如何量化Looker中查询Dashboard产生的BigQuery成本？

方案1：利用Looker Query Tags 关联查询与Dashboard #

这是最直接的官方方案，通过给Looker查询添加自定义标签，让BigQuery能识别查询所属的Dashboard、Tile及用户信息：

• 在LookML的Explore或View层级配置query_tag，动态注入Dashboard、Tile和用户标识：

  explore: sales {
    query_tag: "{{ _user.email }}|{{ dashboard.id if dashboard else 'standalone' }}|{{ dashboard_element.id if dashboard_element else 'none' }}"
  }
  

  标签会自动附加到所有从该Explore生成的查询中，包括Dashboard Tile的查询。
• 在BigQuery中，通过INFORMATION_SCHEMA.JOBS_BY_PROJECT视图提取query_tag字段，拆分出用户邮箱、Dashboard ID、Tile ID：

  SELECT
    SPLIT(query_tag, '|')[OFFSET(0)] AS looker_user,
    SPLIT(query_tag, '|')[OFFSET(1)] AS dashboard_id,
    SPLIT(query_tag, '|')[OFFSET(2)] AS tile_id,
    total_bytes_processed,
    (total_bytes_processed / 1024 / 1024 / 1024) * 5 AS cost_usd -- 按BigQuery按需定价计算
  FROM
    `your-project-id.INFORMATION_SCHEMA.JOBS_BY_PROJECT`
  WHERE
    job_type = 'QUERY'
    AND query_tag IS NOT NULL
  

• 再通过Looker导出Dashboard列表（或API获取），将dashboard_id映射为Dashboard名称，即可按Dashboard统计月度成本。

方案2：通过Looker API关联查询历史与BigQuery日志 #

利用Looker API获取查询与Dashboard的关联关系，再匹配BigQuery的成本数据：

• 调用Looker的GET /api/3.0/queries接口，获取所有查询记录，其中dashboard_id和dashboard_element_id字段会标记该查询是否来自Dashboard Tile。
• 提取查询记录中的sql字段生成哈希值，或直接匹配Looker返回的bigquery_job_id（若开启相关配置），关联BigQuery的INFORMATION_SCHEMA.JOBS_BY_PROJECT中的对应字段。
• 结合BigQuery的total_bytes_processed和定价公式，计算每个Dashboard的总成本，同时按user_id字段统计用户维度的查询数据量。

方案3：优化临时表的匹配逻辑（适合无法修改LookML的场景） #

如果无法修改LookML，可通过以下方式改进现有临时表的匹配效率：

• 提取Looker生成SQL中的__LOOKER_MODEL__、__LOOKER_EXPLORE__内置变量，这些变量不会被剥离，可作为查询的来源标识。
• 结合BigQuery的session_user()（对应Looker用户邮箱）和查询时间戳，关联Looker系统日志中的Dashboard访问记录（可在Looker Admin > System Logs导出），匹配同一时间段内用户访问的Dashboard与执行的查询。
• 对相似SQL的Tile，可通过Looker的Tile名称（从API获取）与查询结果的字段组合进行模糊匹配，减少手动排查的工作量。

内容的提问来源于stack exchange，提问作者krz