Delta Live Tablesは、データエンジニアが最小限のコードで信頼性の高いデータパイプラインを構築・管理できるツールです。Delta Live Tablesの機能の一つにデータ品質モニタリングがあり、データエンジニアはデータの品質要件を定義し、パイプラインの各ステップで自動的にチェックできます。データ品質モニタリングは、欠損値、重複、外れ値、スキーマ変更などのデータ品質問題の検出と解決に役立ちます。また、データ品質モニタリングはデータの品質レベルに関するアラートやレポートを生成し、データエンジニアが問題を迅速にトラブルシューティングして修正できるようにします。参考資料：Delta Live Tablesの概要、データ品質モニタリング

ストリームソースから読み込むには、データエンジニアは spark の代わりに spark.readStream メソッドを使用する必要があります。
read メソッド。spark.readStream メソッドは、入力ソースの詳細（フォーマット、スキーマ、パス、オプションなど）を指定するために使用できる DataStreamReader オブジェクトを返します。spark.read メソッドはバッチ処理にのみ適しており、ストリーミング処理には適していません。その他の変更は、ストリーム ソースからの読み取りには不要または不適切です。参照: 構造化ストリーミング プログラミング ガイド、ストリームの読み取り、Databricks データ ソース

Databricks Repos は、クローン、コミット、プッシュ、プル、ブランチ管理などの一般的な Git 操作をサポートする Databricks のビジュアル Git クライアントおよび API です。Databricks Notebooks のバージョン管理は、ノートブックを GitHub リポジトリにリンクして基本的な Git 操作を実行できるレガシー機能です。ただし、Databricks Notebooks のバージョン管理は、開発作業に複数のブランチを使用することをサポートしていません。これは、Databricks Repos を使用する利点です。Databricks Repos を使用すると、さまざまな機能、実験、またはバグ修正用のブランチを作成および管理し、それらの間でマージ、リベース、または競合を解決できます。Databricks では、ノートブックごとに個別のブランチを使用し、バージョン管理、コラボレーション、および CI/CD に Git を使用してデータ サイエンスおよびエンジニアリングのコード開発のベスト プラクティスに従うことを推奨しています。参照: Databricks Repos との Git 統合 - Azure Databricks | Microsoft Learn、ノートブックの Git バージョン管理 (レガシー) | AWS 上の Databricks、Databricks Repos が一般提供開始 - 新しい「ファイル」機能...、Databricks Repos - その内容と使用方法 | Adatis。

processingTime オプションは、固定間隔のマイクロバッチのトリガー間隔を時間ベースで指定します。つまり、利用可能なデータ量に関係なく、クエリは 5 秒ごとにマイクロバッチを実行してデータを処理します。このオプションは、低レイテンシと一貫した処理頻度を必要とするほぼリアルタイムの処理ワークロードに適しています。その他のオプションは、無効な構文 (A、C)、デフォルトの動作 (B)、または実験的な機能 (E) のいずれかです。参照: Databricks ドキュメント - 構造化ストリーミングのトリガー間隔の設定、Databricks ドキュメント - トリガー。

説明
https://docs.databricks.com/en/delta-live-tables/expectations.html
アクション
結果
警告（デフォルト）
無効なレコードはターゲットに書き込まれ、その失敗はデータセットの指標として報告されます。
落とす
無効なレコードは、データがターゲットに書き込まれる前に削除されます。エラーはデータセットのメトリクスとして報告されます。
失敗
無効なレコードが存在するため、更新が正常に完了しません。再処理を行う前に、手動での介入が必要です。