Hvad er et lakehouse i Microsoft Fabric?

Et lakehouse i Microsoft Fabric kombinerer skalerbarheden fra en datalake med forespørgselsmulighederne i et datalager. Du gemmer strukturerede og ustrukturerede data ét sted, administrerer dem med Delta Lake og analyserer dem med både Apache Spark og SQL — alt sammen uden at flytte data mellem systemer. Med OneLake-genveje og deling af data på tværs af lejere kan du også få adgang til styrede data fra eksterne kilder og andre organisationer uden dobbeltarbejde.

Et søhus giver dig:

• Én kopi af data til både data engineering og analysearbejdsbelastninger
• Delta Lake-format til ACID-transaktioner, skemahåndhævelse og tidsrejser
• Spark og SQL-adgang , så dataingeniører bruger notesbøger, mens analytikere bruger T-SQL
• Indbygget integration med Power BI, pipelines, dataflows og andre Fabric elementer

Lakehouse vs. datalager

De vigtigste forskelle mellem et lakehouse og et datalager i Microsoft Fabric handler om dine foretrukne udviklingsværktøjer, datatyper og arbejdsbelastningsmønstre. Begge deler den samme SQL-motor og gemmer data i Delta-format på OneLake, men de er designet til forskellige scenarier:

Du kan bruge begge dele i samme arbejdsområde — for eksempel lande og transformere data i et lakehouse med Spark, og derefter eksponere kuraterede datasæt til et lager til SQL-baseret rapportering. For detaljeret vejledning, se Vælg mellem Lager og Lakehouse.

Arbejd med lakehouse-data

Du kan indlæse, transformere og forespørge data i et søhus via flere Fabric-værktøjer:

• OneLake-genveje — Få adgang til data fra eksterne kilder (inklusive andre lejere via deling af data på tværs af lejere) uden at kopiere dem ind i søhuset. Genveje giver live, skrivebeskyttede referencer til operationelle og analytiske data på tværs af OneLake. Se OneLake-genveje.

• Lakehouse Explorer — Gennemse tabeller og filer, indlæs data og administrer metadata direkte i browseren. Du kan skifte mellem tabelvisning og filvisning og tilføje flere lakehouses til udforskeren. Se Naviger i Fabric Lakehouse explorer.

  

• Notebooks — Skriv Spark-kode (Python, Scala, SQL, R) til at læse, transformere og skrive data til lakehouse-tabeller og mapper. Se Udforsk data med en notesbog og Indlæs data med en notesbog.

• Pipelines — Brug copy activity og andre dataintegrationsværktøjer til at hente data fra eksterne kilder ind i lakehouset. Se Kopier data ved hjælp af kopiaktivitet.

• Spark-jobdefinitioner — Kør kompilerede Spark-applikationer i Java, Scala eller Python til produktionskvalitets ETL. Se Hvad er definitionen af et Apache Spark-job?

• Dataflows Gen 2 — Indsaml og forbered data med en lavkode, visuel grænseflade. Se Opret dit første dataflow.

For en fuld sammenligning af indtagelsesmuligheder, se Options to få data ind i Fabric Lakehouse.

Sql Analytics-slutpunkt for Lakehouse

Når du opretter et lakehouse, genererer Fabric automatisk et SQL analytics endpoint. Dette endpoint giver dig mulighed for:

• Forespørg Delta-tabeller med T-SQL — Brug velkendt SQL-syntaks uden at oprette et separat lager.
• Connect Power BI direkte — Opret en semantisk model Power BI semantisk model til at bygge rapporter på dine lakehouse-data.
• Del skrivebeskyttet adgang — Analytikere og rapportbyggere kan forespørge dataene uden at påvirke Spark-arbejdsbelastninger.

SQL analytics-endpointet er skrivebeskyttet og understøtter ikke hele T-SQL-overfladen i et datawarehouse. Brug det til udforskning, rapportering og ad hoc-forespørgsler.

Automatisk registrering og registrering af tabeller

Et lakehouse organiserer data i to topniveau-mapper: Tabeller til administrerede Delta-tabeller og Filer til ustrukturerede eller ikke-Delta-data. Når du placerer en fil i mappen Tables, Fabric automatisk:

• Validerer filen mod understøttede formater (i øjeblikket kun Delta-tabeller).
• Udtrækker metadata — kolonnenavne, datatyper, komprimering og partitionering.
• Registrerer tabellen i metastore, så du kan forespørge den med det samme med Spark SQL eller T-SQL.

Denne managed file-to-table-oplevelse betyder, at du ikke behøver at skrive CREATE TABLE statements manuelt for data, du lander i det administrerede område.

Multitasking med lakehouse

Lakehouse bruger et browser-fane-design, der lader dig åbne og skifte mellem flere genstande uden at miste stedet:

• Bevar kørende operationer: Dataindlæsning og upload fortsætter med at køre, når du skifter til en anden fane.

• Behold din kontekst: Udvalgte tabeller, filer og objekter forbliver åbne, når du navigerer mellem fanerne.

• Ikke-blokerende listegenladning: Fil- og tabelllisten opdateres i baggrunden uden at blokere dit arbejde.

• Scoped notifikationer: Toast-notifikationer identificerer, hvilket søhus de kom fra, så du kan følge opdateringer på tværs af faner.

Handicapvenligt lakehouse-design

Lakehouse understøtter hjælpemidler og tilgængelighedsmønstre:

• Skærmlæserkompatibilitet: Fungerer med populære skærmlæsere til navigation og interaktion.
• Alternativ tekst til billeder: Alle billeder indeholder beskrivende alternativ tekst.
• Mærkede formularfelter: Alle formularfelter har tilhørende etiketter for skærmlæser- og tastaturbrugere.
• Tekst-genopfyldning: Responsivt layout, der tilpasser sig forskellige skærmstørrelser og orienteringer.
• Tastaturnavigation: Fuld tastaturunderstøttelse til at navigere i søhuset uden mus.

Relateret indhold

• Skab et søhus i Microsoft Fabric
• Muligheder for at få data ind i Fabric Lakehouse
• Lakehouse SQL analytics endpoint
• Udforsk data med en lakehouse-notesbog
• Vælg mellem Warehouse og Lakehouse
• Genskab slettede filer i OneLake