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.
Use este guia de referência e os cenários de exemplo para ajudar você a escolher um armazenamento de dados para suas cargas de trabalho do Microsoft Fabric. Todos os repositórios de dados estão disponíveis em armazenamento unificado no OneLake.
O diagrama mostra um guia de decisão para selecionar um armazenamento de dados Fabric. Para dados de eventos de streaming e análise interativa de alta granularidade, use uma casa de eventos. Para bancos de dados NoSQL, use o Cosmos DB no Fabric. Para cargas de trabalho transacionais operacionais (OLTP), use o banco de dados SQL no Fabric. Para desenvolver IA com tipos de dados vetoriais, use banco de dados SQL no Fabric ou Cosmos DB no Fabric. Para data warehousing corporativo, BI baseado em SQL, OLAP e suporte completo a transações SQL, utilize Fabric Data Warehouse. Para big data e aprendizado de máquina com dados não estruturados, semiestruturados ou estruturados, e engenharia de dados, use uma casa de lago. Todos os repositórios de dados do Fabric estão disponíveis no OneLake no formato de tabela aberta por padrão.
| Caso de uso ideal | Carga de trabalho do Microsoft Fabric | Dados disponíveis no OneLake no formato de tabela aberta por padrão |
|---|---|---|
| Dados de eventos de streaming, alta granularidade (em tempo, espaço, detalhes – JSON/Texto) dados de atividade para análise interativa | Eventhouse | Disponível mediante adesão |
| Banco de dados NoSQL | Cosmos DB no Fabric | Sim |
| Banco de dados operacional transacional, OLTP ou normalizado | Banco de dados SQL no Fabric | Sim |
| Desenvolver IA com tipos de dados vetoriais | Banco de dados SQL no Fabric ou Cosmos DB no Fabric | Sim |
| Data warehouse empresarial, BI baseado em SQL, OLAP, suporte completo a transações SQL e funções de IA (prévia) | Data warehouse | Sim |
| Big data e aprendizado de máquina, dados não estruturados, semiestruturados ou estruturados, engenharia de dados | Lakehouse | Sim |
- Para dados de eventos de streaming e análise interativa de alta granularidade, use uma casa de eventos.
- Para bancos de dados NoSQL, use o Cosmos DB no Fabric.
- Para cargas de trabalho operacionais, transacionais, OLTP ou bancos de dados relacionais normalizados, use banco de dados SQL no Fabric.
- Para desenvolver IA com tipos de dados vetoriais, use banco de dados SQL no Fabric ou Cosmos DB no Fabric.
- Para data warehousing corporativo, BI baseado em SQL, OLAP e suporte completo a transações SQL, utilize Fabric Data Warehouse.
- Para big data e aprendizado de máquina com dados não estruturados, semiestruturados ou estruturados, e engenharia de dados, use uma casa de lago.
- Todos os repositórios de dados do Fabric estão disponíveis no OneLake no formato de tabela aberta por padrão, com exceção de um banco de dados KQL em uma casa de eventos, onde a disponibilidade do OneLake está disponível como recurso opt-in.
Personas e conjuntos de habilidades
| Carga de trabalho do Microsoft Fabric | Personas do desenvolvedor primário | Conjuntos de habilidades primários, ferramentas | Idiomas primários |
|---|---|---|---|
| Eventhouse | Desenvolvedor de aplicativos, cientista de dados, engenheiro de dados | Sem código, KQL, SQL | KQL (linguagem de consulta Kusto), T-SQL |
| Cosmos DB no Fabric | Desenvolvedor de IA, desenvolvedor de aplicativos | Conceitos noSQL, APIs REST, semelhantes ao Azure Cosmos DB | Integração da API REST por meio de JavaScript/TypeScript, Python, C#, Java e outros |
| Banco de dados SQL no Fabric | Desenvolvedor de IA, desenvolvedor de aplicativos, desenvolvedor de banco de dados, administrador de banco de dados | Administração e desenvolvimento de banco de dados, semelhantes ao Banco de Dados SQL do Azure, SSMS, VS Code e ferramentas de consulta compatíveis com o SQL Server | T-SQL |
| Fabric Data Warehouse | Desenvolvedor de data warehouse, arquiteto de dados, engenheiro de dados, desenvolvedor de banco de dados | Conceitos de data warehousing, design de banco de dados de esquema estrela, SSMS, VS Code e ferramentas de consulta compatíveis com o SQL Server | T-SQL, sem código |
| Lakehouse | Engenheiro de dados, cientista de dados | PySpark, Delta Lake, cadernos | Spark (Scala, PySpark, Spark SQL, R) |
Cenários
Examine esses cenários para obter ajuda na escolha de um armazenamento de dados no Fabric.
Cenário 1
Susan, uma desenvolvedora profissional, é nova no Microsoft Fabric. Eles estão prontos para começar a limpar, modelar e analisar dados, mas precisam decidir se vão construir um data warehouse ou uma casa de lago. Após analisar os detalhes da tabela anterior, os principais pontos de decisão são as habilidades disponíveis e a necessidade de transações em várias tabelas.
Susan passou muitos anos construindo data warehouses em motores de banco de dados relacionais e está familiarizada com a sintaxe e funcionalidades SQL. Considerando a equipe maior, os principais consumidores desses dados também são proficientes em SQL e em ferramentas analíticas relacionadas. Susan decide usar um warehouse do Fabric, que permite que a equipe interaja principalmente com o T-SQL, permitindo também que todos os usuários do Spark na organização acessem os dados.
Susan cria um novo data warehouse e interage com ele usando o T-SQL, assim como seus outros bancos de dados do SQL Server. A maior parte do código T-SQL existente que ela escreveu para construir seu warehouse em SQL Server funciona em Fabric Data Warehouse, facilitando a transição. Se optar por isso, ela pode até mesmo usar as mesmas ferramentas que funcionam com seus outros bancos de dados, como o SQL Server Management Studio. Ao usar o editor de SQL no portal do Fabric, Susan e outros membros da equipe escrevem consultas analíticas que fazem referência a outros data warehouses e tabelas Delta em lakehouses simplesmente usando nomes de três partes para realizar consultas entre bancos de dados.
Cenário 2
Rob, um engenheiro de dados, precisa armazenar e modelar vários terabytes de dados no Fabric. A equipe tem uma combinação de habilidades de PySpark e T-SQL. A maioria da equipe que executa consultas T-SQL são consumidores e, portanto, não precisam escrever INSERT, UPDATE, ou DELETE instruções. Os desenvolvedores restantes estão confortáveis em trabalhar em notebooks e, como os dados são armazenados no Delta, eles podem interagir com uma sintaxe SQL semelhante.
Rob decide usar um lakehouse, que permite que a equipe de engenharia de dados use suas diversas habilidades em relação aos dados, permitindo que os membros da equipe altamente qualificados no T-SQL consumam os dados.
Cenário 3
Daisy é analista de negócios experiente em usar o Power BI para analisar gargalos da cadeia de suprimentos para uma grande cadeia de varejo global. Eles precisam criar uma solução de dados escalonável que possa lidar com bilhões de linhas de dados e pode ser usada para criar dashboards e relatórios que possam ser usados para tomar decisões de negócios. Os dados são provenientes de plantas, fornecedores, carregadores e outras fontes em vários formatos estruturados, semiestruturados e não estruturados.
Daisy decide usar um Eventhouse devido à escalabilidade, tempos de resposta rápidos, recursos de análise avançada, incluindo análise de série temporal, funções geoespaciais e modo de consulta direta rápida no Power BI. Ela pode executar consultas usando Power BI e KQL para comparar entre períodos atuais e anteriores, identificar rapidamente problemas emergentes ou fornecer análises geoespaciais de rotas terrestres e marítimas.
Cenário 4
Kirby é um arquiteto de aplicativos experiente no desenvolvimento de aplicativos .NET para dados operacionais. Eles precisam de um banco de dados de alta simultaneidade, com conformidade total com transações ACID e chaves estrangeiras fortemente impostas para integridade relacional. Kirby quer o benefício do ajuste automático de desempenho para simplificar o gerenciamento de banco de dados diário.
Kirby decide usar um banco de dados SQL no Fabric, com o mesmo Mecanismo de Banco de Dados SQL que o Banco de Dados SQL do Azure. Os bancos de dados SQL no Fabric são dimensionados automaticamente para atender à demanda ao longo do dia útil. Eles têm toda a capacidade das tabelas transacionais e a flexibilidade dos níveis de isolamento de transações de serializáveis para ler instantâneos confirmados. O banco de dados SQL no Fabric cria e descarta automaticamente índices não clusterizados com base em sinais fortes de planos de execução observados ao longo do tempo.
No cenário de Kirby, os dados do aplicativo operacional devem ser unidos a outros dados no Fabric: no Spark, em um armazém de dados e a partir de eventos em tempo real em um Eventhouse. Cada banco de dados do Fabric inclui um ponto de extremidade de análise SQL, de modo que os dados sejam acessados em tempo real de consultas do Spark ou Power BI usando o modo DirectLake. Essas soluções de relatório poupam o banco de dados operacional primário da sobrecarga de cargas de trabalho analíticas e evitam a desnormalização. Kirby também tem dados operacionais existentes em outros bancos de dados SQL e precisa importar esses dados sem transformação. Para importar dados operacionais existentes sem nenhuma conversão de tipo de dados, Kirby projeta pipelines com o Fabric Data Factory para importar dados para o banco de dados SQL do Fabric.