Notatka
Dostęp do tej strony wymaga autoryzacji. Może spróbować zalogować się lub zmienić katalogi.
Dostęp do tej strony wymaga autoryzacji. Możesz spróbować zmienić katalogi.
Lakeflow pipelines to najczęstszy sposób tworzenia zmaterializowanych widoków i tabel strumieniowych za pomocą Apache Spark™ Declarative Pipelines na Azure Databricks. Możesz również definiować samodzielne zmaterializowane widoki i tabele strumieniowe poza potokiem Lakeflow za pomocą prostej składni zapytań, a Azure Databricks zarządza odpowiednimi potokami bazowymi. Tabele autonomiczne można tworzyć i odświeżać z usługi Databricks SQL Warehouse lub z notesu działającego na bezserwerowych ogólnych obliczeniach.
Aby zdecydować między samodzielnymi tabelami a potokiem Lakeflow, zobacz Samodzielne potoki a potoki Lakeflow. Aby zbudować zmaterializowane widoki i tabele strumieniowe jako część zarządzanego potoku, zobacz Spark Declarative Pipelines w Lakeflow.
Note
Ta sekcja wcześniej nosiła nazwę „Potoki dla Databricks SQL”. Została przemianowana na „Samodzielne widoki zmaterializowane i tabele strumieniowe”, aby odzwierciedlić nowe wsparcie dla tworzenia samodzielnych zmaterializowanych widoków i tabel strumieniowych z poziomu notebooka działającego na bezserwerowych zasobach ogólnego przeznaczenia, oprócz magazynu SQL Databricks.
Poniższe tematy obejmują samodzielne widoki zmaterializowane i tabele streamingowe.
| Temat | Description |
|---|---|
| Wymagania dotyczące autonomicznych potoków | Dowiedz się więcej o opcjach obliczeń dla samodzielnych zmaterializowanych widoków i tabel strumieniowych, w tym o obsłudze funkcji i dostępności regionalnej. |
| Używanie autonomicznych tabel przesyłania strumieniowego | Tworzenie, odświeżanie, konfigurowanie i monitorowanie tabel przesyłania strumieniowego. |
| Używaj samodzielnych widoków zmaterializowanych | Tworzenie, odświeżanie i wykonywanie zapytań dotyczących zmaterializowanych widoków. |
| Kiedy używać REPLACE WHERE a kiedy widoków materializowanych | Wybierz między przepływami REPLACE WHERE a widokami materializowanymi dla obciążeń związanych z wyodrębnianiem, przekształcaniem i ładowaniem (ETL). |
Aby utworzyć i odświeżyć autonomiczne zmaterializowane widoki i tabele przesyłania strumieniowego przy użyciu Python z notesu, zobacz Use Python with standalone pipelines (Używanie Python z autonomicznymi potokami).