A. notebook.utils.run("전체 노트북 경로")

B. execute.utils.run("전체 노트북 경로")

C. dbutils.notebook.run("전체 노트북 경로")

D. 노트북은 작업 클러스터에서만 실행할 수 있습니다.

E. spark.notebook.run("전체 노트북 경로")

A. @dlt.table
def silver_orders():
반품 (
dlt.read_stream( " bronze_orders " )
.expect_or_drop( " valid_customer " , " customer_id IS NOT NULL " )
.expect_or_drop( " valid_amount " , " amount > 0 " )
)

B. @dlt.table
@dlt.expect( " valid_customer " , " customer_id IS NOT NULL " )
@dlt.expect( " valid_amount " , " amount > 0 " )
def silver_orders():
dlt.read_stream(" bronze_orders " )를 반환합니다.

C. @dlt.table
def silver_orders():
반품 (
dlt.read_stream( " bronze_orders " )
.expect( " valid_customer " , " customer_id IS NOT NULL " )
.expect( " valid_amount " , " amount > 0 " )
)

D. @dlt.table
@dlt.expect_or_drop( " valid_customer " , " customer_id IS NOT NULL " )
@dlt.expect_or_drop( " valid_amount " , " amount > 0 " )
def silver_orders():
dlt.read_stream(" bronze_orders " )를 반환합니다.

A. 실버 버전은 ETL 성능에 최적화되어 있고, 골드 버전은 쿼리 성능에 최적화되어 있습니다.

B. Gold는 ETL 성능에 최적화되어 있고, Silver는 쿼리 성능에 최적화되어 있습니다.

C. 은은 청동의 복제품이고, 금은 은의 복제품입니다.

D. 은은 델타 호수에, 금은 메모리에 저장되어 있습니다.

E. 실버는 집계된 데이터를 포함할 수 있으며, 골드는 원본 데이터의 세부 정보를 보존할 수 있습니다.

A. 고객 테이블은 타입 3 테이블로 구현되었으며, 이전 값은 현재 값과 함께 새로운 열로 유지됩니다.

B. 고객 테이블은 타입 2 테이블로 구현됩니다. 기존 값은 유지되지만 더 이상 사용되지 않는 것으로 표시되고 새 값이 삽입됩니다.

C. 고객 테이블은 Type 0 테이블로 구현되어 있으며, 모든 쓰기 작업은 기존 값을 변경하지 않고 새로운 값을 추가하는 방식으로만 수행됩니다.

D. 고객 테이블은 Type 1 테이블로 구현되어 있으며, 이전 값은 새 값으로 덮어쓰여지고 이력은 유지되지 않습니다.

E. 고객 테이블은 Type 2 테이블로 구현되어 있으며, 기존 값은 덮어쓰여지고 신규 고객은 추가됩니다.

A. 트리거 간격을 500밀리초로 설정하십시오. 작지만 0이 아닌 트리거 간격을 설정하면 소스에 대한 쿼리가 너무 자주 발생하지 않습니다.

B. 트리거 간격을 3초로 설정하십시오. 기본 트리거 간격은 배치당 너무 많은 레코드를 처리하여 디스크에 스필이 발생하고 용량 비용이 증가할 수 있습니다.

C. 트리거 간격을 10분으로 설정하십시오. 각 배치 작업은 소스 스토리지 계정의 API를 호출하므로 트리거 빈도를 허용 가능한 최대 임계값으로 줄이면 이 비용을 최소화할 수 있습니다.

D. 한 번만 트리거 옵션을 사용하고 Databricks 작업을 구성하여 10분마다 쿼리를 실행하도록 설정하십시오. 이 방법을 사용하면 컴퓨팅 및 스토리지 비용을 최소화할 수 있습니다.