Vues matérialisées et tables de streaming autonomes
Les LakeFlow Pipelines sont le moyen le plus courant de créer des vues matérialisées et des tables de streaming avec les pipelines déclaratifs Apache Spark™ sur Databricks. Vous pouvez également définir des vues matérialisées et des tables de streaming autonomes en dehors d’un pipeline Lakeflow en utilisant une syntaxe de query simple, et Databricks gère les pipelines sous-jacents pour vous. Les tables autonomes peuvent être créées et actualisées à partir d’un warehouse Databricks SQL ou à partir d’un Notebook s’exécutant sur un compute général Serverless.
Pour choisir entre les tables autonomes et un LakeFlow Pipelines, consultez Pipelines autonomes et LakeFlow Pipelines. Pour créer des vues matérialisées et des tables de streaming dans le cadre d’un pipeline géré, consultez Spark Declarative Pipelines sur LakeFlow.
Cette section était précédemment appelée « Pipelines pour Databricks SQL ». Elle a été renommée en « Vues matérialisées et tables de streaming autonomes » pour refléter la nouvelle prise en charge de la création de vues matérialisées et de tables de streaming autonomes à partir d’un Notebook exécuté sur un compute général serverless, en plus d’un warehouse SQL Databricks.
Les rubriques suivantes couvrent les vues matérialisées autonomes et les tables de streaming.
Sujet | Description |
|---|---|
Découvrez les options de compute pour les vues matérialisées et les tables de streaming autonomes, y compris la prise en charge des fonctionnalités et la disponibilité régionale. | |
Créez, refresh, configurez et surveillez les tables de streaming. | |
Créer, refresh et query des vues matérialisées. | |
Quand utiliser REPLACE WHERE plutôt que des vues matérialisées | Choisir entre les flux REPLACE WHERE et les vues matérialisées pour les charges de travail d'extraction, de transformation et de chargement (ETL) par batch. |
Pour créer des vues matérialisées autonomes et des tables de streaming avec Python depuis un notebook, et en effectuer le refresh, consultez Utiliser Python avec des pipelines autonomes.