Google Cloud Associate Data Practitioner
225道练习题
最后审核：April 2026
为你的学习之旅记录个人笔记和资源链接
按认证筛选
Google Cloud 助理数据从业者 (ADP) 是一项较新的助理级别认证，旨在验证在 Google Cloud 上进行日常数据工作的能力——使用 BigQuery、Dataform、Dataflow、Dataplex 和 Looker 进行数据摄取、转换、分析和展示。它面向数据分析师、BI 工程师和分析工程师，而非全栈数据工程师，因此考试侧重于 SQL、计划查询、基本管道编排以及 Looker / Looker Studio 仪表板，而非深入的流处理和平台工程内容。ADP 介于 Cloud Digital Leader 和专业数据工程师 (PDE) 认证之间：比 CDL 更技术化，比 PDE 更少架构性。它是 GCP 路径中最易获得的技术数据认证。
占比 30% 的最大领域。BigQuery 加载、联合查询、Storage Transfer Service、用于 CDC 的 Datastream、用于流式摄取的 Pub/Sub、基本 Dataflow 模板。SQL 转换和 Dataform。
BigQuery SQL（窗口函数、CTE、ARRAYs/STRUCTs）、Looker 语义模型基础、Looker Studio 仪表板、计划查询和 BI Engine。占比 27% — 侧重于实践 SQL。
Cloud Composer（托管 Airflow）DAG、Dataform 工作流、Cloud Scheduler + Cloud Workflows、Pub/Sub 触发器。占比 18% — 概念性，没有 DAG 代码，但考生必须知道哪种编排器适合哪种模式。
Dataplex 区域和数据湖、Data Catalog 标记和搜索、BigQuery 的 IAM（数据集 / 表 / 列 / 行）、使用 CMEK 加密、保留和表级安全。占比 25%。
您将在考试中遇到的服务及其重要性。
无服务器、列式数据仓库，具备存储和计算分离、ANSI SQL、原地半结构化 (JSON) 查询，以及按查询或按槽计费的定价模式。
为什么会出现在考试中： BigQuery 是数据分析和呈现领域的核心——预计会考查分区、集群、物化视图和槽预留。
对象存储，作为数据湖的底层基础，支撑原始、整理和消费层，提供 Standard / Nearline / Coldline / Archive 存储类别和 Autoclass。
为什么会出现在考试中： 每个 ADP 数据准备和摄取场景都将 Cloud Storage 作为着陆区；存储类别、生命周期和分区布局会引发数据管理方面的问题。
完全托管的 Apache Beam 运行器，用于统一批处理和流式管道，具备自动扩缩工作器、恰好一次语义和内置弹性模板。
为什么会出现在考试中： Dataflow 是数据准备和摄取领域中无服务器 ETL/ELT 的默认答案——考题会测试批处理与流式管道设计以及窗口化。
托管的 Apache Spark、Hadoop、Flink 和 Hive 集群，具备短暂的自动扩缩、GCE 或 Serverless 执行，以及 BigQuery / Cloud Storage 连接器。
为什么会出现在考试中： 在数据准备和摄取领域中，“我现有 Spark/Hadoop 作业”问题的参考答案——与 Dataflow 对比以进行新管道设计。
托管式关系数据库，支持 PostgreSQL、MySQL 和 SQL Server，具备区域 HA、自动备份和只读副本。
为什么会出现在考试中： Cloud SQL 是数据管理领域中为分析管道提供数据流的规范 OLTP 源——预计会考查基于 Datastream 将 CDC 导入 BigQuery 的问题。
全球分布式、强一致性的关系数据库，具备水平扩缩、多区域写入，以及 ANSI SQL 和 PostgreSQL 方言。
为什么会出现在考试中： Spanner 出现在数据管理领域中，适用于需要大规模全球一致性的场景，与 Cloud SQL 的区域限制形成对比。
全球可用、至少一次消息传递服务，用于任何规模的事件摄取，具备推拉式交付和 BigQuery / Cloud Storage 订阅。
为什么会出现在考试中： Pub/Sub 是数据准备和摄取领域中流式摄取的首选答案——与 Dataflow 配合用于实时数据丰富。
托管式 Apache Airflow 服务，用于编排、调度和监控跨 BigQuery、Dataflow、Dataproc 和外部系统的 DAG 工作流。
为什么会出现在考试中： Composer 是数据管道编排领域中点名提及的服务——预计会考查其与 Workflows 的区别，例如代码优先与声明式编排。
存储抽象，允许 BigQuery 在统一治理下查询 Cloud Storage 和外部对象存储中的开放格式数据（Parquet、Iceberg、Hudi、Delta）。
为什么会出现在考试中： BigLake 回答了数据管理领域中“如何在不将湖仓数据复制到 BigQuery 的情况下查询它”的问题——并统一了跨格式的访问控制。
基于 CDAP 构建的可视化、无需代码的 ETL/ELT 工作室，提供 150 多个预置连接器和可插拔转换，并在后台由托管 Dataproc 执行。
为什么会出现在考试中： 数据准备和摄取领域中的低代码选项——考题会测试何时为公民数据工程师选择它而不是手动编写 Dataflow。
无服务器的变更数据捕获服务，可将 MySQL、PostgreSQL、AlloyDB、SQL Server 和 Oracle 中的插入、更新和删除操作流式传输到 BigQuery 或 Cloud Storage。
为什么会出现在考试中： 在数据准备和摄取场景中，Datastream 是将 OLTP 数据近实时复制到 BigQuery 的规范答案。
BigQuery 内部的托管式 SQL 转换工作流，具备版本控制、依赖图、断言以及通过 Git 集成实现的 CI/CD。
为什么会出现在考试中： Dataform 负责数据管道编排领域中的仓内转换层，与 Composer 的跨服务 DAG 形成对比。
免费的自助 BI 工具，可用于在 BigQuery、Cloud SQL、Sheets 和 800 多个连接器上构建交互式仪表板，并提供共享和嵌入控制。
为什么会出现在考试中： Looker Studio 是数据分析和呈现领域中的主要可视化服务——预计会考查连接器选择和刷新策略。
通过 SQL 实现的仓内 ML——使用回归、分类、聚类、时间序列以及与 Vertex AI 的 AutoML / 远程模型集成进行训练、评估和预测。
为什么会出现在考试中： BigQuery ML 是数据分析和呈现领域中“无需移动数据即可提供 ML 洞察”的答案——无需独立的 ML 平台。
Vertex AI 内部的无代码训练服务，用于表格、图像、视频和文本模型，包括已迁移到统一 Vertex 平台的 AutoML Tables。
为什么会出现在考试中： AutoML 出现在数据分析和呈现场景中，适用于业务分析师需要预测模型但无需编写训练代码的情况。
PB 级 NoSQL 宽列数据库，具有个位数毫秒级延迟和 HBase API 兼容性，适用于 IoT、时间序列和广告技术。
为什么会出现在考试中： 在数据管理领域的问题中，Bigtable 是指明的非关系型存储，适用于超出 Firestore 范围的高吞吐、低延迟工作负载。
通过主体、角色和条件实现的项目和资源级访问控制——包括 BigQuery 数据集、表、行和列级权限。
为什么会出现在考试中： 在数据管理领域中，IAM 在整个数据湖上强制执行最小权限；预计会考查预定义角色与自定义角色以及 BigQuery 列级访问的问题。
托管的加密密钥服务，为 BigQuery、Cloud Storage、Cloud SQL 和 Spanner 提供客户管理的加密密钥 (CMEK) 和客户提供的密钥 (CSEK)。
为什么会出现在考试中： 使用 Cloud KMS 的 CMEK 是数据管理领域中对仓储和湖数据进行静态加密控制的规范答案。
统一数据架构，用于对 BigQuery、Cloud Storage 数据湖和外部源中的数据进行编目、分类、分析和治理，并内置数据质量检查。
为什么会出现在考试中： Dataplex 是数据管理领域中的主要编目/治理服务——考题会测试数据湖组织、业务术语表和血缘捕获。
Google Cloud 服务中管理员、数据访问、系统事件和策略拒绝活动不可变审计跟踪，可路由到 BigQuery 进行分析。
为什么会出现在考试中： 在数据管理合规场景中，审计日志是“谁在何时访问了哪个数据集/表/对象”的指定控制措施。
$90k–$130k–$180k USD 每年
该范围反映了以 BigQuery 为主要数据仓库的美国分析工程师和 BI 职位。FAANG 等级的高级分析工程师年薪可超过 20 万美元。纯粹的报告分析师职位薪资趋势较低；在重度使用 GCP 的独角兽公司和数字原生公司的分析工程师薪资趋势较高。
来源：levels.fyi 2025–2026（Google L3–L4 数据分析师，GCP 独角兽公司的分析工程师），美国劳工统计局 OEWS 2024 年 5 月（15-2051 数据科学家，13-2031 预算分析师，15-1211 计算机系统分析师）。数据为估算值；实际薪酬取决于职位、地区和经验。
ADP 是一项新认证（2024 年推出），需求仍在建立中，但它填补了 Google 长期以来在专业数据工程师认证之下的一个明显空白。运行以 BigQuery 为中心技术栈的公司——尤其是数字原生、广告技术、零售分析和游戏公司——在分析师-工程师招聘中将其列为一项差异化优势。需求集中在 GCP 业务强大的市场（旧金山湾区、纽约市、伦敦）以及 Looker 作为标准 BI 工具的行业。随着该认证的成熟，预计它将成为数据分析师职位发布中默认的 GCP 认证，就像 Microsoft DP-900 / DP-203 在 Azure 分析领域占据主导地位一样。
没有正式的先决条件。Google 建议拥有六个月或更长时间在 Google Cloud 上进行数据工作的实践经验，熟悉 SQL，并对数据管道概念有基本的了解。Google Cloud Skills Boost 上的官方助理数据从业者学习路径（大约 30-40 小时的实验）涵盖了所有考点。
如果您完全没有 SQL 经验，请计划额外花费 20-30 小时来熟悉中级 SQL（联接、窗口函数、CTE）——BigQuery SQL 问题不是抽认卡，它们是简短的场景。如果您已经持有 AWS Data Engineer Associate、Azure DP-900 或 DP-203 认证，概念内容直接对应；您主要需要重新学习产品名称（BigQuery 与 Redshift / Synapse，Dataflow 与 Glue / ADF，Dataform 与 dbt-cloud，Looker 与 QuickSight / Power BI）。
ADP 是助理级别，面向“我做数据工作”的从业者，而非“我设计数据平台”的工程师。如果您是 GCP 数据工具的新手，请计划在 5-8 周内投入 50-80 小时；如果您已经每天使用 BigQuery，则计划在 2-4 周内投入 20-35 小时。考试包含 50-60 道多项选择 / 多项选择题，时长 120 分钟，通过 Pearson VUE 进行（Google 已于 2026 年初从 Kryterion / Webassessor 迁移）。
最常见的障碍是 Dataplex、Data Catalog 和 Dataform 术语的广度——这些产品发展迅速，问题可能取决于命名上的区别（zones vs. lakes vs. assets，tag templates vs. tags）。使用 BigQuery 沙盒和小型 Looker Studio 仪表板项目进行实践是最高效的准备方法。Google 不公布分数——只显示通过/未通过。该认证有效期为三年，重新认证需要重新通过当前的考试。
首次普遍可用。新的助理级别认证，填补了 Cloud Digital Leader 和专业数据工程师认证之间的空白。截至 2026 年 4 月的当前版本。
ADP (Google Cloud Associate Data Practitioner) 是一门中等难度的考试，要求具备实际操作经验以及对最佳实践的扎实理解Associate级别考试。大多数考生需要为助理级别考试学习 80-150 小时，分摊在 6-12 周内完成。 大多数在模拟考试中持续得分高于及格线的考生，在第一次尝试时都能通过。
大多数考生需要为助理级别考试学习 80-150 小时，分摊在 6-12 周内完成。 通过考试所需时间因个人经验而异。在底层技术方面具有实际生产经验的工程师通常所需时间较少；平台新手则应计划在学习时间范围的上限。
ADP 是 GCP 生态系统中公认的证书，向雇主、招聘人员和客户表明您已具备经过验证的知识。它是否值得您投入时间和费用取决于您的角色和目标——对于日常使用 GCP 或希望从事相关工作的云工程师、架构师和顾问来说，其回报通常最大。
ADP 的及格分数是 未公布。考试包含 50 道题，时长为 2 小时。
ADP 考试费用为 $125 USD。费用由 GCP 设定，并可能因地区而异；预订前请务必在 GCP 官方认证页面确认当前价格。
Google Cloud 基础和助理级认证有效期为 3 年。通过重新通过当前版本的考试来重新认证。
是的。您可以选择在线考试（通过提供商的安全浏览器进行监考，在大多数地区全天候可用）或在工作时间内前往 Pearson VUE 线下考试中心参加。两种形式使用相同的题目、时间限制和及格分数。
CertLabPro 为 ADP 提供了包含 15 种学习模式的练习题库。考试模拟模式与真实考试一致：50 道题，时长 2 小时，及格分数同样为 未公布。浏览模式允许您静态阅读所有问答。