Diese Seite wurde von der Cloud Translation API übersetzt.

CrUX in BigQuery

Informationen zur Strukturierung von CrUX-Daten in BigQuery.

Einleitung

Die Rohdaten hinter dem UX-Bericht für Chrome (CrUX) sind in BigQuery verfügbar, einer in Google Cloud gehosteten Datenbank.

Mit CrUX in BigQuery können Nutzer den vollständigen Datensatz direkt abfragen, der bis 2017 zurückreicht, um beispielsweise Trends zu analysieren, Webtechnologien und Benchmark-Domains zu vergleichen.

Die Daten sind nach dem monatlichen Release und einer Reihe von Zusammenfassungstabellen strukturiert, um einen einfachen Zugriff auf die Datenabfrage zu ermöglichen.

Die BigQuery-Daten sind 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 sind ein Google Cloud-Konto und Grundkenntnisse in SQL erforderlich. Auf das CrUX-Dataset in BigQuery können Sie bis zu den Limits der kostenlosen Stufe, die monatlich verlängert wird und von BigQuery bereitgestellt wird, kostenlos zugreifen und es erkunden. Neue Google Cloud-Nutzer haben möglicherweise Anspruch auf ein Registrierungsguthaben, um Ausgaben über die kostenlose Stufe hinaus abzudecken. 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, führen Sie die folgenden Schritte aus, um ein Projekt einzurichten:

Gehen Sie in der Google Cloud Console zu Projekt erstellen.
Geben Sie Ihrem neuen Projekt einen Namen wie „Mein Chrome-UX-Bericht“ und klicken Sie auf „Erstellen“.
Geben Sie Ihre Zahlungsinformationen an, wenn Sie dazu aufgefordert werden.
Rufen Sie das CrUX-Dataset in BigQuery auf.

Jetzt können Sie mit dem Abfragen des Datasets 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 stehen eine Reihe von materialisierten Tabellen mit zusammenfassenden Statistiken für jeden Monat zur Verfügung.

„chrome-ux-report“
- all
  - JJJJMM
- country_CC
  - JJJJMM
- experimental
  - country
  - global
- materialized

Detailliertes Tabellenschema

Die Rohtabellen für jedes Land und das Dataset all werden nach Jahr und Monat angegeben.

Rohdatentabellen

Die Rohtabellen haben das folgende Schema:

origin
effective_connection_type
form_factor
first_paint
first_contentful_paint
largest_contentful_paint
dom_content_loaded
onload
first_input
- delay
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 einer materialisierten Tabelle

Materialisierte Tabellen werden für einen einfacheren Zugriff auf Übersichtsdaten anhand einer Reihe von Schlüsseldimensionen bereitgestellt. Es stehen keine Histogramme zur Verfügung. Stattdessen werden Leistungsdaten anhand der Leistungsbewertung und des 75. Perzentils in Bruchteilen zusammengefasst. Das folgende Beispiel zeigt eine Reihe von Beispielzeilen aus der Tabelle metrics_summary:

jjjjmm	Ursprung	fast_lcp	avg_lcp	slow_lcp	p75_lcp
202204	https://example.com	0,9056	0,0635	0,0301	1.600
202203	https://example.com	0,9209	0,052	0,0274	1.400
202202	https://example.com	0,9169	0,0545	0.0284	1.500
202201	https://example.com	0,9072	0,0626	0,0298	1.500

Das zeigt, dass im Datensatz für 20204 90,56% der tatsächlichen Nutzererfahrung auf https://example.com die Kriterien für einen guten LCP erfüllten und dass der grobe LCP-Wert im 75. Perzentil 1.600 ms betrug. Das ist etwas langsamer als in den vorherigen Monaten.

Es stehen vier materialisierte Tabellen zur Verfügung:

metrics_summary: wichtige Messwerte nach Monat und Ursprung
device_summary: wichtige Messwerte nach Monat, Ursprung und Gerätetyp
country_summary: wichtige Messwerte nach Monat, Ursprung, Gerätetyp und Land
origin_summary: eine Liste aller Ursprünge im Dataset

`metrics_summary`

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

yyyymm: Monat des Datenerhebungszeitraums
origin: URL der Websiteursprung
rank: Ranking aufgrund grober Beliebtheit (Stand: März 2021)
[small|medium|large]_cls: Anteil des Traffics nach CLS-Grenzwerten
[fast|avg|slow]_<metric>: Anteil der Zugriffe nach Leistungsgrenzwerten
p75_<metric>: Wert der Leistungsmesswerte für 75. Perzentil (Millisekunden)
notification_permission_[accept|deny|ignore|dismiss]: Anteil der Verhaltensweisen von Benachrichtigungsberechtigungen
[desktop|phone|tablet]Density: Anteil der Zugriffe 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, Ursprung, Land und Gerät. Zusätzlich zu den metrics_summary-Spalten gibt es:

device: Formfaktor des Geräts

`country_summary`

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

country_code: Ländercode mit zwei Buchstaben
device: Formfaktor des Geräts

`origin_summary`

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

Experimentelles Dataset

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

`country`

Das Dataset experimental.country enthält aggregierte Daten aus den country_CC-Datasets mit einer zusätzlichen yyyymm-Spalte für das Dataset-Datum. Das Schema ist identisch mit Rohtabellen, wobei die Spalten „Datum“ und „country_code“ hinzugefügt wurden. Dadurch können Abfragen auf Länderebene über einen bestimmten Zeitraum verglichen werden, ohne dass die monatlichen Tabellen zusammengeführt werden.

`global`

Das Dataset experimental.global enthält aggregierte Daten aus dem Dataset all mit einer zusätzlichen yyyymm-Spalte für das Dataset-Datum. Das Schema ist identisch mit Rohtabellen (nur das Datum), sodass Abfragen über einen längeren Zeitraum verglichen werden können, ohne die monatlichen Tabellen zu verknüpfen.