Lär dig Snowflakes pipeline för datainmatning – från att mellanlagra filer med COPY INTO, Snowpipe och Snowpipe Streaming – och anslut Snowflake till det bredare dataekosystemet via kopplingar, drivrutiner och exportverktyg.

Stages, filformat och COPY INTO

Klassificera stage-typer

Felhantering med COPY INTO

Snowpipe och Snowpipe Streaming

Välj rätt inmatningsmetod

Egenskaper hos inmatningsmetoder

Dataexport och anslutningar

Avladdning av data till molnlagring

Anslutningsmekanismer

Datainläsning, datainmatning och anslutning

Bygg robusta datapipelines med Snowflakes inbyggda orkestrering – streams för ändringskapturing, tasks för schemaläggning, dynamiska tabeller för deklarativ transformation samt externa tabeller och Iceberg-tabeller för lagring i öppna format.

Strömmar och förändringsdatainsamling

Fråga en stream

Välj rätt strömtyp

Uppgifter och DAG-orkestrering

Schemaläggning och beroenden för uppgifter

Alternativ

Warehouse-baserad task

Serverlös task

Warehouse-baserade vs serverlösa tasks

Dynamiska tabeller

TARGET_LAG och uppdatering av dynamiska tabeller

Streams + Tasks

Antingen

Välj rätt orkestreringsmekanism

Designa en komplett pipeline

Externa tabeller och Iceberg-tabeller

När ska du använda externa tabeller?

Nativ Snowflake-tabell

Extern tabell

Iceberg-tabell

Tabelltyper efter lagring och frågemotorer

Pipelineorkestrering och dataobjekt

Ställ frågor mot semistrukturerad JSON med punktnotation och FLATTEN, aggregera data med GROUPING SETS, ROLLUP och CUBE, beräkna fönsterfunktioner och kapsla in återanvändbar logik i UDF:er och lagrade procedurer.

Frågor mot semistrukturerad data

Extrahera nästlade fält

Platta ut JSON-arrayer

Avancerade aggregatfunktioner

Skriva en ROLLUP-fråga

Välja rätt grupperingstillägg

Fönsterfunktioner

Rangordna poster med ROW_NUMBER

RANK vs DENSE_RANK

Förändring mellan perioder med LAG

Löpande summor med SUM

Användardefinierade funktioner och lagrade procedurer

Skapa och anropa en SQL UDF

UDF eller lagrad procedur

Frågor och datatransformation

Profilera frågor i Snowsight, identifiera flaskhalsar med QUERY_HISTORY, använd sökordsoptimering, Query Acceleration Service, automatisk klustring och materialiserade vyer – och skriv SQL som drar nytta av Snowflakes tre cachelager.

Frågeprofilering, historik och insikter

Navigera i Query Profile

Identifiera frågor med QUERY_HISTORY

Undersöka långsamma frågor

Optimeringsmetoder

Matcha optimeringsverktyg med frågemönster

Välja rätt optimeringsverktyg

Vilken metod passar bäst

Så fungerar caching i Snowflake

Identifiera cachelagret

SQL-mönster: Cache kontra partitionsbeskärning

Grattis!

Frågeprestanda och optimering

Bygg kompletta datapipelines i Snowflake. Lär dig att läsa in data med COPY INTO, Snowpipe och Snowpipe Streaming, och automatisera arbetsflöden med streams, tasks och dynamiska tabeller. Du får också lära dig att fråga mot semistrukturerad data, använda fönsterfunktioner och optimera frågeprestanda med Snowflakes profileringsverktyg och cachelager.

Bemästra verktygen och teknikerna för att bygga tillförlitliga, automatiserade datapipelines i Snowflake. Du börjar med att lära dig hur du tar in data i stor skala — konfigurera stages och filformat, läsa in data med COPY INTO och välja mellan batchinläsning, Snowpipe och Snowpipe Streaming för olika krav på latens och volym.
Därifrån bygger du färdigheter i orkestrering av end-to-end-pipelines: att fånga radnivåändringar med streams, kedja samman flerstegsarbetsflöden med task DAGs och skapa deklarativa, automatiskt uppdaterade pipelines med dynamiska tabeller. Du kommer också att lära dig när du ska använda externa tabeller och Iceberg-tabeller för scenarier med flera motorer och molnbaserade lösningar.
Den andra halvan av kursen skärper dina färdigheter i att fråga och transformera data — du extraherar och avnästlar semistrukturerad JSON från VARIANT-kolumner, använder grupperingstillägg och fönsterfunktioner för avancerad analys, och kapslar in återanvändbar logik i UDF:er och lagrade procedurer.
Slutligen kommer du att ta dig an frågeprestanda: läsa Snowflakes Query Profile för att identifiera flaskhalsar, välja rätt optimeringsverktyg — Search Optimization, Query Acceleration Service, clustering keys eller materialized views — och skriva cachevänlig SQL som undviker de vanliga anti-patterns som i tysthet försämrar prestandan.

Ladda, automatisera och optimera datapipelines i Snowflake med COPY INTO, Snowpipe, streams och tasks.

Automatisering av datapipelines i Snowflake

Ladda, automatisera och optimera datapipelines i Snowflake med COPY INTO, Snowpipe, streams, tasks, dynamiska tabeller och verktyg för frågeprestanda.

Essentials for Snowflake SnowPro® Core Certification

Data lagras i Snowflake-hanterade mikropartitioner med fullständig partitionsbeskärning

Fullständig läs- och skrivåtkomst via SQL; Snowflake hanterar komprimering och klustring

Data finns kvar i molnlagringen; Snowflake läser filerna vid frågetillfället

Frågeprestandan beror på partitionskolumner som härleds från filsökvägstrukturen

Lagras som Parquet-filer med ett metadatalager; kan läsas av Spark, Flink och Trino utan konvertering

Data är inte låst till en enda frågemotor

Tabelltyper efter lagring och frågemotorer

Automatisering av datapipelines i Snowflake

Interaktiv övning med praktiskt arbete