Siedem obciążeń Fabric (część 1)

Wprowadzenie do Microsoft Fabric

Alex Kuntz

Technical Instructional Designer

Obciążenia Fabric

• Każde obciążenie zawiera narzędzia przeznaczone do określonych zadań
• Na przykład Data Factory służy do pozyskiwania i transformacji danych
• Ten film omawia Data Factory, Data Warehouse i Data Engineering.

¹ https://azure.microsoft.com/en-us/blog/introducing-microsoft-fabric-data-analytics-for-the-era-of-ai/

Data Factory

Data Factory

• Pobiera dane z różnych źródeł (np. arkusze Excel, inne bazy danych, inne usługi chmurowe)
• Ładuje dane do OneLake w Fabric
• Interfejs przypomina Power Query w Excelu lub Power BI

Data Factory

• Pobiera dane z różnych źródeł (np. arkusze Excel, inne bazy danych, inne usługi chmurowe)
• Ładuje dane do OneLake w Fabric
• Interfejs przypomina Power Query w Excelu lub Power BI

• Złożone, oparte na regułach przepływy pracy z danymi
• Umożliwia łączenie logicznych kroków przetwarzania danych podczas ich pozyskiwania
• Przeznaczony dla inżynierów danych i innych użytkowników technicznych

Data Warehouse

• Bazy danych dla danych ustrukturyzowanych

Data Warehouse

• Bazy danych dla danych ustrukturyzowanych
• Tworzone za pomocą Dataflow lub Data Pipeline

Data Warehouse

• Bazy danych dla danych ustrukturyzowanych
• Tworzone za pomocą Dataflow lub Data Pipeline
• W pełni transakcyjny SQL (odczyt i zapis)

Data Warehouse

• Bazy danych dla danych ustrukturyzowanych
• Tworzone za pomocą Dataflow lub Data Pipeline
• W pełni transakcyjny SQL (odczyt i zapis)
• Przechowywane w formacie Delta-Parquet w OneLake

Data Engineering

• Dane ustrukturyzowane i nieustrukturyzowane

Data Engineering

• Dane ustrukturyzowane i nieustrukturyzowane
• Zazwyczaj dostępne przez Notebooki w Pythonie

Data Engineering

• Dane ustrukturyzowane i nieustrukturyzowane
• Zazwyczaj dostępne przez Notebooki w Pythonie
• Można odczytywać dane Lakehouse za pomocą SQL, ale nie można ich edytować
• Do modyfikacji danych używaj Notebooków z kodem Python/Spark

Data Engineering

• Dane ustrukturyzowane i nieustrukturyzowane
• Zazwyczaj dostępne przez Notebooki w Pythonie
• Można odczytywać dane Lakehouse za pomocą SQL, ale nie można ich edytować
• Do modyfikacji danych używaj Notebooków z kodem Python/Spark
• Format Delta-Parquet w OneLake

Czas na ćwiczenia!

Wprowadzenie do Microsoft Fabric