Observação
O acesso a essa página exige autorização. Você pode tentar entrar ou alterar diretórios.
O acesso a essa página exige autorização. Você pode tentar alterar os diretórios.
Pipelines Lakeflow são a forma mais comum de construir visualizações materializadas e tabelas de streaming com Apache Spark™ Declarative Pipelines no Azure Databricks. Você também pode definir visões materializadas autônomas e tabelas de streaming fora de um pipeline do Lakeflow usando uma sintaxe de consulta simples, e o Azure Databricks gerencia os pipelines subjacentes para você. Tabelas autônomas podem ser criadas e atualizadas a partir de um databricks SQL warehouse ou de um notebook em execução na computação geral sem servidor.
Para decidir entre tabelas independentes e um pipeline do Lakeflow, consulte Pipelines independentes vs. pipelines do Lakeflow. Para construir visualizações materializadas e tabelas de streaming como parte de um pipeline gerenciado, veja Spark Declarative Pipelines no Lakeflow.
Note
Esta seção era anteriormente chamada de "Pipelines para Databricks SQL." Foi renomeada para "Exibições materializadas autônomas e tabelas de streaming" para refletir o novo suporte para criar exibições materializadas autônomas e tabelas de streaming a partir de um notebook em execução em computação de uso geral sem servidor, além de um SQL warehouse do Databricks.
Os tópicos a seguir abrangem visualizações materializadas independentes e tabelas de streaming.
| Tópico | Description |
|---|---|
| Requisitos para pipelines independentes | Saiba mais sobre as opções de computação para exibições materializadas autônomas e tabelas de streaming, incluindo suporte a recursos e disponibilidade regional. |
| Usar tabelas de streaming autônomas | Crie, atualize, configure e monitore tabelas de streaming. |
| Usar visualizações materializadas independentes | Criar, atualizar e consultar exibições materializadas. |
| Quando usar REPLACE WHERE vs. vistas materializadas | Escolha entre fluxos REPLACE WHERE e visualizações materializadas para cargas de trabalho de extração, transformação e carga (ETL) em lote. |
Para criar e atualizar visualizações materializadas autônomas e tabelas de streaming com Python a partir de um notebook, consulte Usar Python com pipelines autônomos.