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.
Ett lakehouse i Fabric kombinerar skalbarheten hos en datalake med förfrågningsmöjligheterna hos ett lager. Du lagrar strukturerade och ostrukturerade data på en enda plats, hanterar dem med Delta Lake och analyserar dem med både Apache Spark och SQL – allt utan att flytta data mellan system. Med genvägar i OneLake och delning av data över flera hyresgäster kan du också komma åt styrd data från externa källor och andra organisationer utan dubblett.
Ett sjöhus ger dig:
- En kopia av data för både arbetsbelastningar för datateknik och analys
- Delta Lake-format för ACID-transaktioner, schemaframtvingande och tidsresor
- Spark- och SQL-åtkomst, vilket gör att datatekniker använder notebooks medan analytiker använder T-SQL.
- Inbyggd integrering med Power BI, pipelines, dataflöden och andra Fabric-element.
Lakehouse vs. lager
De största skillnaderna mellan ett sjöhus och ett lager i Fabric handlar om dina föredragna utvecklingsverktyg, datatyper och arbetsbelastningsmönster. Båda delar samma SQL-motor och lagrar data i Delta-format på OneLake, men de är utformade för olika scenarier:
| Lakehouse | Dist.lager | |
|---|---|---|
| Primärt utvecklingsverktyg | Apache Spark (Python, Scala, SQL, R) | T-SQL |
| Datatyper | Strukturerad och ostrukturerad | Strukturerad |
| Transaktioner med flera tabeller | Nej. | Ja |
| Datainhämtning | notebooks, pipelines, dataflöden, genvägar i OneLake (direktåtkomst utan att kopiera) | T-SQL (COPY INTO, INSERT, CTAS), rörledningar |
| Bäst för | Datateknik, datavetenskap, medaljongarkitekturer | BI-rapportering, dimensionsmodellering, SQL-fokuserade team |
Du kan använda båda på samma arbetsyta– till exempel landa och transformera data i ett sjöhus med Spark och sedan exponera utvalda datauppsättningar för ett lager för SQL-baserad rapportering. För detaljerad vägledning, se Välj mellan lager och sjöhus.
Arbeta med data från lakehouse
Du kan läsa in, transformera och fråga efter data i ett lakehouse via flera Fabric verktyg:
Genvägar i OneLake — Åtkomst till data från externa källor (inklusive andra hyresgäster via delning av data mellan olika hyresgäster) utan att kopiera in den i sjöhuset. Genvägar ger aktiva, skrivskyddade referenser till drifts- och analysdata i OneLake. Se genvägar i OneLake.
Lakehouse Explorer – Bläddra bland tabeller och filer, läsa in data och hantera metadata direkt i webbläsaren. Du kan växla mellan tabellvy och filvy och lägga till flera lakehouses i utforskaren. Se Navigera i Lakehouse Explorer.
Spark SQL-frågeutforskaren – Kör Spark SQL-frågor direkt i Lakehouse-utforskaren utan att lämna din arbetskontext. Frågeutforskaren har stöd för IntelliSense, dynamiska flikar, frågor mellan scheman och mellan lakehouse, infogad diagramvisualisering och att skapa vyer. Se Fråga efter data med Spark SQL-frågeutforskaren.
Notebooks – Skriv Spark-kod (Python, Scala, SQL, R) för att läsa, transformera och skriva data till lakehouse-tabeller och mappar. Se Utforska data med en notebook-fil och Läs in data med en notebook-fil.
Pipelines – Använd kopieringsaktiviteten och andra dataintegreringsverktyg för att hämta data från externa källor till lakehouse. Se Kopiera data med kopieringsaktivitet.
Spark-jobbdefinitioner – Kör kompilerade Spark-program i Java, Scala eller Python för ETL i produktionsklass. Se Vad är en Apache Spark-jobbdefinition?.
Dataflöden Gen 2 – Mata in och förbereda data med ett visuellt gränssnitt med låg kod. Se Skapa ditt första dataflöde.
För en fullständig jämförelse av alternativ för att hämta in data, se Alternativ för att hämta in data till lakehouse.
Analysera data i ditt lakehouse med den motor du väljer
Menyfliksområdet i Lakehouse innehåller listrutan Analysera data med som gör att du kan öppna dina data direkt i olika analysupplevelser från Lakehouse:
| Option | Beskrivning |
|---|---|
| SQL-analysslutpunkt | Fråga Delta-tabeller med T-SQL i en skrivskyddad redigerare. Se SQL-analysslutpunkt. |
| Eventhouse-slutpunkt | Kör KQL-frågor för högpresterande realtidsanalyser. Se Eventhouse-slutpunkt. |
| Notebook (ny/befintlig) | Öppna en Spark-notebook-fil för att utforska eller transformera data med kod. Se Utforska data med en anteckningsbok. |
För detaljer om varje alternativ och var du hittar rullgardinsmenyn, se Navigera i Lakehouse-utforskaren.
Lakehouse SQL-analysslutpunkt
När du skapar ett lakehouse genererar Fabric automatiskt en SQL-analysslutpunkt. Med den här slutpunkten kan du:
- Fråga Delta-tabeller med T-SQL – Använd välbekant SQL-syntax utan att konfigurera ett separat lager.
- Anslut Power BI direkt – Skapa en Power BI semantisk modell för att skapa rapporter på dina lakehouse-data.
- Dela skrivskyddad åtkomst – Analytiker och rapportbyggare kan köra frågor mot data utan att påverka Spark-arbetsbelastningar.
SQL-analysens slutpunkt är endast för läsning och stöder inte hela T-SQL-funktionsuppsättningen i ett datalager. Använd den för utforskning, rapportering och ad hoc-frågor.
Notera
Sedan den 5 september 2025 skapas inte längre standardsemantiska modeller automatiskt när du skapar ett sjöhus. Befintliga semantiska standardmodeller frikopplades från sina överordnade objekt senast den 30 november 2025 och blev oberoende semantiska modeller. För mer information, se Power BI semantiska modeller i Fabric.
Notera
Endast Delta-tabeller visas i SQL-analysslutpunkten. Detta inkluderar Delta-tabeller som nås via genvägar i OneLake, vilka är synliga och kan frågas tillsammans med lokalt lagrade tabeller. Parquet, CSV och andra format kan inte användas för att göra förfrågningar via den här slutpunkten. Om du inte ser tabellen konverterar du den till Delta-format.
Automatisk tabellidentifiering och registrering
Ett lakehouse organiserar data i två mappar på den översta nivån: Tabeller för hanterade Delta-tabeller och Filer för ostrukturerade eller icke-Delta-data. När du placerar en fil i mappen Tables, automatiserar Fabric automatiskt:
- Verifierar filen mot format som stöds (för närvarande endast Delta-tabeller).
- Extraherar metadata – kolumnnamn, datatyper, komprimering och partitionering.
- Registrerar tabellen i metaarkivet så att du kan fråga den direkt med Spark SQL eller T-SQL.
Den här hanterade fil-till-tabell-processen innebär att du inte behöver skriva CREATE TABLE uttalanden manuellt för data som placeras i det hanterade området.
Notera
För sjöhus utan schema är den maximala metadatastorleken 10 GB. Att publicera eller uppdatera någon modell som överstiger 10 GB misslyckas. För att hantera detta tillstånd, använd schema-aktiverade sjöhus eller minska modellstorleken genom att ta bort tabeller och kolumner. Du kan också dela upp stora modeller över flera sjöhus för att hålla dig inom denna gräns.
Multitasking med lakehouse
Lakehouse använder en webbläsarfliksdesign som gör att du kan öppna och växla mellan flera objekt utan att förlora din plats:
Bevara åtgärder som körs: Datainläsningar och uppladdningar fortsätter att köras när du växlar till en annan flik.
Behåll kontexten: Valda tabeller, filer och objekt förblir öppna när du navigerar mellan flikar.
Icke-blockerande lista laddas om: Listan över filer och tabeller uppdateras i bakgrunden utan att ditt arbete blir blockerat.
Begränsade meddelanden: Popup-meddelanden identifierar vilket lakehouse de kom från, så att du kan spåra uppdateringar över flikar.
Tillgänglig sjöhusdesign
Lakehouse stöder hjälpmedelstekniker och tillgängliga interaktionsmönster:
- Skärmläsarkompatibilitet: Fungerar med populära skärmläsare för navigering och interaktion.
- Alternativ text för bilder: Alla bilder innehåller beskrivande alternativtext.
- Märkta formulärfält: Alla formulärfält har associerade etiketter för skärmläsare och tangentbordsanvändare.
- Textomflöde: Dynamisk layout som anpassas till olika skärmstorlekar och orienteringar.
- Tangentbordsnavigering: Fullständigt tangentbordsstöd för att navigera i lakehouse utan mus.