Lakehouse- og Delta Lake-tabeller

Et lakehouse i Fabric bruger Delta Lake som standard tabelformat for pålidelig, højtydende datalagring og -behandling. Selvom andre formater understøttes, leverer Delta Lake den bedste integration på tværs af Fabric-tjenester.

Hvad er Delta Lake-borde?

Når du gemmer data i et Fabric Lakehouse, gemmes data som standard som Delta Lake. Delta Lake tilføjer kapaciteter, der forbedrer både ydeevne og pålidelighed:

  • Bedre ydeevne: Hurtigere forespørgsler og databehandling.
  • Datapålidelighed: Transaktionel konsistens og integritetstjek.
  • Fleksibilitet: Fungerer både med strukturerede data (for eksempel tabeller) og semistrukturerede data (for eksempel JSON).

Hvorfor er det vigtigt?

Delta Lake er standardtabelformatet for alle data i lakehouses i Fabric. Det betyder:

  • Konsistens: Alle data bruger det samme tabelformat.
  • Kompatibilitet: Data fungerer på tværs af Fabric-værktøjer som Power BI, notebooks og pipelines.
  • Ingen ekstra opsætning: Når du indlæser data i tabeller eller bruger andre dataindlæsningsmetoder, anvendes Delta-formatet automatisk.

Fabric håndterer Delta-formatering bag kulisserne, så du kan fokusere på modellering og analyse.

Apache Spark-motor og dataformater

Lakehouses drives af Apache Spark Runtime, som deler fundamenter med Azure Synapse Analytics Runtime for Apache Spark. Fabric anvender også forskellige standardindstillinger og optimeringer for bedre ydeevne på tværs af Fabric-arbejdsbelastninger.

Understøttede dataformater:

  • Delta Lake: Foretrukken format med automatisk optimering.
  • CSV: Afgrænsede tekstdata.
  • JSON: Semistruktureret applikation og webdata.
  • Parket: Komprimerede søjlefiler.
  • Andre formater: AVRO og ældre Hive-tabelformater.

Vigtige fordele ved Fabric Spark-standardindstillinger:

  • Optimeret som standard: Ydelsesfunktioner er automatisk aktiveret for bedre hastighed
  • Flere formater understøttet: Du kan læse fra eksisterende filer i forskellige formater
  • Automatisk konvertering: Når du indlæser data i tabeller, optimeres det automatisk med Delta Lake-formatet

Notat

Selvom du kan arbejde med forskellige filformater, er tabellerne, der vises i Lakehouse Explorer, optimerede Delta Lake-tabeller for bedst ydeevne og pålidelighed.

Forskelle fra Azure Synapse Analytics

Hvis du migrerer fra Azure Synapse Analytics, er her de vigtigste konfigurationsforskelle i Fabrics Apache Spark runtime:

For en bredere sammenligning på tværs af Spark-pools, konfigurationer, biblioteker, notebooks og Spark-jobdefinitioner, se Compare Fabric Data Engineering og Azure Synapse Spark.

Apache Spark-konfiguration Fabric-værdi Azure Synapse Analytics value Bemærkninger
spark.sql.sources.default delta Parket Standardtabelformat
spark.sql.parquet.vorder.default falsk* I/R V-ordre skriver
spark.sql.parquet.vorder.dictionaryPageSize 2 GB I/R Ordbogssidestørrelsesgrænse for V-orden
spark.databricks.delta.optimizeWrite.enabled Uopgjort (falsk)* unset (falsk) Optimer skrivning

* Fabric-arbejdsområder oprettet før april 2025 har V-order og Optimize write aktiveret som standard. Nyere arbejdsområder har funktionerne deaktiveret i Fabric Spark runtime 1.3. I runtime 2.0 er UNSET Optimize Write som standard.

Disse optimeringer er designet til at give bedre ydeevne direkte fra starten i Fabric. Avancerede brugere kan ændre disse konfigurationer, hvis det er nødvendigt til specifikke scenarier.

Hvordan Fabric automatisk finder dine borde

Når du åbner dit søhus, scanner Fabric automatisk dine data og viser alle tabeller, den finder i Tabeller-sektionen i udforskeren. Det betyder:

  • Ingen manuel opsætning nødvendig – Fabric opdager automatisk eksisterende tabeller
  • Organiseret visning - Tabeller vises i en træstruktur for nem navigation
  • Fungerer med genveje – Tabeller, der er forbundet fra andre lokationer, bliver også automatisk opdaget

Denne automatiske opdagelse gør det nemt at se alle dine tilgængelige data med ét blik.

Brug genveje med tabeller og filer

OneLake-genveje kan pege på Delta-tabeller eller fil- og mappestier, så du kan referere til eksterne data uden at flytte dem. Følgende tabel opsummerer anbefalede mønstre baseret på måldatatypen.

Datatype ved genvejsmål Sådan opretter du genvejen Anbefalet fremgangsmåde
Delta Lake-tabel Tables afsnit Hvis der findes flere tabeller i destinationen, skal du oprette én genvej pr. tabel.
Mapper med filer Files afsnit Brug Apache Spark med relative stier til at læse direkte fra genvejsmålet. Indlæs Delta-tabeller fra lakehouse-området for maksimal ydeevne.
Ældre Apache Hive-tabeller Files afsnit Brug Apache Spark med relative stier, eller opret en metadatakatalog-reference ved hjælp af CREATE EXTERNAL TABLE. Indlæs Delta-tabeller fra lakehouse-området for maksimal ydeevne.

Indlæs i tabeller

Lakehouses giver en visuel oplevelse til at indlæse almindelige filformater i Delta-tabeller. For at lære mere, se Load to Delta Lake-tabeller.

Hold dine borde hurtige og effektive

Fabric optimerer automatisk dine Delta Lake-borde for bedre ydeevne, men nogle gange kan du ønske ekstra kontrol:

Hvad Fabric gør automatisk:

  • Kombinerer små filer til større, mere effektive filer
  • Optimerer datalayout for hurtigere forespørgsler
  • Styrer storage for at reducere omkostninger

Når du måske har brug for manuel optimering:

  • Meget store datasæt med specifikke ydelseskrav
  • Behov for brugerdefineret dataorganisering
  • Avancerede analysescenarier

For detaljeret vejledning om tabeloptimering, se Delta Lake tabeloptimering og V-orden.

Relateret indhold

  • Sidst opdateret den