fn_registry/python/functions/bigquery/bq_load_from_file.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
bq_load_from_file	function	py	infra	1.0.0	impure	def bq_load_from_file(client: BQClient, file_path: str, dataset_id: str, table_id: str, source_format: str = 'CSV', write_disposition: str = 'WRITE_APPEND', autodetect: bool = True, skip_leading_rows: int = 0) -> dict	Carga datos desde un archivo local a una tabla BigQuery usando load_table_from_file del SDK. Equivalente a bq_load_from_gcs pero para disco local.	bigquery gcp load file google-cloud python etl pendiente-usar sink				false	error_go_core	google-cloud-bigquery	name desc client cliente BQClient autenticado contra el proyecto GCP name desc file_path ruta absoluta o relativa al archivo local a cargar name desc dataset_id ID del dataset de destino en BigQuery name desc table_id ID de la tabla de destino en BigQuery name desc source_format formato del archivo fuente: CSV, NEWLINE_DELIMITED_JSON, AVRO, PARQUET, ORC name desc write_disposition comportamiento si la tabla ya existe: WRITE_APPEND agrega, WRITE_TRUNCATE reemplaza, WRITE_EMPTY falla si hay datos name desc autodetect si True, BigQuery infiere el schema automaticamente desde los datos name desc skip_leading_rows numero de filas a ignorar al inicio del archivo (tipicamente 1 para saltar cabeceras CSV)	dict con {job_id: ID del LoadJob, rows_loaded: filas cargadas, status: DONE o FAILED}	false			python/functions/bigquery/queries.py

Ejemplo

from bigquery.client import bq_auth
from bigquery.queries import bq_load_from_file

client = bq_auth("my-project")

# Cargar CSV local con cabecera
result = bq_load_from_file(
    client,
    "/tmp/export_users.csv",
    "my_dataset", "users",
    skip_leading_rows=1,
    write_disposition="WRITE_TRUNCATE",
)
print(f"Cargadas {result['rows_loaded']} filas — job: {result['job_id']}")

# Cargar JSONL local
result = bq_load_from_file(
    client,
    "/data/events.jsonl",
    "my_dataset", "events",
    source_format="NEWLINE_DELIMITED_JSON",
)

Notas

El archivo se abre en modo binario (rb) y se sube directamente al job de BigQuery. Para archivos muy grandes, preferir bq_load_from_gcs — subir primero a GCS y luego cargar desde ahi es mas eficiente y permite paralelismo.

La funcion bloquea hasta que el job termina (job.result()). Los archivos Parquet y Avro no admiten skip_leading_rows — ese parametro solo aplica para CSV.