Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
La mise en miroir dans Fabric offre un moyen simple d’éviter des processus ETL complexes (extraire, transformer, charger) et d’intégrer en toute transparence vos données d’entrepôt Google BigQuery existantes avec le reste de vos données dans Fabric. Vous pouvez répliquer en continu vos données Google BigQuery directement dans oneLake de Fabric. Une fois dans Fabric, vous pouvez tirer parti de fonctionnalités puissantes pour le décisionnel, l’intelligence artificielle, l’ingénierie des données, la science des données et le partage de données.
Pour obtenir un didacticiel sur la configuration de votre base de données Google BigQuery pour la mise en miroir dans Fabric, consultez Tutorial : Configurer Microsoft Fabric bases de données mises en miroir à partir de Google BigQuery.
Important
La fonctionnalité de mise en miroir pour Google BigQuery est désormais en version préliminaire. Les charges de travail de production ne sont pas prises en charge pendant la version préliminaire.
Pourquoi utiliser la mise en miroir dans Fabric ?
La mise en miroir dans Microsoft Fabric élimine la complexité de l’assemblage d’outils de différents fournisseurs. Vous n’avez pas besoin de migrer vos données. Connectez-vous à vos données Google BigQuery en quasi temps réel pour utiliser le tableau d’outils d’analytique de Fabric. Fabric fonctionne également en toute transparence avec les produits Microsoft, Google BigQuery et un large éventail de technologies qui prennent en charge le format de table Delta Lake open source.
Quelles expériences d’analytique sont intégrées ?
La mise en miroir crée une base de données mise en miroir et un point de terminaison d’analytique SQL dans votre espace de travail Fabric. La base de données mise en miroir gère la réplication des données en OneLake et la conversion vers Parquet, ce qui permet des scénarios en aval tels que l’ingénierie des données, la science des données, etc.
Le point de terminaison analytique SQL fournit une expérience analytique en mode lecture seule sur les tables Delta créées lors de la mise en miroir. Vous pouvez parcourir les tables mises en miroir, générer des requêtes et des vues sans code, créer des vues SQL et des procédures stockées, et interroger des données entre des entrepôts et des lakehouses dans le même espace de travail.
Pour plus d’informations sur les fonctionnalités d’analytique et les outils compatibles, consultez Objets de mise en miroir.
Considérations relatives à la sécurité
Il existe des exigences d’autorisation utilisateur spécifiques pour activer le mirroring Fabric.
Fabric fournit également des fonctionnalités de protection des données pour gérer l’accès dans Microsoft Fabric. Pour plus d’informations, consultez notre documentation sur les fonctionnalités de protection des données.
Considérations relatives aux coûts BigQuery mises en miroir
Le calcul Fabric utilisé pour répliquer vos données dans Fabric OneLake est gratuit. Le coût de stockage pour la duplication est gratuit jusqu'à une limite déterminée par la capacité. Le calcul pour l’interrogation de données à l’aide de SQL, de Power BI ou de Spark est facturé à des tarifs réguliers.
Fabric ne facture pas les frais d’entrée de données réseau dans OneLake pour la mise en miroir.
Il existe des coûts de calcul et de requête cloud avec Google BigQuery lorsque les données sont mises en miroir : BigQuery Change Data Capture (CDC) utilise la puissance de calcul de BigQuery pour les modifications de lignes, l'API de Write Storage pour l'ingestion des données, et le stockage BigQuery pour le stockage des données, ce qui entraîne des coûts.
Pour plus d’informations sur les coûts de mise en miroir de Google BigQuery, consultez la tarification expliquée.