Je hebt een programmatische, kosteneffectieve pipeline nodig om on-premises data naar BigQuery te migreren met optionele streaming- of batch-modi en om gevoelige velden te maskeren voordat je ze laadt. Welke aanpak voldoet aan deze vereisten?
Kies een antwoord
Tik op een optie om je antwoord te controleren.
Correct antwoord: Bouw een Dataflow-pipeline met behulp van de Apache Beam Python SDK, voeg opties toe voor streaming of batch en integreer Cloud DLP, en schrijf naar BigQuery..
Waarom dit het antwoord is
De correcte aanpak is het bouwen van een Dataflow-pipeline met de Apache Beam Python SDK. Dataflow biedt een flexibel, schaalbaar en kosteneffectief platform voor zowel batch- als streaming-dataverwerking. De Apache Beam SDK maakt het mogelijk om één codebasis te schrijven die in beide modi kan opereren, wat voldoet aan de vereiste voor optionele streaming of batch. Integratie met Cloud DLP binnen de pipeline zorgt ervoor dat gevoelige velden worden gemaskeerd voordat de data in BigQuery wordt geladen, wat essentieel is voor gegevensbeveiliging. De andere opties zijn minder geschikt: Cloud Data Fusion is een goede optie voor visueel ETL, maar de vraag specificeert een programmatische pipeline en Dataflow is hiervoor flexibeler en kosteneffectiever. BigQuery Data Transfer Service is primair voor geautomatiseerde overdracht van data van Google SaaS-applicaties of S3/Redshift naar BigQuery en biedt geen ingebouwde de-identificatie vóór het laden. De-identificatie na het laden in BigQuery is niet ideaal voor gevoelige data. Datastream is gericht op Change Data Capture (CDC) en replicatie, maar biedt geen ingebouwde functionaliteit voor het maskeren van gevoelige data tijdens de replicatie naar BigQuery.
Slaag voor je examen — zonder eindeloos zoeken naar antwoorden
Krijg elke geverifieerde vraag en uitleg voor dit examen op één plek, en bespaar uren voorbereiding. Meer dan 1.000 certificeringen · Meer dan 20 talen · gratis om te beginnen.
Slaag sneller voor je examen → Geen kaart nodig