החל מ-10 באפריל 2026, Dataplex Universal Catalog נקרא עכשיו Knowledge Catalog. השמות של ה-API, ספריית הלקוח, ה-CLI ו-IAM לא משתנים. מידע נוסף זמין במאמר הכרות עם קטלוג הידע של Google Cloud.

‫Google משתמשת בטכנולוגיית AI כדי לתרגם תוכן לשפה המועדפת עליך. בתרגומים כאלו עשויות להיות שגיאות.

יצירת פרופיל של איכות הנתונים ואימות שלהם

ב-Knowledge Catalog (לשעבר Dataplex Universal Catalog) אתם יכולים ליצור פרופילים של טבלאות ב-BigQuery כדי לחשב נתונים סטטיסטיים ברמת העמודה, כמו אחוזי ערכים ריקים, ספירות של ערכים ייחודיים והתפלגויות של ערכים. אפשר להשתמש בתובנות האלה כדי להגדיר כללים לאיכות הנתונים ולאמת את הרשומות כדי לזהות חריגות.

במדריך למתחילים הזה תאכלסו טבלה לדוגמה ב-BigQuery באנומליות מכוונות, תריצו סריקת פרופיל נתונים ותעריכו את התוצאות באמצעות סריקת איכות נתונים. מידע נוסף זמין במאמרים מידע על יצירת פרופילים של נתונים ומידע על איכות נתונים אוטומטית.

לפני שמתחילים

מגדירים את הפרויקט:

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.
Roles required to select or create a project
- Select a project: Selecting a project doesn't require a specific IAM role—you can select any project that you've been granted a role on.
- Create a project: To create a project, you need the Project Creator role (roles/resourcemanager.projectCreator), which contains the resourcemanager.projects.create permission. Learn how to grant roles.
Note: If you don't plan to keep the resources that you create in this procedure, create a project instead of selecting an existing project. After you finish these steps, you can delete the project, removing all resources associated with the project.

Go to project selector
If you're using an existing project for this guide, verify that you have the permissions required to complete this guide. If you created a new project, then you already have the required permissions.
Verify that billing is enabled for your Google Cloud project.
Enable the Knowledge Catalog and BigQuery APIs, if any are not already enabled.
Roles required to enable APIs
To enable APIs, you need the serviceusage.services.enable permission. If you created the project, then you likely already have this permission through the Owner role (roles/owner). Otherwise, you can get this permission through the Service Usage Admin role (roles/serviceusage.serviceUsageAdmin). Learn how to grant roles.
Enable the APIs

התפקידים הנדרשים

כדי לקבל את ההרשאות שדרושות ליצירה ולהפעלה של סריקות של פרופיל נתונים ואיכות נתונים, ולניהול משאבי BigQuery, צריך לבקש מהאדמין את התפקידים הבאים ב-IAM בפרויקט:

יצירה, הפעלה ומחיקה של סריקות נתונים: עריכת DataScan ב-Dataplex (roles/dataplex.dataScanEditor)
יצירה, אכלוס ומחיקה של טבלאות לדוגמה: BigQuery Data Owner (roles/bigquery.dataOwner)
הרצת שאילתות SQL ב-BigQuery: BigQuery Job User (roles/bigquery.jobUser)

להסבר על מתן תפקידים, ראו איך מנהלים את הגישה ברמת הפרויקט, התיקייה והארגון.

יכול להיות שאפשר לקבל את ההרשאות הנדרשות גם באמצעות תפקידים בהתאמה אישית או תפקידים מוגדרים מראש.

אם יש לכם את ההרשאות הנדרשות לניהול הגישה ל-IAM בפרויקט, אתם יכולים להקצות את התפקידים האלה לחשבון המשתמש שלכם באמצעות הפקודות הבאות של gcloud:

gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="user:USER_EMAIL" \
    --role="roles/dataplex.dataScanEditor"

gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="user:USER_EMAIL" \
    --role="roles/bigquery.dataOwner"

gcloud projects add-iam-policy-binding PROJECT_ID \
    --member="user:USER_EMAIL" \
    --role="roles/bigquery.jobUser"

מחליפים את מה שכתוב בשדות הבאים:

‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
‫USER_EMAIL: כתובת האימייל של חשבון המשתמש (לדוגמה, name@example.com).

מתן הרשאות לסוכן השירות של Knowledge Catalog

סוכן שירות הוא חשבון שירות בניהול Google, שמשמש את Knowledge Catalog כדי להריץ בשבילכם שאילתות סריקה ב-BigQuery.

במסוף Google Cloud , לוחצים על Activate Cloud Shell בסרגל הכלים. ההקצאה והחיבור של הסביבה נמשכים כמה רגעים.
יוצרים את סוכן השירות של Knowledge Catalog:
```
gcloud beta services identity create --service=dataplex.googleapis.com
```
הפקודה הזו יוצרת את סוכן השירות אם הוא עדיין לא הוקצה, ומציגה את כתובת האימייל שלו. אם לפרויקט כבר יש סוכן שירות של Knowledge Catalog, הפקודה מחזירה את הזהות הקיימת בלי לבצע שינויים.

הפלט אמור להיראות כך:
```
serviceAccount:service-PROJECT_NUMBER@gcp-sa-dataplex.
```
שימו לב ל-PROJECT_NUMBER בפלט לשלבים הבאים.
מקצים את התפקיד BigQuery Job User (roles/bigquery.jobUser) כדי ש-Knowledge Catalog יוכל להריץ משימות של שאילתות בפרויקט:
```
gcloud projects add-iam-policy-binding PROJECT_ID \
   --member="serviceAccount:service-PROJECT_NUMBER@gcp-sa-dataplex." \
   --role="roles/bigquery.jobUser"
```
מחליפים את מה שכתוב בשדות הבאים:
- ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
- ‫PROJECT_NUMBER: מספר הפרויקט ב- Google Cloud .
מקצים את התפקיד BigQuery Data Viewer‏ (roles/bigquery.dataViewer) כדי שסוכן השירות יוכל לקרוא את נתוני הטבלה והסכימה:
```
gcloud projects add-iam-policy-binding PROJECT_ID \
   --member="serviceAccount:service-PROJECT_NUMBER@gcp-sa-dataplex." \
   --role="roles/bigquery.dataViewer"
```
מחליפים את מה שכתוב בשדות הבאים:
- ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
- ‫PROJECT_NUMBER: מספר הפרויקט ב- Google Cloud .

יצירת טבלה ומערך נתונים לדוגמה

כדי לנסות את הפרופילים ואת סריקות איכות הנתונים בצורה בטוחה בלי לגעת בנתוני הייצור, מגדירים מערך נתונים ייעודי ב-BigQuery ויוצרים טבלה שמכילה נתונים לדוגמה של שיתוף אופניים עם חריגות מכוונות, כמו כפילויות וערכי null.

המסוף

נכנסים לדף BigQuery במסוף Google Cloud .

כניסה לדף BigQuery
בחלונית Explorer, לוחצים על View actions ליד מזהה הפרויקט, ואז לוחצים על Create dataset.
בשדה Dataset ID, מזינים את הערך quickstart_data_profile.
ברשימה מיקום הנתונים, בוחרים באפשרות us-central1 (Iowa).
לוחצים על Create dataset.

בעורך השאילתות, מזינים את שאילתת ה-SQL הבאה כדי ליצור נתונים לדוגמה של שיתוף אופניים בטבלה bikeshare_trips:

CREATE OR REPLACE TABLE `PROJECT_ID.quickstart_data_profile.bikeshare_trips` AS
SELECT
-- Duplicate and null IDs
IF(MOD(x, 100) = 0, NULL, IF(x > 9900, 1000 + (x - 9900), 1000 + x)) AS trip_id,
-- Nulls and unrecognized category values
CASE
  WHEN MOD(x, 50) = 0 THEN 'INVALID_TIER'
  WHEN MOD(x, 25) = 0 THEN NULL
  WHEN MOD(x, 4) = 0 THEN 'Local Rider'
  WHEN MOD(x, 4) = 1 THEN 'Walk Up'
  WHEN MOD(x, 4) = 2 THEN 'Student Membership'
  ELSE 'Weekender'
END AS subscriber_type,
-- Nulls and malformed bike IDs
CASE
  WHEN MOD(x, 60) = 0 THEN 'UNKNOWN'
  WHEN MOD(x, 30) = 0 THEN NULL
  ELSE CAST(2000 + x AS STRING)
END AS bike_id,
-- Null dates and future timestamps
CASE
  WHEN MOD(x, 70) = 0 THEN NULL
  WHEN MOD(x, 40) = 0 THEN TIMESTAMP_ADD(CURRENT_TIMESTAMP(), INTERVAL x MINUTE)
  ELSE TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x MINUTE)
END AS start_time,
-- Nulls and placeholder station values
CASE
  WHEN MOD(x, 20) = 0 THEN 'STATION_UNKNOWN'
  WHEN MOD(x, 10) = 0 THEN NULL
  ELSE CAST(100 + MOD(x, 50) AS STRING)
END AS start_station_id,
-- Negative durations, zeros, and extreme outliers
CASE
  WHEN MOD(x, 15) = 0 THEN -10.0
  WHEN MOD(x, 35) = 0 THEN 0.0
  WHEN MOD(x, 200) = 0 THEN 99999.0
  ELSE CAST(MOD(x, 120) + 1.5 AS FLOAT64)
END AS duration_minutes
FROM UNNEST(GENERATE_ARRAY(1, 10000)) AS x;

מחליפים את PROJECT_ID במזהה הפרויקט ב- Google Cloud .

לוחצים על הפעלה.

gcloud

ב-Cloud Shell, יוצרים את מערך הנתונים quickstart_data_profile באזור us-central1:
```
bq --location=us-central1 mk --dataset PROJECT_ID:quickstart_data_profile
```
מחליפים את PROJECT_ID במזהה הפרויקט ב-Google Cloud .

יוצרים את הטבלה לדוגמה bikeshare_trips ומאכלסים אותה:

bq query \
--use_legacy_sql=false \
"CREATE OR REPLACE TABLE \`PROJECT_ID.quickstart_data_profile.bikeshare_trips\` AS
SELECT
  IF(MOD(x, 100) = 0, NULL, IF(x > 9900, 1000 + (x - 9900), 1000 + x)) AS trip_id,
  CASE
    WHEN MOD(x, 50) = 0 THEN 'INVALID_TIER'
    WHEN MOD(x, 25) = 0 THEN NULL
    WHEN MOD(x, 4) = 0 THEN 'Local Rider'
    WHEN MOD(x, 4) = 1 THEN 'Walk Up'
    WHEN MOD(x, 4) = 2 THEN 'Student Membership'
    ELSE 'Weekender'
  END AS subscriber_type,
  CASE
    WHEN MOD(x, 60) = 0 THEN 'UNKNOWN'
    WHEN MOD(x, 30) = 0 THEN NULL
    ELSE CAST(2000 + x AS STRING)
  END AS bike_id,
  CASE
    WHEN MOD(x, 70) = 0 THEN NULL
    WHEN MOD(x, 40) = 0 THEN TIMESTAMP_ADD(CURRENT_TIMESTAMP(), INTERVAL x MINUTE)
    ELSE TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x MINUTE)
  END AS start_time,
  CASE
    WHEN MOD(x, 20) = 0 THEN 'STATION_UNKNOWN'
    WHEN MOD(x, 10) = 0 THEN NULL
    ELSE CAST(100 + MOD(x, 50) AS STRING)
  END AS start_station_id,
  CASE
    WHEN MOD(x, 15) = 0 THEN -10.0
    WHEN MOD(x, 35) = 0 THEN 0.0
    WHEN MOD(x, 200) = 0 THEN 99999.0
    ELSE CAST(MOD(x, 120) + 1.5 AS FLOAT64)
  END AS duration_minutes
FROM UNNEST(GENERATE_ARRAY(1, 10000)) AS x;"

יצירה והרצה של סריקת פרופיל נתונים

בסריקת פרופיל נתונים, המערכת בודקת את השורות בטבלה כדי לחשב תובנות סטטיסטיות, כולל ספירת ערכים ייחודיים, יחסי ערכי null וטווחי התפלגות נתונים.

המסוף

במסוף Google Cloud , נכנסים לדף Data profiling & quality.

מעבר אל "יצירת פרופילים של נתונים ואיכות"
לוחצים על יצירת סריקת פרופיל נתונים.
בקטע Choose type, משאירים את האפשרות Data profile scan מסומנת.
בקטע General, בשדה השם המוצג, מזינים bikeshare-trips-profile.
בקטע Table to scan, בשדה Table, לוחצים על Browse, בוחרים את הטבלה quickstart_data_profile.bikeshare_trips בפרויקט ולוחצים על Select.
בשדה Mode, בוחרים באפשרות Standard.
בשדה היקף, בוחרים באפשרות כל הנתונים.
בקטע תזמון, בוחרים באפשרות לפי דרישה.
משאירים את שאר ההגדרות בערכי ברירת המחדל שלהן.
לוחצים על הפעלת הסריקה.

משימת הסריקה מתחילה. בדרך כלל, הסריקה וחישוב הנתונים הסטטיסטיים של הטבלה ב-Knowledge Catalog נמשכים בין 3 ל-5 דקות.

gcloud

ב-Cloud Shell, יוצרים את סריקת פרופיל הנתונים:

gcloud dataplex datascans create data-profile bikeshare-trips-profile \
 --location=us-central1 \
 --data-source-resource="//bigquery.googleapis.com/projects/PROJECT_ID/datasets/quickstart_data_profile/tables/bikeshare_trips" \
 --description="Data profile scan for sample bikeshare dataset"

מחליפים את PROJECT_ID במזהה הפרויקט ב-Google Cloud .

מריצים את סריקת פרופיל הנתונים:
```
gcloud dataplex datascans run bikeshare-trips-profile \
 --location=us-central1
```
משימת הסריקה מתחילה ברקע. הסריקה נמשכת בדרך כלל 3 עד 5 דקות.

בדיקת התוצאות של סריקת פרופיל הנתונים

אחרי שהסריקה מסתיימת, בודקים את הנתונים הסטטיסטיים של העמודות כדי להבין את מאפייני הנתונים.

במסוף Google Cloud , נכנסים לדף Data profiling & quality.

מעבר אל "יצירת פרופילים של נתונים ואיכות"
ברשימת הסריקות, לוחצים על bikeshare-trips-profile.
אם הסריקה עדיין לא הופעלה, לוחצים על הפעלה מיידית.
בקטע Overview, ממתינים עד שמופיע הסטטוס Succeeded במשימת הסריקה האחרונה.

בתמונה הבאה מוצגת משימת הסריקה בקטע Overview עם הסטטוס Succeeded:

בודקים את תוצאות הסריקה כדי להבין את התפלגות הנתונים בטבלה ולזהות יעדים פוטנציאליים לאימות איכות הנתונים. בכרטיסייה Latest job results, בכלי Knowledge Catalog מוצגים מדדים ברמת העמודה, כולל Null %‎, ‏ Unique count and %‎, ‏ Top values ו-Summary statistics.

בטבלה הבאה מפורטים המדדים של הפרופיל שצריך לבדוק בכל עמודה בטבלה, איך לפרש את התוצאות ואיזה כלל של איכות נתונים צריך להגדיר:

עמודה בטבלה	מדד תוצאות הפרופיל	מה לחפש ואיך לפרש את הנתונים	יעד אימות של איכות הנתונים
`duration_minutes`	נתונים סטטיסטיים מסכמים	זוהו ערכים שליליים: הערך המינימלי הוא `-10.0` דקות. משך הנסיעה שחלף לא יכול להיות שלילי, כי זה מצביע על הקלטות לא תקינות של החיישן או של הנסיעה.	מטרגטים באמצעות כלל תוקף (טווח) (כמו `duration_minutes ≥ 1.0`) כדי לדרוש זמני נסיעה חיוביים שחלפו.
`start_station_id`	Null %	כ-5% ערכי null: אחוז ערכי ה-null גדול מ-0%, מה שמראה שבחלק מהרשומות חסרים מזהי תחנות (כמו נסיעות ללא עגינה או ללא קיוסק).	מטרגטים באמצעות הכלל שלמות (לא ריק) כדי לזהות ולסמן רשומות שחסרים בהן מזהי תחנות.
`subscriber_type`	הערכים המובילים	קטגוריות לא צפויות: ברשימת הערכים הנפוצים מופיעות קטגוריות לא סטנדרטיות (כמו `INVALID_TIER`) לצד רמות חברות תקינות, מה שמעיד על קלט משתמש שלא אומת או על בעיות בהטמעה.	מטרגטים באמצעות הכלל תוקף (הגדרה) כדי לאכוף את הדרישה שכל הערכים הנכנסים יהיו שייכים לרשימת סוגי החברות המותרים.
`trip_id`	ספירה ייחודית ו-%	זוהו מזהים כפולים: הייחודיות נמוכה מ-100% (בערך 98%), מה שמצביע על רשומות מזהים חוזרות. המפתחות הראשיים ומזהי הנסיעות צריכים להיות ייחודיים ב-100%.	מטרגטים באמצעות כלל ייחודיות כדי לסמן ולמנוע רשומות נסיעה כפולות.

הממצאים האלה בפרופיל מספקים לכם בסיס מבוסס-ראיות ליצירת כללים ממוקדים לאיכות הנתונים.

יצירה והפעלה של סריקה לבדיקת איכות הנתונים

עכשיו, אחרי שגיליתם איך הנתונים נראים, אתם יכולים להגדיר כללים אוטומטיים לאיכות הנתונים כדי לזהות חריגות. בשלב הזה מגדירים ארבעה סוגים נפוצים של כללים על סמך הממצאים בפרופיל.

המסוף

במסוף Google Cloud , נכנסים לדף Data profiling & quality.

מעבר אל "יצירת פרופילים של נתונים ואיכות"
לוחצים על יצירת סריקת איכות נתונים.
בקטע General, בשדה השם המוצג, מזינים bikeshare-trips-quality.
בקטע Table to scan, בשדה Table, לוחצים על Browse, בוחרים את הטבלה quickstart_data_profile.bikeshare_trips ולוחצים על Select.
בשדה היקף, בוחרים באפשרות כל הנתונים.
בקטע Schedule, בוחרים באפשרות On-demand.
משאירים את שאר ההגדרות בברירת המחדל ולוחצים על Continue.
בקטע כללי איכות הנתונים, לוחצים על הוספת כללים ובוחרים באפשרות סוגי כללים מובנים.

הערה: למרות ש-Knowledge Catalog יכול ליצור באופן אוטומטי כללי בסיס באמצעות המלצות שמבוססות על פרופילים, ההמלצות האלה משקפות את התפלגות הנתונים הקיימת (כולל חריגות). כדי לאכוף את הציפיות של העסק ולזהות פגמים בנתונים, משתמשים בסוגי כללים מובנים.
בחלונית הוספת כללים, בוחרים את העמודות ואת סוגי הכללים:
- בשדה Choose columns, לוחצים על Browse ובוחרים את העמודות duration_minutes,‏ start_station_id,‏ subscriber_type ו-trip_id.
- לוחצים על בחירה.
- ברשימה Choose rule types, בוחרים באפשרויות Range check,‏ NULL check,‏ Value-set check ו-Uniqueness check, ואז לוחצים על OK.
- ברשימת הכללים שנוצרה, מסמנים את התיבה של כל אחד מהכללים הבאים:
  - ‫duration_minutes: בדיקת טווח
  - ‫start_station_id: בדיקת NULL
  - ‫subscriber_type: בדיקת קבוצת הערכים
  - trip_id: בדיקת ייחודיות
- לוחצים על בחירה.
בטבלה כללי איכות הנתונים, מגדירים פרמטרים לכללים שדורשים ערכים:
- ב-duration_minutes (בדיקת טווח), לוחצים על עריכה, מזינים 1.0 בשדה ערך מינימלי ולוחצים על שמירה.
- ב-subscriber_type (Value-set check), לוחצים על Edit, לוחצים על Add Value כדי להוסיף כל אחד מהערכים המותרים (Local Rider,‏ Walk Up,‏ Student Membership ו-Weekender) ולוחצים על Save.
לוחצים על המשך ואז על הפעלת סריקה.

gcloud

ב-Cloud Shell, יוצרים קובץ בשם dq_bikeshare.yaml עם מפרטי כללים שמטרגטים את החריגות שנמצאו בפרופיל:

cat << 'EOF' > dq_bikeshare.yaml
rules:
  - column: trip_id
    dimension: UNIQUENESS
    uniquenessExpectation: {}
  - column: start_station_id
    dimension: COMPLETENESS
    nonNullExpectation: {}
  - column: duration_minutes
    dimension: VALIDITY
    rangeExpectation:
      minValue: "1.0"
  - column: subscriber_type
    dimension: VALIDITY
    setExpectation:
      values:
        - "Local Rider"
        - "Walk Up"
        - "Student Membership"
        - "Weekender"
EOF

יוצרים את סריקת איכות הנתונים:

gcloud dataplex datascans create data-quality bikeshare-trips-quality \
 --location=us-central1 \
 --data-source-resource="//bigquery.googleapis.com/projects/PROJECT_ID/datasets/quickstart_data_profile/tables/bikeshare_trips" \
 --data-quality-spec-file="dq_bikeshare.yaml" \
 --description="Data quality scan for sample bikeshare dataset"

מחליפים את PROJECT_ID במזהה הפרויקט ב-Google Cloud .

מריצים את הסריקה של איכות הנתונים:

gcloud dataplex datascans run bikeshare-trips-quality \
 --location=us-central1

בדיקת הערכות של כללי איכות נתונים

בודקים את התוצאות של איכות הנתונים כדי לראות איך הכללים העריכו את הנתונים לדוגמה וזיהו חריגות.

במסוף Google Cloud , נכנסים לדף Data profiling & quality.

מעבר אל "יצירת פרופילים של נתונים ואיכות"
בטבלה Scans, לוחצים על הסריקה bikeshare-trips-quality.
בקטע סקירה כללית, לוחצים על הצגת התוצאות כדי לפתוח את פרטי המשימה.
בחלונית Job details, בודקים את תוצאות ההערכה:
- סטטוס איכות הנתונים: כמו שציפינו, כל 3 המאפיינים שנבדקו מציגים את הסטטוס נכשל.
  - תוקף: נכשל. בעמודה duration_minutes יש ערכים שליליים, ובעמודה subscriber_type יש ערכי חברות לא תקינים (INVALID_TIER).
  - שלמות: נכשל. בעמודה start_station_id יש ערכי null.
  - ייחודיות: נכשל. העמודה trip_id מכילה רשומות כפולות.
- כללים: בטבלה כללים, כל 4 הכללים שנבדקו מוצגים בסטטוס נכשל.
  - ‫duration_minutes: בדיקת טווח (נכשלה)
  - start_station_id: בדיקת ערכי NULL (נכשלה)
  - ‫subscriber_type: בדיקת קבוצת הערכים (נכשלה)
  - ‫trip_id: בדיקת ייחודיות (נכשלה)
  אם כלל מסוים נכשל, אתם יכולים להעתיק את שאילתת ה-SQL בעמודה Query to get failed records ולהריץ אותה ב-BigQuery כדי לבודד את השורות הלא תקינות ולבדוק אותן.

עכשיו יצרתם פרופיל של טבלה ב-BigQuery כדי לגלות נתונים סטטיסטיים של עמודות, והשתמשתם בתובנות האלה כדי להגדיר ולאמת כללים אוטומטיים לאיכות הנתונים.

הסרת המשאבים

כדי לא לצבור חיובים בחשבון Google Cloud על המשאבים שבהם השתמשתם בדף הזה, מבצעים את הפעולות הבאות.

המסוף

במסוף Google Cloud , נכנסים לדף Data profiling & quality.

מעבר אל "יצירת פרופילים של נתונים ואיכות"
בטבלה Scans, בוחרים באפשרויות bikeshare-trips-quality ו-bikeshare-trips-profile.
לוחצים על מחיקה ומאשרים.
נכנסים לדף BigQuery.

כניסה לדף BigQuery
בחלונית Explorer, לוחצים על Datasets.
בוחרים את מערך הנתונים quickstart_data_profile ולוחצים על Delete.

gcloud

ב-Cloud Shell, מוחקים את סריקת איכות הנתונים, את סריקת פרופיל הנתונים ואת מערך הנתונים לדוגמה:

gcloud dataplex datascans delete bikeshare-trips-quality --location=us-central1 --quiet
gcloud dataplex datascans delete bikeshare-trips-profile --location=us-central1 --quiet
bq rm -r -f -d PROJECT_ID:quickstart_data_profile

מחליפים את PROJECT_ID במזהה הפרויקט ב-Google Cloud .

יצירת פרופיל של איכות הנתונים ואימות שלהם

לפני שמתחילים

התפקידים הנדרשים

מתן הרשאות לסוכן השירות של Knowledge Catalog

יצירת טבלה ומערך נתונים לדוגמה

המסוף

gcloud

יצירה והרצה של סריקת פרופיל נתונים

המסוף

gcloud

בדיקת התוצאות של סריקת פרופיל הנתונים

יצירה והפעלה של סריקה לבדיקת איכות הנתונים

המסוף

gcloud

בדיקת הערכות של כללי איכות נתונים

הסרת המשאבים

המסוף

gcloud

המאמרים הבאים