Poznámka:
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
Pipeline Lakeflow jsou nejběžnějším způsobem, jak vytvářet materializované pohledy a streamovací tabulky pomocí Apache Spark™ Declarative Pipelines na Azure Databricks. Můžete také definovat samostatná materializovaná zobrazení a streamované tabulky mimo kanál Lakeflow pomocí jednoduché syntaxe dotazů a Azure Databricks spravuje podkladové kanály za vás. Samostatné tabulky je možné vytvářet a aktualizovat ze služby Databricks SQL Warehouse nebo z poznámkového bloku spuštěného na bezserverovém obecném výpočetním prostředí.
Pokud se chcete rozhodnout mezi samostatnými tabulkami a kanálem Lakeflow, podívejte se na samostatné kanály a kanály Lakeflow. Pro vytvoření materializovaných pohledů a streamovacích tabulek jako součást spravovaného pipeline viz Spark Declarative Pipelines na Lakeflow.
Note
Tato sekce se dříve jmenovala „Kanály pro Databricks SQL“. Byla přejmenována na „Samostatné materializované pohledy a streamingové tabulky“, aby odrážela novou podporu pro vytváření samostatných materializovaných pohledů a streamingových tabulek z notebooku běžícího na bezserverových obecných výpočetních prostředcích, kromě Databricks SQL warehouse.
Následující témata pokrývají samostatné materializované pohledy a streamovací tabulky.
| Topic | Description |
|---|---|
| Požadavky na samostatné kanály | Seznamte se s možnostmi výpočetních prostředků pro samostatná materializovaná zobrazení a streamované tabulky, včetně podpory funkcí a regionální dostupnosti. |
| Použití samostatných streamovacích tabulek | Vytváření, aktualizace, konfigurace a monitorování streamovaných tabulek |
| Použijte samostatná materializovaná zobrazení | Vytváření, aktualizace a dotazování materializovaných zobrazení |
| Kdy použít REPLACE WHERE vs. materializované pohledy | Vyberte si mezi REPLACE WHERE flows a materializovanými pohledy pro dávkové extrahování, transformaci a načítání pro pracovní zátěže ETL. |
Pokud chcete vytvářet a aktualizovat samostatná materializovaná zobrazení a streamované tabulky pomocí Python z poznámkového bloku, přečtěte si téma Použití Python se samostatnými kanály.