Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Le pipeline Lakeflow sono il modo più comune per costruire viste materializzate e tabelle di streaming con Apache Spark™ Declarative Pipelines su Azure Databricks. È anche possibile definire viste materializzate autonome e tabelle di streaming all'esterno di una pipeline Lakeflow usando una sintassi di query semplice e Azure Databricks gestisce automaticamente le pipeline sottostanti. È possibile creare e aggiornare tabelle autonome da un databricks SQL warehouse o da un notebook in esecuzione in un ambiente di calcolo generale serverless.
Per decidere tra tabelle autonome e una pipeline Lakeflow, vedere Pipeline autonome e pipeline Lakeflow. Per costruire visualizzazioni materializzate e tabelle di streaming come parte di una pipeline gestita, vedi Spark Declarative Pipelines su Lakeflow.
Note
Questa sezione era precedentemente chiamata "Pipelines per Databricks SQL." È stata rinominata in "Standalone materialized views and streaming tables" per riflettere un nuovo supporto per creare viste materializzate autonome e tabelle in streaming da un notebook che gira su computazione generale serverless, oltre a un Databricks SQL warehouse.
I seguenti argomenti riguardano le viste materializzate autonome e le tabelle in streaming.
| Topic | Description |
|---|---|
| Requisiti per le pipeline autonome | Informazioni sulle opzioni di calcolo per le viste materializzate autonome e le tabelle di streaming, tra cui il supporto delle funzionalità e la disponibilità a livello di area. |
| Usare tabelle di streaming autonome | Creare, aggiornare, configurare e monitorare le tabelle di streaming. |
| Usare viste materializzate autonome | Creare, aggiornare ed eseguire query sulle viste materializzate. |
| Quando usare REPLACE WHERE rispetto alle viste materializzate | Scegli tra flussi REPLACE WHERE e viste materializzate per carichi di lavoro batch di estrazione, trasformazione e caricamento (ETL). |
Per creare e aggiornare viste materializzate autonome e tabelle di streaming con Python da un notebook, vedere Usare Python con pipeline autonome.