您需要使用Google Cloud Storage进行导出工作。从BigQuery导出数据的解释是here，还可以检查不同路径语法的变体。
然后，您可以将文件从GCS下载到本地存储。
Gsutil工具可以帮助您进一步从GCS下载文件到本地机器。
你不能在本地一次下载，你首先需要导出到GCS，然后再转移到本地机器。

您可以使用分页机制直接下载所有数据（无需通过Google Cloud Storage路由）。基本上，您需要为每个页面生成一个页面令牌，下载页面中的数据并迭代此操作，直到所有数据都已下载完毕，即没有更多令牌可用。下面是Java中的示例代码，希望能澄清这个想法：

import com.google.api.client.googleapis.auth.oauth2.GoogleCredential;
import com.google.api.client.googleapis.javanet.GoogleNetHttpTransport;
import com.google.api.client.http.HttpTransport;
import com.google.api.client.json.JsonFactory;
import com.google.api.client.json.JsonFactory;
import com.google.api.client.json.jackson2.JacksonFactory;
import com.google.api.services.bigquery.Bigquery;
import com.google.api.services.bigquery.BigqueryScopes;
import com.google.api.client.util.Data;
import com.google.api.services.bigquery.model.*;

/* your class starts here */

private String projectId = ""; /* fill in the project id here */
private String query = ""; /* enter your query here */
private Bigquery bigQuery;
private Job insert;
private TableDataList tableDataList;
private Iterator<TableRow> rowsIterator;
private List<TableRow> rows;
private long maxResults = 100000L; /* max number of rows in a page */

/* run query */
public void open() throws Exception {
    HttpTransport transport = GoogleNetHttpTransport.newTrustedTransport();
    JsonFactory jsonFactory = new JacksonFactory();
    GoogleCredential credential = GoogleCredential.getApplicationDefault(transport, jsonFactory);
    if (credential.createScopedRequired())
        credential = credential.createScoped(BigqueryScopes.all());
    bigQuery = new Bigquery.Builder(transport, jsonFactory, credential).setApplicationName("my app").build();

    JobConfigurationQuery queryConfig = new JobConfigurationQuery().setQuery(query);
    JobConfiguration jobConfig = new JobConfiguration().setQuery(queryConfig);
    Job job = new Job().setConfiguration(jobConfig);
    insert = bigQuery.jobs().insert(projectId, job).execute();
    JobReference jobReference = insert.getJobReference();

    while (true) {
        Job poll = bigQuery.jobs().get(projectId, jobReference.getJobId()).execute();
        String state = poll.getStatus().getState();
        if ("DONE".equals(state)) {
            ErrorProto errorResult = poll.getStatus().getErrorResult();
            if (errorResult != null)
                throw new Exception("Error running job: " + poll.getStatus().getErrors().get(0));
            break;
        }
        Thread.sleep(10000);
    }

    tableDataList = getPage();
    rows = tableDataList.getRows();
    rowsIterator = rows != null ? rows.iterator() : null;
}

/* read data row by row */
public /* your data object here */ read() throws Exception {
    if (rowsIterator == null) return null;

    if (!rowsIterator.hasNext()) {
        String pageToken = tableDataList.getPageToken();
        if (pageToken == null) return null;
        tableDataList = getPage(pageToken);
        rows = tableDataList.getRows();
        if (rows == null) return null;
        rowsIterator = rows.iterator();
    }

    TableRow row = rowsIterator.next();
    for (TableCell cell : row.getF()) {
        Object value = cell.getV();
        /* extract the data here */
    }

    /* return the data */
}

private TableDataList getPage() throws IOException {
    return getPage(null);
}

private TableDataList getPage(String pageToken) throws IOException {
    TableReference sourceTable = insert
            .getConfiguration()
            .getQuery()
            .getDestinationTable();
    if (sourceTable == null)
        throw new IllegalArgumentException("Source table not available. Please check the query syntax.");
    return bigQuery.tabledata()
            .list(projectId, sourceTable.getDatasetId(), sourceTable.getTableId())
            .setPageToken(pageToken)
            .setMaxResults(maxResults)
            .execute();
}

使用Python panda将数据从BigQuery表导出到CSV文件：

import pandas as pd
from google.cloud import bigquery

selectQuery = """SELECT * FROM dataset-name.table-name"""
bigqueryClient = bigquery.Client()
df = bigqueryClient.query(selectQuery).to_dataframe()
df.to_csv("file-name.csv", index=False)

您可以对该表运行tabledata.list（）操作，并设置“alt=csv”，这将以CSV形式返回表的开头。

如果你安装了Google BigQuery API、panda和pandas.io，你就可以在Jupyter笔记本里运行Python，查询BQ表，然后把数据放到本地的dataframe里，再从那里把数据写成CSV格式。

另一种方法是从UI执行此操作，一旦返回查询结果，您可以选择“Download as CSV”按钮。

就像Mikhail Berlyant说的，
BigQuery不提供将查询结果直接导出/下载到GCS或本地文件的功能。
您仍然可以使用WebUI导出它，只需三个步骤
1.配置查询以将结果保存在BigQuery表中并运行它。
1.将表导出到GCS中的存储桶。
1.从存储桶下载。
要确保成本保持在较低水平，只需确保在将内容导出到GCS后删除表，并在将文件下载到计算机后删除存储桶中的内容和存储桶。

第一步

在BigQuery屏幕中，在运行查询之前，转到更多〉查询设置

这将打开以下内容

这里你想要有

• 目的地：设置查询结果的目标表
• 项目名称：选择项目。
• 数据集名称：选择一个数据集。如果没有，请创建它并返回。
• 表名：给予您想要的任何名称（必须仅包含字母、数字或下划线）。
• 结果大小：允许大型结果（无大小限制）。

然后保存它，查询被配置为保存在一个特定的表中。现在你可以运行查询。

第二步

要将其导出到GCP，您必须转到该表并单击“导出”〉“导出到GCS”。

这将打开以下屏幕

在【选择GCS位置】中，定义存储桶、文件夹和文件。
例如，您有一个名为 daria_bucket 的存储桶（* 仅使用小写字母、数字、连字符（-）和下划线（_）。点（.）可用于形成有效的域名。*），并且希望将文件保存在名称为 test 的存储桶根目录中，然后您（在Select GCS location中）

daria_bucket/test.csv

如果文件太大（超过1GB），你会得到一个错误。要修复它，你必须使用通配符将它保存在更多的文件中。所以，你需要添加 *，就像这样

daria_bucket/test*.csv

这将在daria_bucket中存储从表中提取的所有数据，这些数据将存储在多个文件中，这些文件名为test 000000000000，test 000000000001，test 00000000002，... testX。

第三步

然后去仓库，你会看到水桶。

进入它里面，你会发现一个（或多个）文件。然后你可以从那里下载。

也许你可以使用谷歌提供的simba odbc驱动程序，使用任何提供odbc连接的工具来创建csv。它甚至可以是微软的ssis，你甚至不需要编码。