Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Os pipelines Lakeflow são a forma mais comum de construir vistas materializadas e tabelas de streaming com Apache Spark™ Declarative Pipelines no Azure Databricks. Também pode definir vistas materializadas autónomas e tabelas de streaming fora de um pipeline Lakeflow usando sintaxe simples de consultas, e o Azure Databricks gere os pipelines subjacentes por si. As tabelas autónomas podem ser criadas e atualizadas a partir de um armazém SQL do Databricks ou de um notebook executado em computação de uso geral sem servidor.
Para decidir entre tabelas independentes e um pipeline do Lakeflow, consulte Pipelines independentes vs. pipelines do Lakeflow. Para construir vistas materializadas e tabelas de streaming como parte de um pipeline gerido, consulte Spark Declarative Pipelines no Lakeflow.
Note
Esta secção era anteriormente chamada "Pipelines para Databricks SQL." Foi renomeada para "Standalone materialized views and streaming tables" para refletir o novo suporte para criar visualizações materializadas autónomas e tabelas de streaming a partir de um caderno a correr em computação geral serverless, além de um armazém SQL do Databricks.
Os temas seguintes abrangem views materializadas autónomas e tabelas de fluxo.
| Topic | Description |
|---|---|
| Requisitos para pipelines independentes | Saiba mais sobre as opções de computação para visualizações materializadas autónomas e tabelas de streaming, incluindo suporte a funcionalidades e disponibilidade regional. |
| Utilize tabelas de streaming autónomas | Criar, atualizar, configurar e monitorizar tabelas de streaming. |
| Use vistas materializadas independentes | Criar, atualizar e consultar vistas materializadas. |
| Quando usar REPLACE WHERE vs. vistas materializadas | Escolha entre fluxos de trabalho REPLACE WHERE e vistas materializadas para cargas de trabalho de extração, transformação e carga (ETL). |
Para criar e atualizar vistas materializadas autónomas e tabelas de streaming com Python num notebook, consulte Usar Python com pipelines independentes.