要解决BigQuery脚本运行缓慢的问题，可以考虑以下几个解决方法：

1. 优化查询：检查查询语句是否存在性能问题，例如使用了大量联接操作或子查询。可以尝试重写查询语句以减少数据处理量或优化查询计划。

2. 使用表分区：如果数据表的大小较大，可以考虑将其分成较小的分区。这可以提高查询的性能，因为只需处理特定分区的数据。

3. 索引优化：对于经常用于查询的列，可以创建索引以加快查询速度。索引可以提高WHERE子句的过滤效率。

4. 限制数据量：如果查询涉及的数据量太大，可以尝试限制查询的范围，例如通过添加日期范围来减少数据的处理量。

5. 使用合适的数据类型：使用正确的数据类型可以提高查询的性能。例如，使用整数类型代替字符串类型存储数字数据。

6. 增加资源配额：如果查询需要大量资源才能运行，可以考虑增加BigQuery的资源配额，以提高查询的性能。

7. 使用并行查询：BigQuery支持并行查询，可以同时处理多个查询任务。可以通过调整查询的设置来启用并行查询，以加快脚本的执行速度。

下面是一个使用BigQuery的Python代码示例，展示如何通过调整查询设置来启用并行查询：

from google.cloud import bigquery

# 初始化 BigQuery 客户端
client = bigquery.Client()

# 构建查询
query = """
    SELECT *
    FROM `project.dataset.table`
    WHERE date BETWEEN '2022-01-01' AND '2022-01-31'
"""

# 配置查询设置，启用并行查询
job_config = bigquery.QueryJobConfig()
job_config.use_legacy_sql = False
job_config.maximum_bytes_billed = 10**10  # 设置查询的最大字节数
job_config.priority = bigquery.QueryPriority.BATCH

# 运行查询
query_job = client.query(query, job_config=job_config)

# 获取查询结果
results = query_job.result()

# 处理查询结果
for row in results:
    print(row)

以上是一些可能的解决方法，具体的解决方案应根据具体情况进行调整和优化。