Top 32 Snowflake Interview Questions & Answers For 2026

बेसिक Snowflake इंटरव्यू प्रश्न

आइए Snowflake के मुख्य कॉन्सेप्ट्स से जुड़े बेसिक इंटरव्यू प्रश्नों से शुरुआत करें।

1. Snowflake की आवश्यक विशेषताएँ क्या हैं?

Snowflake एक क्लाउड-आधारित डेटा वेयरहाउसिंग प्लेटफ़ॉर्म है जो कंप्यूट और स्टोरेज को अलग करता है, जिससे उपयोगकर्ता प्रोसेसिंग संसाधनों और डेटा स्टोरेज को स्वतंत्र रूप से स्केल कर सकते हैं। यह तरीका अधिक किफायती है और उच्च प्रदर्शन देता है।

इसकी प्रमुख विशेषताओं में से एक है ऑटो-स्केलिंग, जो वर्कलोड की मांग के आधार पर संसाधनों को समायोजित करती है और मल्टी-क्लाउड वातावरण का समर्थन करती है। एक और महत्वपूर्ण विशेषता है डेटा शेयरिंग का प्लेटफ़ॉर्म दृष्टिकोण, जो संगठन भर में डेटा की पहुँच को सुरक्षित और आसान बनाता है, वह भी बिना किसी डेटा मूवमेंट के।

2. क्या आप Snowflake की आर्किटेक्चर समझा सकते हैं?

Snowflake की आर्किटेक्चर इसकी खास पहचान है। इसे क्लाउड के लिए डिज़ाइन किया गया है, जिसमें मल्टी-क्लस्टर, शेयरड डेटा आर्किटेक्चर और उत्कृष्ट स्टोरेज क्षमताएँ शामिल हैं। Snowflake आर्किटेक्चर तीन लेयर्स में विभाजित है:

• डेटाबेस स्टोरेज लेयर: इस लेयर में स्ट्रक्चर्ड और सेमी-स्ट्रक्चर्ड डेटा स्टोर होता है और इसे स्वतः कम्प्रेस, एन्क्रिप्ट और माइक्रो-पार्टिशंस में संगठित किया जाता है। यह स्टोरेज को पूरी तरह अनुकूलित करने और क्वेरी परफॉर्मेंस सुधारने के लिए किया जाता है।
• कंप्यूट लेयर: इसे वर्चुअल वेयरहाउसेस भी कहा जाता है। यह लेयर एक या एक से अधिक कंप्यूट क्लस्टर्स से मिलकर बनी होती है जो सभी डेटा प्रोसेसिंग कार्यों को अंजाम देते हैं। ये क्लस्टर्स एक-दूसरे से जुड़े नहीं होते, जिससे वर्कलोड एक-दूसरे को प्रभावित नहीं करते।
• क्लाउड सर्विसेज लेयर: इस लेयर में इन्फ्रास्ट्रक्चर मैनेजमेंट, क्वेरी ऑप्टिमाइज़र, मेटाडेटा मैनेजर और सिक्योरिटी जैसी कई सेवाएँ शामिल हैं। ये सेवाएँ उपयोगकर्ता और सिस्टम के बीच इंटरैक्शन को समन्वित करती हैं और फुली-मैनेज्ड सर्विस सुनिश्चित करती हैं।

Snowflake की हाई-लेवल आर्किटेक्चर। इमेज स्रोत: Snowflake डॉक्यूमेंटेशन।

3. Snowflake में माइक्रो-पार्टिशंस क्या हैं, और प्लेटफ़ॉर्म की डेटा स्टोरेज क्षमता में इनका योगदान क्या है?

माइक्रो-पार्टिशंस Snowflake के डेटा स्टोरेज दृष्टिकोण का मूल तत्व हैं। ये कम्प्रेस्ड, मैनेज्ड और कॉलमर स्टोरेज यूनिट्स होते हैं जिनमें Snowflake 50MB से 150MB तक के डेटा को स्टोर करता है। कॉलमर फॉर्मेट कुशल डेटा कम्प्रेशन और एन्कोडिंग स्कीम्स को संभव बनाता है।

माइक्रो-पार्टिशंस की कम्प्रेशन क्षमता बड़े डेटा वॉल्यूम को प्रभावी ढंग से मैनेज करने देती है क्योंकि इससे भौतिक स्टोरेज स्पेस की आवश्यकता घटती है, और स्टोरेज लागत भी कम होती है। डेटा प्रूनिंग के कारण क्वेरी परफॉर्मेंस भी बेहतर होता है, जिसमें केवल संबंधित माइक्रो-पार्टिशंस तक पहुँचा जाता है। यह चयनात्मक एक्सेस तरीका डेटा रिट्रीवल और एनालिटिक्स के लिए अत्यंत लाभकारी है।

माइक्रो-पार्टिशंस का प्रबंधन Snowflake द्वारा स्वतः किया जाता है, जिससे मैन्युअल डेटा पार्टिशनिंग या इंडेक्सिंग की आवश्यकता समाप्त हो जाती है, और इससे सर्वोत्तम डेटा स्टोरेज सुनिश्चित होता है तथा प्रशासनिक श्रम लागत भी घटती है।

4. क्या आप समझा सकते हैं कि वर्चुअल वेयरहाउसेस डेटा प्रोसेसिंग कार्यों की स्केलेबिलिटी, परफॉर्मेंस और लागत प्रबंधन को कैसे प्रभावित करते हैं?

वर्चुअल वेयरहाउसेस सभी डेटा प्रोसेसिंग कार्यों को अंजाम देते हैं। इसलिए, वे स्केलेबिलिटी, परफॉर्मेंस और लागत प्रबंधन पर गहरा प्रभाव डालते हैं।

इनकी डायनेमिक स्केलेबिलिटी फीचर्स उपयोगकर्ताओं को वर्कलोड की आवश्यकताओं के आधार पर अपने कंप्यूट संसाधनों को ऊपर या नीचे स्केल करने की सुविधा देती हैं। जब डेटा प्रोसेसिंग की मांग बढ़ती है, तो आप अतिरिक्त कंप्यूट संसाधन उपलब्ध करा सकते हैं, और चालू ऑपरेशंस पर कोई असर नहीं पड़ता।

प्रत्येक वर्चुअल वेयरहाउस दूसरे को प्रभावित नहीं करता, जिससे समय-संवेदी एनालिटिक्स जैसे विशेष डेटा प्रोसेसिंग कार्यों में उच्च प्रदर्शन और स्थिरता मिलती है। डेटा प्रोसेसिंग टास्क संभालते समय, आप उपयोग किए गए कंप्यूट के लिए ही भुगतान करते हैं, जो पारंपरिक डेटा वेयरहाउसिंग समाधानों की तुलना में बेहतर लागत प्रबंधन देता है।

निम्न तालिका वर्चुअल वेयरहाउसेस की तुलना पारंपरिक कंप्यूट संसाधनों से करती है:

5. क्या आप चर्चा कर सकते हैं कि ANSI SQL मानकों के साथ Snowflake की संगतता क्वेरिंग और डेटा मैनिपुलेशन क्षमताओं को कैसे प्रभावित करती है?

ANSI SQL का अर्थ है American National Standards Institute Structured Query Language, जो कि रिलेशनल डेटाबेस मैनेजमेंट सिस्टम्स की मानक भाषा है।

इसका मतलब है कि Snowflake उपयोगकर्ता परिचित SQL सिंटैक्स और ऑपरेशंस, जैसे JOINs का उपयोग करके डेटा क्वेरी कर सकते हैं, जिससे SQL-अनुभवी उपयोगकर्ताओं के लिए Snowflake पर ट्रांज़िशन करना आसान हो जाता है। ANSI SQL संगतता का एक और पहलू है विभिन्न डेटा प्रकारों का सहज एकीकरण, जो उपयोगकर्ताओं को बिना पहले से परिभाषित स्कीमा में ट्रांसफॉर्म या लोड किए सीधे डेटा क्वेरी करने देता है।

यदि आप Snowflake प्लेटफ़ॉर्म पर प्रमाणन लेना चाहते हैं, तो देखें 2026 के लिए सबसे अच्छा Snowflake सर्टिफिकेशन कौन-सा है?

6. Snowflake का Time Travel फीचर क्या है, और यह उपयोगकर्ताओं को कैसे लाभ देता है?

Snowflake का Time Travel फीचर उपयोगकर्ताओं को निर्दिष्ट अवधि के लिए ऐतिहासिक डेटा तक पहुँचने और क्वेरी करने की अनुमति देता है, जो अकाउंट प्रकार के अनुसार सामान्यतः 90 दिनों तक हो सकती है। यह फीचर डेटा रिकवरी, ऑडिट उद्देश्यों और डेटा तुलना के लिए उपयोगी है। उदाहरण के लिए, उपयोगकर्ता गलती से डिलीट हुई टेबल्स को रिस्टोर कर सकते हैं या पिछले डेटा स्टेट्स की समीक्षा कर सकते हैं।

Time Travel बाहरी बैकअप की आवश्यकता को कम करता है और डेटा वर्ज़निंग को सरल बनाता है, जिससे इनबिल्ट डेटा रिकवरी और रेट्रोस्पेक्टिव एनालिसिस की क्षमता मिलती है।

7. Snowflake का डेटा शेयरिंग कैसे काम करता है, और इसके मुख्य लाभ क्या हैं?

Snowflake का डेटा शेयरिंग फीचर संगठनों को बाहरी उपयोगकर्ताओं या पार्टनर्स के साथ रियल टाइम में और सुरक्षित रूप से लाइव डेटा साझा करने देता है, वह भी अतिरिक्त डेटा कॉपी बनाए बिना। यह Snowflake के Secure Data Sharing के माध्यम से संभव होता है, जो मल्टी-क्लस्टर, शेयरड डेटा आर्किटेक्चर का उपयोग कर सीधे डेटा एक्सेस प्रदान करता है।

डेटा शेयरिंग के लाभों में शामिल हैं:

• स्टोरेज और ETL लागत में कमी।
• डेटा की ताजगी बनाए रखना।
• विभागों के बीच या बाहरी पार्टनर्स के साथ बेहतर सहयोग, क्योंकि फ़ाइलें एक्सपोर्ट/इम्पोर्ट किए बिना डेटा एक्सेस किया जा सकता है।

8. Snowflake में ज़ीरो-कॉपी क्लोनिंग क्या है, और यह क्यों महत्वपूर्ण है?

ज़ीरो-कॉपी क्लोनिंग Snowflake में एक फीचर है जो उपयोगकर्ताओं को डेटाबेस, स्कीमा या टेबल की कॉपी बनाने की अनुमति देता है, बिना अंडरलाइंग स्टोरेज को डुप्लिकेट किए। जब ज़ीरो-कॉपी क्लोन बनाया जाता है, तो यह ओरिजिनल डेटा को पॉइंट करता है और केवल क्लोन किए गए डेटा में किए गए बदलावों को स्टोर करता है, जिससे स्टोरेज में महत्वपूर्ण बचत होती है। यह फीचर डेवलपमेंट और टेस्टिंग एनवायरनमेंट बनाने या स्टोरेज लागत बढ़ाए बिना ऐतिहासिक स्नैपशॉट तैयार करने के लिए उपयोगी है। यह विभिन्न उपयोग मामलों के लिए तेज़, किफायती डेटा डुप्लीकेशन की सुविधा देकर डेटा प्रबंधन दक्षता बढ़ाता है।

एडवांस्ड Snowflake इंटरव्यू प्रश्न

बेसिक इंटरव्यू प्रश्नों पर आत्मविश्वास है? अब कुछ और एडवांस्ड प्रश्नों पर चलते हैं।

9. क्या आप डेटा सिक्योरिटी, विशेषकर ऑलवेज-ऑन एन्क्रिप्शन, के प्रति Snowflake के दृष्टिकोण को समझा सकते हैं?

Snowflake अपने उपयोगकर्ताओं के लिए उच्चतम स्तर की डेटा सुरक्षा सुनिश्चित करने का लक्ष्य रखता है, जिसके लिए इसका ऑलवेज-ऑन एन्क्रिप्शन लागू है। यह डेटा का स्वतः एन्क्रिप्शन है, जिसमें उपयोगकर्ता कॉन्फ़िगरेशन की आवश्यकता नहीं होती, और कच्चे डेटा से लेकर मेटाडेटा तक सभी प्रकार के डेटा को मजबूत एन्क्रिप्शन एल्गोरिद्म से एन्क्रिप्ट किया जाता है। एन्क्रिप्शन एक हाइरार्किकल की मॉडल से मैनेज होता है जिसमें मास्टर की अन्य कीज़ को एन्क्रिप्ट करती है और Snowflake सुरक्षा बढ़ाने के लिए इन कीज़ को रोटेट करता है।

डेटा ट्रांसफर करते समय, Snowflake TLS (Transport Layer Security) का उपयोग करता है ताकि Snowflake और क्लाइंट्स के बीच ट्रांजिट में डेटा एन्क्रिप्टेड रहे। यह एंड-टू-एंड एन्क्रिप्शन सुनिश्चित करता है कि डेटा लाइफसाइकल के हर चरण में एन्क्रिप्टेड रहे, जिससे डेटा लीक और ब्रीच का जोखिम कम हो।

10. क्या आप समझा सकते हैं कि Snowflake ETL और ELT दोनों प्रक्रियाओं का समर्थन कैसे करता है?

Extract, Transform, Load (ETL) और Extract, Load, Transform (ELT) प्रक्रियाओं का Snowflake प्लेटफ़ॉर्म पर इसके आर्किटेक्चर व क्षमताओं के कारण व्यापक उपयोग होता है। यह प्लेटफ़ॉर्म उपयोगकर्ताओं की विविध डेटा इंटीग्रेशन और ट्रांसफॉर्मेशन आवश्यकताओं को पूरा करता है, जिससे संगठन अपने डेटा प्रोसेसिंग वर्कफ़्लो को अधिक प्रभावी ढंग से अनुकूलित कर सकें।

ETL में, डेटा विभिन्न स्रोतों से एक्सट्रैक्ट किया जाता है और फिर उपयोगकर्ता की वांछित फॉर्मेट में ट्रांसफॉर्म कर डेटा वेयरहाउस में लोड किया जाता है। Snowflake एक शक्तिशाली SQL इंजन है, जो डेटा लोड होने के बाद भी SQL क्वेरीज़ द्वारा जटिल ट्रांसफॉर्मेशंस की अनुमति देता है।

ELT में, डेटा पहले अपने कच्चे रूप में डेटा वेयरहाउस में लोड किया जाता है और फिर वहीं ट्रांसफॉर्म किया जाता है। Snowflake में कंप्यूट और स्टोरेज के अलग होने की विशेषता कच्चे डेटा को तेज़ी से वेयरहाउस में लोड करने देती है। डेटा के ट्रांसफॉर्मेशन वर्चुअल वेयरहाउसेस का उपयोग करके किए जाते हैं। Snowflake JSON और XML जैसे सेमी-स्ट्रक्चर्ड डेटा फॉर्मैट्स का भी समर्थन करता है, जिससे कच्चे डेटा को बिना ट्रांसफॉर्म किए वेयरहाउस में लोड करना आसान हो जाता है।

11. क्या आप कम से कम 5 ETL टूल्स के नाम बता सकते हैं जो Snowflake के साथ संगत हैं?

Snowflake कई ETL टूल्स का समर्थन करता है, जिससे संगठन डेटा इंटीग्रेशन और ट्रांसफॉर्मेशन कार्यों के लिए अपनी पसंद के टूल्स का उपयोग कर सकते हैं। निम्नलिखित टूल्स Snowflake के क्लाउड डेटा प्लेटफ़ॉर्म पर डेटा प्रोसेस करने और Snowflake में आगे विश्लेषण हेतु डेटा लाने के लिए उपयोग किए जा सकते हैं:

• Informatica
• Talend
• Matillion
• Fivetran
• Stitch
• Apache Airflow
• dbt
• StreamSets
• Microsoft Azure Data Factory
• AWS Glue

12. क्या आप समझा सकते हैं कि निरंतर डेटा इनजेशन के लिए Snowpipe नामक एडवांस्ड फीचर कैसे उपयोग होता है?

Snowpipe Snowflake द्वारा प्रदान की गई एक निरंतर डेटा इनजेशन सेवा है जो मिनटों में फ़ाइलें लोड कर सकती है। Snowpipe के साथ आप डेटा को छोटे समूहों (माइक्रो-बैचेज) में लोड कर सकते हैं, जिससे संगठन भर के उपयोगकर्ता कुछ ही मिनटों में डेटा एक्सेस कर पाते हैं और विश्लेषण आसान हो जाता है।

उपयोगकर्ता क्लाउड स्टोरेज पाथ निर्दिष्ट करते हैं जहाँ डेटा फ़ाइलें रखी जाएँगी, और Snowflake में वह टारगेट टेबल जहाँ डेटा लोड किया जाएगा। यह एक स्वचालित डेटा लोडिंग प्रक्रिया है, जिसमें Snowpipe नए फ़ाइलों के स्टोरेज पाथ में जुड़ते ही स्वतः पहचान कर लेता है। जैसे ही नई फ़ाइलें डिटेक्ट होती हैं, Snowpipe डेटा को Snowflake में इनजेस्ट करके निर्दिष्ट टेबल में लोड कर देता है।

यह नियर-रियल-टाइम प्रक्रिया डेटा को यथाशीघ्र उपलब्ध कराती है। Snowpipe सर्वरलेस आर्किटेक्चर पर काम करता है, यानी यह डेटा इनजेशन प्रक्रिया के लिए आवश्यक कंप्यूट संसाधनों का स्वतः प्रबंधन करता है।

Snowpipe Streaming की हाई-लेवल आर्किटेक्चर। इमेज स्रोत: Snowflake डॉक्यूमेंटेशन।

13. OLTP और OLAP के प्रति Snowflake का दृष्टिकोण क्या है?

Snowflake को एक डेटा वेयरहाउसिंग समाधान के रूप में डिजाइन किया गया है जो Online Analytical Processing (OLAP) वर्कलोड्स के लिए अनुकूलित है। OLAP एक सॉफ़्टवेयर तकनीक है जिसका उपयोग विभिन्न दृष्टिकोणों से बिजनेस डेटा का विश्लेषण करने के लिए किया जाता है। Snowflake को स्वर्ण-मानक बनाता है कि इसकी आर्किटेक्चर और फीचर्स बड़े पैमाने के डेटा टास्क, जटिल क्वेरीज आदि का समर्थन करने हेतु तैयार हैं। OLAP के प्रति Snowflake के दृष्टिकोण के फीचर्स में कंप्यूट और स्टोरेज का अलग होना, मैसिवली पैरलल प्रोसेसिंग (MPP), और कुशल विश्लेषणात्मक प्रोसेसिंग के लिए भिन्न डेटा संरचनाओं का समर्थन शामिल है।

दूसरी ओर Online Transaction Processing (OLTP) वर्कलोड्स होते हैं, जिनके लिए Snowflake पारंपरिक रूप से डिज़ाइन नहीं किया गया है। OLTP वर्कलोड्स में डेटाबेस समय के साथ कई उपयोगकर्ताओं से डेटा के लिए अनुरोध और इस डेटा में कई बदलाव प्राप्त करता है, और इन परिवर्तनों को ट्रांज़ैक्शंस कहा जाता है। ये आमतौर पर इनसर्ट्स और अपडेट्स जैसे उच्च मात्रा के छोटे ट्रांज़ैक्शंस से पहचाने जाते हैं। ये फीचर्स डेटा वेयरहाउसिंग समाधानों की तुलना में ऑपरेशनल डेटाबेसेस पर अधिक फोकस करते हैं।

14. Snowflake में क्लस्टरिंग कैसे काम करती है, और आपको कब मैन्युअल क्लस्टरिंग का उपयोग करना चाहिए?

Snowflake में, क्लस्टरिंग माइक्रो-पार्टिशंस के भीतर डेटा को व्यवस्थित करती है ताकि क्वेरी परफॉर्मेंस अनुकूलित हो। डिफ़ॉल्ट रूप से Snowflake क्लस्टरिंग को स्वतः हैंडल करता है, लेकिन प्राकृतिक क्रम वाली बड़ी टेबल्स (जैसे टाइम-सीरीज़ डेटा) के लिए मैन्युअल क्लस्टरिंग लाभदायक हो सकती है।

मैन्युअल क्लस्टरिंग में अक्सर क्वेरी में उपयोग होने वाले कॉलम्स पर क्लस्टर की बनाना शामिल है। इससे डेटा प्रूनिंग अधिक कुशल होती है, क्योंकि क्वेरी के दौरान Snowflake अप्रासंगिक पार्टिशंस को स्किप कर सकता है। हालाँकि, मैन्युअल क्लस्टरिंग तभी उपयोग करें जब क्वेरी परफॉर्मेंस के लाभ बड़े डेटासेट्स के री-क्लस्टरिंग की लागत से अधिक हों, क्योंकि इससे स्टोरेज और कंप्यूट लागत प्रभावित हो सकती है।

15. Snowflake में फेल-सेफ की अवधारणा समझाइए और यह Time Travel से कैसे अलग है।

फेल-सेफ Snowflake में एक डेटा रिकवरी फीचर है, जिसे Time Travel रिटेंशन अवधि से परे डिलीट या मॉडिफाई हुए डेटा को रिस्टोर करने के लिए डिज़ाइन किया गया है। जहाँ Time Travel उपयोगकर्ताओं को एक निर्धारित समयावधि (90 दिनों तक) में ऐतिहासिक डेटा तक पहुँच देता है, वहीं फेल-सेफ Time Travel के बाद सात दिनों की अवधि है जिसमें Snowflake केवल डिज़ास्टर रिकवरी के लिए डेटा को बरकरार रखता है।

Time Travel के विपरीत, उपयोगकर्ता फेल-सेफ डेटा तक सीधे एक्सेस नहीं कर सकते; इसके लिए Snowflake सपोर्ट के हस्तक्षेप की ज़रूरत होती है।

फेल-सेफ अतिरिक्त डेटा सुरक्षा परत प्रदान करता है, लेकिन इसकी लागत अधिक होती है और इसे Time Travel के बाद अंतिम उपाय के रूप में उपयोग करना चाहिए।

16. Snowflake में मटीरियलाइज़्ड व्यूज़ कैसे काम करते हैं, और इनके उपयोग के मामले क्या हैं?

Snowflake में मटीरियलाइज़्ड व्यूज़ किसी क्वेरी के परिणामों को भौतिक रूप से स्टोर करते हैं, जिससे जटिल या बार-बार चलने वाली क्वेरीज़ के लिए तेज़ रिट्रीवल संभव होता है। स्टैंडर्ड व्यूज़ के विपरीत, जो हर बार क्वेरी होने पर फिर से कंप्यूट होते हैं, मटीरियलाइज़्ड व्यूज़ डेटा अपडेट होने तक रिज़ल्ट सेट को बनाए रखते हैं। इससे विशेषकर बड़े टेबल्स से जुड़े एनालिटिक्स वर्कलोड्स में क्वेरी परफॉर्मेंस में उल्लेखनीय सुधार हो सकता है।

मटीरियलाइज़्ड व्यूज़ के उपयोग के मामले में रिपोर्टिंग डैशबोर्ड्स और एग्रीगेटेड क्वेरी रिज़ल्ट्स शामिल हैं, जहाँ डेटा कम बदलता है। हालाँकि, मटीरियलाइज़्ड व्यूज़ के लिए समय-समय पर रखरखाव की आवश्यकता होती है और स्टोरेज लागत बढ़ सकती है, इसलिए ये स्थिर या धीरे-धीरे बदलते डेटासेट्स के लिए उपयुक्त हैं।

यहाँ एक तालिका है जो Snowflake में मटीरियलाइज़्ड व्यूज़ बनाम स्टैंडर्ड व्यूज़ के उपयोग मामलों को कवर करती है:

Snowflake आर्किटेक्ट इंटरव्यू प्रश्न

Snowflake की अनोखी आर्किटेक्चर के आधार पर, आपको इसके हर पहलू की जानकारी होनी चाहिए—और अपनी जानकारी की जाँच भी।

17. शेयरड-डिस्क और शेयरड-नथिंग आर्किटेक्चर में क्या अंतर है?

शेयरड-डिस्क और शेयरड-नथिंग आर्किटेक्चर डेटाबेस और डेटा वेयरहाउस डिज़ाइन के दो अलग दृष्टिकोण हैं। दोनों में मुख्य अंतर यह है कि वे सिस्टम में कई नोड्स के बीच डेटा के स्टोरेज और प्रोसेस को कैसे मैनेज करते हैं।

शेयरड-डिस्क आर्किटेक्चर में, सिस्टम के नोड्स डिस्क स्टोरेज तक एक्सेस रखते हैं, यानी सिस्टम का कोई भी नोड किसी भी डिस्क से पढ़ या लिख सकता है। यह उच्च उपलब्धता देता है क्योंकि किसी एक नोड की विफलता से डेटा लॉस या अनअवेलेबिलिटी नहीं होती। साथ ही, डेटा मैनेजमेंट सरल होता है क्योंकि डेटा को नोड्स में पार्टिशन या रेप्लिकेट करने की ज़रूरत नहीं होती।

दूसरी ओर, शेयरड-नथिंग आर्किटेक्चर में प्रत्येक नोड के पास अपना निजी स्टोरेज होता है जो अन्य नोड्स के साथ साझा नहीं होता। डेटा नोड्स में पार्टिशन किया जाता है, अर्थात प्रत्येक नोड डेटा के एक उपसमुच्चय के लिए जिम्मेदार होता है। इससे स्केलेबिलिटी मिलती है क्योंकि आप और नोड्स जोड़ सकते हैं, प्रत्येक अपने स्टोरेज के साथ, जिससे बेहतर प्रदर्शन मिलता है।

18. Snowflake में ‘Staging’ को परिभाषित करें

जब आप Snowflake में किसी स्टेज में डेटा लोड करते हैं, तो इसे ‘Staging’ कहा जाता है। एक्सटर्नल स्टेजिंग तब होती है जब डेटा किसी अन्य क्लाउड रीजन में रखा जाता है, और इंटरनल स्टेजिंग तब जब डेटा Snowflake के अंदर रहता है। इंटरनल स्टेजिंग Snowflake वातावरण के भीतर इंटीग्रेटेड होती है और फ़ाइलें व डेटा स्टोर करती है जिन्हें Snowflake टेबल्स में लोड करना होता है। Snowflake प्लेटफ़ॉर्म डेटा को स्टोर या लोड करने के लिए AWS, Google Cloud Platform और Azure जैसे बाहरी स्टोरेज लोकेशन प्रोवाइडर्स का उपयोग करता है।

19. Snowflake में कैशिंग के विभिन्न प्रकार क्या हैं?

Snowflake में तीन प्रकार की कैशिंग होती है। यहाँ उनकी तुलना और प्रत्येक के कुछ उपयोग के मामले दिए गए हैं:

20. Snowflake वर्चुअल वेयरहाउस की विभिन्न अवस्थाओं को परिभाषित करें।

Snowflake वर्चुअल वेयरहाउस की 3 अलग-अलग अवस्थाएँ होती हैं:

• Cold Virtual Warehouse: यदि आप क्वेरी चला रहे हैं जबकि आपके वर्चुअल वेयरहाउसेस सक्रिय नहीं हैं, तो यह ‘Cold’ वर्चुअल वेयरहाउस का नया इंस्टेंस शुरू करेगा।
• Warm Virtual Warehouse: यदि आपका वर्तमान वर्चुअल वेयरहाउस सक्रिय है और क्वेरीज प्रोसेस कर चुका है, तो इसे ‘Warm’ वर्चुअल वेयरहाउस कहा जाता है।
• Hot Virtual Warehouse: यदि वर्चुअल वेयरहाउस सक्रिय है और क्वेरीज प्रोसेस कर चुका है, तो इसे ‘Hot’ वर्चुअल वेयरहाउस कहा जाता है।

21. क्या आप वर्णन कर सकते हैं कि वर्चुअल वेयरहाउसेस की विभिन्न अवस्थाओं का क्वेरी परफॉर्मेंस पर क्या प्रभाव पड़ता है?

• ‘Cold’ वर्चुअल वेयरहाउस की क्वेरी प्रोसेसिंग ‘Warm’ और ‘Hot’ वर्चुअल वेयरहाउस की तुलना में अधिक समय लेती है। ऐसा इसलिए क्योंकि यह रिमोट डिस्क का उपयोग करता है जहाँ लोकल डिस्क कैश और रिज़ल्ट कैश का उपयोग नहीं होता।
• ‘Warm’ वर्चुअल वेयरहाउस की क्वेरी प्रोसेसिंग ‘Cold’ से तेज़ होती है, लेकिन ‘Hot’ से अधिक समय लेती है। यह लोकल डिस्क का उपयोग करता है; हालाँकि, रिमोट डिस्क और रिज़ल्ट कैश का उपयोग नहीं करता।
• ‘Hot’ वर्चुअल वेयरहाउस की क्वेरी प्रोसेसिंग, ‘Cold’ और ‘Warm’ दोनों की तुलना में कम समय लेती है। यह रिमोट डिस्क और लोकल डिस्क कैश दोनों का उपयोग नहीं करता, और रिज़ल्ट कैश से परिणाम लौटता है। यह क्वेरी का परिणाम पाने का सबसे कुशल तरीका है।

22. Snowflake अपनी आर्किटेक्चर के भीतर डेटा डिस्ट्रीब्यूशन और पार्टिशनिंग को कैसे संभालता है?

Snowflake डेटा डिस्ट्रीब्यूशन को माइक्रो-पार्टिशंस के माध्यम से संभालता है, जिन्हें Snowflake स्वतः बनाता और मैनेज करता है। ये माइक्रो-पार्टिशंस छोटे स्टोरेज यूनिट्स (प्रत्येक 50–150 MB) होते हैं जो डेटा को कॉलमर फॉर्मेट में स्टोर करते हैं।

Snowflake की ऑटोमैटिक क्लस्टरिंग कुशल डेटा डिस्ट्रीब्यूशन सुनिश्चित करती है, जिससे मैन्युअल पार्टिशनिंग की ज़रूरत न्यूनतम हो जाती है। माइक्रो-पार्टिशंस का उपयोग डेटा प्रूनिंग सक्षम करता है, जहाँ क्वेरीज़ के दौरान केवल प्रासंगिक पार्टिशंस को एक्सेस किया जाता है, जिससे परफॉर्मेंस बेहतर होती है। पारंपरिक डेटाबेस के विपरीत, Snowflake डेटा पार्टिशनिंग को एब्स्ट्रैक्ट करता है, इसलिए उपयोगकर्ताओं को डेटा डिस्ट्रीब्यूशन को मैन्युअली मैनेज करने की आवश्यकता नहीं होती, जिससे बेहतर स्केलेबिलिटी और उपयोग में आसानी मिलती है।

यहाँ इन तंत्रों के कंट्रास्ट की एक तालिका है:

23. Snowflake में Metadata Service की भूमिका समझाइए और यह परफॉर्मेंस में कैसे योगदान देती है?

Snowflake में Metadata Service क्लाउड सर्विसेज लेयर का हिस्सा है और क्वेरी ऑप्टिमाइज़ेशन तथा डेटा मैनेजमेंट में महत्वपूर्ण भूमिका निभाती है। यह सेवा डेटा स्टोरेज लोकेशंस, एक्सेस पैटर्न्स, और टेबल्स, कॉलम्स तथा पार्टिशंस के मेटाडेटा को ट्रैक करती है। मेटाडेटा को तेज़ी से रिट्रीव करके, यह क्वेरी एक्ज़ीक्यूशन के दौरान डेटा प्रूनिंग को सक्षम करती है, जिससे स्कैन किए जाने वाले डेटा की मात्रा घटती है और परफॉर्मेंस बेहतर होता है।

साथ ही, Metadata Service रिज़ल्ट कैश को मैनेज और अपडेट करती है, जिससे कम समयांतराल में समान क्वेरीज़ चलने पर तेज़ रिट्रीवल संभव होता है। कुल मिलाकर, Metadata Service क्वेरी दक्षता बढ़ाती है और संसाधन खपत घटाती है।

24. Snowflake की ऑटो-सस्पेंड और ऑटो-रिज़्यूम सुविधा कैसे काम करती है, और यह लाभदायक क्यों है?

Snowflake की ऑटो-सस्पेंड और ऑटो-रिज़्यूम सुविधाएँ कंप्यूट संसाधनों के उपयोग को अनुकूलित करने और लागत कम करने में मदद करती हैं। जब कोई वर्चुअल वेयरहाउस परिभाषित अवधि तक निष्क्रिय रहता है, तो ऑटो-सस्पेंड अनावश्यक कंप्यूट चार्ज से बचने के लिए वेयरहाउस को स्वतः बंद कर देता है।

इसके विपरीत, ऑटो-रिज़्यूम नई क्वेरी प्राप्त होने पर वेयरहाउस को स्वतः शुरू कर देता है। यह सुनिश्चित करता है कि उपयोगकर्ता केवल उसी समय के लिए भुगतान करें जब वेयरहाउस सक्रिय रूप से क्वेरीज प्रोसेस कर रहा हो।

ये सुविधाएँ अनियमित वर्कलोड वाले वातावरण में विशेष रूप से लाभदायक हैं, क्योंकि वे उपलब्धता बनाए रखते हुए लागत-कुशलता को अनुकूलित करती हैं।

Snowflake कोडिंग इंटरव्यू प्रश्न

25. आप वर्चुअल वेयरहाउस कैसे बनाते हैं?

वर्चुअल वेयरहाउस वेब इंटरफ़ेस या SQL का उपयोग करके बनाया जा सकता है। ये 3 तरीके हैं:

• Snowsight: Admin > Warehouses > Warehouse चुनें
• Classic Console: Warehouses > Create चुनें
• SQL: नीचे दिखाए अनुसार CREATE WAREHOUSE कमांड चलाएँ:

CREATE [ OR REPLACE ] WAREHOUSE [ IF NOT EXISTS ] <name>
       [ [ WITH ] objectProperties ]
       [ [ WITH ] TAG ( <tag_name> = '<tag_value>' [ , <tag_name> = '<tag_value>' , ... ] ) ]
       [ objectParams ]संचालित द्वारा

26. आप ऐसी Snowflake टास्क कैसे बनाते हैं जो Stored Procedure को कॉल करती है?

Snowflake टास्क बनाने के लिए आपको “CREATE TASK” का उपयोग करना होगा। आपको टास्क डेफिनिशन में SQL स्टेटमेंट या स्टोरड प्रोसिजर परिभाषित करना होगा और टास्क बनाने की आवश्यक अनुमति सुनिश्चित करनी होगी। ये कदम अपनाएँ:

• ‘CREATE TASK’ कमांड से नई टास्क बनाएँ, अपने टास्क के नाम के साथ।
• ‘WAREHOUSE’ का उपयोग करके वह वर्चुअल वेयरहाउस निर्दिष्ट करें जिसे Snowflake टास्क निष्पादित करने के लिए उपयोग करेगा।
• क्रॉन एक्सप्रेशन का उपयोग करके ‘SCHEDULE’ में परिभाषित करें कि टास्क कब चलेगी, उदाहरण के लिए हर दिन 1:00 AM UTC।
• ‘AS’ कीवर्ड के साथ वह SQL स्टेटमेंट दें जिसे टास्क निष्पादित करेगी।
• ‘CALL’ का उपयोग करके स्टोरड प्रोसिजर को कॉल करें और टास्क की कार्रवाई निर्दिष्ट करें।

उदाहरण:

CREATE TASK daily_sales_datacamp
  WAREHOUSE = 'datacampwarehouse'
  SCHEDULE = 'USING CRON 0 1 * * * UTC'
  AS
  CALL daily_sales_datacamp();संचालित द्वारा

27. आपके पास एक टेबल में JSON डेटा कॉलम है जो DataCamp के कस्टमर फीडबैक को निम्न कुंजियों के साथ स्टोर करता है: “customer_id”, “feedback_text” और “timestamp”。 किसी विशिष्ट customer_id के लिए फीडबैक टेक्स्ट और टाइमस्टैम्प निकालने और दिखाने के लिए एक क्वेरी लिखें।

यह क्वेरी Snowflake में सेमी-स्ट्रक्चर्ड JSON डेटा के साथ काम करना दर्शाती है:

SELECT
    feedback_details:customer_id::INT AS customer_id,
    feedback_details:feedback_text::STRING AS feedback_text,
    feedback_details:timestamp::TIMESTAMP AS feedback_timestamp
FROM
    customer_feedback
WHERE
    feedback_details:customer_id::INT = 123; -- Replace 123 with the specific customer_id you're interested inसंचालित द्वारा

28. आप Snowflake टास्क के टास्क हिस्ट्री को कैसे वेरिफाई करते हैं?

Snowflake टास्क की हिस्ट्री वेरिफाई करने के लिए आप ‘TASK_HISTORY’ टेबल फ़ंक्शन का उपयोग कर सकते हैं। यह निर्दिष्ट समय-सीमा के भीतर टास्क्स के एक्ज़ीक्यूशन हिस्ट्री के बारे में विस्तृत जानकारी प्रदान करेगा।

SELECT *
FROM TABLE(INFORMATION_SCHEMA.TASK_HISTORY(
    TASK_NAME => '<task_name>',
    START_TIME => '<start_time>',
    END_TIME => '<end_time>'
))
ORDER BY SCHEDULED_TIME DESC;संचालित द्वारा

29. आप Snowflake में एक अस्थायी (temporary) टेबल कैसे बनाते हैं?

आपको Snowflake में ‘CREATE TEMPORARY TABLE’ स्टेटमेंट का उपयोग करना होगा। यह एक सेशन-विशिष्ट टेबल बनाएगा जो उपयोगकर्ता द्वारा निर्धारित अवधि तक ही मौजूद रहेगा।

CREATE TEMPORARY TABLE table_name (
    column_name1 data_type1,
    column_name2 data_type2,
    ...
);संचालित द्वारा

30. Snowflake में किसी टाइमस्टैम्प कॉलम को अलग टाइम ज़ोन में बदलने के लिए क्वेरी लिखें।

Snowflake टाइम ज़ोन के बीच टाइमस्टैम्प कन्वर्ज़न के लिए CONVERT_TIMEZONE फ़ंक्शन प्रदान करता है। यहाँ UTC से Eastern Standard Time (EST) में टाइमस्टैम्प बदलने का उदाहरण है:

SELECT 
    customer_id,
    CONVERT_TIMEZONE('UTC', 'America/New_York', order_timestamp) AS order_timestamp_est
FROM 
    orders;संचालित द्वारा

इस क्वेरी में customer_id और order_timestamp को अपनी टेबल के विशिष्ट कॉलम्स से बदलें। यह फ़ंक्शन लचीले टाइम ज़ोन कन्वर्ज़न की अनुमति देता है, जो ग्लोबल रिपोर्टिंग के लिए आदर्श है।

31. आप Snowflake में किसी मौजूदा टेबल का क्लोन कैसे बनाते हैं?

आप Snowflake में CREATE TABLE ... CLONE स्टेटमेंट का उपयोग करके टेबल का ज़ीरो-कॉपी क्लोन बना सकते हैं। यह क्लोन वही अंडरलाइंग स्टोरेज शेयर करता है, जिससे लागत और स्टोरेज स्पेस की बचत होती है।

CREATE TABLE cloned_table_name CLONE original_table_name;संचालित द्वारा

उदाहरण के लिए, sales_data नामक टेबल को क्लोन करने के लिए सिंटैक्स होगा:

CREATE TABLE sales_data_clone CLONE sales_data;संचालित द्वारा

यह क्लोन की गई टेबल क्लोनिंग के समय ओरिजिनल के समान डेटा और स्कीमा रखेगी। निर्माण के बाद क्लोन टेबल में किए गए किसी भी परिवर्तन का प्रभाव ओरिजिनल पर नहीं पड़ेगा।

32. किसी कॉलम में सबसे अधिक बार आने वाले शीर्ष 5 मानों की सूची निकालने के लिए क्वेरी लिखें।

आप GROUP BY को ORDER BY और LIMIT के साथ उपयोग करके किसी विशिष्ट कॉलम में सबसे अधिक बार आने वाले शीर्ष 5 मान प्राप्त कर सकते हैं। उदाहरण के लिए, यदि आप product_id कॉलम में शीर्ष 5 सबसे आम प्रोडक्ट्स ढूँढना चाहते हैं:

SELECT 
    product_id, 
    COUNT(*) AS frequency
FROM 
    sales
GROUP BY 
    product_id
ORDER BY 
    frequency DESC
LIMIT 5;संचालित द्वारा

यह क्वेरी product_id को उनकी आवृत्ति के अनुसार ग्रुप करती है, उन्हें अवरोही क्रम में क्रमबद्ध करती है, और परिणामों को शीर्ष 5 तक सीमित करती है, जिससे सबसे अधिक बिकने वाले प्रोडक्ट्स दिखते हैं।

इंटरव्यू की तैयारी

किसी भी इंटरव्यू की तैयारी करते समय निम्न बातों का ध्यान रखें:

1. कंपनी पर रिसर्च करें: कंपनी के बारे में गहराई से जानें—यह कब शुरू हुई और इसके मूल्य क्या हैं। यह दर्शाता है कि आपने होमवर्क किया है और दरवाज़े के अंदर कदम रखने से पहले ही कंपनी के बारे में जानते हैं।
2. जॉब डिस्क्रिप्शन की समीक्षा करें: जॉब डिस्क्रिप्शन से आपको रोज़मर्रा के कार्यों का अच्छा अंदाज़ा हो जाएगा। इनमें टूल्स और स्किल्स सूचीबद्ध होते हैं, जिनका आप इंटरव्यू के दौरान उल्लेख कर अपने कौशल-सेट को प्रदर्शित कर सकते हैं।
3. अपनी उपलब्धियों के बारे में विशिष्ट रहें: Snowflake नौकरियों के लिए सर्टिफाइड होना और ज्ञान रखना अच्छा है। लेकिन सुनिश्चित करें कि आप अपने पिछले जॉब्स और प्रोजेक्ट्स के तथ्यों से अपने कौशल और विशेषज्ञता को सिद्ध कर सकें।
4. विषयों की व्यापकता: सुनिश्चित करें कि आप Snowflake के विभिन्न कॉन्सेप्ट्स—डेटा इंटीग्रेशन से लेकर कोडिंग प्रश्नों तक—की विस्तृत श्रृंखला के लिए तैयार हैं। नियोक्ता ऐसे लोगों की तलाश करते हैं जो सॉफ़्टवेयर को भलीभांति जानते हों और किसी भी प्रोजेक्ट को संभालने के लिए तैयार हों।

अंत में, आत्मविश्वासी रहें और अपना श्रेष्ठ दें!

निष्कर्ष

इस लेख में हमने 4 अलग-अलग स्तरों के लिए Snowflake इंटरव्यू प्रश्न कवर किए:

• बेसिक
• एडवांस्ड
• आर्किटेक्ट
• कोडिंग

यदि आप अपनी Snowflake स्किल्स को रिफ्रेश या टेस्ट करने के लिए संसाधन ढूँढ रहे हैं, तो हमारे ट्यूटोरियल्स Introduction to Snowflake और Getting Started with Data Analysis in Snowflake using Python and SQL देखें, और हमारा Introduction to NoSQL कोर्स भी, जहाँ आप बिग डेटा के साथ काम करने के लिए Snowflake का उपयोग करना सीखेंगे।

साथ ही, हमारे पॉडकास्ट एपिसोड को सुनें जिसमें पूर्व Snowflake CEO बॉब मुग्लिया के साथ ‘Why AI will Change Everything’ पर चर्चा है।