如何使用 CrUX BigQuery 資料集

你可以在 BigQuery (Google Cloud 上的資料庫) 中取得 Chrome 使用者體驗報告 (CrUX) 的原始資料。使用 BigQuery 需具備 GCP 專案,且須對 SQL 有基本知識。

本指南將說明如何使用 BigQuery 針對 CrUX 資料集編寫查詢,擷取有關網站使用者體驗狀態的深入分析結果:

  • 瞭解資料的編排方式
  • 編寫基本查詢來評估來源的效能
  • 編寫進階查詢,追蹤一段時間內的效能

從基本查詢開始:

SELECT COUNT(DISTINCT origin) FROM `chrome-ux-report.all.202206`

如要執行查詢,請在查詢編輯器中輸入查詢,然後按下「Run query」(執行查詢) 按鈕:

在編輯器中輸入簡單的查詢,然後按下「Run」(執行)。

這項查詢包含兩個部分:

  • SELECT COUNT(DISTINCT origin) 是指查詢資料表中的起點數。大致來說,如果兩個網址的配置、主機和通訊埠都相同,這些網址就屬於相同來源。

  • FROM chrome-ux-report.all.202206 會指定來源資料表的地址,其中包含三個部分:

    • 所有 CrUX 資料的 Cloud 專案名稱 chrome-ux-report
    • 資料集 all,代表所有國家/地區的資料
    • 202206 表格,代表資料的年份和月份,格式為 YYYYMM

還有各個國家/地區的資料集。舉例來說,chrome-ux-report.country_ca.202206 只代表源自加拿大的使用者體驗資料。

每個資料集內都會有自 201710 年起每個月的資料表。系統會定期發布前一個月的新資料表。

資料表的結構 (也稱為「結構定義」) 包括:

  • 來源 (例如 origin = 'https://www.example.com'),代表該網站上所有網頁的匯總使用者體驗分布
  • 網頁載入時的連線速度,例如 effective_connection_type.name = '4G'
  • 裝置類型,例如 form_factor.name = 'desktop'
  • 使用者體驗指標本身
    • first_paint (FP)
    • first_contentful_paint (FCP)
    • largest_contentful_paint (LCP)
    • dom_content_loaded (DCL)
    • onload (OL)
    • layout_instability.cumulative_layout_shift (CLS)
    • interaction_to_next_paint (INP)

每個指標的資料會以物件陣列的形式整理。在 JSON 符號中,first_contentful_paint.histogram.bin 會類似於以下內容:

[
    {"start": 0, "end": 100, "density": 0.1234},
    {"start": 100, "end": 200, "density": 0.0123},
    ...
]

每個區塊都包含起始和結束時間 (以毫秒為單位),以及代表該時間範圍內使用者體驗百分比的密度。換句話說,在這個假設的來源、連線速度和裝置類型中,有 12.34% 的 FCP 體驗時間低於 100 毫秒。所有分箱密度的總和為 100%。

瀏覽 BigQuery 中的資料表結構。

評估成效

我們可以利用對資料表結構定義的瞭解,編寫可擷取這類成效資料的查詢。

SELECT
  fcp
FROM
  `chrome-ux-report.all.202206`,
  UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
  origin = 'https://web.dev' AND
  effective_connection_type.name = '4G' AND
  form_factor.name = 'phone' AND
  fcp.start = 0

在 BigQuery 上查詢 CrUX FCP

結果為 0.01115,表示在 4G 和手機上,此來源有 1.115% 的使用者體驗介於 0 到 100 毫秒之間。如果我們想將查詢推廣至任何連線和任何裝置類型,可以從 WHERE 子句中省略這些項目,並使用 SUM 匯總函式來加總所有相應的資料箱密度:

SELECT
  SUM(fcp.density)
FROM
  `chrome-ux-report.all.202206`,
  UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
  origin = 'https://web.dev' AND
  fcp.start = 0

在 BigQuery 中加總 CrUX FCP

結果為 0.05355,也就是所有裝置和連線類型的 5.355%。我們可以稍微修改查詢,並將「快速」FCP 範圍 (0 到 1000 毫秒) 內的所有區塊密度加總:

SELECT
  SUM(fcp.density) AS fast_fcp
FROM
  `chrome-ux-report.all.202206`,
  UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
  origin = 'https://web.dev' AND
  fcp.start < 1000

在 BigQuery 上查詢快速 FCP

得到了 0.6977。換句話說,根據 FCP 範圍定義,在 web.dev 上的 FCP 使用者體驗中,有 69.77% 的使用者體驗會被視為「快速」。

追蹤成效

我們已擷取來源網址的成效資料,現在可以將這些資料與舊版資料表中的歷來資料進行比較。為此,我們可以將資料表位址重寫為較早的月份,也可以使用萬用字元語法查詢所有月份:

SELECT
  _TABLE_SUFFIX AS yyyymm,
  SUM(fcp.density) AS fast_fcp
FROM
  `chrome-ux-report.all.*`,
  UNNEST(first_contentful_paint.histogram.bin) AS fcp
WHERE
  origin = 'https://web.dev' AND
  fcp.start < 1000
GROUP BY
  yyyymm
ORDER BY
  yyyymm DESC

在 BigQuery 上查詢 CrUX FCP 的時間序列

這裡顯示,快速 FCP 體驗的百分比每個月都會變化幾個百分點。

yyyymm fast_fcp
202206 69.77%
202205 70.71%
202204 69.04%
202203 69.82%
202202 67.75%
202201 58.96%
202112 41.69%
... ...

透過這些技術,您可以查詢來源的效能、計算快速體驗的百分比,並追蹤這項數據隨時間的變化。下一步,請嘗試查詢兩個以上的來源,並比較成效。

常見問題

以下是一些與 CrUX BigQuery 資料集相關的常見問題:

何時應使用 BigQuery,而不是其他工具?

只有在無法從 CrUX 資訊主頁和 PageSpeed Insights 等其他工具取得相同資訊時,才需要使用 BigQuery。舉例來說,您可以使用 BigQuery 以有意義的方式切割資料,甚至將資料與 HTTP Archive 等其他公開資料集彙整,以進行一些進階資料挖掘作業。

使用 BigQuery 時是否有任何限制?

是,最重要的限制是根據預設,使用者每月只能查詢 1 TB 的資料。超過這個數量,系統會以 $5/TB 的標準費率收費。

我想進一步瞭解 BigQuery,該怎麼做?

詳情請參閱 BigQuery 說明文件