Modo de pipeline disparado vs. contínuo

Os modos de pipeline acionado e contínuo controlam como o LakeFlow Spark Declarative Pipelines processa dados: o modo acionado atualiza os dados disponíveis e para, enquanto o modo contínuo mantém as tabelas atualizadas à medida que novos dados chegam. Para cargas de trabalho que exigem latência de milissegundos, consulte Usar o Modo de Tempo Real nos Pipelines Declarativos do Lakeflow Spark.

O modo pipeline é independente do tipo de tabela que está sendo calculada. Tanto a visualização materializada quanto as tabelas de transmissão podem ser atualizadas em qualquer um dos modos pipeline .

Para alternar entre acionado e contínuo, use a opção Modo de pipeline nas configurações do pipeline ao criar ou editar um pipeline. Consulte Configurar pipelines.

nota

As operações de refresh para views materializadas e tabelas de transmissão autônomas são sempre executadas usando o modo de pipeline acionado.

O que é o modo de pipeline acionado?

Se o pipeline usa o modo acionado , o sistema para depois de atualizar todas as tabelas com base nos dados disponíveis quando a atualização começou.

O que é o modo de pipeline contínuo?

Se o pipeline usar execução contínua , o pipeline declarativo LakeFlow Spark processa novos dados à medida que chegam à fonte de dados para manter as tabelas atualizadas em todo o pipeline .

Para evitar processamento desnecessário no modo de execução contínua, o pipeline monitora automaticamente as tabelas Delta dependentes e executa uma atualização somente quando o conteúdo dessas tabelas dependentes for alterado.

Escolha um modo de pipeline de dados

A tabela a seguir destaca as diferenças entre os modos de pipeline acionado e contínuo:

perguntas-chave	Acionado	Contínuo
Quando a atualização para?	Automaticamente após a conclusão.	execução continuamente até ser interrompida manualmente.
Quais dados são processados?	Dados disponíveis quando a atualização começar.	Todos os dados conforme chegam às fontes configuradas.
Para quais requisitos de atualização de dados isso é mais adequado?	As atualizações de dados são executadas a cada 10 minutos, a cada hora ou diariamente.	As atualizações de dados são desejadas entre 10 segundos e alguns minutos.

Pipelines acionados podem reduzir o consumo de recursos e despesas porque o cluster é executado apenas pelo tempo necessário para atualizar o pipeline. No entanto, novos dados não são processados até que o pipeline seja acionado. Pipelines contínuos exigem um cluster em execução, o que é mais caro, mas reduz a latência de processamento.

Definir intervalo de disparo para pipeline contínuo

Ao configurar o pipeline para o modo contínuo, você pode definir intervalos de disparo para controlar a frequência com que o pipeline inicia uma atualização para cada fluxo.

Você pode usar pipelines.trigger.interval para controlar o intervalo de disparo de um fluxo que atualiza uma tabela ou um pipeline inteiro. Como um pipeline acionado processa cada tabela uma vez, o pipelines.trigger.interval é usado somente com pipeline contínuo.

Databricks recomenda definir pipelines.trigger.interval em tabelas individuais porque as consultas de transmissão e lotes têm padrões diferentes. Defina o valor em um pipeline somente quando o processamento exigir o controle de atualizações para todo o gráfico do pipeline.

Você define pipelines.trigger.interval em uma tabela usando spark_conf em Python ou SET em SQL:

Python

@dp.table(
  spark_conf={"pipelines.trigger.interval" : "10 seconds"}
)
def <function-name>():
    return (<query>)

SQL

SET pipelines.trigger.interval=10 seconds;

CREATE OR REFRESH MATERIALIZED VIEW TABLE_NAME
AS SELECT ...

Para definir pipelines.trigger.interval em um pipeline, adicione-o ao objeto configuration nas configurações do pipeline:

JSON

{
  "configuration": {
    "pipelines.trigger.interval": "10 seconds"
  }
}