{"id":31208,"date":"2026-06-24T17:49:02","date_gmt":"2026-06-24T15:49:02","guid":{"rendered":"https:\/\/fotc.com\/bigquery-co-to-jest-jak-zaczac-tutorial\/"},"modified":"2026-06-24T17:49:05","modified_gmt":"2026-06-24T15:49:05","slug":"bigquery-co-to-jest-jak-zaczac-tutorial","status":"publish","type":"post","link":"https:\/\/fotc.com\/pl\/blog\/bigquery-co-to-jest-jak-zaczac-tutorial\/","title":{"rendered":"BigQuery \u2013 co to jest i jak zacz\u0105\u0107? Tutorial"},"content":{"rendered":"\n<p>Dane to nowe z\u0142oto \u2013 zdaj\u0105 sobie z tego spraw\u0119 firmy i organizacje nastawione na rozw\u00f3j. \u015awiadome biznesy prowadz\u0105 analiz\u0119 istniej\u0105cych proces\u00f3w, wprowadzaj\u0105 zmiany i ulepszenia na podstawie liczb. Niekt\u00f3re id\u0105 dalej \u2013 korzystaj\u0105c z mo\u017cliwo\u015bci, jakie daje technologia, przewiduj\u0105 trendy, prawdopodobne zmiany na rynku, skutki jeszcze niepodj\u0119tych decyzji biznesowych.<\/p>\n\n\n\n<p>Wraz z rozwojem biznesu rosn\u0105 ilo\u015bci danych \u2013 gigabajty zamieniaj\u0105 si\u0119 w terabajty czy petabajty. By zachowa\u0107 odpowiedni poziom koszt\u00f3w utrzymania narz\u0119dzia analitycznego oraz kr\u00f3tki czas generowania raport\u00f3w, nale\u017cy zadba\u0107 o odpowiedni dob\u00f3r technologii. Z nieocenion\u0105 pomoc\u0105 przychodzi <strong>BigQuery<\/strong> \u2013 us\u0142uga dedykowana prowadzeniu analiz Big Data, nap\u0119dzaj\u0105ca wiele narz\u0119dzi analitycznych. Dzi\u015b BigQuery to nie tylko hurtownia danych \u2013 Google opisuje je jako platform\u0119 danych zintegrowan\u0105 z AI, co otwiera zupe\u0142nie nowe mo\u017cliwo\u015bci analizy, o kt\u00f3rych piszemy w dalszej cz\u0119\u015bci.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Co to jest BigQuery, czyli hurtownia danych (data warehouse) od Google?<\/h2>\n\n\n\n<p><strong>BigQuery to us\u0142uga bezserwerowej, skalowalnej hurtowni danych w chmurze (<em>cloud data warehouse<\/em>)<\/strong>. Pozwala obs\u0142u\u017cy\u0107 miliony zapyta\u0144 (<em>query<\/em>) oraz prowadzi\u0107 zaawansowan\u0105 analiz\u0119 ogromnych ilo\u015bci danych \u2013 rz\u0119du petabajt\u00f3w \u2013 w j\u0119zyku SQL, bez konieczno\u015bci zamartwiania si\u0119 kosztownym utrzymaniem zaawansowanej infrastruktury, skalowaniem czy r\u00f3wnowa\u017ceniem ruchu.<\/p>\n\n\n\n<p>BigQuery jest jedn\u0105 z us\u0142ug dost\u0119pnych w <a href=\"https:\/\/fotc.com\/pl\/google-cloud-platform\/\" target=\"_blank\" rel=\"noreferrer noopener\">Google Cloud Platform (GCP)<\/a>. Przechowywanie oraz procesowanie zestaw\u00f3w danych odbywa si\u0119 w chmurze, na stabilnej, bezpiecznej i skalowalnej infrastrukturze Google Cloud. Z pomoc\u0105 us\u0142ugi mo\u017cna stworzy\u0107 w\u0142asne narz\u0119dzie analityczne \u2013 na przyk\u0142ad <a href=\"https:\/\/fotc.com\/pl\/blog\/hurtownia-danych\/\" target=\"_blank\" rel=\"noreferrer noopener\">hurtowni\u0119 danych<\/a> \u2013 kt\u00f3re pos\u0142u\u017cy \u015bledzeniu rozwoju, proces\u00f3w czy zachodz\u0105cych zmian wewn\u0105trz firmy lub wok\u00f3\u0142 niej. Google BigQuery posiada wbudowane mechanizmy uczenia maszynowego (<em>ML \u2013 machine learning<\/em>) oraz, jak opisujemy w kolejnej sekcji, generatywnej AI, co pozwala rozbudowa\u0107 system o mo\u017cliwo\u015bci prowadzenia predykcji czy symulacj\u0119 r\u00f3\u017cnych scenariuszy biznesowych.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Bezserwerowa technologia<\/h3>\n\n\n\n<p>Google BigQuery jest us\u0142ug\u0105 bezserwerow\u0105, co oznacza, \u017ce procesy utrzymaniowe s\u0105 poddane automatyzacji. Jako u\u017cytkownik nie musisz prowadzi\u0107 konserwacji fizycznych maszyn, aktualizacji oprogramowania, ustawia\u0107 regu\u0142 skalowania, r\u00f3wnowa\u017cenia ruchu czy skomplikowanych zasad bezpiecze\u0144stwa. O te elementy dba dostawca us\u0142ug \u2013 Google Cloud \u2013 a Ty mo\u017cesz skupi\u0107 si\u0119 na prowadzeniu analityki bez dodatkowych rozpraszaczy.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Szybka analiza pok\u0142ad\u00f3w danych<\/h3>\n\n\n\n<p>Hurtownie danych (<em>warehouses<\/em>) w odr\u00f3\u017cnieniu od baz danych (<em>databases<\/em>) s\u0105 w stanie przeanalizowa\u0107 ogromne sk\u0142ady informacji i przeprowadzi\u0107 kompleksow\u0105 analiz\u0119, kiedy bazy danych wydajniej dzia\u0142aj\u0105 w modelu ma\u0142e zapytanie\/szybka odpowied\u017a. Tak wysoka wydajno\u015b\u0107 wynika z kolumnowego sposobu przechowywania danych (<em>columnar storage<\/em>) \u2013 BigQuery odczytuje tylko te kolumny, kt\u00f3re s\u0105 potrzebne do wykonania zapytania, zamiast skanowa\u0107 ca\u0142e wiersze, co znacz\u0105co przyspiesza analiz\u0119. Przetworzenie terabajt\u00f3w danych zajmuje BigQuery sekundy, a jednego petabajta \u2013 oko\u0142o 3 minut (rzeczywisty czas zale\u017cy od z\u0142o\u017cono\u015bci zapytania, przydzielonych zasob\u00f3w i optymalizacji tabel). Oznacza to, \u017ce maj\u0105c pok\u0142ady danych bie\u017c\u0105cych i historycznych, przeprowadzenie analizy w BigQuery mo\u017ce zaj\u0105\u0107 <strong>do kilku minut<\/strong>, kiedy inne systemy hurtowni mog\u0105 potrzebowa\u0107 nawet kilku godzin. Skalowalno\u015b\u0107 oznacza tutaj, \u017ce du\u017ce ilo\u015bci danych nie wp\u0142ywaj\u0105 znacz\u0105co na czas oczekiwania na wynik \u2013 zasoby s\u0105 przydzielane automatycznie, w zale\u017cno\u015bci od obci\u0105\u017cenia.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Brak ingerencji w kod \u017ar\u00f3d\u0142owy<\/h3>\n\n\n\n<p>\u017beby korzysta\u0107 z BigQuery, <strong>nie ma potrzeby wprowadzania du\u017cych zmian<\/strong> czy przepisywania kodu \u017ar\u00f3d\u0142owego. To dzi\u0119ki temu, \u017ce BigQuery wspiera standard ANSI SQL:2011 oraz zapewnia bezp\u0142atnie interfejsy programowania ODBC i JDBC.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Bezpiecze\u0144stwo danych w Google BigQuery<\/h3>\n\n\n\n<p>Dane s\u0105 szyfrowane w spoczynku (<em>encryption at rest<\/em>) oraz w tranzycie (<em>encryption in transit<\/em>), a dost\u0119p do nich mo\u017cna precyzyjnie kontrolowa\u0107 na poziomie projekt\u00f3w i zbior\u00f3w danych \u2013 na przyk\u0142ad za pomoc\u0105 r\u00f3l IAM. Dodatkowo dane s\u0105 przechowywane w spos\u00f3b redundantny, na zreplikowanych (zmirrorowanych) dyskach, co chroni przed ich utrat\u0105 w przypadku awarii sprz\u0119tu. Taki model zapewnia wysoki poziom bezpiecze\u0144stwa danych, zgodny z wymaganiami stawianymi rozwi\u0105zaniom klasy enterprise.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Automatyczna kopia zapasowa<\/h3>\n\n\n\n<p>Narz\u0119dzie wykonuje automatyczn\u0105 kopi\u0119 zapasow\u0105 oraz przechowuje <strong>histori\u0119 zmian domy\u015blnie przez 7 dni<\/strong> (funkcja <em>time travel<\/em>, okno mo\u017cna skonfigurowa\u0107 w zakresie od 2 do 7 dni). Dzi\u0119ki temu mo\u017cna \u0142atwo por\u00f3wna\u0107 wyniki z poprzednim okresem lub przywr\u00f3ci\u0107 dane.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Analiza danych z r\u00f3\u017cnych \u017ar\u00f3de\u0142<\/h3>\n\n\n\n<p>Za pomoc\u0105 BigQuery mo\u017cna prowadzi\u0107 analiz\u0119 danych pochodz\u0105cych z r\u00f3\u017cnych \u017ar\u00f3de\u0142 \u2013 z Google Marketing Platform, Google Analytics, YouTube, platform reklamowych i mediowych (np. Facebook Ads) oraz setek zewn\u0119trznych aplikacji SaaS. Dane mo\u017cna zaimportowa\u0107 manualnie lub zbudowa\u0107 pipeline, kt\u00f3ry automatycznie b\u0119dzie pobiera\u0142, ujednolica\u0142 i przesy\u0142a\u0142 dane do us\u0142ugi. Dzi\u0119ki integracji ze strumieniowym przesy\u0142aniem danych (streaming) nowe rekordy \u2013 na przyk\u0142ad z czujnik\u00f3w i urz\u0105dze\u0144 IoT \u2013 mog\u0105 by\u0107 dost\u0119pne do analizy w czasie rzeczywistym.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Analityka multi-cloud z BigQuery Omni<\/h3>\n\n\n\n<p>BigQuery Omni umo\u017cliwia analizowanie danych z innych chmur publicznych (AWS, Azure) bez opuszczania interfejsu us\u0142ugi, w tym wykonywanie zapyta\u0144 i \u0142\u0105cze\u0144 (<em>cross-cloud joins<\/em>) mi\u0119dzy danymi przechowywanymi w r\u00f3\u017cnych chmurach. Wi\u0119cej o tej us\u0142udze przeczytasz w artykule: <a href=\"https:\/\/fotc.com\/pl\/blog\/bigquery-omni-hurtownia-danych-multi-cloud\/\" target=\"_blank\" rel=\"noreferrer noopener\">BigQuery Omni \u2013 hurtownia danych w modelu multi-cloud<\/a>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">BigQuery ML \u2013 wbudowane modele machine learning<\/h3>\n\n\n\n<p>Jedn\u0105 z dost\u0119pnych funkcji jest <strong>BigQuery ML<\/strong>, dedykowana tworzeniu i rozwijaniu mo\u017cliwo\u015bci uczenia maszynowego przy u\u017cyciu standardowych zapyta\u0144 SQL. BigQuery ML zwi\u0119ksza szybko\u015b\u0107 rozwoju produkt\u00f3w uwzgl\u0119dniaj\u0105cych machine learning, ograniczaj\u0105c przy tym wymagania dotycz\u0105ce pisania kodu \u017ar\u00f3d\u0142owego i przenoszenia danych. Us\u0142ug\u0119 mo\u017cna zintegrowa\u0107 r\u00f3wnie\u017c z platform\u0105 Vertex AI, modelami generatywnymi (w tym Gemini) oraz TensorFlow, by tworzy\u0107 i trenowa\u0107 w\u0142asne modele uczenia maszynowego \u2013 wi\u0119cej na ten temat piszemy w sekcji o BigQuery Studio i Gemini.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wsparcie Business Intelligence (BI) w czasie rzeczywistym<\/h3>\n\n\n\n<p><strong>BigQuery BI Engine<\/strong> to wbudowana funkcja analizy in-memory, kt\u00f3ra umo\u017cliwia prowadzenie analizy du\u017cych zestaw\u00f3w lub wycink\u00f3w danych niemal w czasie rzeczywistym. BI Engine jest zintegrowane z narz\u0119dziem wizualizacji danych Looker Studio (dawniej Google Data Studio), dzi\u0119ki czemu BigQuery jest doskona\u0142ym narz\u0119dziem Business Intelligence, wspieraj\u0105cym podejmowanie decyzji biznesowych. Us\u0142uga wspiera te\u017c prowadzenie raport\u00f3w <em>ad hoc<\/em>, czyli takich, kt\u00f3re obejmuj\u0105 pewien wycinek danych i nie wymagaj\u0105 anga\u017cowania dzia\u0142u analitycznego czy IT do przygotowania podsumowania. Je\u015bli pracujesz z raportami w Looker Studio (dawniej Google Data Studio), ta hurtownia danych jest jednym z natywnych \u017ar\u00f3de\u0142 danych dla tego narz\u0119dzia. BigQuery integruje si\u0119 te\u017c z innymi popularnymi narz\u0119dziami BI, takimi jak Tableau czy Power BI, dzi\u0119ki dedykowanym z\u0142\u0105czom (connectors) oraz sterownikom ODBC\/JDBC.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">BigQuery Studio i Gemini \u2013 BigQuery jako platforma danych z AI<\/h2>\n\n\n\n<p>Google BigQuery to dzi\u015b co\u015b wi\u0119cej ni\u017c klasyczna hurtownia danych \u2013 Google opisuje je jako <em>AI data platform<\/em>, czyli platform\u0119 danych zintegrowan\u0105 z modelami AI na ka\u017cdym etapie pracy: od eksploracji danych, przez pisanie zapyta\u0144, po analiz\u0119 i predykcj\u0119.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">BigQuery Studio \u2013 jedno miejsce pracy z danymi<\/h3>\n\n\n\n<p><strong>BigQuery Studio<\/strong> to zunifikowane \u015brodowisko pracy, kt\u00f3re \u0142\u0105czy edytor SQL, notebooki (oparte na Colab Enterprise), asystenta Gemini oraz narz\u0119dzia do eksploracji i przygotowania danych w jednym interfejsie. Zamiast prze\u0142\u0105cza\u0107 si\u0119 mi\u0119dzy kilkoma us\u0142ugami, analitycy mog\u0105 pisa\u0107 zapytania SQL, kod Python i korzysta\u0107 z asystenta AI w jednym oknie konsoli Google Cloud.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Gemini w BigQuery \u2013 SQL z j\u0119zyka naturalnego i automatyczne insighty<\/h3>\n\n\n\n<p><strong>Gemini w BigQuery<\/strong> to wbudowany asystent AI, kt\u00f3ry wspiera u\u017cytkownik\u00f3w na kilku poziomach:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>generowanie zapyta\u0144 SQL z opisu w j\u0119zyku naturalnym<\/strong> \u2013 wystarczy opisa\u0107, jakich danych potrzebujesz, a Gemini zaproponuje gotowe zapytanie;<\/li>\n\n\n\n<li><strong>wyja\u015bnianie i optymalizacja zapyta\u0144<\/strong> \u2013 asystent rozumie kontekst otwartej zak\u0142adki z zapytaniem i mo\u017ce zaproponowa\u0107 jego uproszczenie lub optymalizacj\u0119 bez kopiowania kodu do czatu;<\/li>\n\n\n\n<li><strong>automatyczne insighty (data insights)<\/strong> \u2013 Gemini analizuje metadane tabeli w czasie rzeczywistym i samodzielnie proponuje pytania oraz wzorce warte sprawdzenia, co u\u0142atwia pierwsze kroki przy nowym zbiorze danych;<\/li>\n\n\n\n<li><strong>data canvas<\/strong> \u2013 wizualna eksploracja danych za pomoc\u0105 polece\u0144 w j\u0119zyku naturalnym, bez pisania kodu;<\/li>\n\n\n\n<li><strong>wyszukiwanie zasob\u00f3w<\/strong> \u2013 asystent przeszukuje datasety, tabele, modele i zapisane zapytania w wielu projektach na raz.<\/li>\n<\/ul>\n\n\n\n<p>Dla zespo\u0142\u00f3w dopiero zaczynaj\u0105cych prac\u0119 z BigQuery Gemini realnie skraca krzyw\u0105 uczenia: nie trzeba zna\u0107 sk\u0142adni SQL od pierwszego dnia, \u017ceby zacz\u0105\u0107 wyci\u0105ga\u0107 wnioski z danych.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<iframe title=\"Intro to Google Gemini AI and Data Analytics In BigQuery\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/-MWIHAH4cbA?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe>\n<\/div><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\">Funkcje AI bezpo\u015brednio w zapytaniach SQL<\/h3>\n\n\n\n<p>BigQuery pozwala te\u017c wywo\u0142ywa\u0107 modele generatywne (w tym Gemini i inne modele dost\u0119pne przez Vertex AI) bezpo\u015brednio z zapyta\u0144 SQL, bez opuszczania \u015brodowiska BigQuery. Najwa\u017cniejsze funkcje:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>AI.GENERATE<\/strong> \u2013 generowanie tekstu na podstawie danych z tabeli (np. automatyczne podsumowania, klasyfikacja, opisy);<\/li>\n\n\n\n<li><strong>AI.EMBED \/ AI.GENERATE_EMBEDDING<\/strong> \u2013 tworzenie embedding\u00f3w (reprezentacji wektorowych) z danych tekstowych, ale te\u017c obraz\u00f3w, audio, wideo i plik\u00f3w PDF, co umo\u017cliwia wyszukiwanie semantyczne i por\u00f3wnywanie podobie\u0144stwa tre\u015bci;<\/li>\n\n\n\n<li><strong>AI.SIMILARITY<\/strong> \u2013 por\u00f3wnywanie podobie\u0144stwa danych na podstawie wygenerowanych embedding\u00f3w.<\/li>\n<\/ul>\n\n\n\n<p>To rozszerza mo\u017cliwo\u015bci opisanego wcze\u015bniej <strong>BigQuery ML<\/strong> \u2013 opr\u00f3cz klasycznych modeli (regresja, klasteryzacja, szeregi czasowe) BigQuery ML pozwala te\u017c tworzy\u0107 modele zdalne (<em>remote models<\/em>), kt\u00f3re korzystaj\u0105 z modeli generatywnych dost\u0119pnych w Vertex AI.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Agenci AI: Conversational Analytics i Data Engineering Agent<\/h3>\n\n\n\n<p>BigQuery rozwija te\u017c warstw\u0119 agentow\u0105, dost\u0119pn\u0105 z poziomu BigQuery Studio. <strong>Conversational Analytics<\/strong> pozwala prowadzi\u0107 wieloetapow\u0105 &#8222;rozmow\u0119&#8221; z danymi \u2013 agent na podstawie pyta\u0144 w j\u0119zyku naturalnym generuje, wykonuje i wizualizuje zapytania SQL w czasie rzeczywistym, w kontek\u015bcie biznesowym firmy, a wyniki (tabele, wykresy, wyja\u015bnienia) s\u0105 w pe\u0142ni weryfikowalne, bo wida\u0107 u\u017cyty kod SQL. Z kolei <strong>Data Engineering Agent<\/strong> wspiera budow\u0119 i utrzymanie pipeline&#8217;\u00f3w danych \u2013 na podstawie opisu w j\u0119zyku naturalnym generuje kod zgodny z najlepszymi praktykami in\u017cynierii danych oraz pomaga modyfikowa\u0107 ju\u017c istniej\u0105ce pipeline&#8217;y. Dost\u0119pno\u015b\u0107 poszczeg\u00f3lnych funkcji bywa zr\u00f3\u017cnicowana w zale\u017cno\u015bci od regionu i etapu wdro\u017cenia \u2013 aktualny status warto sprawdzi\u0107 w dokumentacji BigQuery.<\/p>\n\n\n\n<p>Dla firm to kolejny krok w stron\u0119 samoobs\u0142ugowej analityki \u2013 pytania o dane mog\u0105 zadawa\u0107 osoby bez wiedzy technicznej, a zespo\u0142y danych zyskuj\u0105 czas na zadania wymagaj\u0105ce wi\u0119kszej kontroli i nadzoru.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Koszt BigQuery \u2013 ile kosztuje us\u0142uga analizy danych w chmurze?<\/h2>\n\n\n\n<p>Standardowy model p\u0142atno\u015bci za us\u0142ugi chmurowe to <em>pay-as-you-use<\/em> (pay-as-you-go) \u2013 p\u0142acisz tylko za rzeczywiste zu\u017cycie, bez sta\u0142ych op\u0142at z g\u00f3ry. Na cen\u0119 Google BigQuery sk\u0142adaj\u0105 si\u0119 dwa g\u0142\u00f3wne elementy: <strong>koszt zapyta\u0144 (compute)<\/strong> oraz <strong>koszt przechowywania danych<\/strong>.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Koszt zapyta\u0144 \u2013 on-demand vs. BigQuery Editions<\/h3>\n\n\n\n<p>W przypadku koszt\u00f3w zapyta\u0144 masz do wyboru dwa modele rozlicze\u0144:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>on-demand (per TB)<\/strong> \u2013 p\u0142acisz za ilo\u015b\u0107 przetworzonych danych, czyli liczb\u0119 bajt\u00f3w, wed\u0142ug stawki rz\u0119du 5 USD za TB przetworzonych danych (orientacyjnie \u2013 dok\u0142adn\u0105, aktualn\u0105 stawk\u0119 w przeliczeniu na tebibajty znajdziesz w cenniku Google Cloud). Pierwszy TB danych w miesi\u0105cu jest bezp\u0142atny, kolejne rozliczane s\u0105 wed\u0142ug aktualnej stawki za TB. To rozwi\u0105zanie dla firm, kt\u00f3re prowadz\u0105 analityk\u0119 nieregularnie lub maj\u0105 trudne do przewidzenia obci\u0105\u017cenie.<\/li>\n\n\n\n<li><strong>BigQuery Editions (capacity pricing)<\/strong> \u2013 kupujesz moc obliczeniow\u0105 w slotach (wirtualnych procesorach) w jednej z trzech edycji: <strong>Standard<\/strong> (mniejsze, nieregularne obci\u0105\u017cenia), <strong>Enterprise<\/strong> (przewidywalna wydajno\u015b\u0107 i zarz\u0105dzanie obci\u0105\u017ceniem) oraz <strong>Enterprise Plus<\/strong> (najwy\u017csze wymagania w zakresie bezpiecze\u0144stwa danych i zgodno\u015bci). Sloty mo\u017cna skalowa\u0107 automatycznie (autoscaling) albo zarezerwowa\u0107 na 1 lub 3 lata w ramach zobowi\u0105zania, co zapewnia pe\u0142n\u0105 skalowalno\u015b\u0107 niezale\u017cnie od obci\u0105\u017cenia i daje ni\u017csz\u0105 cen\u0119.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Przechowywanie danych<\/h3>\n\n\n\n<p>Przechowywanie danych w BigQuery rozliczane jest w dw\u00f3ch trybach, a wysoko\u015b\u0107 op\u0142aty zale\u017cy od ilo\u015bci przechowywanych danych oraz czasu, jaki up\u0142yn\u0105\u0142 od ich ostatniej modyfikacji:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>active storage<\/strong> \u2013 dla tabel i partycji modyfikowanych w ci\u0105gu ostatnich 90 dni;<\/li>\n\n\n\n<li><strong>long-term storage<\/strong> \u2013 dla tabel i partycji niemodyfikowanych przez 90 dni; cena spada automatycznie o ok. 50%, bez wp\u0142ywu na wydajno\u015b\u0107 czy dost\u0119pno\u015b\u0107 danych.<\/li>\n<\/ul>\n\n\n\n<p>Dodatkowo BigQuery pozwala wybra\u0107 mi\u0119dzy rozliczeniem <strong>logicznym<\/strong> (na podstawie nieskompresowanego rozmiaru danych) i <strong>fizycznym<\/strong> (na podstawie rzeczywistego, skompresowanego miejsca na dysku) \u2013 ten drugi model bywa korzystniejszy dla dobrze skompresowanych zbior\u00f3w danych. Orientacyjnie, koszt przechowywania danych w trybie long-term storage wynosi ok. 1 centa za GB miesi\u0119cznie (stawki r\u00f3\u017cni\u0105 si\u0119 w zale\u017cno\u015bci od regionu i wybranego modelu rozlicze\u0144 \u2013 aktualny cennik znajdziesz w dokumentacji Google Cloud). Pierwsze 10 GB miesi\u0119cznie jest bezp\u0142atne w ka\u017cdym z modeli.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Dodatkowe koszty i estymacja<\/h3>\n\n\n\n<p>Dodatkowe koszty mog\u0105 obejmowa\u0107 m.in. BI Engine, trenowanie modeli BigQuery ML, eksport danych poza us\u0142ug\u0119 czy przesy\u0142anie danych mi\u0119dzy lokalizacjami. Stosowanie partycjonowania i klastrowania tabel to jedna z najlepszych praktyk pozwalaj\u0105cych ograniczy\u0107 koszty zapyta\u0144. Poniewa\u017c stawki Google Cloud zmieniaj\u0105 si\u0119 z czasem, najdok\u0142adniejsz\u0105 i aktualn\u0105 estymacj\u0119 uzyskasz korzystaj\u0105c z <a href=\"https:\/\/cloud.google.com\/products\/calculator\" target=\"_blank\" rel=\"noreferrer noopener\">kalkulatora koszt\u00f3w Google Cloud<\/a> lub w <a href=\"https:\/\/cloud.google.com\/bigquery\/pricing\" target=\"_blank\" rel=\"noreferrer noopener\">dokumentacji cenowej BigQuery<\/a>.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Przetestuj BigQuery za darmo \u2013 BigQuery sandbox<\/h2>\n\n\n\n<p>O potencjale Google BigQuery najlepiej przekona\u0107 si\u0119 w praktyce. Najlepszym punktem startowym jest <strong>BigQuery sandbox<\/strong> \u2013 darmowy tryb, kt\u00f3ry nie wymaga podania danych karty p\u0142atniczej ani zak\u0142adania konta rozliczeniowego w Google Cloud.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Co to jest BigQuery sandbox?<\/h3>\n\n\n\n<p>BigQuery sandbox (Tryb piaskownicy) to specjalny tryb dost\u0119pu do us\u0142ugi, dost\u0119pny dla ka\u017cdego u\u017cytkownika z kontem Google. Dzia\u0142a w ramach bezp\u0142atnego poziomu Google Cloud i pozwala eksplorowa\u0107 interfejs, zadawa\u0107 zapytania SQL na publicznych zbiorach danych oraz wgrywa\u0107 i analizowa\u0107 w\u0142asne dane \u2013 bez \u017cadnych koszt\u00f3w i bez ryzyka niespodziewanego rachunku. Nowi u\u017cytkownicy Google Cloud mog\u0105 te\u017c skorzysta\u0107 z dodatkowego kredytu promocyjnego w wysoko\u015bci 300 USD w ramach ograniczonego czasowo okresu pr\u00f3bnego \u2013 aktualne warunki warto zweryfikowa\u0107 przed rejestracj\u0105.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1024\" height=\"854\" src=\"https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-1024x854.png\" alt=\"Interfejs BigQuery w konsoli Google Cloud. Widoczny tryb piaskownicy pozwalaj\u0105cy testowa\u0107 rozwi\u0105zanie kompletnie za darmo.\" class=\"wp-image-172600\" srcset=\"https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-1024x854.png 1024w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-300x250.png 300w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-768x641.png 768w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-123x103.png 123w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-142x118.png 142w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-210x175.png 210w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-338x282.png 338w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-219x183.png 219w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox-26x22.png 26w, https:\/\/fotc.com\/app\/uploads\/2023\/03\/bigquery-sandbox.png 1392w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\">Limity BigQuery sandbox<\/h3>\n\n\n\n<p>Sandbox dzia\u0142a w ramach nast\u0119puj\u0105cych ogranicze\u0144:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>1 TiB zapyta\u0144 miesi\u0119cznie<\/strong> \u2013 wystarczaj\u0105co du\u017co do nauki i test\u00f3w;<\/li>\n\n\n\n<li><strong>10 GiB przechowywania danych<\/strong> \u2013 dla w\u0142asnych tabel i zbior\u00f3w;<\/li>\n\n\n\n<li><strong>brak streamingu danych<\/strong> \u2013 dane mo\u017cna importowa\u0107 tylko wsadowo (batch), nie w czasie rzeczywistym;<\/li>\n\n\n\n<li><strong>brak operacji DML<\/strong> (INSERT, UPDATE, DELETE) \u2013 tabele mo\u017cna tworzy\u0107 i odpytywa\u0107, ale nie modyfikowa\u0107 wierszami;<\/li>\n\n\n\n<li><strong>wygasanie tabel<\/strong> \u2013 tabele nieu\u017cywane przez 60 dni s\u0105 automatycznie usuwane.<\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Jak uruchomi\u0107 BigQuery sandbox?<\/h3>\n\n\n\n<ol class=\"wp-block-list\">\n<li>Wejd\u017a na console.cloud.google.com i zaloguj si\u0119 kontem Google.<\/li>\n\n\n\n<li>Utw\u00f3rz nowy projekt \u2013 bez podawania danych karty p\u0142atniczej i bez zak\u0142adania konta rozliczeniowego.<\/li>\n\n\n\n<li>Z menu po lewej stronie wybierz <strong>BigQuery<\/strong> \u2013 sandbox aktywuje si\u0119 automatycznie.<\/li>\n\n\n\n<li>W BigQuery Studio mo\u017cesz od razu zadawa\u0107 zapytania na publicznych zbiorach danych lub wgra\u0107 w\u0142asne dane i zacz\u0105\u0107 analiz\u0119.<\/li>\n\n\n\n<li>Je\u015bli nie masz jeszcze w\u0142asnych danych, podepnij jeden z publicznych zbior\u00f3w danych BigQuery: w panelu po lewej kliknij <strong>+ Dodaj dane<\/strong> \u2192 <strong>Publiczne zbiory danych<\/strong> i wybierz interesuj\u0105cy Ci\u0119 dataset (np. dane demograficzne, finansowe czy transportowe). B\u0119dzie dost\u0119pny do zapyta\u0144 natychmiast, bez \u017cadnej konfiguracji.<\/li>\n<\/ol>\n\n\n\n<h3 class=\"wp-block-heading\">Kiedy sandbox przestaje wystarcza\u0107?<\/h3>\n\n\n\n<p>Sandbox to \u015bwietny start, ale ma swoje granice. Gdy Twoja firma potrzebuje streamingu danych z system\u00f3w produkcyjnych, operacji DML, wi\u0119kszych wolumen\u00f3w przechowywania lub integracji z innymi us\u0142ugami Google Cloud Platform \u2013 czas przej\u015b\u0107 na pe\u0142ne konto i zaplanowa\u0107 wdro\u017cenie. To moment, w kt\u00f3rym wsparcie certyfikowanego partnera Google Cloud realnie przyspiesza i obni\u017ca koszty ca\u0142ego procesu.<\/p>\n\n\n\n<p>Je\u015bli chcesz dowiedzie\u0107 si\u0119, jakie mo\u017cliwo\u015bci BigQuery daje Twojemu biznesowi i jak je wdro\u017cy\u0107 bez zb\u0119dnych pr\u00f3b i b\u0142\u0119d\u00f3w, <a href=\"https:\/\/fotc.com\/pl\/kontakt\/\" target=\"_blank\" rel=\"noreferrer noopener\">skontaktuj si\u0119 z FOTC<\/a> \u2013 certyfikowanym Google Cloud Premier Partnerem.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Tutoriale BigQuery \u2013 jak zacz\u0105\u0107 w praktyce?<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Pierwsze kroki w BigQuery Studio z Gemini \u2013 dla pocz\u0105tkuj\u0105cych<\/h3>\n\n\n\n<p>\u017beby zacz\u0105\u0107 korzysta\u0107 z BigQuery, musisz posiada\u0107 <strong>konto na Google Cloud<\/strong> (tutaj znajduje si\u0119 poradnik, <a href=\"https:\/\/fotc.com\/pl\/blog\/konto-gcp-rejestracja-konfiguracja\/\">jak za\u0142o\u017cy\u0107 i skonfigurowa\u0107 konto na Google Cloud<\/a>). Nast\u0119pnie wejd\u017a na stron\u0119 konsoli Google Cloud Platform (BigQuery Console) i wybierz projekt, na kt\u00f3rym b\u0119dziesz pracowa\u0107.<\/p>\n\n\n\n<p>Je\u015bli nie czujesz si\u0119 jeszcze pewnie w SQL, najlepszym punktem startowym jest <strong>BigQuery Studio<\/strong> z wbudowanym asystentem Gemini. Zamiast pisa\u0107 kod r\u0119cznie, mo\u017cesz opisa\u0107 swoje zapytanie w j\u0119zyku naturalnym \u2013 Gemini wygeneruje za Ciebie kod SQL, kt\u00f3ry mo\u017cesz zweryfikowa\u0107, edytowa\u0107 i uruchomi\u0107. To dobre wej\u015bcie do tematu dla os\u00f3b, kt\u00f3re chc\u0105 najpierw zrozumie\u0107, jakie pytania mo\u017cna zadawa\u0107 danym, a sk\u0142adni\u0119 SQL doszlifowa\u0107 w praktyce.<\/p>\n\n\n\n<p>Przyk\u0142adowo, w polu czatu BigQuery Studio mo\u017cesz napisa\u0107: <em>&#8222;Poka\u017c mi przych\u00f3d w podziale na kana\u0142y w ostatnim kwartale&#8221;<\/em>. Gemini przygotuje odpowiednie zapytanie SQL na podstawie struktury Twoich tabel, zwr\u00f3ci wynik \u2013 np. jako tabel\u0119 lub wykres \u2013 i poka\u017ce u\u017cyty kod SQL, kt\u00f3ry mo\u017cesz sprawdzi\u0107, zapisa\u0107 lub dalej modyfikowa\u0107.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Publiczne zbiory danych BigQuery<\/h3>\n\n\n\n<p>Zanim zaczniesz pracowa\u0107 na w\u0142asnych danych, warto prze\u0107wiczy\u0107 zapytania SQL na <strong>publicznych zbiorach danych BigQuery (BigQuery Public Datasets)<\/strong> \u2013 darmowych, gotowych do zapyta\u0144 bazach danych udost\u0119pnianych przez Google i jego partner\u00f3w. Obejmuj\u0105 one m.in. dane demograficzne, geograficzne, finansowe czy dotycz\u0105ce transportu publicznego. Wystarczy otworzy\u0107 BigQuery Studio, wyszuka\u0107 interesuj\u0105cy zbi\u00f3r i zacz\u0105\u0107 zadawa\u0107 pytania \u2013 w\u0142asnym kodem SQL lub za pomoc\u0105 Gemini.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Dla zaawansowanych \u2013 praca z bq w Cloud Shell<\/h3>\n\n\n\n<p>Je\u015bli preferujesz prac\u0119 z lini\u0105 polece\u0144 lub chcesz zautomatyzowa\u0107 zapytania w skryptach, mo\u017cesz korzysta\u0107 z narz\u0119dzia bq dost\u0119pnego w <strong>Cloud Shell<\/strong> \u2013 terminalu wbudowanym w konsol\u0119 Google Cloud. Poni\u017cej przyk\u0142ady z u\u017cyciem publicznego zbioru danych Shakespeare.<\/p>\n\n\n\n<p>Po wybraniu projektu w\u0142\u0105cz <strong>Cloud Shell<\/strong> w prawym g\u00f3rnym rogu konsoli. Aby sprawdzi\u0107 schemat tabeli, ilo\u015b\u0107 wierszy i wag\u0119 w bajtach, u\u017cyj komendy:<\/p>\n\n\n<div class=\"wp-block-syntaxhighlighter-code \"><pre class=\"brush: plain; title: ; notranslate\" title=\"\">\nbq show bigquery-public-data:samples.shakespeare\n<\/pre><\/div>\n\n\n<p>Standardowy SQL (zgodny z ANSI SQL:2011) jest dzi\u015b domy\u015blnym j\u0119zykiem zapyta\u0144 w bq, wi\u0119c w praktyce nie musisz dodawa\u0107 \u017cadnej flagi. W przyk\u0142adach poni\u017cej flaga <strong>&#8211;use_legacy_sql=false<\/strong> jest podana jawnie dla przejrzysto\u015bci \u2013 mo\u017cna j\u0105 bezpiecznie pomin\u0105\u0107.<\/p>\n\n\n\n<p>Aby zwalidowa\u0107 zapytanie przed wykonaniem, dodaj flag\u0119 <strong>&#8211;dry_run<\/strong>:<\/p>\n\n\n<div class=\"wp-block-syntaxhighlighter-code \"><pre class=\"brush: plain; title: ; notranslate\" title=\"\">\nbq query --use_legacy_sql=false --dry_run \\\n'SELECT\nword\nFROM\n`bigquery-public-data`.samples.shakespeare\nLIMIT 5'\n<\/pre><\/div>\n\n\n<p>Je\u015bli zapytanie jest prawid\u0142owe, usu\u0144 flag\u0119 <strong>&#8211;dry_run<\/strong>, by zobaczy\u0107 wynik:<\/p>\n\n\n<div class=\"wp-block-syntaxhighlighter-code \"><pre class=\"brush: plain; title: ; notranslate\" title=\"\">\nbq query --use_legacy_sql=false \\\n'SELECT\nword\nFROM\n`bigquery-public-data`.samples.shakespeare\nLIMIT 5'\n<\/pre><\/div>\n\n\n<p>Klauzula <strong>WHERE<\/strong> pozwala filtrowa\u0107 wyniki wed\u0142ug konkretnej warto\u015bci. Poni\u017csze zapytanie zwraca wiersze, w kt\u00f3rych kolumna <strong>word<\/strong> zawiera s\u0142owo <em>raising<\/em>:<\/p>\n\n\n<div class=\"wp-block-syntaxhighlighter-code \"><pre class=\"brush: plain; title: ; notranslate\" title=\"\">\nbq query --use_legacy_sql=false \\\n'SELECT\nword\nFROM\n`bigquery-public-data`.samples.shakespeare\nWHERE\nword = \"raising\"\nLIMIT 5'\n<\/pre><\/div>\n\n\n<p>Znak <strong>%<\/strong> przed szukan\u0105 fraz\u0105 uwzgl\u0119dnia prefiks (np. <strong>disp<\/strong>raisin), a z obu stron \u2013 prefiks i sufiks (np. <strong>disp<\/strong>raisin<strong>gly<\/strong>). Gdy potrzebujesz pogrupowa\u0107 wyniki, u\u017cyj <strong>GROUP BY<\/strong>:<\/p>\n\n\n<div class=\"wp-block-syntaxhighlighter-code \"><pre class=\"brush: plain; title: ; notranslate\" title=\"\">\nbq query --use_legacy_sql=false \\\n'SELECT\nword,\nCOUNT(word_count) AS count\nFROM\n`bigquery-public-data`.samples.shakespeare\nWHERE\nword LIKE \"%raising%\"\nGROUP BY\nword'\n<\/pre><\/div>\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<iframe title=\"Visualize BigQuery data with Looker\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/Q2JD3_YBaRc?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" referrerpolicy=\"strict-origin-when-cross-origin\" allowfullscreen><\/iframe>\n<\/div><\/figure>\n\n\n\n<h2 class=\"wp-block-heading\">Najcz\u0119\u015bciej zadawane pytania o BigQuery<\/h2>\n\n\n\n<h3 class=\"wp-block-heading\">Co to jest Google BigQuery?<\/h3>\n\n\n\n<p>Google BigQuery to bezserwerowa, skalowalna hurtownia danych w chmurze od Google Cloud, kt\u00f3ra umo\u017cliwia analiz\u0119 du\u017cych zbior\u00f3w danych za pomoc\u0105 SQL oraz \u2013 dzi\u0119ki Gemini \u2013 j\u0119zyka naturalnego.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Czym r\u00f3\u017cni si\u0119 BigQuery od tradycyjnej bazy danych?<\/h3>\n\n\n\n<p>Bazy danych s\u0105 zoptymalizowane pod kr\u00f3tkie zapytania i szybkie odpowiedzi na pojedyncze rekordy. Google BigQuery jako hurtownia danych jest zaprojektowane do analizy bardzo du\u017cych ilo\u015bci danych \u2013 potrafi przeskanowa\u0107 terabajty danych w kilka sekund, a petabajt orientacyjnie w kilka minut.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Ile kosztuje Google BigQuery?<\/h3>\n\n\n\n<p>Ile wi\u0119c faktycznie kosztuje Google BigQuery? To zale\u017cy od ilo\u015bci przetwarzanych i przechowywanych danych oraz wybranego modelu rozlicze\u0144. Koszt sk\u0142ada si\u0119 z op\u0142at za zapytania (on-demand per TiB albo BigQuery Editions ze slotami) oraz za przechowywanie danych (active i long-term storage). Pierwszy TiB zapyta\u0144 i 10 GiB przechowywania w miesi\u0105cu s\u0105 bezp\u0142atne. Dok\u0142adn\u0105 estymacj\u0119 dla Twojego przypadku najlepiej sprawdzi\u0107 w kalkulatorze koszt\u00f3w Google Cloud.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Czy BigQuery ma darmow\u0105 wersj\u0119?<\/h3>\n\n\n\n<p>Tak \u2013 <strong>BigQuery sandbox<\/strong> pozwala wypr\u00f3bowa\u0107 us\u0142ug\u0119 bez podawania danych karty p\u0142atniczej, w ramach limit\u00f3w darmowego poziomu Google Cloud (m.in. 1 TiB zapyta\u0144 i 10 GiB przechowywania miesi\u0119cznie).<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Czy do pracy z BigQuery trzeba zna\u0107 SQL?<\/h3>\n\n\n\n<p>Znajomo\u015b\u0107 SQL jest bardzo przydatna, ale nie jest ju\u017c warunkiem wst\u0119pnym \u2013 Gemini w BigQuery Studio pozwala generowa\u0107, wyja\u015bnia\u0107 i optymalizowa\u0107 zapytania na podstawie opisu w j\u0119zyku naturalnym.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Czy BigQuery wykorzystuje AI i Gemini?<\/h3>\n\n\n\n<p>Tak. BigQuery Studio integruje asystenta Gemini (generowanie SQL, data insights, data canvas, agenci do rozmowy z danymi i budowy pipeline&#8217;\u00f3w), a w samych zapytaniach SQL mo\u017cna wywo\u0142ywa\u0107 funkcje AI, takie jak AI.GENERATE czy AI.EMBED, korzystaj\u0105ce z modeli Gemini i innych modeli dost\u0119pnych przez Vertex AI.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Dane to nowe z\u0142oto \u2013 zdaj\u0105 sobie z tego spraw\u0119 firmy i organizacje nastawione na rozw\u00f3j. \u015awiadome biznesy prowadz\u0105 analiz\u0119 istniej\u0105cych proces\u00f3w, wprowadzaj\u0105 zmiany i ulepszenia na podstawie liczb. Niekt\u00f3re id\u0105 dalej \u2013 korzystaj\u0105c z mo\u017cliwo\u015bci, jakie daje technologia, przewiduj\u0105 trendy, prawdopodobne zmiany na rynku, skutki jeszcze niepodj\u0119tych decyzji biznesowych. Wraz z rozwojem biznesu rosn\u0105&#8230;<\/p>\n","protected":false},"author":40,"featured_media":75160,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_editorskit_title_hidden":false,"_editorskit_reading_time":8,"_editorskit_is_block_options_detached":false,"_editorskit_block_options_position":"{}","footnotes":""},"categories":[560],"tags":[193,139],"class_list":["post-31208","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-google-cloud-platform-pl","tag-bigquery","tag-tutorial"],"_links":{"self":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts\/31208","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/users\/40"}],"replies":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/comments?post=31208"}],"version-history":[{"count":0,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts\/31208\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/media\/75160"}],"wp:attachment":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/media?parent=31208"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/categories?post=31208"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/tags?post=31208"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}