Merk
Tilgang til denne siden krever autorisasjon. Du kan prøve å logge på eller endre kataloger.
Tilgang til denne siden krever autorisasjon. Du kan prøve å endre kataloger.
Bemerkning
Denne funksjonen er for øyeblikket i offentlig forhåndsversjon. Denne forhåndsvisningen leveres uten en tjenesteavtale, og anbefales ikke for produksjonsarbeidsbelastninger. Enkelte funksjoner støttes kanskje ikke eller kan ha begrensede funksjoner. For mer informasjon, se Supplemental Terms of Use for Microsoft Azure Previews.
Graf i Microsoft Fabric omdanner strukturerte data lagret i OneLake til en modellert, spørrbar graf. Du kan deretter spørre grafen ved å bruke visuelle eller GQL-baserte verktøy som kjører gjennom en felles motor for å produsere visuelle, tabellariske eller programmatiske resultater.
Denne artikkelen beskriver kort grafens arkitektur og går gjennom den ende-til-ende dataflyten fra kilde til innsikt.
Følgende diagram illustrerer den ende-til-ende dataflyten fra kilde til innsikt:
Datakilder
Data stammer fra eksterne systemer som Azure-tjenester, andre skyplattformer eller lokale kilder. Microsoft Fabric gjør det enkelt å koble til et bredt spekter av datatjenester og importere data til OneLake.
Lagring i OneLake
Du lagrer innspilte data i OneLake som tabellbaserte kildetabeller i et innsjøhus. Graph leses direkte fra tabellene i lakehouse-butikken din, så du trenger ikke å duplisere eller flytte data til en separat database.
Grafmodellering
I grafmodelleringssteget, definer grafskjemaet ved å spesifisere:
- Nodetyper: Enheter i dataene dine, som kunder, produkter eller bestillinger.
- Kanttyper: Forhold mellom enheter, som «kjøper», «inneholder» eller «produserer».
- Tabellavbildninger: Hvordan node- og kantdefinisjoner kartlegges til de underliggende kildetabellene.
Dette steget etablerer strukturen for den merkede egenskapsgrafen . Du må fullføre grafmodelleringen før du kan spørre grafen.
Bemerkning
Graph støtter for øyeblikket ikke skjemautvikling. Hvis du må gjøre strukturelle endringer, som å legge til nye egenskaper, endre etiketter eller endre relasjonstyper, bør du legge inn de oppdaterte kildedataene i en ny modell.
Spørrbar graf
Når du lagrer modellen, tar grafen inn data fra de underliggende lakehouse-tabellene og lager en leseoptimalisert, spørrbar graf. Denne grafstrukturen er optimalisert for traversering og mønstermatching, noe som muliggjør raske og effektive grafforespørsler i stor skala.
Spørringsforfatting
Du lager spørringer mot den spørrbare grafen ved å bruke en av to metoder:
- Spørringsbygger: Et visuelt, interaktivt grensesnitt for å utforske noder og relasjoner uten å skrive kode. For mer informasjon, se Søk i grafen med spørringsbyggeren.
- Koderedigerer: En tekstbasert editor for å skrive GQL (Graph Query Language) -spørringer. For mer informasjon, se Søk grafen med GQL.
Begge opsjonene retter seg mot den samme underliggende grafen. Velg den forfatteropplevelsen som passer din arbeidsflyt.
Spørringsutførelse
Du kjører forfattede spørringer gjennom et felles utførelseslag som støtter:
- GQL: Spør grafen ved å bruke den internasjonale standarden for grafspørringsspråk (ISO/IEC 39075).
- Naturlig språk til GQL (NL2GQL): Konverterer naturlige språkspørsmål til GQL-spørringer. Meld deg på NL2GQL-forhåndsvisningen.
- REST-basert utførelse: Kjører spørringer programmatisk ved å bruke GQL-spørrings-API-et.
Dette laget kjører spørringslogikken mot den spørrbare grafen og returnerer resultater.
Spørringsresultater
Avhengig av hvordan du spør i grafen, får du resultater i ett eller flere av følgende formater:
- Visuelle grafdiagrammer: Interaktive visualiseringer av noder og relasjoner.
- Tabulariske resultatsett: Strukturerte data i rader og kolonner.
- Programmatiske svar: JSON-utgang for REST eller nedstrøms forbruk.
Du kan utforske resultater interaktivt, dele dem som skrivebeskyttede spørringssett, eller bruke dem i andre verktøy og applikasjoner.