Démarrage rapide : Se connecter à une base de données SQL dans Fabric à partir d’un notebook Jupyter

Dans ce guide de démarrage rapide, vous utilisez Jupyter Notebook dans Visual Studio Code pour dériver rapidement des insights métier. Vous utilisez le mssql-python pilote pour Python pour vous connecter à votre base de données SQL dans Fabric et lire les données qui sont ensuite mises en forme pour une utilisation dans les e-mails, les présentations de rapports, etc.

Le mssql-python pilote ne nécessite aucune dépendance externe sur les machines Windows. Le pilote installe tout ce dont il a besoin avec une seule pip installation, ce qui vous permet d’utiliser la dernière version du pilote pour les nouveaux scripts sans interrompre d’autres scripts que vous n’avez pas le temps de mettre à niveau et de tester.

Documentation mssql-python | Code source mssql-python | Package (PyPi) | Visual Studio Code

Prerequisites

Chargez des exemples de données AdventureWorks dans votre base de données SQL.
Python 3
- Si vous n’avez pas encore Python, installez le runtime Python et le gestionnaire de package pip à partir de python.org.
- Ne souhaitez pas utiliser votre propre environnement ? Ouvrez en tant que devcontainer à l’aide de GitHub Codespaces.
Visual Studio Code avec les extensions suivantes :
- Extension Python pour Visual Studio Code
- Extension Jupyter pour Visual Studio Code
Interface azure Command-Line (CLI) : recommandé pour l’authentification macOS et Linux.
Si vous n’avez uvpas encore , installez uv en suivant les instructions de https://docs.astral.sh/uv/getting-started/installation/.

Installez les prérequis ponctuels spécifiques au système d'exploitation.

apk add libtool krb5-libs krb5-dev

apt-get install -y libltdl7 libkrb5-3 libgssapi-krb5-2

dnf install -y libtool-ltdl krb5-libs

zypper install -y libltdl7 libkrb5-3 libgssapi-krb5-2

zypper install -y libltdl7

brew install openssl

Créer un projet

Ouvrez une invite de commandes dans votre répertoire de développement. Si vous n’en avez pas, créez un répertoire appelé python, scriptsetc. Évitez les dossiers sur votre OneDrive, la synchronisation peut interférer avec la gestion de votre environnement virtuel.

Créez un projet avec uv.

uv init jupyter-notebook-qs
cd jupyter-notebook-qs

Ajouter des dépendances

Dans le même répertoire, installez les paquets mssql-python, python-dotenv, rich, pandas, et matplotlib. Ensuite, ajoutez ipykernel et uv comme dépendances de développement. VS Code requiert que ipykernel et uv soient ajoutés pour pouvoir interagir avec uv depuis vos cellules de notebook à l'aide de commandes comme !uv add mssql_python.

uv add mssql_python dotenv rich pandas matplotlib
uv add --dev ipykernel
uv add --dev uv

Lancer Visual Studio Code

Dans le même répertoire, exécutez la commande suivante.

code .

Mettre à jour pyproject.toml

Pyproject.toml contient les métadonnées de votre projet.

Mettez à jour la description pour être plus descriptive.

description = "A quick example using the mssql-python driver and Jupyter Notebooks."

Enregistrez et fermez le fichier.

Enregistrer la chaîne de connexion

Ouvrez le .gitignore fichier et ajoutez une exclusion pour .env les fichiers. Votre fichier doit être similaire à cet exemple. Veillez à l’enregistrer et à le fermer lorsque vous avez terminé.
```
# Python-generated files
__pycache__/
*.py[oc]
build/
dist/
wheels/
*.egg-info

# Virtual environments
.venv

# Connection strings and secrets
.env
```
Dans le répertoire actif, créez un fichier nommé .env.
Dans le .env fichier, ajoutez une entrée pour votre chaîne de connexion nommée SQL_CONNECTION_STRING. Remplacez l’exemple ici par votre valeur de chaîne de connexion réelle.
```
SQL_CONNECTION_STRING="Server=<server_name>;Database={<database_name>};Encrypt=yes;TrustServerCertificate=no;Authentication=ActiveDirectoryDefault"
```
Conseil / Astuce

Pour la base de données SQL dans Fabric, utilisez la chaîne de connexion ODBC à partir de l’onglet des chaînes de connexion sans l'information DRIVER.

Créer un notebook Jupyter

Sélectionnez Fichier, puis Nouveau fichier et Jupyter Notebook dans la liste. Un nouveau bloc-notes s’ouvre.
Sélectionnez Fichier, puis Enregistrez sous... et donnez un nom à votre nouveau bloc-notes.

Ajoutez les importations suivantes dans la première cellule.

from os import getenv
from mssql_python import connect
from dotenv import load_dotenv
from rich.console import Console
from rich.table import Table
import pandas as pd
import matplotlib.pyplot as plt

Utilisez le bouton + Markdown en haut du bloc-notes pour ajouter une nouvelle cellule Markdown.
Ajoutez le texte suivant à la nouvelle cellule markdown.
```
## Define queries for use later
```
Sélectionnez la coche dans la barre d’outils de cellule ou utilisez les raccourcis Ctrl+Enter clavier ou Shift+Enter pour afficher la cellule markdown.
Utilisez le bouton + Code en haut du bloc-notes pour ajouter une nouvelle cellule de code.

Ajoutez le code suivant à la nouvelle cellule de code.

SQL_QUERY_ORDERS_BY_CUSTOMER = """
SELECT TOP 5
c.CustomerID,
c.CompanyName,
COUNT(soh.SalesOrderID) AS OrderCount
FROM
SalesLT.Customer AS c
LEFT OUTER JOIN SalesLT.SalesOrderHeader AS soh
ON c.CustomerID = soh.CustomerID
GROUP BY
c.CustomerID,
c.CompanyName
ORDER BY
OrderCount DESC;
"""

SQL_QUERY_SPEND_BY_CATEGORY = """
select top 10
pc.Name as ProductCategory,
SUM(sod.OrderQty * sod.UnitPrice) as Spend
from SalesLT.SalesOrderDetail sod 
inner join SalesLT.SalesOrderHeader soh on sod.salesorderid = soh.salesorderid 
inner join SalesLT.Product p on sod.productid = p.productid 
inner join SalesLT.ProductCategory pc on p.ProductCategoryID = pc.ProductCategoryID 
GROUP BY pc.Name 
ORDER BY Spend;
"""

Afficher les résultats dans un tableau

Utilisez le bouton + Markdown en haut du bloc-notes pour ajouter une nouvelle cellule Markdown.
Ajoutez le texte suivant à la nouvelle cellule markdown.
```
## Print orders by customer and display in a table
```
Sélectionnez la coche dans la barre d’outils de cellule ou utilisez les raccourcis Ctrl+Enter clavier ou Shift+Enter pour afficher la cellule markdown.
Utilisez le bouton + Code en haut du bloc-notes pour ajouter une nouvelle cellule de code.

Ajoutez le code suivant à la nouvelle cellule de code.

load_dotenv()
with connect(getenv("SQL_CONNECTION_STRING")) as conn: # type: ignore
    with conn.cursor() as cursor:
        cursor.execute(SQL_QUERY_ORDERS_BY_CUSTOMER)
        if cursor:
            table = Table(title="Orders by Customer")
            # https://rich.readthedocs.io/en/stable/appendix/colors.html
            table.add_column("Customer ID", style="bright_blue", justify="center")
            table.add_column("Company Name", style="bright_white", justify="left")
            table.add_column("Order Count", style="bold green", justify="right")

            records = cursor.fetchall()

            for r in records:
                table.add_row(f"{r.CustomerID}",
                                f"{r.CompanyName}", f"{r.OrderCount}")

            Console().print(table)

Conseil / Astuce

Sur macOS, les deux ActiveDirectoryInteractive et ActiveDirectoryDefault fonctionnent pour l’authentification Microsoft Entra. ActiveDirectoryInteractive vous invite à vous connecter chaque fois que vous exécutez le script. Pour éviter les invites de connexion répétées, connectez-vous une fois via Azure CLI en exécutant az login, puis utilisez ActiveDirectoryDefault, qui réutilise les informations d’identification mises en cache.

Utilisez le bouton Exécuter tout en haut du bloc-notes pour exécuter le bloc-notes.
Sélectionnez le noyau jupyter-notebook-qs lorsque vous y êtes invité.

Afficher les résultats dans un graphique

Passez en revue le résultat de la dernière cellule. Vous devez voir un tableau avec trois colonnes et cinq lignes.
Utilisez le bouton + Markdown en haut du bloc-notes pour ajouter une nouvelle cellule Markdown.
Ajoutez le texte suivant à la nouvelle cellule markdown.
```
## Display spend by category in a horizontal bar chart
```
Sélectionnez la coche dans la barre d’outils de cellule ou utilisez les raccourcis Ctrl+Enter clavier ou Shift+Enter pour afficher la cellule markdown.
Utilisez le bouton + Code en haut du bloc-notes pour ajouter une nouvelle cellule de code.

Ajoutez le code suivant à la nouvelle cellule de code.

with connect(getenv("SQL_CONNECTION_STRING")) as conn: # type: ignore
    data = pd.read_sql_query(SQL_QUERY_SPEND_BY_CATEGORY, conn)
    # Set the style - use print(plt.style.available) to see all options
    plt.style.use('seaborn-v0_8-notebook')
    plt.barh(data['ProductCategory'], data['Spend'])

Utilisez le bouton Exécuter la cellule ou Ctrl+Alt+Enter pour exécuter la cellule.
Passez en revue les résultats. Faites de ce bloc-notes votre propre bloc-notes.

Étape suivante

Pour obtenir d’autres exemples, consultez le dépôt GitHub du mssql-python pilote pour contribuer à des idées ou signaler des problèmes.

pilote mssql-python sur GitHub

Commentaires

Cette page a-t-elle été utile ?

Last updated on 2026-03-18

Partager via

Démarrage rapide : Se connecter à une base de données SQL dans Fabric à partir d’un notebook Jupyter

Prerequisites

Créer le projet et exécuter le code

Créer un projet

Ajouter des dépendances

Lancer Visual Studio Code

Mettre à jour pyproject.toml

Enregistrer la chaîne de connexion

Créer un notebook Jupyter

Afficher les résultats dans un tableau

Afficher les résultats dans un graphique

Étape suivante

Commentaires

Ressources supplémentaires