ON_ERROR 句は、ファイル内でエラーが発生したときのコマンドの動作を指定する COPY INTO コマンドのオプションのパラメータです。ON_ERROR 句には、次のいずれかの値を指定できます1。
CONTINUE: この値は、ファイルのロードを続行し、データ ファイルごとに最大 1 つのエラーが発生した場合にエラー メッセージを返すようにコマンドに指示します。ROWS_PARSED 列値と ROWS_LOADED 列値の差は、検出されたエラーを含む行数を表します。データ ファイル内のすべてのエラーを表示するには、VALIDATION_MODE パラメータを使用するか、VALIDATE 関数をクエリします1。
SKIP_FILE: この値は、ファイル内のいずれかのレコードでデータ エラーが発生した場合にファイルをスキップするようにコマンドに指示します。コマンドはステージ内の次のファイルに移動し、読み込みを続けます。スキップされたファイルはロードされず、file1 に対するエラー メッセージは返されません。
ABORT_STATEMENT: この値は、最初のエラーが発生したときにデータのロードを停止するようにコマンドに指示します。このコマンドはファイルのエラー メッセージを返し、ロード操作を中止します。これは ON_ERROR 句 1 のデフォルト値です。
したがって、選択肢 A、B、および C は正しいです。
参照: : COPY INTO <テーブル>

ウェアハウス MY_WH は、ストリームに結果がある場合にのみアクティブになります。これは、タスクがストリームに基づいて作成されるためです。つまり、タスクはストリームに新しいデータがある場合にのみ実行されます。さらに、ウェアハウスは auto_suspend - 60 に設定されます。これは、60 秒間の非アクティブ状態が続くとウェアハウスが自動的に一時停止することを意味します。したがって、ウェアハウスはストリームに結果がある場合にのみアクティブになります。参考文献:
[タスクの作成 | スノーフレークのドキュメント]
[ストリームとタスクの使用 | スノーフレークのドキュメント]
[倉庫を作成 | スノーフレークのドキュメント]

AUTO_SUSPEND パラメータは、ウェアハウスが自動的に一時停止されるまでの非アクティブ時間を秒単位で制御します。このパラメータが NULL に設定されている場合、ウェアハウスは一時停止しません。このパラメータが「0」に設定されている場合、ウェアハウスはクエリの実行直後に一時停止します。したがって、2 つの仮想ウェアハウスの実行動作は、AUTO_SUSPEND 値に応じて異なります。NULL 値のウェアハウスは、手動で一時停止されるか、リソース監視の制限に達するまで実行され続けます。値が「0」のウェアハウスは、クエリが終了するとすぐに一時停止され、コンピューティング リソースが解放されます。参考文献:
倉庫を変更する
パラメーター

Kafka 用 Snowflake コネクタは、1 つ以上の Apache Kafka トピックからデータを読み取り、そのデータを Snowflake テーブルにロードする Kafka Connect シンク コネクタです。コネクタは、キー ペア認証、OAUTH、基本認証 (ユーザー名とパスワードなど) など、Snowflake に接続するためのさまざまな認証方法をサポートしています。コネクタは、HTTPS や SSL1 などのさまざまな暗号化方式もサポートしています。コネクタは、CSV、XML、Parquet2 などの他の形式を処理できるため、すべての Kafka メッセージが JSON または Avro 形式である必要はありません。Kafka トピックのデフォルトの保持時間は、コネクタには関係ありません。コネクタは、トピックで使用可能なメッセージを消費するだけで、Kafka には保存されません。コネクタは、デフォルトで各トピックのデータを取り込むために 1 つのテーブルと 1 つのパイプを作成しますが、この動作は、snowflake.topic2table.map 構成プロパティ 3 を使用してカスタマイズできます。コネクタがテーブルまたはパイプを作成できない場合、コネクタはエラーをログに記録し、成功するかコネクタが停止するまで操作を再試行します4。参考文献:
Kafka コネクタのインストールと構成
Kafka コネクタの概要
Kafka コネクタの管理
Kafka コネクタのトラブルシューティング

これら 2 つのアプローチは、データ レイク シナリオでのデータ モデリングのために Snowflake によって推奨されています。生のデータベースを作成すると、データ エンジニアリング チームは、変換やクレンジングを行わずに、元のデータの品質と形式を維持しながら、さまざまなソースからデータを取り込むことができます。これにより、データ サイエンス チームは ML モデル開発用の生データにアクセスできるようになります。プロファイル固有のデータベースのセットを作成すると、データ エンジニアリング チームは、さまざまなユースケースやデータ消費者の要件に応じてさまざまな変換や最適化を適用できるようになります。たとえば、財務およびベンダー管理チームはレポート作成と視覚化をサポートする次元データベースにアクセスでき、営業チームはデータの収益化をサポートする安全なデータベースにアクセスできます。
参考文献:
Snowflake データ レイク アーキテクチャ | スノーフレークのドキュメント
Snowflake Data Lake のベスト プラクティス | スノーフレークのドキュメント