Mapping data flows
Prodotto
Trasformazioni dei dati visive e senza codice in Azure Data Factory, eseguite come attività all'interno delle pipeline su cluster Apache Spark gestiti dal servizio.
Trattati anche
L’episodio su Mapping data flows parla anche di Integration runtime e Azure Data Factory.
Descrizione
I mapping data flow sono trasformazioni dei dati progettate visivamente in Azure Data Factory. Secondo Microsoft Learn, la pagina si applica anche ad Azure Synapse Analytics. Consentono agli sviluppatori di costruire la logica di trasformazione senza scrivere codice. Il servizio si occupa della traduzione del codice, dell'ottimizzazione del percorso e dell'esecuzione dei job del data flow, che vengono eseguiti su cluster Apache Spark scalati orizzontalmente e gestiti dal servizio.
Un mapping data flow non viene eseguito autonomamente. Viene eseguito come attività all'interno di una pipeline. In tale attività della pipeline vengono scelti il runtime di integrazione e i valori dei parametri. Per questo motivo un data flow può utilizzare le funzionalità di pianificazione, controllo del flusso e monitoraggio già esistenti per le pipeline di Azure Data Factory, senza richiedere un meccanismo separato per l'orchestrazione.
L'esperienza di authoring è basata su una tela con tre aree principali. Una barra superiore offre funzioni per salvare, convalidare e visualizzare il JSON o lo script del data flow. Un grafico mostra il flusso dalla sorgente alla destinazione, così il percorso dei dati attraverso le trasformazioni è visibile a colpo d'occhio. Per la trasformazione selezionata appare un pannello di configurazione. Ogni trasformazione fornisce schede per le proprie impostazioni, per l'ottimizzazione delle partizioni, per un'ispezione dei metadati in sola lettura e per un'anteprima dei dati.
La documentazione segnala alcuni vincoli pratici. L'anteprima dei dati funziona solo quando la modalità debug è attivata. La scheda di ispezione non mostra metadati quando la sorgente non ha uno schema definito, situazione tipica in caso di schema drift. Chi progetta flussi su sorgenti con strutture variabili deve aspettarsi questo comportamento durante l'ispezione dei metadati in fase di sviluppo.
In situazioni tipiche, i mapping data flow vengono scelti quando la logica di trasformazione deve essere espressa visivamente anziché in codice, mentre la pipeline che li contiene gestisce trigger, pianificazione e monitoraggio. La decisione riguarda soprattutto dove debba risiedere il lavoro di trasformazione: in un flusso grafico di trasformazioni eseguito su Spark gestito, oppure altrove nella piattaforma dati. La documentazione indica inoltre Dataflow Gen2 in Microsoft Fabric come tecnologia comparabile, rilevante per i team che valutano Azure Data Factory rispetto a Fabric.
L'episodio di M365.FM "Azure Data Factory - Simply Explained" tratta i mapping data flow sotto il titolo "Transforming Without Code". Li colloca accanto agli altri elementi costitutivi del servizio: pipeline e attività, servizi collegati e set di dati, runtime di integrazione, e trigger e pianificazione. Lo stesso episodio confronta inoltre Azure Data Factory con le pipeline di Fabric e discute costi e best practice.
L'episodio "What Microsoft Fabric Means for Power BI Professionals" menziona i mapping data flow in un percorso di apprendimento per l'acquisizione e l'integrazione dei dati in Fabric. Lì, l'apprendimento dei mapping data flow e della trasformazione dei dati è elencato insieme all'esplorazione dei connettori e alla pratica dell'acquisizione in OneLake, utilizzando le funzionalità di Data Factory in Fabric. Questo mostra come il concetto compaia sia nel contesto di Azure Data Factory sia nelle discussioni sulla piattaforma dati Fabric.
Panoramica compilata con l'AI dagli episodi di M365.FM e dai dati di questa pagina. Puoi migliorarla con il pulsante di modifica qui sotto.
| Tipo | Prodotto |
|---|
Domande frequenti
Le domande contrassegnate con AI sono state scritte con l'AI a partire dai fatti riportati in questa pagina.
Cosa sono i mapping data flow in Azure Data Factory? (AI)
Sono trasformazioni dei dati progettate visivamente che non richiedono codice. Il servizio ne traduce il progetto e lo esegue su cluster Apache Spark scalati orizzontalmente e gestiti dal servizio stesso.
Come viene eseguito un mapping data flow? (AI)
Viene eseguito come attività all'interno di una pipeline, dove vengono selezionati il runtime di integrazione e i valori dei parametri. Questo gli consente di usare le funzionalità esistenti di pianificazione, controllo del flusso e monitoraggio delle pipeline.
Perché l'anteprima dei dati o i metadati a volte non vengono visualizzati? (AI)
L'anteprima dei dati funziona solo quando la modalità debug è attivata. La scheda di ispezione non mostra metadati quando la sorgente non ha uno schema definito, situazione tipica in caso di schema drift.
Community wiki
Short info above, community knowledge below: add practical tips, examples or corrections. New contributions are reviewed first; trusted members publish directly.
Esperti e aziende per questo argomento
Nessuno ha ancora indicato questo argomento. Aggiungilo al tuo profilo.
Mantenuto da Mirko Peters (Microsoft MVP) · Ultimo aggiornamento: