--- title: "Snowflake et SQL" url: https://kwanzeo.com/ressources/snowflake-et-sql date: 2025-06-23 updated: 2026-10-16 --- # Snowflake et SQL > Les fonctionnalités SQL de Snowflake : requêtes avancées, données semi-structurées, optimisation, UDF, transactions ACID, Time Travel, chargement et gouvernance. **En résumé :** Snowflake et SQL forment un duo naturel : Snowflake offre une expérience SQL complète. Analystes, ingénieurs et développeurs retrouvent un langage familier, enrichi de fonctionnalités avancées : requêtes structurées, données semi-structurées, optimisation automatique, fonctions personnalisées, transactions ACID, Time Travel, chargement en masse et gouvernance des accès. *Article publié en juin 2025 : les fonctionnalités décrites sont celles de cette date. Mis à jour en octobre 2026 pour les langages pris en charge (UDF, Snowpark), d'après la documentation de Snowflake.* ## Quelles fonctionnalités de requête avancées ? - **Common Table Expressions (CTE)** : elles structurent les requêtes complexes de façon lisible et modulaire. On crée des sous-ensembles de données temporaires réutilisables dans la requête principale, ce qui simplifie les analyses imbriquées. - **Jointures** : Snowflake prend en charge toutes les jointures classiques (`INNER JOIN`, `LEFT JOIN`, `RIGHT JOIN`, `FULL JOIN`) et les traite efficacement sur de grandes tables, y compris pour croiser plusieurs sources de données. - **Fonctions de fenêtrage (window functions)** : indispensables pour les cumuls, moyennes mobiles et classements, elles exécutent des calculs sur des partitions de données et facilitent les analyses temporelles et agrégées. ## Comment traiter JSON et les données semi-structurées ? - **Support natif** : Snowflake charge et analyse JSON, Avro, Parquet et ORC sans conversion préalable en format relationnel. - **Fonctions de manipulation JSON** : `PARSE_JSON` ou `TO_VARIANT` permettent de naviguer dans les données JSON directement en SQL, par exemple pour des données issues d'API ou de journaux applicatifs. - **Type VARIANT** : il stocke nativement les données semi-structurées et permet de combiner données structurées et semi-structurées dans une même table. ## Comment Snowflake optimise-t-il les requêtes ? - **Optimiseur de requêtes** : il adapte automatiquement les plans d'exécution aux ressources disponibles et à la complexité de la requête, en tenant compte de la distribution des données et des micro-partitions. - **Plans d'exécution et supervision** : chaque plan peut être examiné, et des outils de supervision suivent la durée des requêtes et la consommation des ressources de calcul, pour mieux optimiser les charges de travail. ## Fonctions définies par l'utilisateur (UDF et UDTF) - **UDF** : des fonctions personnalisées écrites en SQL, JavaScript, Python, Java ou Scala. Une entreprise peut par exemple créer une UDF qui calcule un taux de conversion propre à son modèle commercial, puis la réutiliser dans toutes ses requêtes. - **UDTF** : là où une UDF renvoie une valeur, une UDTF renvoie un ensemble de lignes. Utile pour les transformations à résultats multiples : tables de fréquence, analyse de séries temporelles. ## Transactions et gestion de la concurrence - **Transactions ACID** (atomicité, cohérence, isolation, durabilité) : les opérations `INSERT`, `UPDATE` et `DELETE` restent fiables même en cas d'erreur ou de conflit. - **MVCC** (Multi-Version Concurrency Control) : plusieurs utilisateurs lisent et modifient les mêmes données sans conflit ; chaque session accède à une version stable des données. ## Time Travel : interroger le passé - **Time Travel** : accéder aux versions antérieures des données, pour restaurer une table ou analyser une évolution, par exemple consulter les données telles qu'elles étaient 24 heures ou une semaine plus tôt. - **Requêtes historiques** : interroger l'état d'une table ou d'une base à un instant passé, un atout pour les audits et l'analyse d'erreurs. ## Importer et exporter des données - **Chargement en masse** : la commande `COPY INTO` ingère rapidement de gros volumes depuis Amazon S3, Azure Blob Storage ou Google Cloud Storage. - **Export (unloading)** : la même commande `COPY INTO` exporte des données vers un stockage externe, pour archiver des résultats d'analyse ou partager des données hors de Snowflake. ## Compatibilité avec les langages et outils externes - **Snowpark** : une interface qui permet aux data scientists et ingénieurs de travailler en Python, Java ou Scala directement dans Snowflake et de construire des pipelines analytiques plus riches (voir [Cortex AI et Snowpark](/ressources/cortex-ai-snowpark)). - **JDBC et ODBC** : ces connecteurs relient Snowflake aux applications d'analyse et aux environnements de développement SQL courants. ## Gouvernance et sécurité en SQL - **Contrôle d'accès** : rôles et autorisations se gèrent par des commandes SQL standard, pour une sécurité fine par utilisateur et par équipe. - **Surveillance et maintenance** : l'audit des requêtes, le suivi de l'activité des utilisateurs et l'analyse des journaux aident à repérer les comportements suspects et renforcent la conformité réglementaire. ## Aller plus loin avec Snowflake Découvrez aussi [l'écosystème et les intégrations de Snowflake](/ressources/snowflake-integrations-et-ecosysteme). Pour un projet de data platform, consultez [notre page Snowflake](/technologies/snowflake) ou [contactez nos équipes](/contact). ### Snowflake gère-t-il les données semi-structurées en SQL ? Oui. Snowflake prend en charge nativement JSON, Avro, Parquet et ORC. Le type VARIANT stocke ces données dans une table, et des fonctions comme PARSE_JSON permettent de les manipuler directement en SQL. ### À quoi sert la fonction Time Travel de Snowflake ? Elle donne accès aux versions antérieures des données : restaurer une table dans un état passé, ou exécuter des requêtes historiques pour un audit ou une analyse d'erreur.