Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
GÄLLER FÖR:
Azure Data Factory Azure Synapse Analytics
Tips
Data Factory i Microsoft Fabric är nästa generations Azure Data Factory, med en enklare arkitektur, inbyggd AI och nya funktioner. Om dataintegrering är nytt för dig börjar du med Fabric Data Factory. Befintliga ADF-arbetsbelastningar kan uppgraderas till Fabric för att få åtkomst till nya funktioner inom datavetenskap, realtidsanalys och rapportering.
Nedan visas en lista över självstudievideor för mappning av dataflöden som skapats av Azure Data Factory-teamet.
Eftersom uppdateringar ständigt görs för produkten, har vissa funktioner fått nya eller ändrade funktioner i den aktuella Azure Data Factory-användarupplevelsen.
Komma igång
Komma igång med att kartlägga dataflöden i Azure Data Factory
Felsöka och utveckla dataflöden för mappning
Felsöka och testa mappning av dataflöden.
Snabbåtgärder för dataförhandsgranskning
Övervaka och hantera dataflödesprestanda för mappning
Felsöka arbetsflöden för dataflöden
Transformeringsöversikter
Transformering av härledd kolumn
Uppdateringar och tips för uppslagstransformering
Pivottransformering: mappa utgående kolumner
Välj transformation: Regelbaserad mappning
Välj transformation: Stora datauppsättningar
Transformering av surrogatnyckel
Transformering av villkorsstyrd delning
Dynamiska kopplingar och dynamiska sökningar
Omvandla till sträng-transformering
Radkontext via fönsteromvandling
Omvandla till sträng-transformering
Källa och mottagare
Parquet- och avgränsade textfiler
Bestäm datatyper i avgränsade textfiler
Läsa och skriva partitionerade filer
Transformera och skapa flera SQL-tabeller
Partitionera dina filer i datasjön
Inläsningsmönster för informationslager
Utdataalternativ för Data Lake-filer
Optimera mappning av dataflöden
Optimera dataflödesklusterstorleken dynamiskt vid körning
Optimera starttider för dataflöde
Azure Integration Runtimes för dataflöden
Snabb klusterstarttid med Azure IR
Mappa dataflödesscenarier
Långsamt föränderlig dimensionstyp 1: skriv över
Långsamt föränderlig dimensionstyp 2: historik
Transform SQL Server lokalt med mönster för deltadatainläsning
Antal distinkta rader och rader
Datamaskning för känsliga data
Logiska modeller jämfört med fysiska modeller
Identifiera ändringar i källdata
Allmän typ 2, långsamt föränderlig dimension
Ta bort rader i målet när de inte finns i källan
Incremental datainläsning med Azure Data Factory och Azure SQL DB
Transformera Avro-data från Event Hubs genom att tolka och platta ut
Dataflödesuttryck
Dela upp matriser och casesats
Kul med stränginterpolation och parametrar
Data Flow Script Intro: Kopiera, Klistra in, Kodfragment
Dynamiska uttryck som parametrar
Användardefinierade funktioner