如何在Google BigQuery的GDELT数据库中按关键词查询历史文章？

1. 切换到正确的GDELT数据集 #

BigQuery里的GDELT Events表（gdelt-bq.gdeltv2.events）只存储事件元数据（比如事件类型、参与方、时间等），确实没有文章内容或关键词字段。你需要用GDELT Global Knowledge Graph (GKG)表（gdelt-bq.gdeltv2.gkg），这个表关联了新闻文章的主题、关键词和文档信息，完全适配你的需求。

2. 两种关键词查询方案 #

方案一：用内置主题标签快速匹配 #

GKG表的V2Themes字段包含预标注的标准化主题标签，比如"climate change"对应的标签是CLIMATE_CHANGE，直接匹配即可：

SELECT
  GKGRECORDID,
  DocumentIdentifier, -- 文章原始链接，用于追踪来源
  V2Themes,
  DATE(PARSE_TIMESTAMP("yyyyMMddHHmmss", CAST(SQLDATE AS STRING) || "000000")) AS event_date
FROM
  `gdelt-bq.gdeltv2.gkg`
WHERE
  REGEXP_CONTAINS(V2Themes, r'CLIMATE_CHANGE')
  AND SQLDATE BETWEEN '20180101' AND '20231231' -- 自定义时间范围
LIMIT 100;

方案二：精确匹配标题中的关键词短语 #

如果需要精准匹配"climate change"这类特定短语（而非预定义主题），可以用V2Titles字段（文章标题）做模糊匹配：

SELECT
  GKGRECORDID,
  DocumentIdentifier,
  V2Titles,
  DATE(PARSE_TIMESTAMP("yyyyMMddHHmmss", CAST(SQLDATE AS STRING) || "000000")) AS event_date
FROM
  `gdelt-bq.gdeltv2.gkg`
WHERE
  REGEXP_CONTAINS(V2Titles, r'climate change')
  AND SQLDATE BETWEEN '20180101' AND '20231231'
LIMIT 100;

注：GKG表不存储完整文章全文，但标题和主题标签已能满足大部分来源追踪需求；若需全文，可通过DocumentIdentifier的链接抓取（需遵守目标网站的robots协议）。

3. 关联Events表补充事件上下文 #

如果需要同时获取事件的元数据（比如参与方、地理位置），可以通过GLOBALEVENTID关联Events表和GKG表：

SELECT
  e.GLOBALEVENTID,
  g.DocumentIdentifier,
  g.V2Themes,
  e.Actor1Name,
  e.Actor2Name,
  DATE(PARSE_TIMESTAMP("yyyyMMddHHmmss", CAST(e.SQLDATE AS STRING) || "000000")) AS event_date
FROM
  `gdelt-bq.gdeltv2.events` e
JOIN
  `gdelt-bq.gdeltv2.gkg` g
ON
  e.GLOBALEVENTID = g.GLOBALEVENTID
WHERE
  REGEXP_CONTAINS(g.V2Themes, r'CLIMATE_CHANGE')
  AND e.SQLDATE BETWEEN '20180101' AND '20231231'
LIMIT 100;

内容的提问来源于stack exchange，提问作者Patrick T.