Materialized view independen dan tabel streaming

Pipeline Lakeflow adalah cara paling umum untuk membangun materialized view dan tabel streaming dengan Apache Spark™ Declarative Pipelines di Azure Databricks. Anda juga dapat menentukan tampilan materialisasi mandiri dan tabel streaming di luar alur Lakeflow menggunakan sintaks kueri sederhana, dan Azure Databricks mengelola alur yang mendasar untuk Anda. Tabel mandiri dapat dibuat dan disegarkan dari gudang Databricks SQL atau dari buku catatan yang berjalan pada komputasi umum tanpa server.

Untuk memutuskan antara tabel mandiri dan alur Lakeflow, lihat Alur mandiri vs. Alur Lakeflow. Untuk membangun tampilan materialisasi dan tabel streaming sebagai bagian dari pipeline yang dikelola, lihat Spark Declarative Pipelines di Lakeflow.

Note

Bagian ini sebelumnya disebut "Pipelines for Databricks SQL." Bagian ini berganti nama menjadi "Standalone materialized views and streaming tables" untuk mencerminkan dukungan baru dalam membuat tampilan materialized mandiri dan tabel streaming dari notebook yang berjalan di komputasi umum serverless, selain gudang Databricks SQL.

Topik berikut mencakup materialized view mandiri dan tabel streaming.

Topic Description
Persyaratan untuk alur mandiri Pelajari tentang opsi komputasi untuk tampilan terwujud mandiri dan tabel streaming, termasuk dukungan fitur dan ketersediaan regional.
Menggunakan tabel streaming mandiri Membuat, menyegarkan, mengonfigurasi, dan memantau tabel streaming.
Gunakan tampilan materialisasi mandiri Membuat, merefresh, dan mengkueri tampilan materialisasi.
Kapan menggunakan REPLACE WHERE vs. materialized views Pilih antara alur REPLACE WHERE dan materialized view untuk beban kerja batch extract, transform, dan load (ETL).

Untuk membuat dan memperbarui tampilan materialisasi independen dan tabel streaming dengan Python dari notebook, lihat Menggunakan Python dengan pipeline independen.

Sumber daya tambahan

  • Terakhir diperbarui pada