متى تستخدم دفتر ملاحظات Fabric مقابل Dataflow: دليل لغير المطورين

By Mirko Peters · 2026-10-24

قارن بين دفاتر ملاحظات Microsoft Fabric وDataflows. تعرّف على متى تستخدم Dataflows منخفضة الشيفرة مقابل دفاتر ملاحظات Spark، بحسب مهاراتك واحتياجاتك من البيانات.

Automatically translated with AI from the original post. Read the English original

قد يثير الاختيار بين دفتر ملاحظات Spark في Microsoft Fabric وDataflow حيرة المحللين الجدد على منظومة البيانات السحابية. يساعد هذا الدليل غير المطورين على اختيار أداة تحويل البيانات المناسبة في Microsoft Fabric، من خلال مقارنة Dataflows منخفضة الشيفرة بدفاتر الملاحظات كثيفة الشيفرة، بالاستناد إلى التعقيد والحجم واحتياجات الصيانة.

النقاط الرئيسية

• توفر Dataflows واجهة مرئية منخفضة الشيفرة، وهي مثالية لتحويلات Power Query المعيارية واستيعاب البيانات القابل للتكرار.
• تستخدم دفاتر ملاحظات Fabric محرك Spark والشيفرة (Python أو PySpark) للتعامل مع تعلم الآلة المعقد، والمنطق التكراري، ومجموعات البيانات الضخمة.
• ينبغي لغير المطورين عمومًا البدء بـ Dataflows، والانتقال إلى دفاتر الملاحظات فقط عند مواجهة عوائق محددة تتعلق بالأداء أو بالمنطق المخصص.
• اختيار الأداة المناسبة يمنع تحمّل أعباء صيانة شيفرة غير ضرورية للفرق التي لا تضم مهندسي برمجيات متخصصين.
• تتكامل الأداتان بسلاسة ضمن بنيتي المسح البحيرى (Lakehouse) والمستودع (Warehouse) الأوسع في Microsoft Fabric.

فهم مشهد بيانات Fabric

عندما تدخل Microsoft Fabric لأول مرة، قد يصيبك عدد عناصر مساحة العمل الكبير بالحيرة. فمهندسو البيانات وعلماؤها ومحللو ذكاء الأعمال يشاركون فجأة منصة تحليلات موحدة. ومن أكثر نقاط الالتباس شيوعًا اختيار المحرك الأساسي لإعداد البيانات: هل تبني Dataflow مرئيًا، أم تفتح دفتر ملاحظات كثيف الشيفرة؟

لطالما عانى المختصون في البيانات من هذا الانقسام لعقود. فمن جهة، توجد واجهات رسومية تُخفي المحرك الكامن خلفها. ومن جهة أخرى، توجد صفحة بيضاء في محرر نصوص تنتظر شيفرة Python أو Scala. وفي Fabric، يترجم هذا مباشرة إلى الاختيار بين Dataflows Gen2 ودفاتر ملاحظات Spark. ويُعد فهم متى تستخدم كلًا منهما أمرًا بالغ الأهمية للحفاظ على بيئة بيانات نظيفة وقابلة للتوسع دون استنزاف محلليك.

ما هو Dataflow Gen2؟

تمثل Dataflows Gen2 في Microsoft Fabric التطور السحابي الأصلي لـ Power Query. فإذا سبق لك إنشاء تقارير في Power BI، فمن المرجح أنك صادفت محرر Power Query. تأخذ Dataflows تجربة التحويل المألوفة هذه وتوسّع نطاقها لتعمل بشكل أصلي داخل Fabric.

وهي مرئية في جوهرها. تنقر على الأزرار لإزالة الأعمدة، ودمج الجداول، وتغيير أنواع البيانات، وتصفية الصفوف. وفي الخلفية، يترجم Power Query هذه الإجراءات إلى شيفرة M، لكنك نادرًا ما تحتاج إلى النظر إليها إلا إذا أردت ذلك. وهذا ما يجعل Dataflows سهلة الاستخدام إلى حد كبير بالنسبة لمحللي الأعمال والمستخدمين المتقدمين الذين يعرفون بالفعل كيفية تشكيل البيانات للتقارير.

قوة دفاتر الملاحظات وتعقيدها

في المقابل، صُممت دفاتر الملاحظات لـ Apache Spark. فعند فتح دفتر ملاحظات Fabric للمرة الأولى، ستجد أمامك ما يشبه ساحة تجارب المطورين: خلايا من الشيفرة، ورسائل خطأ غريبة، وخيارات إعداد لمجموعات Spark.

تمنحك دفاتر الملاحظات تحكمًا كاملًا. يمكنك كتابة نصوص Python مخصصة، وتنفيذ خوارزميات تعلم الآلة، ومعالجة الملفات غير المهيكلة، والتعامل مع منطق تكراري معقد لا تستطيع الأدوات المرئية دعمه. غير أن هذه القوة تأتي مع منحنى تعلم حاد. فإذا كانت مهمتك الأساسية تنظيف جدول مبيعات عادي، فإن الدخول إلى دفتر ملاحظات قد يشبه محاولة بناء محرك سيارة في حين أنك لم تكن تحتاج سوى تغيير الزيت.

مصفوفة القرار: Dataflows مقابل Notebooks

لاختيار الأداة المناسبة لمسار البيانات التالي، يجب تقييم السيناريو المحدد مقابل نقاط القوة في كل أداة. نستعرض فيما يلي المعايير الرئيسية التي ينبغي أخذها في الاعتبار قبل كتابة أول سطر برمجي أو تطبيق أول خطوة تحويل.

اعتبارات الحجم والنطاق

على الرغم من أن Dataflows Gen2 قادرة على معالجة كميات كبيرة من البيانات بالاستفادة من إمكانات الخلفية في Fabric، فإن مجموعات البيانات الضخمة للغاية ومهام الحوسبة الموزعة المعقدة هي المجال الذي تتفوق فيه Notebooks من Spark حقاً. فإذا كانت المهمة معالجة تيرابايت من ملفات السجلات، أو بث القياسات عن بُعد في الوقت الفعلي، أو تنفيذ عمليات ربط موزعة ثقيلة عبر مصادر متعددة ومتباينة، فإن الـ Notebook يوفر القدرة الحسابية الخام المطلوبة.

في المقابل، بالنسبة إلى بيانات المؤسسات المعيارية، سواء كانت معاملاتية أو أبعادية، الموجودة في قواعد البيانات العلائقية أو تطبيقات SaaS، توفر Dataflows أداءً أكثر من كافٍ دون العبء المترتب على تشغيل جلسات حوسبة Spark وإدارتها.

كفاءات الفريق والصيانة

من أكثر العوامل المغفول عنها في قرارات الهندسة المعمارية هو الصيانة على المدى الطويل. من سيتولى دعم مسار المعالجة هذا بعد ستة أشهر؟ إذا بُني مسار معقد باستخدام تعليمات Python مخصصة داخل Notebook، بينما يعرف الفريق المسؤول عن صيانته لغة SQL وPower Query فقط، فقد أنشأتم عنق زجاجة تشغيلياً.

تُفضّل البساطة عند الصيانة. إذا أمكن إنجاز مهمة ما بشكل نظيف في Dataflow، فغالباً ما يكون من الحكمة الالتزام بالنهج منخفض التعليمات البرمجية. ويُفضَّل الاحتفاظ بالـ Notebooks للسيناريوهات التي يتطلب فيها منطق العمل إمكانات برمجية متقدمة فعلاً أو تكاملاً مع علم البيانات.

سد الفجوة: سير عمل عملي

لا يتعين عليكم الاختيار بين أداة واحدة لكامل المؤسسة. بل إن المعماريات الناضجة في Fabric تستخدم الأداتين معاً بتناغم. ومن الممارسات الجيدة لغير المطورين البدء بالاستكشاف.

استخدموا Dataflows لاستيعاب الجداول البعدية الأساسية وتنظيفها وتحميلها إلى Lakehouse. وبمجرد أن تصبح بياناتكم منظمة وموثوقة، يمكنكم إدخال Notebooks تحديداً لتحليلات متقدمة، أو تدريب نماذج تعلم الآلة، أو مهام علم بيانات متخصصة تتطلب تحكماً برمجياً.

من خلال تجزئة المعمارية إلى مكونات منفصلة، تضمنون أن يعمل محللو الأعمال بارتياح ضمن نطاق مهاراتهم، بينما يستفيد مهندسو البيانات والممارسون المتقدمون من الإمكانات الكاملة لـ Spark عند الحاجة.

الخاتمة

يتوقف الاختيار بين Notebook في Fabric وDataflow على مطابقة الأداة مع متطلب العمل الفعلي، بدلاً من اللجوء إلى الخيار الأكثر تعقيداً المتاح. ابدأوا بتقييم حجم البيانات ومهارات الفريق وتعقيد التحويلات. وللاطلاع على تفاصيل أعمق حول تجاوز الرهبة الأولية من الأدوات القائمة على التعليمات البرمجية، استمعوا إلى الحلقة كاملة من البودكاست للحصول على إرشادات الخبراء حول إتقان سير عمل البيانات في Microsoft Fabric.

الأسئلة المتداولة

هل يستطيع غير المطورين استخدام Notebooks في Fabric بنجاح؟

نعم، لكن ذلك يتطلب صبراً واستعداداً لتعلم أساسيات بناء جملة Python أو PySpark. يُوصى بالبدء بمهام أبسط أو بـ Dataflows منخفضة التعليمات البرمجية قبل الانتقال إلى تطوير Notebooks واسع النطاق.

هل Dataflows Gen2 أبطأ من Notebooks في Spark؟

ليس بالضرورة. بالنسبة إلى تحويلات ذكاء الأعمال القياسية وأحجام البيانات المتوسطة، تعمل Dataflows Gen2 بسرعة استثنائية وتُغني عن ضبط الأداء يدوياً.

متى ينبغي التوقف عن استخدام Dataflow والتحول إلى Notebook؟

ينبغي النظر في التحول إلى Notebook عندما يتطلب منطق التحويل حلقات تكرارية، أو مكتبات تعلم الآلة، أو تحليل ملفات غير مهيكلة معقدة، أو أداءً للحوسبة الموزعة يتجاوز إمكانات Power Query القياسية.

هل يمكن تشغيل Dataflow وNotebook في خط أنابيب Fabric نفسه؟

بالتأكيد. تتيح خطوط أنابيب Fabric تنسيق كل من Dataflows وNotebooks بالتسلسل، مما يتيح الجمع بين الاستيعاب منخفض التعليمات البرمجية والتحويلات البرمجية المتقدمة.