{"id":6750,"date":"2026-07-12T02:06:00","date_gmt":"2026-07-12T10:06:00","guid":{"rendered":"https:\/\/www.gudusoft.com\/bigquery-data-lineage\/"},"modified":"2026-07-12T02:06:00","modified_gmt":"2026-07-12T10:06:00","slug":"bigquery-data-lineage","status":"publish","type":"page","link":"https:\/\/www.gudusoft.com\/de\/bigquery-data-lineage\/","title":{"rendered":"BigQuery-Datenherkunft: Spaltenebene-Herkunft f\u00fcr Google BigQuery SQL"},"content":{"rendered":"<p><strong>BigQuery-Datenherkunft<\/strong> ist die Karte, die den Datenfluss in Ihrem BigQuery-Projekt darstellt: welche Quelltabellen und -spalten die einzelnen abgeleiteten Tabellen, Ansichten und geplanten Abfragen speisen und welche Ausdr\u00fccke die Daten dabei transformieren. Googles Dataplex erfasst die Datenherkunft f\u00fcr BigQuery-Auftr\u00e4ge automatisch auf Tabellenebene; um zu sehen, welche <em>Spalten<\/em> Welchen Input geben Sie und welche Funktionen und Joins m\u00fcssen Sie verwenden, um das SQL selbst zu parsen? <strong>Gudu SQLFlow<\/strong> genau das tut es, mit einem dedizierten BigQuery-Dialektparser, der verschachtelte Abfragen aufl\u00f6st. <code>STRUKTUR<\/code> Felder <code>UNNEST<\/code>, Sternexpansion und Ansichtsketten bis hin zur Spaltengranularit\u00e4t.<\/p>\n\n\n\n<div class=\"wp-block-group alignfull has-background is-layout-constrained\" style=\"background-color:#eef7fb;padding-top:24px;padding-bottom:24px\"><div class=\"wp-block-group__inner-container\">\n\n<p><strong>Probieren Sie es in 30 Sekunden:<\/strong> F\u00fcgen Sie eine beliebige BigQuery-Abfrage in das Feld ein. <a href=\"https:\/\/sqlflow.gudusoft.com\/?utm_source=gudusoft&amp;utm_medium=website&amp;utm_campaign=bigquery-data-lineage\" target=\"_blank\" rel=\"noreferrer noopener\">kostenloser SQLFlow-Lineage-Visualisierer<\/a>W\u00e4hlen Sie den BigQuery-Dialekt aus und erhalten Sie ein interaktives Datenherkunftsdiagramm auf Spaltenebene. Die Cloud-Edition bietet ein kostenloses Kontingent.<\/p>\n\n<\/div><\/div>\n\n\n\n<h2 class=\"wp-block-heading\">Warum die BigQuery-Herkunftsnachverfolgung schwieriger ist als sie aussieht<\/h2>\n\n\n\n<p>BigQuerys SQL ist kein generisches ANSI-SQL. Insbesondere drei Funktionen f\u00fchren dazu, dass Lineage-Tools, die auf einer universellen Grammatik basieren, nicht mehr funktionieren:<\/p>\n\n\n\n<ul><li><strong>Verschachtelte und wiederholte Spalten.<\/strong> Eine einzelne BigQuery-Spalte kann eine <code>STRUKTUR<\/code> andere Felder enthaltend oder ein <code>ARRAY<\/code> von Strukturen. Die tats\u00e4chliche Abstammung muss bis ins Innere reichen: <code>orders.customer.email<\/code> ist ein anderer Abstammungsknoten als <code>Bestellungen.Kunde.Land<\/code>, obwohl beide in einer einzigen physischen S\u00e4ule leben.<\/li>\n<li><strong><code>UNNEST<\/code>.<\/strong> Das Gl\u00e4tten eines wiederholten Feldes wandelt eine Zeile in mehrere um und f\u00fchrt mitten in der Abfrage eine abgeleitete Relation ein. Ein Parser, der dies nicht modelliert. <code>UNNEST<\/code> Die Verbindung zwischen dem vereinfachten Alias und dem Array-Feld, aus dem er stammt, geht verloren.<\/li>\n<li><strong>Sternenexpansion.<\/strong> <code>W\u00c4HLEN *<\/code> Die Verwendung einer Kette von Sichten bedeutet, dass die Ausgabespalten nirgendwo im Abfragetext definiert sind. Um sie aufzul\u00f6sen, werden die Tabellen- und Sichtdefinitionen ben\u00f6tigt, nicht nur die einzelne Anweisung, die Ihnen vorliegt.<\/li><\/ul>\n\n\n\n<p>SQLFlow liefert einen BigQuery-spezifischen Parser (einen der <a href=\"https:\/\/www.gudusoft.com\/de\/sql-datenherkunftstool\/\">39 dialektspezifische Parser<\/a> Im Produkt gibt es keine einzige generische Grammatik, die alle drei abdeckt. Es l\u00f6st jede Spaltenreferenz \u00fcber CTEs, Unterabfragen, Sichten und Sternexpansion auf und modelliert verschachtelte <code>STRUKTUR<\/code> Felder als erstklassige Abstammungsknoten.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Dataplex liefert Ihnen die Auftragsherkunft auf Tabellenebene. Und was dann?<\/h2>\n\n\n\n<p>Dataplex (die Datenverwaltungsschicht von Google Cloud) ist in seiner Funktion wirklich gut: Es \u00fcberwacht BigQuery-Jobs w\u00e4hrend ihrer Ausf\u00fchrung und protokolliert, welche Tabellen jeder Job liest und beschreibt. Wenn Sie wissen m\u00f6chten, welche Tabellen eine geplante Abfrage bef\u00fcllt, \u2026 <code>dw.daily_revenue<\/code> aus <code>Rohbestellungen<\/code>Das teilt Ihnen Dataplex bereits mit.<\/p>\n\n\n\n<p>Die Laufzeit\u00fcberwachung eines Jobs kann Ihnen nicht die Transformationslogik zwischen diesen Tabellen aufzeigen: welche Quellspalten welche Ausgabespalten speisen und welche Ausdr\u00fccke, Filter und Joins verwendet werden. Diese Informationen sind nur im SQL-Text enthalten, daher ist f\u00fcr ihre Extraktion SQL-Parsing erforderlich. Die beiden Ans\u00e4tze beantworten unterschiedliche Fragen:<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Frage<\/th><th>Dataplex-Jobhistorie<\/th><th>SQLFlow analysierte Herkunft<\/th><\/tr><\/thead><tbody>\n<tr><td>Welche Tabellen fallen unter diese Aufgabe?<\/td><td>Ja, automatisch, pro Joblauf<\/td><td>Ja, aus dem SQL-Code.<\/td><\/tr>\n<tr><td>Welche Spalten speisen <code>Tagesumsatz.gesamt<\/code>?<\/td><td>Nein \u2013 Tabellengranularit\u00e4t<\/td><td>Ja, pro Ausgabespalte<\/td><\/tr>\n<tr><td>Welcher Ausdruck berechnet die einzelnen Ausgabespalten?<\/td><td>NEIN<\/td><td>Ja: Funktionen, Typumwandlungen, Aggregate<\/td><\/tr>\n<tr><td>Welche Spalten dienen nur der Filterung oder der Verkn\u00fcpfung (indirekte Herkunft)?<\/td><td>NEIN<\/td><td>Ja, als separate, umschaltbare Ebene<\/td><\/tr>\n<tr><td>Herkunftsnachweis f\u00fcr SQL-Anweisungen, die noch nicht ausgef\u00fchrt wurden (Code-Review, Migration)<\/td><td>Nein \u2013 es bedarf einer ausgef\u00fchrten Aufgabe.<\/td><td>Ja \u2013 statische Analyse des SQL-Textes<\/td><\/tr>\n<\/tbody><\/table><\/figure>\n\n\n\n<p>Teams verwenden typischerweise beides: Dataplex f\u00fcr die st\u00e4ndige Jobverwaltung und SQL-Parsing, wenn sie spaltengenau Antworten auf Fragen wie \u201eWas funktioniert nicht mehr, wenn ich diese Spalte \u00e4ndere?\u201c oder \u201eWoher genau kommt diese Zahl?\u201c ben\u00f6tigen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Beispiel: CREATE TABLE AS SELECT mit UNNEST<\/h2>\n\n\n\n<p>Hier ist ein typisches BigQuery-Muster: Erstellen einer flachen Umsatztabelle aus einer Bestelltabelle mit wiederholten <code>Positionsartikel<\/code> Struktur.<\/p>\n\n\n\n<pre class=\"wp-block-code\"><code>CREATE TABLE dw.order_line_revenue AS SELECT o.order_id, o.customer.email AS customer_email, li.product_id, li.qty * li.unit_price AS line_revenue FROM raw.orders AS o, UNNEST(o.line_items) AS li WHERE o.status = &#039;COMPLETE&#039;;<\/code><\/pre>\n\n\n\n<p>\u00dcbergeben Sie dies an SQLFlow, und die erzeugte Spaltenherkunft ist:<\/p>\n\n\n\n<ul><li><code>order_line_revenue.customer_email<\/code> stammt aus dem verschachtelten Feld <code>raw.orders.customer.email<\/code> \u2014 ein Strukturelement, nicht das Ganze <code>Kunde<\/code> Spalte.<\/li>\n<li><code>order_line_revenue.line_revenue<\/code> kommt von <code>raw.orders.line_items.qty<\/code> Und <code>raw.orders.line_items.unit_price<\/code>durch die <code>UNNEST<\/code> alias <code>li<\/code> und einer Multiplikation. Beide Quellfelder befinden sich innerhalb einer wiederholten Struktur; SQLFlow verfolgt die Vereinfachung.<\/li>\n<li><code>Rohbestellungsstatus<\/code> erscheint als <strong>indirekte Abstammung<\/strong>Es landet nie in der Ausgabe, aber <code>WO<\/code> Der Filter beeinflusst jede Zeile des Ergebnisses. SQLFlow modelliert direkten Datenfluss und indirekten Einfluss (WHERE-, JOIN- und GROUP BY-Spalten) als unterschiedliche Beziehungstypen, die im Diagramm separat umgeschaltet werden k\u00f6nnen \u2013 eine Unterscheidung, die die meisten Datenherkunftsanalyse-Tools gar nicht treffen.<\/li><\/ul>\n\n\n\n<p>Indirekte Abstammung ist wichtiger, als es zun\u00e4chst scheint. Wenn jemand die Enum-Werte in <code>Status<\/code>, ein rein direktes Abstammungstool sagt <code>Linienumsatz<\/code> ist nicht betroffen. Das stimmt nicht: Jede nachgelagerte Umsatzkennzahl \u00e4ndert sich. Eine Wirkungsanalyse ohne Ber\u00fccksichtigung der indirekten Umsatzlinie ist eine Wirkungsanalyse mit blinden Flecken.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Verfolgung geplanter Abfragen und Ansichtsketten<\/h2>\n\n\n\n<p>In den meisten BigQuery-Umgebungen ist die interessante Datenherkunft nicht eine einzelne Anweisung, sondern eine Kette: Rohtabellen, dann eine Ebene von Ansichten, dann eine geplante Abfrage, die eine Berichtstabelle erstellt, und schlie\u00dflich weitere Ansichten. Jede einzelne Verbindung ist leicht nachvollziehbar; der vollst\u00e4ndige Pfad von einer Quellspalte zu einem Dashboard-Feld hingegen nicht.<\/p>\n\n\n\n<p>SQLFlow analysiert das gesamte Set zusammen. Geben Sie ihm das View-DDL plus das geplante Abfrage-SQL (Einf\u00fcgen, Datei-Upload, Live-Metadaten \u00fcber JDBC, ein dbt-Manifest oder Grabit-Metadatenextraktion), und es verbindet die Kette: View-auf-View-Referenzen werden aufgel\u00f6st, <code>W\u00c4HLEN *<\/code> Die Darstellung wird anhand der realen Schemas auf jeder Ebene erweitert. Das resultierende Diagramm erm\u00f6glicht es, auf jede Ausgabespalte zu klicken und die Datenherkunft \u00fcber alle Zwischenansichten bis zu den Quellspalten in den Rohdatentabellen zu verfolgen. Der Export erfolgt im JSON-, CSV- oder PNG-Format oder programmatisch \u00fcber die REST-API. Unternehmensbereitstellungen \u00fcbertragen die Datenherkunft in DataHub, Microsoft Purview oder OpenMetadata.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">ER-Diagramme aus NICHT ERZWUNGENEN Einschr\u00e4nkungen<\/h2>\n\n\n\n<p>BigQuery unterst\u00fctzt Prim\u00e4r- und Fremdschl\u00fcssel nur als <code>NICHT DURCHGESETZT<\/code> Einschr\u00e4nkungen: Sie werden in der DDL f\u00fcr den Optimierer und die Dokumentation deklariert, aber nie beim Schreiben \u00fcberpr\u00fcft. Da sie nicht erzwungen werden, nehmen viele Teams an, es handele sich um nutzlose Metadaten. Das stimmt nicht \u2013 sie sind genau die Beziehungsdefinitionen, die ein ER-Diagramm ben\u00f6tigt.<\/p>\n\n\n\n<p>Die ER-Inferenz von SQLFlow versteht BigQuerys <code>NICHT DURCHGESETZT<\/code> PK\/FK-Idiom: F\u00fchren Sie Ihr DDL-Skript damit aus, und es erstellt das Entity-Relationship-Diagramm aus Einschr\u00e4nkungen wie z. B. <code>PRIM\u00c4RSCHL\u00dcSSEL (order_id) HINZUF\u00dcGEN NICHT ERZWUNGEN<\/code> und die passende <code>FREMDER SCHL\u00dcSSEL ... REFERENZEN ... NICHT ERZWUNGEN<\/code> Deklarationen. Das Ergebnis ist ein ER-Modell Ihres Data Warehouse, das direkt aus dem bereits vorhandenen DDL generiert wird, f\u00fcr Schemata, deren Beziehungsdokumentation wahrscheinlich nirgendwo sonst existiert.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wof\u00fcr nutzen Teams die Datenherkunftsanalyse von BigQuery?<\/h2>\n\n\n\n<ul><li><strong>Folgenabsch\u00e4tzung vor Schema\u00e4nderungen:<\/strong> Finden Sie alle geplanten Abfragen, Ansichten und Berichte, die eine Spalte tats\u00e4chlich speist \u2013 einschlie\u00dflich \u00fcber <code>UNNEST<\/code> und Zugriff auf Strukturen \u2013 bevor Sie sie umbenennen oder neu typisieren.<\/li>\n<li><strong>Fehlerbehebung bei falschen Zahlen:<\/strong> Gehen Sie von einer Dashboard-Metrik \u00fcber die Ansichtskette zur\u00fcck zu den genauen Quellfeldern und Ausdr\u00fccken, die sie erzeugt haben.<\/li>\n<li><strong>Migrationsplanung:<\/strong> Beim Import oder Export von Daten in BigQuery zeigt der Abh\u00e4ngigkeitsgraph die Reihenfolge der Datenverschiebung an und gibt an, welche Daten bedenkenlos verbleiben k\u00f6nnen. SQLFlow erstellt denselben Graphen auf Spaltenebene f\u00fcr \u2026 <a href=\"https:\/\/www.gudusoft.com\/de\/schneeflocken-datenherkunft\/\">Schneeflocke<\/a> Und <a href=\"https:\/\/www.gudusoft.com\/de\/datenlinie-der-rotverschiebung\/\">Amazon Redshift<\/a>So k\u00f6nnen standort\u00fcbergreifende Migrationen auf beiden Seiten mit einem einzigen Tool abgebildet werden.<\/li>\n<li><strong>Compliance und Audit:<\/strong> Nachweis, welche Quellfelder in eine regulierte Ausgabe mit der von den Pr\u00fcfern geforderten Spaltengranularit\u00e4t flie\u00dfen, die aus dem SQL generiert und nicht manuell gepflegt wird.<\/li><\/ul>\n\n\n\n<h2 class=\"wp-block-heading\">Datenschutz, Bereitstellung und Preisgestaltung<\/h2>\n\n\n\n<p>SQLFlow f\u00fchrt ausschlie\u00dflich statische Analysen von SQL-Code und Schema-Metadaten durch. Es liest niemals die Zeilen Ihrer BigQuery-Tabellen und ben\u00f6tigt kein Dienstkonto mit Datenzugriff \u2013 SQL-Text und DDL gen\u00fcgen. SQLFlow Cloud bietet eine kostenlose Version (Premium kostet 1.030 TP3T49,99\/Monat). F\u00fcr regulierte Umgebungen <a href=\"https:\/\/www.gudusoft.com\/de\/sqlflow-on-premise-version\/\">SQLFlow vor Ort<\/a> L\u00e4uft auf Docker oder Kubernetes in Ihrem eigenen Netzwerk, bei Bedarf abgeschottet, zu $500\/Monat oder einmalig $4.800 pro ausgew\u00e4hltem Datenbanktyp; vollst\u00e4ndige Details finden Sie auf der <a href=\"https:\/\/www.gudusoft.com\/de\/preisgestaltung\/\">Preisseite<\/a>. Enterprise-Implementierungen scannen im Batch-Verfahren Best\u00e4nde von mehr als 100 Datenbanken und \u00fcber einer Million Spalten mit inkrementellen Scans und einem persistenten Herkunftsarchiv.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">H\u00e4ufig gestellte Fragen<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Liefert Dataplex mir nicht bereits die BigQuery-Herkunftsdaten?<\/h3>\n\n\n<p>Ja, auf Tabellenebene. Dataplex protokolliert automatisch, welche Tabellen jeder BigQuery-Job liest und beschreibt \u2013 eine zuverl\u00e4ssige Job\u00fcbersicht. Die Transformationslogik im SQL-Code \u2013 welche Spalten welche Daten \u00fcber welche Ausdr\u00fccke verarbeiten \u2013 wird jedoch nicht extrahiert. Daf\u00fcr ben\u00f6tigen Sie ein Tool, das den SQL-Code analysiert, wie beispielsweise SQLFlow.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kann SQLFlow die Herkunft \u00fcber STRUCT- und ARRAY-Spalten nachverfolgen?<\/h3>\n\n\n<p>Ja. Der BigQuery-Parser modelliert verschachtelte Strukturfelder als einzelne Herkunftsknoten, daher <code>Kunden-E-Mail<\/code> Und <code>Kunde.Land<\/code> haben eine separate Abstammungslinie und verfolgen Felder durch <code>UNNEST<\/code> Gl\u00e4ttung wiederholter Spalten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wie verarbeitet SQLFlow SELECT * in BigQuery-Views?<\/h3>\n\n\n<p>Sternausdr\u00fccke werden anhand der tats\u00e4chlichen Tabellen- und Ansichtsdefinitionen erweitert, sodass jede implizite Spalte eine explizite Herkunft erh\u00e4lt. Dies funktioniert \u00fcber mehrschichtige Ansichtsketten hinweg, wobei die Spalten hinter einer <code>W\u00c4HLEN *<\/code> kann aus mehreren vorgelagerten Perspektiven definiert werden.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kann es die Herkunft von geplanten Abfragen und Ansichten gemeinsam abbilden?<\/h3>\n\n\n<p>Ja. Analysieren Sie die geplante SQL-Abfrage und betrachten Sie das DDL als einen einzigen Auftrag. SQLFlow verkn\u00fcpft die gesamte Kette, sodass Sie eine Berichtsspalte \u00fcber die materialisierende Abfrage und jede Zwischenansicht bis zu den Rohdatenspalten zur\u00fcckverfolgen k\u00f6nnen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ben\u00f6tigt SQLFlow Zugriff auf meine BigQuery-Daten?<\/h3>\n\n\n<p>Nein. Es handelt sich um eine statische Analyse: SQL-Text plus optionale Schema-Metadaten. Tabellenzeilendaten werden niemals gelesen. Bei einer On-Premise-L\u00f6sung verbleibt sogar der SQL-Text innerhalb Ihres Netzwerks.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Was kostet SQLFlow?<\/h3>\n\n\n<p>SQLFlow Cloud ist kostenlos; Premium-Konten kosten $49,99\/Monat. SQLFlow On-Premise kostet $500\/Monat oder einmalig $4.800 pro ausgew\u00e4hltem Datenbanktyp und kann auf zwei Servern installiert werden.<\/p>\n\n\n\n<div class=\"wp-block-group alignfull has-background is-layout-constrained\" style=\"background-color:#60d5f6;padding-top:32px;padding-bottom:32px\"><div class=\"wp-block-group__inner-container\">\n\n<h2 class=\"wp-block-heading\">Sehen Sie sich jetzt Ihre BigQuery-Herkunft an<\/h2>\n\n\n<p>F\u00fcgen Sie eine BigQuery-Abfrage in den kostenlosen Visualisierer ein oder sprechen Sie mit uns \u00fcber die M\u00f6glichkeit, Ihr gesamtes Projekt zu scannen.<\/p>\n\n\n<div class=\"wp-block-buttons is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/sqlflow.gudusoft.com\/?utm_source=gudusoft&amp;utm_medium=website&amp;utm_campaign=bigquery-data-lineage\" target=\"_blank\" rel=\"noreferrer noopener\">Testen Sie SQLFlow kostenlos<\/a><\/div>\n<\/div>\n\n\n<div class=\"wp-block-buttons is-layout-flex\">\n<div class=\"wp-block-button\"><a class=\"wp-block-button__link wp-element-button\" href=\"https:\/\/www.gudusoft.com\/de\/kontakt\/\">Fordern Sie eine Enterprise-Demo an<\/a><\/div>\n<\/div>\n\n<\/div><\/div>\n\n\n\n<script type=\"application\/ld+json\">{\n    \"@context\": \"https:\\\/\\\/schema.org\",\n    \"@graph\": [\n        {\n            \"@type\": \"SoftwareApplication\",\n            \"name\": \"Gudu SQLFlow\",\n            \"applicationCategory\": \"DeveloperApplication\",\n            \"applicationSubCategory\": \"SQL Data Lineage Tool\",\n            \"operatingSystem\": \"Web, Linux, Windows, macOS\",\n            \"url\": \"https:\\\/\\\/www.gudusoft.com\\\/bigquery-data-lineage\\\/\",\n            \"description\": \"Automated SQL data lineage tool with a dedicated BigQuery dialect parser: column-level lineage through STRUCT fields, UNNEST, star expansion, view chains, and scheduled queries.\",\n            \"featureList\": \"BigQuery column-level lineage, nested STRUCT field lineage, UNNEST tracing, star expansion, indirect\\\/impact lineage, ER diagrams from NOT ENFORCED constraints, dbt support, REST API, DataHub\\\/Purview\\\/OpenMetadata export\",\n            \"softwareVersion\": \"8.2.3\",\n            \"offers\": [\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow Cloud Free\",\n                    \"price\": \"0\",\n                    \"priceCurrency\": \"USD\"\n                },\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow Cloud Premium\",\n                    \"price\": \"49.99\",\n                    \"priceCurrency\": \"USD\",\n                    \"priceSpecification\": {\n                        \"@type\": \"UnitPriceSpecification\",\n                        \"price\": \"49.99\",\n                        \"priceCurrency\": \"USD\",\n                        \"billingIncrement\": 1,\n                        \"unitText\": \"MONTH\"\n                    }\n                },\n                {\n                    \"@type\": \"Offer\",\n                    \"name\": \"SQLFlow On-Premise\",\n                    \"price\": \"4800\",\n                    \"priceCurrency\": \"USD\"\n                }\n            ],\n            \"publisher\": {\n                \"@type\": \"Organization\",\n                \"name\": \"Gudu Software\",\n                \"url\": \"https:\\\/\\\/www.gudusoft.com\\\/\"\n            }\n        },\n        {\n            \"@type\": \"FAQPage\",\n            \"mainEntity\": [\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Doesn't Dataplex already give me BigQuery lineage?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Yes, at the table level. Dataplex automatically records which tables each BigQuery job reads and writes. It does not extract the transform logic inside the SQL \\u2014 which columns feed which, through which expressions. For that you need a tool that parses the SQL, which is what SQLFlow does.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Can SQLFlow trace lineage through STRUCT and ARRAY columns?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Yes. The BigQuery parser models nested struct fields as individual lineage nodes, so customer.email and customer.country have separate lineage, and it traces fields through UNNEST flattening of repeated columns.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"How does SQLFlow handle SELECT * in BigQuery views?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Star expressions are expanded against the actual table and view definitions, so every implicit column gets explicit lineage, even through multi-layer view chains.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Can it map lineage across scheduled queries and views together?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"Yes. Analyze the scheduled-query SQL and view DDL as one job and SQLFlow stitches the end-to-end chain from reporting columns back to raw source columns.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"Does SQLFlow need access to my BigQuery data?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"No. It is static analysis of SQL text plus optional schema metadata. Table row data is never read. With the On-Premise edition, even the SQL text stays inside your network.\"\n                    }\n                },\n                {\n                    \"@type\": \"Question\",\n                    \"name\": \"What does SQLFlow cost?\",\n                    \"acceptedAnswer\": {\n                        \"@type\": \"Answer\",\n                        \"text\": \"SQLFlow Cloud starts free; premium accounts are $49.99\\\/month. SQLFlow On-Premise is $500\\\/month or $4,800 one-time per selected database type, installable on two servers.\"\n                    }\n                }\n            ]\n        }\n    ]\n}<\/script>","protected":false},"excerpt":{"rendered":"<p>BigQuery data lineage is the map of how data moves through your BigQuery project: which source tables and columns feed each derived table, view, and scheduled query, and which expressions transform the data along the way. Google&#8217;s Dataplex captures lineage automatically for BigQuery jobs at the table level; to see which columns feed which, and through which functions and joins, you have to parse the SQL itself. Gudu SQLFlow does exactly that, with a dedicated BigQuery dialect parser that resolves nested STRUCT fields, UNNEST, star expansion, and view chains down to column granularity. Try it in 30 seconds: paste any\u2026<\/p>","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":5}},"_links":{"self":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages\/6750"}],"collection":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/comments?post=6750"}],"version-history":[{"count":0,"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/pages\/6750\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.gudusoft.com\/de\/wp-json\/wp\/v2\/media?parent=6750"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}