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 di Lakeflow sono il modo più comune per lavorare con i dati all’interno delle pipeline. 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.
Note
Questa sezione era precedentemente denominata "Pipeline per Databricks SQL". È stata rinominata "Pipeline autonome" per riflettere il nuovo supporto per creare viste materializzate autonome e tabelle di flusso da un notebook in esecuzione su calcolo generico serverless, oltre che da un warehouse SQL di Databricks.
Questa sezione illustra l'uso di pipeline autonome, inclusi gli argomenti seguenti.
| Argomento | 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. |
Per creare e aggiornare viste materializzate autonome e tabelle di streaming con Python da un notebook, vedere Usare Python con pipeline autonome.