Hinweis
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, sich anzumelden oder das Verzeichnis zu wechseln.
Für den Zugriff auf diese Seite ist eine Autorisierung erforderlich. Sie können versuchen, das Verzeichnis zu wechseln.
Lakeflow-Pipelines sind die gebräuchlichste Methode, um materialisierte Views und Streaming-Tabellen mit Apache Spark™ Declarative Pipelines auf Azure Databricks zu erstellen. Sie können auch eigenständige materialisierte Ansichten und Streamingtabellen außerhalb einer Lakeflow-Pipeline mit einfacher Abfragesyntax definieren und Azure Databricks die zugrunde liegenden Pipelines für Sie verwalten. Eigenständige Tabellen können aus einem Databricks SQL Warehouse oder aus einem Notizbuch erstellt und aktualisiert werden, das auf serverlosen allgemeinen Berechnungen ausgeführt wird.
Informationen zur Entscheidung zwischen eigenständigen Tabellen und einer Lakeflow-Pipeline finden Sie unter Eigenständige Pipelines im Vergleich zu Lakeflow-Pipelines. Um materialisierte Views und Streaming-Tabellen als Teil einer verwalteten Pipeline zu erstellen, siehe Spark Declarative Pipelines auf Lakeflow.
Note
Dieser Abschnitt hieß zuvor "Pipelines for Databricks SQL." Er wurde in "Standalone materialized views and streaming tables" umbenannt, um neue Unterstützung für die Erstellung eigenständiger materialisierter Views und Streaming-Tabellen aus einem Notebook mit serverless General Compute zusätzlich zu einem Databricks SQL-Warehouse widerzuspiegeln.
Die folgenden Themen behandeln eigenständige materialisierte Views und Streaming-Tabellen.
| Thema | Description |
|---|---|
| Anforderungen für eigenständige Pipelines | Erfahren Sie mehr über die Berechnungsoptionen für eigenständige materialisierte Ansichten und Streamingtabellen, einschließlich Featureunterstützung und regionaler Verfügbarkeit. |
| Verwenden von eigenständigen Streamingtabellen | Erstellen, Aktualisieren, Konfigurieren und Überwachen von Streamingtabellen |
| Verwenden von eigenständigen materialisierten Ansichten | Materialisierte Ansichten erstellen, aktualisieren und abfragen. |
| Wann sollte man REPLACE WHERE vs. materialisierte Ansichten verwenden | Wählen Sie zwischen REPLACE-Flows WHERE und materialisierten Ansichten für Batch-Extract, Transform and Load (ETL)-Workloads. |
Informationen zum Erstellen und Aktualisieren eigenständiger materialisierter Ansichten und Streamingtabellen mit Python aus einem Notizbuch finden Sie unter Verwenden von Python mit eigenständigen Pipelines.