Views materializadas independentes e tabelas de transmissão
Os LakeFlow Pipelines são a maneira mais comum de criar views materializadas e tabelas de transmissão com pipelines declarativos do Apache Spark™ no Databricks. Você também pode definir views materializadas e tabelas de transmissão autônomas fora de um LakeFlow Pipelines usando uma sintaxe de query simples, e o Databricks gerencia os pipelines subjacentes para você. As tabelas autônomas podem ser criadas e atualizadas a partir de um Databricks SQL warehouse ou de um Notebook em execução em um compute geral Serverless.
Para decidir entre tabelas autônomas e um LakeFlow Pipelines, consulte Pipelines autônomos vs. LakeFlow Pipelines. Para criar views materializadas e tabelas de transmissão como parte de um pipeline para gerenciar, consulte Spark Declarative Pipelines no LakeFlow.
Esta seção era chamada anteriormente de "Pipelines para Databricks SQL." Foi renomeada para "Views materializadas autônomas e tabelas de streaming" para refletir o novo suporte para a criação de views materializadas autônomas e tabelas de streaming de um Notebook em execução no compute geral serverless, além de um warehouse do Databricks SQL.
Os tópicos a seguir abordam visualizações materializadas autônomas e tabelas de transmissão.
tópico | Descrição |
|---|---|
Saiba mais sobre as opções de compute para views materializadas autônomas e tabelas de transmissão em fluxo, incluindo suporte a recursos e disponibilidade regional. | |
Criar, refresh, configurar e monitorar tabelas de transmissão. | |
Crie, faça refresh e query views materializadas. | |
Escolha entre fluxos REPLACE WHERE e visualizações materializadas para cargas de trabalho ETL (extrair, transformar e carregar) em lote. |
Para criar e refresh views materializadas e tabelas de transmissão autônomas com Python de um Notebook, consulte Usar Python com pipelines autônomos.