Примечание.
Для доступа к этой странице требуется авторизация. Вы можете попробовать войти или изменить каталоги.
Для доступа к этой странице требуется авторизация. Вы можете попробовать изменить каталоги.
ПРИМЕНИМО К:
Azure Data Factory Azure Synapse Analytics
Совет
Data Factory в Microsoft Fabric — это следующее поколение Azure Data Factory с более простой архитектурой, встроенным ИИ и новыми функциями. Если вы не знакомы с интеграцией данных, начните с Fabric Data Factory. Существующие рабочие нагрузки ADF могут обновляться до Fabric для доступа к новым возможностям в области обработки и анализа данных, аналитики в режиме реального времени и отчетов.
Ниже приведен список учебников по сопоставлению потоков данных, созданных командой Azure Data Factory.
В связи с постоянным обновлением продукта, некоторые функции добавлены или имеют изменённую функциональность в текущем пользовательском интерфейсе Azure Data Factory.
Начало работы
Начало работы с созданием потоков данных в Azure Data Factory
Отладка и разработка потоков данных для сопоставления
Debugging and testing mapping data flows (Отладка и тестирование потоков данных для сопоставления).
Data preview quick actions (Быстрые операции по предварительному просмотру данных)
Monitor and manage mapping data flow performance (Мониторинг и управление производительностью потока данных для сопоставления)
Временные параметры бенчмарков
Отладка рабочих процессов для потоков данных
Обновленное представление мониторинга
Обзоры преобразований
Alter row transformation (Преобразование "Изменение строк")
Derived Column transformation (Преобразование "Производственный столбец")
Join transformation (Преобразование "Соединение")
Обновления и советы по преобразованию поиска
Pivot Transformation (Поворотное преобразование)
Pivot transformation: mapping drifted columns (Преобразование "Сведение": сопоставление смещенных столбцов)
Select transformation (Выбор преобразования)
Выбор преобразования: сопоставление на основе правил
Выбор преобразования: большие наборы данных
Surrogate key transformation (Преобразование суррогатного ключа)
Unpivot transformation (Преобразование "Разворачивание данных")
Exists Transformation (Преобразование "Exists")
Динамическое объединение и динамический поиск
Преобразование в плоскую структуру
Преобразование внешних вызовов
Преобразование иерархических данных
Контекст строк через оконное преобразование
Преобразование синтаксического разбора
Преобразование сложных типов данных
Передача выходных данных в следующее действие
Преобразование внешних вызовов
Занесение в журнал строк с ошибками подтверждения
Источник и приемник
Reading and writing JSONs (Чтение и запись элементов JSON)
Parquet and delimited text files (Parquet и текстовые файлы с разделителями)
CosmosDB connector (Соединитель CosmosDB)
Infer data types in delimited text files (Вывод типов данных в текстовых файлах с разделителями)
Reading and writing partitioned file (Чтение и запись секционированных файлов)
Transform and create multiple SQL tables (Преобразование и создание нескольких таблиц SQL)
Разделите ваши файлы в хранилище данных
Data warehouse loading pattern (Шаблон загрузки данных в хранилище данных)
Параметры вывода файлов в озере данных
Оптимизация потоков данных для сопоставления
Iterate files with parameters (Итерация файлов с параметрами)
Decrease start-up times (Уменьшение времени запуска)
SQL DB performance (Производительность базы данных SQL)
Dynamically optimize data flow cluster size at runtime (Динамическая оптимизация размера кластера потока данных во время выполнения)
Оптимизация времени запуска для потоков данных
Azure Integration Runtime для потоков данных
Быстрое время запуска кластера с Azure IR
Сопоставление сценариев потоков данных
Fuzzy lookups (Нечеткие поисковые запросы)
Шаблон данных промежуточной обработки
Clean addresses pattern (Шаблон чистых адресов)
Merge files (Объединить файлы)
Slowly changing dimensions type 1: overwrite (Типы медленно меняющихся измерений 1: перезапись)
Медленно изменяющиеся измерения типа 2: история
Fact table loading (Загрузка таблицы фактов)
Трансформируйте SQL Server на локальном сервере с паттерном дельта-загрузки данных
Distinct row & row counts (Отдельные строки и количество строк)
Handling truncation errors (Обработка ошибок усечения)
Intelligent data routing (Интеллектуальная маршрутизация данных)
Data masking for sensitive data (Маскирование конфиденциальных данных)
Логические модели и физические модели
Detect source data changes (Обнаружение изменений исходных данных)
Медленно изменяющееся измерение универсального типа 2
Удаление строк в целевом объекте, если они отсутствуют в исходном
Инкрементная загрузка данных с помощью Azure Data Factory и Azure SQL DB
Преобразование данных Avro из Центров событий с помощью Parse и Flatten
Выражения для потока данных
Разделение массивов и оператор Case
Увлекательное использование интерполяции строк и параметров
Data Flow скрипт интро: копирование, вставка, фрагменты кода
ADF Data Quality Expressions (Выражения для проверки качества данных в ADF)
Использование динамических выражений в качестве параметров
Определяемые пользователем функции