Jaki jest punkt końcowy analizy SQL dla usługi Lakehouse?

Punkt końcowy analizy SQL udostępnia powierzchnię zapytań T-SQL tylko do odczytu nad tabelami Delta w lakehouse. Każdy Lakehouse automatycznie konfiguruje punkt końcowy analizy SQL podczas tworzenia — nie ma potrzeby dodatkowej konfiguracji. W tle punkt końcowy analizy SQL działa na tym samym akarcie co Fabric Data Warehouse, dzięki czemu uzyskujesz zapytania SQL o wysokiej wydajności i małych opóźnieniach bez zarządzania infrastrukturą.

Punkt końcowy analizy SQL nie jest charakterystyczny dla lakehouse'ów. Inne elementy Fabric — w tym hurtownie danych, baz danych z odbiciem lustrzanym, bazy danych SQL, oraz Azure Cosmos DB — również automatycznie aprowizują punkt końcowy analityczny SQL. Doświadczenie i ograniczenia są takie same we wszystkich.

Zrzut ekranu przedstawiający punkty końcowe analityki SQL dla lakehouse, pokazujący edytor zapytań i listę tabel.

Co można zrobić

Punkt końcowy analizy SQL działa w trybie tylko do odczytu w tabelach delty — nie można wstawiać, aktualizować ani usuwać danych. Aby zmodyfikować dane, przejdź do usługi Lakehouse i użyj platformy Apache Spark.

W ramach tej granicy tylko do odczytu można wykonywać następujące czynności:

  • Wykonywanie zapytań dotyczących tabel Delta przy użyciu T-SQL — Uruchamiaj zapytania SELECT na dowolnej tabeli Delta w Lakehouse, w tym na tabelach dostępnych za pomocą skrótów do zewnętrznych zasobów takich jak Azure Data Lake Storage czy Amazon S3.
  • Tworzenie widoków, funkcji i procedur składowanych — hermetyzowanie logiki biznesowej i wzorców zapytań wielokrotnego użytku w obiektach języka T-SQL, które utrzymują się w punkcie końcowym analizy SQL.
  • Stosuj zabezpieczenia na poziomie wiersza i na poziomie obiektu — użyj szczegółowych uprawnień SQL, aby kontrolować, którzy użytkownicy mają dostęp do jakich tabel, kolumn lub wierszy.
  • Tworzenie raportów usługi Power BI — modele semantyczne usługi Power BI mogą łączyć się z punktem końcowym analizy SQL za pośrednictwem punktu końcowego strumienia danych tabelarycznych (TDS), dzięki czemu można tworzyć raporty za pośrednictwem danych usługi Lakehouse.
  • Wykonywanie zapytań między obszarami roboczymi — użyj skrótów OneLake, aby odwoływać się do tabel Delty w innych jeziorkach danych lub magazynach, a następnie połącz je w jednym zapytaniu. Więcej scenariuszy obejmujących wiele obszarów roboczych można znaleźć w artykule Przypadki użycia punktu końcowego analizy SQL usługi Lakehouse.

Uwaga / Notatka

Zewnętrzne tabele Delta utworzone za pomocą kodu Spark nie są widoczne dla punktu końcowego analizy SQL. Użyj skrótów w sekcji Tabele, aby uwidocznić zewnętrzne tabele Delta. Aby dowiedzieć się, jak to zrobić, zobacz Tworzenie skrótu.

Uzyskaj dostęp do punktu końcowego analityki SQL

Punkt końcowy analizy SQL można otworzyć na dwa sposoby:

  • Z obszaru roboczego — Na liście elementów znajdź element punktu końcowego analizy SQL (nosi tę samą nazwę co Lakehouse) i wybierz go.
  • Z poziomu eksploratora usługi Lakehouse — w prawym górnym obszarze wstążki użyj listy rozwijanej, aby przełączyć się do widoku punktu końcowego analizy SQL.

W obu przypadkach zostanie otwarty query editor, w którym można zapisywać i uruchamiać zapytania T-SQL względem tabel delty.

Zabezpieczenia

Reguły zabezpieczeń SQL ustawione w punkcie końcowym analizy SQL mają zastosowanie tylko wtedy, gdy dane są dostępne za pośrednictwem punktu końcowego. Nie mają zastosowania, gdy te same dane są dostępne za pośrednictwem platformy Spark lub innych narzędzi.

Aby zabezpieczyć dane:

  • Ustaw szczegółowe uprawnienia SQL w punkcie końcowym analizy SQL, aby kontrolować dostęp do określonych tabel, kolumn lub wierszy.
  • Ustaw role i uprawnienia workspace, aby kontrolować, kto może uzyskać dostęp do lakehouse i jego danych za pomocą innych ścieżek.

Aby uzyskać więcej informacji na temat modelu zabezpieczeń, zobacz OneLake security for SQL Analytics endpoints (Zabezpieczenia usługi OneLake dla punktów końcowych analizy SQL).

Synchronizacja metadanych

Podczas tworzenia lub aktualizowania tabeli delty w usłudze Lakehouse punkt końcowy analizy SQL automatycznie wykrywa zmiany i aktualizuje jego metadane SQL — definicje tabel, typy kolumn i statystyki. Nie ma kroku importowania i nie jest wymagana ręczna synchronizacja. Istnieje wiele opcji ręcznego inicjowania odświeżania metadanych punktu końcowego analizy SQL.

Aby uzyskać więcej informacji, zobacz Synchronizacja metadanych punktu końcowego analizy SQL.

Ponowne aprowizowanie

Jeśli podczas tworzenia magazynu lakehouse punkt końcowy analizy SQL nie powiedzie się, możesz ponowić próbę bezpośrednio ze strony głównej usługi Lakehouse bez ponownego utworzenia magazynu lakehouse.

Zrzut ekranu przedstawiający opcję ponownego aprowizowania punktu końcowego analizy SQL w Lakehouse.

Uwaga / Notatka

Ponowna konfiguracja może nadal zakończyć się niepowodzeniem, podobnie jak w przypadku początkowej konfiguracji. Jeśli powtarzające się próby nie powiedzą się, skontaktuj się z pomocą techniczną.

Ograniczenia

Punkt końcowy analizy SQL współużytkuje swój aparat z Fabric Data Warehouse i mają te same ograniczenia.

Następujące ograniczenia dotyczą automatycznego generowania schematu i odnajdywania metadanych punktu końcowego analizy SQL.

  • Dane powinny być w formacie Delta Parquet, aby mogły zostać automatycznie wykryte w punkcie końcowym analityki SQL. Delta Lake to system magazynowania typu open source, który umożliwia tworzenie architektury Lakehouse.

  • Mapowanie kolumn Delta według nazwy jest obsługiwane, ale mapowanie kolumn Delta według identyfikatora nie jest obsługiwane. Aby uzyskać więcej informacji, zobacz funkcje usługi Delta Lake i doświadczenia z platformą Fabric.

  • Tabele Delta utworzone poza folderem /tables nie są dostępne w punkcie końcowym SQL Analytics.

    Jeśli tabela Lakehouse nie jest widoczna w punkcie końcowym analizy SQL, sprawdź lokalizację tabeli. Tylko tabele odwołujące się do danych w folderze /tables są dostępne w punkcie końcowym analizy SQL. Tabele, które odwołują się do danych w folderze /files w jeziorze, nie są widoczne w punkcie końcowym analityki SQL. Aby obejść ten problem, przenieś dane do /tables folderu.

  • Niektóre kolumny, które istnieją w tabelach Spark Delta, mogą nie być dostępne w tabelach w punkcie końcowym analizy SQL. Dla każdej tabeli delty w usłudze Lakehouse punkt końcowy analizy SQL automatycznie generuje tabelę z typami danych T-SQL. Silnik punktu końcowego analizy SQL jest oparty na silniku Fabric Data Warehouse i współdzieli typy danych. Aby uzyskać pełną listę obsługiwanych typów danych, zobacz Typy danych w usłudze Fabric Data Warehouse.

  • Jeśli dodasz ograniczenie klucza obcego między tabelami w punkcie końcowym analizy SQL, nie będzie można wprowadzać żadnych dalszych zmian schematu (na przykład dodawania nowych kolumn). Jeśli nie widzisz kolumn usługi Delta Lake z typami, które powinny być obsługiwane w punkcie końcowym analizy SQL, sprawdź, czy istnieje ograniczenie klucza obcego, które może uniemożliwić aktualizacje w tabeli.

  • Aby uzyskać informacje i zalecenia dotyczące wydajności punktu końcowego analizy SQL, zobacz Zagadnienia dotyczące wydajności punktu końcowego analizy SQL.

  • Funkcje zdefiniowane przez użytkownika skalarnego są obsługiwane, gdy mogą być wbudowane. Aby uzyskać więcej informacji, zobacz CREATE FUNCTION oraz Wbudowywanie skalarnej funkcji UDF.

  • Typ danych varchar(max) jest obsługiwany tylko w punktach końcowych analizy SQL elementów dublowanych i baz danych sieci szkieletowej, a nie w przypadku usługi Lakehouse. Tabele utworzone po 10 listopada 2025 r. będą automatycznie mapowane na varchar(max). Tabele utworzone przed 10 listopada 2025 r. należy ponownie utworzyć w celu wdrożenia nowego typu danych lub zostaną automatycznie uaktualnione do wartości varchar(max) podczas następnej zmiany schematu.

Obcinanie danych do 8 KB nadal dotyczy tabel w punkcie końcowym analizy SQL usługi Lakehouse, w tym skrótów do elementu dublowanego.

Ponieważ wszystkie tabele nie obsługują sprzężeń varchar(max) w tych kolumnach, mogą nie działać zgodnie z oczekiwaniami, jeśli jedna z tabel nadal ma obcięcie danych. Jeśli na przykład utworzysz tabelę CTAS z nowo utworzonego elementu dublowanego w tabeli Lakehouse przy użyciu platformy Spark, a następnie połączysz je przy użyciu kolumny varchar(max), wyniki zapytania będą różne w porównaniu do użycia typu danych varchar(8000). Jeśli chcesz zachować poprzednie zachowanie, możesz rzutować kolumnę na varchar(8000) w zapytaniu.

Możesz sprawdzić, czy tabela ma dowolną kolumnę varchar(max) z metadanych schematu, korzystając z następującego zapytania T-SQL. Wartość max_length-1 reprezentuje varchar(max):

SELECT o.name, c.name, type_name(user_type_id) AS [type], max_length
FROM sys.columns AS c
INNER JOIN sys.objects AS o
ON c.object_id = o.object_id
WHERE max_length = -1 
AND type_name(user_type_id) IN ('varchar', 'varbinary');

  • Schematy o nazwach, które powodują konflikt ze schematami systemowymi (takimi jak sys lub information_schema) i podmiotami zabezpieczeń bazy danych (takimi jak db_owner, db_datareader), nie są obsługiwane w punkcie końcowym analizy SQL. Tabele w tych schematach nie będą synchronizowane z punktem końcowym analizy SQL.

  • Obszar roboczy obsługuje łącznie maksymalnie 150 elementów, w tym magazyny i punkty końcowe analizy SQL. Tworzenie dodatkowych elementów poza tym limitem nie jest obsługiwane. Usuń istniejący element przed utworzeniem nowego elementu.

Treści powiązane

  • Last updated on