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.
Les pipelines Lakeflow sont la méthode la plus courante pour construire des vues matérialisées et des tables de streaming avec Apache Spark™ Declarative Pipelines sur Azure Databricks. Vous pouvez également définir des vues matérialisées autonomes et des tables de diffusion en continu en dehors d’un pipeline Lakeflow à l’aide d’une syntaxe de requête simple et Azure Databricks gère les pipelines sous-jacents pour vous. Les tables autonomes peuvent être créées et mises à jour à partir d’un entrepôt SQL de Databricks ou d’un notebook exécuté sur un moteur de calcul général sans serveur.
Pour choisir entre des tables autonomes et un pipeline Lakeflow, consultez Pipelines autonomes vs pipelines Lakeflow. Pour construire des vues matérialisées et des tables de streaming dans le cadre d’un pipeline géré, voir Spark Declarative Pipelines sur Lakeflow.
Note
Cette section s’appelait auparavant « Pipelines pour Databricks SQL ». Elle a été renommée « Standalone materialized views and streaming tables » afin de refléter un nouveau support de création de vues matérialisées autonomes et de tables de streaming depuis un notebook fonctionnant sur un calcul général sans serveur, en plus d’un entrepôt SQL Databricks.
Les sujets suivants couvrent les vues matérialisées autonomes et les tables en streaming.
| Sujet | Description |
|---|---|
| Configuration requise pour les pipelines autonomes | Découvrez les options de calcul pour les vues matérialisées autonomes et les tables de diffusion en continu, notamment la prise en charge des fonctionnalités et la disponibilité régionale. |
| Utiliser des tables de streaming indépendantes | Créez, actualisez, configurez et surveillez les tables de diffusion en continu. |
| Utiliser des vues matérialisées autonomes | Créez, actualisez et interrogez des vues matérialisées. |
| Quand utiliser REPLACE WHERE plutôt que les vues matérialisées | Choisissez entre les flux REPLACE WHERE et les vues matérialisées pour les charges de travail d’extraction, de transformation et de chargement (ETL). |
Pour créer et actualiser des vues matérialisées autonomes et des tables de streaming avec Python depuis un notebook, consultez Utiliser Python avec des pipelines autonomes.