache|prerender]: Anteil der Navigationstypen

`device_summary`

Die Tabelle device_summary enthält zusammengefasste Statistiken nach Monat, Herkunft, Land und Gerät. Zusätzlich zu den metrics_summary-Spalten gibt es:

device: Formfaktor

`country_summary`

Die Tabelle country_summary enthält zusammengefasste Statistiken nach Monat, Herkunft, Land und Gerät. Zusätzlich zu den metrics_summary-Spalten gibt es:

country_code: Ländercode mit zwei Buchstaben
device: Formfaktor

`origin_summary`

Die Tabelle origin_summary enthält eine Liste aller Ursprünge im CrUX-Dataset. Sie wird monatlich mit der neuesten Liste der Ursprünge im Dataset aktualisiert und hat eine einzige Spalte: origin.

Experimentelles Dataset

Die Tabellen im experimentellen Datensatz sind exakte Kopien der standardmäßigen YYYYMM-Tabellen. Sie nutzen jedoch neuere und erweiterte BigQuery-Funktionen wie Partitionierung und Clustering, mit denen Sie schnellere, einfachere und kostengünstigere Abfragen schreiben können.

`country`

Der Datensatz experimental.country enthält aggregierte Daten aus den Datensätzen country_CC mit einer zusätzlichen Spalte yyyymm für das Dataset-Datum. Das Schema ist mit dem von rohen Tabellen identisch, mit Ausnahme der Spalten „Datum“ und „country_code“. So können Vergleiche auf Länderebene über einen bestimmten Zeitraum ausgeführt werden, ohne dass die monatlichen Tabellen zusammengeführt werden müssen.

`global`

Der Datensatz experimental.global enthält aggregierte Daten aus dem Datensatz all mit einer zusätzlichen Spalte yyyymm für das Dataset-Datum. Das Schema ist mit dem von rohen Tabellen identisch, mit dem Unterschied, dass das Datum hinzugefügt wird. So können Abfragen zum Vergleichen verschiedener Zeiträume ausgeführt werden, ohne dass die monatlichen Tabellen zusammengeführt werden müssen.