Google Certified Professional Data Engineer Exam (Professional-Data-Engineer日本語版) - Professional-Data-Engineer日本語 Exam Practice Test

A. オブジェクトのバージョン管理機能を有効にします。別のリージョンのバケットにコピーを作成します。

B. オブジェクトのバージョン管理機能を有効にします。ライフサイクル ルールを追加します。

C. 保持ポリシーを設定します。保持ポリシーをロックします。

D. 保持ポリシーを設定します。長期的なデジタル保存のために、デフォルトのストレージ クラスをアーカイブに設定します。

A. Python を使用して JSON ファイルにロジックを適用する Cloud Function インスタンスを呼び出します。

B. Cloud Composer 環境を作成し、Cloud Composer でロジックを実行します。

C. Dataproc クラスタを作成し、PySpark を使用して JSON ファイルにロジックを適用します。

D. ワークフローでサブワークフローを呼び出して、JSON ファイルにロジックを適用します。

A. CSV ファイルを目的のスキーマを持つステージング テーブルにロードし、SQL を使用して変換を実行します。その後、結果を最終的な宛先テーブルに書き込みます。

B. 必要なスキーマを持つテーブルを作成し、CSV ファイルをテーブルに追加し、SQL を使用してその場で変換を実行します。

C. BigQuery に読み込む前に、Data Fusion を使用してデータを変換します。

D. データを BigQuery にロードする前に、Data Fusion を使用して CSV ファイルを AVRO などの自己記述型データ形式に変換します。

A. Hive パーティション分割データ オブジェクトをマルチリージョン Cloud Storage バケットに移行します。

B. 共通のテーブル名プレフィックスを使用して、各 Hive パーティションに個別の外部テーブルを作成します。ワイルドカード テーブル クエリを使用して、パーティション分割されたデータを参照します。

C. 外部テーブルを BigLake テーブルにアップグレードし、テーブルのメタデータ キャッシュを有効にします。

D. Hive パーティション データ オブジェクトのストレージ クラスを Coldline から Standard に変更します。

A. BigQuery にロードされた CSV データには CSV のフラグが付けられていません。

B. BigQuery にロードされた CSV データは、BigQuery のデフォルトのエンコードを使用していません。

C. CSV データは、BigQuery にロードされる前に ETL フェーズを経ていません。

D. CSV データには、インポート時にスキップされた無効な行が含まれています。

A. 定義済みロール

B. 承認されたビュー

C. プリミティブロール

D. テーブルの最初の 3 列のみにアクセス権を付与することはできません。

A. Apache Beam SDK for Python を介して Dataflow でパイプラインを作成し、ストリーミング用のコード内で個別のオプションをカスタマイズします。
バッチ処理、Cloud DLP データ シンクとして BigQuery を選択します。

B. BigQuery データ転送サービスを使用して移行をスケジュールします。BigQuery にデータが入力されたら、Cloud Data Loss Prevention {Cloud DLP} API への接続を使用して必要なデータを匿名化します。

C. オンプレミスのデータを BigQuery に複製するように Datastream を設定します。

D. Cloud Data Fusion を使用してパイプラインを設計し、Cloud DLP プラグインを使用してパイプライン内のデータを匿名化してから、データを BigQuery に移動します。

A. 製品名と現在のエポックタイムの連結

B. ランダムなユニバーサルユニーク識別子番号 (バージョン 4 UUID)

C. 販売システムからの元の注文識別番号。単調に増加する整数です。

D. 現在のエポックタイム

A. データを可能な限り非正規化します。

B. ステータスの更新が BigQuery に更新されるのではなく追加されるデータ パイプラインを開発します。

C. 可能な限りデータの構造を保持します。

D. BigQuery UPDATE を使用してデータセットのサイズをさらに縮小します。

E. トランザクション データの毎日のスナップショットを Cloud Storage にコピーし、Avro ファイルとして保存します。BigQuery の外部データソース サポートを使用してクエリを実行します。

A. 1 各部門のアプリケーションのデータ保存用に複数のプロジェクトを作成します。
2 各部門が Cloud Storage バケットと BigQuery データセットを作成できるようにします。
3. 各部門が共有したデータを Analytics Hub で公開します。
4 すべての部門が Analytics Hub で必要なデータを検出し、サブスクライブできるようにします。

B. 1各部門のデータを保存するためのプロジェクトを作成します。
2 各部門が Cloud Storage バケットと BigQuery データセットを作成できるようにします。
3. 各バケットとデータセットの承認された読者のユーザー グループを作成します。
4 IT チームがユーザー グループを管理し、部門の要求に応じてユーザーを追加または削除できるようにします。

C. 1組織のデータ保存用のプロジェクトを作成します。
2 各部門のファイルを保存するための 3 つのフォルダを含む中央 Cloud Storage バケットを作成します。
3. 部門名をプレフィックスとするテーブルを含む中央 BigQuery データセットを作成します。
4 部門のユーザーにストレージ プロジェクトの閲覧権限を付与します。

D. 1 各部門のアプリケーションのデータ保存用に複数のプロジェクトを作成します。
2 各部門が Cloud Storage バケットと BigQuery データセットを作成できるようにします。
3 Dataplex で、各部門をデータレイクと Cloud Storage バケットにマッピングし、BigQuery データセットをゾーンにマッピングします。
4 各部門がデータレイクのデータを所有し、共有できるようにします。

A. データを変換し、ログからエラーのある行を抽出する DoFn に try... catch ブロックを追加します。

B. データを変換する DoFn に try... catch ブロックを追加し、sideOutput を使用して、後で PubSub に保存できる PCollection を作成します。

C. フィルタリング手順を追加して、今後これらのタイプのエラーをスキップし、ログからエラーのある行を抽出します。

D. データを変換する try... catch ブロックを DoFn に追加し、エラーのある行を DoFn から直接 PubSub に書き込みます。