Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Importante
Questa funzionalità è in versione beta. Contatta il team del tuo account Databricks per abilitare questa funzionalità nel tuo account.
Lakehouse//RT è in fase di sviluppo attivo. Le caratteristiche prestazionali e il set di funzionalità supportate possono cambiare.
Lakehouse Real-Time (Lakehouse//RT) è un tipo di storage SQL serverless progettato per carichi di lavoro a bassa latenza e alta concorrenza, come la diffusione di dati analitici ad applicazioni personalizzate e agenti AI, l'esecuzione di analisi operative o l'alimentazione di dashboard BI che richiedono risposte in meno di un secondo per centinaia o migliaia di utenti contemporanei.
Lakehouse//RT offre una latenza inferiore al secondo per le query SQL di lettura sulle tabelle di Unity Catalog che utilizzano i formati Delta Lake o Apache Iceberg nell'archiviazione cloud. Interroga le tue tabelle sul posto, quindi non devi copiare i dati in un database separato a bassa latenza per ottenere risposte rapide. È possibile creare e gestire Lakehouse//RT in modo analogo ad altri warehouse SQL. Un amministratore dell'area di lavoro o un utente con privilegi crea uno o più per area di lavoro e assegna le autorizzazioni agli utenti.
Quando usare Lakehouse//RT
Lakehouse//RT adatta carichi di lavoro che inviano molte query di lettura selettive e simultanee e richiedono che ognuna restituisca in meno di un secondo. Usa la tabella seguente per scegliere le risorse di calcolo per un carico di lavoro:
| Carico di lavoro | Calcolo consigliato |
|---|---|
Query selettive SELECT che richiedono risposte in meno di un secondo ad alta concorrenza, come backend applicativi e strumenti per agenti AI |
Lakehouse//RT |
| Query di lunga durata, join su tabelle di grandi dimensioni, job di estrazione, trasformazione e caricamento (ETL), scritture o query che si basano su comportamenti SQL non ANSI | SQL warehouse serverless |
| Carichi di lavoro transazionali con frequenti inserimenti, aggiornamenti ed eliminazioni a livello di riga | Lakebase |
Requisiti
Per usare Lakehouse//RT, è necessario:
- Trovarsi in un'area supportata.
- Abilitare la versione beta Lakehouse/RT nell'area di lavoro.
Abilitare Lakehouse//RT nell'area di lavoro
Gli amministratori dell'area di lavoro possono abilitare la versione beta Lakehouse//RT nell'area di lavoro:
- Nel menu dell'area di lavoro (in alto a destra), vai a Anteprime.
- Cerca Lakehouse RT.
- Abilitare l'anteprima.
Dopo aver abilitato l'anteprima, il tipo di warehouse in tempo reale diventa disponibile nel flusso di creazione di SQL Warehouse per l'area di lavoro.
Crea un magazzino Lakehouse//RT
Per creare un warehouse Lakehouse//RT:
- Vai a Compute>SQL Warehouses>Create SQL Warehouse.
- Selezionare In tempo reale.
- Seleziona una dimensione della query: Piccola, Media, Grande o X-Grande, a seconda delle prestazioni richieste dalle tue query.
- Configura l'Autoscaling per determinare il numero massimo di DBU che puoi addebitare all'ora.
- Imposta l'arresto automatico per controllare quando un magazzino inattivo si ferma.
- Immettere un nome per il magazzino.
- Clicca su Crea.
Per assegnare le autorizzazioni, concedi Can use, Can monitor o Can manage a utenti e gruppi, come per un warehouse SQL. Vedere ACL di SQL Warehouse. Per le impostazioni applicabili a ogni tipo di storage SQL, vedi Creare un storage SQL.
Note
Non puoi aggiornare un warehouse SQL esistente a Lakehouse//RT né eseguire il downgrade di un warehouse Lakehouse//RT esistente a un altro tipo di warehouse.
Dimensioni e scala di un magazzino Lakehouse//RT
Lakehouse//RT ha impostazioni che controllano prestazioni e costi:
- La dimensione della query controlla il calcolo disponibile per una singola query.
- Il ridimensionamento automatico controlla quanto il data warehouse viene ampliato per gestire query simultanee.
- Arresto automatico determina per quanto tempo un warehouse inattivo continua a essere eseguito prima di arrestarsi.
La dimensione della query e l'autoscaling funzionano in modo diverso rispetto alle impostazioni di dimensionamento e scalabilità in un SQL warehouse serverless.
Dimensione della query
La dimensione della query stabilisce il calcolo massimo che una singola query può utilizzare, che determina quanto velocemente può essere eseguita una singola query. Stabilisce anche il calcolo minimo su cui funziona il magazzino e il minimo per cui vieni fatturato mentre il magazzino è attivo.
Imposti la dimensione della query al momento della creazione del data warehouse. Scegli piccolo, medio, grande o x-grande. Una dimensione maggiore offre a ogni query più calcolo per risultati più rapidi, a un costo minimo più elevato.
Questa impostazione è concettualmente simile alla dimensione di un data warehouse SQL serverless, che determina anche le risorse di calcolo disponibili per una singola query.
Autoscaling
L'autoscaling consente a un warehouse di aggiungere risorse di calcolo per gestire un maggior numero di query simultanee, per poi rilasciarle quando la domanda diminuisce. Imposti la capacità di calcolo massima fino a cui il warehouse può aumentare, misurata in DBU. Puoi impostare un massimo fino a 960 DBU all'ora.
L'autoscaling su Lakehouse//RT è diverso dalla scalabilità del cluster in un SQL warehouse serverless per alcuni aspetti:
- Si misura in DBU, non in cluster.
- Il massimo è indipendente dalla dimensione della query. Vedi Dimensione per la concorrenza.
- L'autoscaling di Lakehouse//RT aggiunge e rimuove solo la capacità di calcolo necessaria, anziché per incrementi di cluster.
Per vedere quanto sta scalando un magazzino, usa la sua pagina di monitoraggio.
Dimensione per la concorrenza
Per gestire molte query concorrenti, scala con l'autoscaling invece di scegliere una dimensione di query maggiore:
- Scegli la dimensione di query più piccola che soddisfi il tuo obiettivo di latenza per una singola query.
- Imposta il massimo di autoscaling abbastanza alto da soddisfare il numero massimo di query concorrenti.
- Osserva le query in coda nella pagina di monitoraggio. Se le query si mettono in coda al carico di picco, aumenta il massimo di autoscaling.
Un singolo warehouse Lakehouse//RT con un limite massimo di scalabilità automatica elevato può scalare fino a gestire molte query simultanee senza dover aggiungere warehouse. Se hai bisogno di una maggiore concorrenza, contatta il team del tuo account Azure Databricks.
Arresto automatico
L'arresto automatico arresta il warehouse dopo un determinato numero di minuti di inattività, così un warehouse inattivo non continua ad accumulare costi. Imposti il timeout di inattività al momento della creazione del warehouse.
L'arresto automatico in Lakehouse//RT funziona allo stesso modo di un warehouse SQL serverless. Per i valori predefiniti e minimi, vedi Configura le impostazioni del warehouse SQL.
Monitorare l'attività Lakehouse//RT
Puoi monitorare i warehouse Lakehouse//RT e le query che eseguono allo stesso modo di qualsiasi altro warehouse SQL:
- Cronologia delle query: Le query Lakehouse//RT appaiono nell'interfaccia utente della cronologia delle query e nella tabella del sistema della cronologia delle query.
- Profili di query: Apri una query Lakehouse//RT nell'interfaccia della cronologia delle query per visualizzarne il profilo di query.
- Pagina di monitoraggio: monitora il throughput delle query, le query in coda e la cronologia delle query nella pagina di monitoraggio per ciascun magazzino Lakehouse//RT.
- Warehouse: I warehouse Lakehouse//RT compaiono nella tabella di sistema warehouses.
- Eventi magazzino: Gli eventi per magazzini Lakehouse//RT appaiono nella tabella del sistema eventi magazzini.
-
Fatturazione: L'utilizzo di Lakehouse//RT appare nella tabella del sistema di utilizzo fatturabile con valore
billing_origin_productpari aLAKEHOUSE_REAL_TIME.
Valuta il tuo carico di lavoro
Prima di spostare un carico di lavoro su Lakehouse//RT, testalo con le tue richieste e confronta la latenza con quella del tuo attuale magazzino:
- Scegli le query che la tua applicazione o dashboard esegue più spesso e conferma che vengano eseguite in pochi secondi su un storage SQL serverless.
- Crea un warehouse Lakehouse//RT ed esegui le stesse query su di esso. Usa le stesse tabelle, quindi non è necessario alcun movimento dei dati.
- Correggi qualsiasi query che fallisce perché utilizza una funzionalità non supportata o supera un guardrail.
- Confronta la latenza tra i due magazzini nella tabella del sistema di cronologia delle query.
Per confrontare la latenza mediana e quella del 90° percentile tra i due magazzini, esegui la seguente query e sostituisci gli ID segnaposto con gli ID dei tuoi magazzini. Hai bisogno del privilegio SELECT sulla tabella system.query.history:
SELECT
compute.warehouse_id,
count(*) AS queries,
percentile(total_duration_ms, 0.5) AS p50_ms,
percentile(total_duration_ms, 0.9) AS p90_ms
FROM system.query.history
WHERE compute.warehouse_id IN ('<serverless-warehouse-id>', '<real-time-warehouse-id>')
AND execution_status = 'FINISHED'
AND start_time >= current_timestamp() - INTERVAL 1 DAY
GROUP BY compute.warehouse_id;
La query confronta ogni query finita su ciascun magazzino nell'ultimo giorno, quindi i risultati sono comparabili solo quando entrambi i magazzini hanno eseguito lo stesso carico di lavoro. Per limitare il confronto alle tue query di test, imposta un tag di query su di esse e filtra sulla query_tags colonna. Vedi Query history system table reference.
Guardrail
Per proteggere una bassa latenza per tutte le query, Lakehouse//RT applica limiti di risorse per ogni query. Una query che supera una barriera di controllo restituisce un errore invece di essere eseguita lentamente, quindi progetta le query per rimanere ben entro questi limiti.
| Guardrail | Limit | Error |
|---|---|---|
| Runtime delle query | 2 minuti |
QUERY_RESOURCE_LIMIT_EXCEEDED con la QUERY_RUNTIME sottoclasse |
| Timeout rendiconto | 1 minuto di default. Puoi configurarlo fino al limite di runtime della query di 2 minuti. | QUERY_EXECUTION_TIMEOUT_EXCEEDED |
| Byte di shuffle scritti per fase | 300 GB |
QUERY_RESOURCE_LIMIT_EXCEEDED con la SHUFFLE_SIZE sottoclasse |
| Dimensione dello spill | 30 GB, quando lo spill è abilitato |
QUERY_RESOURCE_LIMIT_EXCEEDED con la SPILL_SIZE sottoclasse |
| File elencati dopo la potatura | 10.000 file, regolabili fino a 50.000 |
QUERY_RESOURCE_LIMIT_EXCEEDED con la FILE_LIMIT sottoclasse |
Azure Databricks può modificare questi limiti. L'errore QUERY_RESOURCE_LIMIT_EXCEEDED restituisce SQLSTATE 53400.
Utilizza i seguenti approcci per restare entro i limiti:
- Runtime della query: una query che si avvicina al limite non raggiunge l'obiettivo di meno di un secondo anche se viene completata. Filtra di più o pre-aggrega.
- Byte mescolati: Join o aggregazioni ampie su tabelle grandi possono superare il limite. Pre-aggregare con viste materializzate invece di unire tabelle grandi al momento della query.
- File elencati: Filtra sulle colonne di partizione o liquid clustering in modo che la query legga solo i file necessari.
Aggiornamento dei dati
Per mantenere bassa la latenza, Lakehouse//RT riutilizza i metadati di tabella memorizzati di recente nella cache. I risultati delle query possono essere in ritardo di qualche secondo rispetto ai commit più recenti in una tabella.
Prepara i carichi di lavoro per Lakehouse//RT
Prepara i carichi di lavoro prima di spostarli a Lakehouse//RT. Per testare un carico di lavoro end-to-end, vedi Valuta il tuo carico di lavoro.
- Usare le tabelle gestite di Unity Catalog. Le tabelle gestite con ottimizzazione predittiva e clustering liquido mantengono i tuoi dati raggruppati per i tuoi modelli di query.
- Verificare che le query siano selettive. Per una latenza inferiore al secondo, verifica che le tue query scansionino meno dati. Filtrare in anticipo con clausole
WHERE, selezionare solo le colonne necessarie e fare affidamento sulle aggregazioni. L'unione tra tabelle è supportata, ma se la query diventa complessa o lenta, è consigliabile usare viste materializzate che preaggregino i dati per latenze più veloci. - Verificare la copertura SQL. Lakehouse//RT supporta solo query di lettura conformi ANSI e solo
CREATE TABLE AS SELECT(CTAS). Verificare che i carichi di lavoro siano conformi ad ANSI ed evitare le istruzioni, le funzioni e i tipi di dati non supportati elencati in Limitazioni.
Funzionalità supportate
Questa sezione elenca gli strumenti, i tipi di tabella e i metodi di connessione supportati da Lakehouse//RT. Per ciò che non supporta, vedi Limitazioni.
Strumenti e interfacce
Puoi selezionare Lakehouse//RT dal selettore di calcolo per una qualsiasi delle seguenti funzionalità di Azure Databricks:
Per costruire dashboard AI/BI su un warehouse Lakehouse//RT, inclusi guardrail e limitazioni specifiche per dashboard, vedi Costruire dashboard AI/BI su Lakehouse Real-Time.
Tipi di tabella
Lakehouse//RT interroga solo i dati di Unity Catalog. Per le migliori prestazioni, utilizza le tabelle gestite dal Catalogo Unity, che forniscono al motore il layout dei dati necessario per una bassa latenza.
Lakehouse//RT supporta i tipi di tabella seguenti:
- Tabelle gestite (Delta Lake e Apache Iceberg)
- Visualizzazioni materializzate e tabelle in streaming
- Viste metriche
-
Tabelle di sistema. L'accesso richiede il privilegio
SELECTsulle tabelle di sistema che interroghi.
Connectivity
Lakehouse//RT accetta solo connessioni che usano l'API esecuzione istruzioni. Non è supportato il protocollo legacy Thrift. Il driver che invia query a un warehouse Lakehouse//RT tramite Thrift riceve un errore con SQLSTATE KP001.
Per collegare un'applicazione personalizzata o un agente AI, vedi Crea applicazioni e agenti su Lakehouse Real-Time.
È possibile connettersi a un magazzino Lakehouse//RT nei modi seguenti:
API di esecuzione delle istruzioni: Chiama l'API direttamente da applicazioni esterne. Vedere API di esecuzione delle istruzioni: eseguire SQL nei warehouse. Sono disponibili due versioni:
-
API di esecuzione delle istruzioni versione 2: Usa questa versione per ottenere le migliori prestazioni di Lakehouse//RT. È ottimizzato per magazzini Lakehouse//RT, con latenza inferiore e maggiore concorrenza, e assume
warehouse_idcome parametro di percorso su ogni chiamata. Attualmente supporta solo i warehouse Lakehouse//RT. - API di esecuzione delle istruzioni versione 1: Funziona con tutti i tipi di warehouse SQL. Puoi anche eseguire istruzioni sui warehouse Lakehouse//RT con la versione 1, ma la versione 2 è ottimizzata per essi.
-
API di esecuzione delle istruzioni versione 2: Usa questa versione per ottenere le migliori prestazioni di Lakehouse//RT. È ottimizzato per magazzini Lakehouse//RT, con latenza inferiore e maggiore concorrenza, e assume
Driver Databricks: Punta il percorso HTTP del driver verso il tuo warehouse Lakehouse//RT e usa almeno la versione elencata per il driver. Da queste versioni, il driver rileva automaticamente Lakehouse//RT e utilizza il percorso di connessione ottimizzato per esso, senza alcuna impostazione. Le versioni precedenti possono collegarsi con l'impostazione elencata, ma con prestazioni inferiori. Azure Databricks raccomanda l'ultima versione del driver per tutte le funzionalità e le migliori prestazioni.
-
Databricks SQL Connector per Python:
4.9.0, installato con l'extra
kernel. Versioni precedenti: setuse_kernel=True. -
Databricks SQL Driver for Node.js: 3.0.0. Versioni precedenti: set
useKernel: true. -
Databricks SQL Driver for Go: 1.19.0, compilato con il
databricks_kerneltag. Versioni precedenti: setWithUseKernel(true). -
JDBC: 3.4.5. Versioni precedenti: impostare
UseThriftClient=0nell'URL della connessione. - Databricks OSS ODBC Driver (Beta): 0.8.0. Non è necessaria alcuna configurazione aggiuntiva.
Note
Un driver esplicitamente impostato per usare Thrift, con
use_kernel=False,useKernel: false,WithUseKernel(false), oUseThriftClient=1, fallisce contro un storage Lakehouse//RT con SQLSTATEKP001.-
Databricks SQL Connector per Python:
4.9.0, installato con l'extra
Strumenti supportati: I seguenti strumenti si collegano a Lakehouse//RT tramite i propri connettori:
-
Power BI (tramite driver ADBC): Imposta
Implementation=2.0eProtocol=REST(SEA)sotto Opzioni avanzate. - Azure Databricks Excel Add-in: Seleziona il tuo Lakehouse//RT warehouse nel selettore di calcolo dell'add-in. Sono supportate solo le importazioni.
-
Power BI (tramite driver ADBC): Imposta
Geospatial
Lakehouse//RT supporta i tipi di dati GEOGRAPHY e GEOMETRY e le funzioni st_ e h3_, tranne quelle elencate sotto Limitazioni.
Controllo di accesso con granularità fine
Lakehouse//RT supporta query di lettura su tabelle, viste materializzate e tabelle di streaming protette da filtri di riga e maschere di colonna, inclusi i filtri e le maschere integrate di Unity Catalog. I filtri e le maschere possono essere assegnati direttamente a una tabella o applicati tramite politiche di controllo di accesso basate su attributi (ABAC). Vedi filtri a righe, maschere a colonna e controllo accessi basato su attributi in Unity Catalog.
Usa risorse di calcolo che supportano la gestione delle policy, come un serverless SQL warehouse, per creare o modificare filtri di riga, maschere di colonna e policy ABAC. Lakehouse//RT applica le politiche esistenti quando si leggono le tabelle. Non supporta le dichiarazioni di gestione delle policy né scrive su tabelle con le policy. Per le restrizioni delle interrogazioni, vedi Limitazioni del controllo degli accessi granulare.
Tipi di risultati della maschera di colonna
Lakehouse//RT esegue il cast del risultato di una maschera di colonna al tipo di dato dichiarato della colonna usando la semantica ANSI. Questo vale sia per le maschere a livello di tabella che per quelle ABAC. Se il risultato non può essere convertito nel tipo della colonna, la query fallisce.
Ad esempio:
- Una maschera che restituisce la stringa
'REDACTED'per una colonnaBOOLEANfa fallire la query perché la stringa non può essere castata inBOOLEAN. - Una maschera che restituisce
FALSEper unaINTcolonna produce l'intero0.
Su Databricks Runtime, una maschera di colonna a livello di tabella espone il tipo restituito dalla maschera alla query. Spostare la stessa query su Lakehouse//RT può cambiare il tipo di risultato o causare un errore di cast. Le maschere ABAC riportano i risultati al tipo di colonna sia su Databricks Runtime che su Lakehouse//RT. Databricks raccomanda funzioni di mascheramento che restituiscono lo stesso tipo della colonna.
Piani di query e profili per le tabelle protette
Per le query che utilizzano filtri a riga o maschere a colonna, Lakehouse//RT limita i dettagli mostrati nell'output EXPLAIN e nei profili di query per proteggere le informazioni sui dati sottostanti e sulla logica delle policy:
-
EXPLAINL'output nasconde i passaggi della query che leggono dati protetti o applicano policy. Omette anche le statistiche sui piani. - I profili di query nascondono questi passaggi di query e omettono le statistiche per le tabelle protette.
Troubleshooting
La tabella seguente elenca gli errori comuni e come risolverli:
| Error | Causa | Resolution |
|---|---|---|
Errore del protocollo thrift (SQLSTATE KP001) |
Il driver si collega tramite Thrift. | Configura il driver per utilizzare l'API di esecuzione delle istruzioni. Vedi Connettività. |
UNSUPPORTED_FEATURE (SQLSTATE 0A000) |
La query utilizza un'istruzione, una funzione, un tipo di dato o un tipo di tabella che Lakehouse//RT non supporta. Il messaggio nomina la funzionalità. | Riscrivi la query per evitare la funzionalità, oppure eseguila su un warehouse SQL serverless. Vedere Limitazioni. |
QUERY_RESOURCE_LIMIT_EXCEEDED (SQLSTATE 53400) |
La query supera un guardrail. La sottoclasse di errore (QUERY_RUNTIME, SHUFFLE_SIZE, SPILL_SIZE, o FILE_LIMIT) indica il limite. |
Filtra prima, seleziona meno colonne o pre-aggrega con viste materializzate. Consulta Guardrails. |
QUERY_EXECUTION_TIMEOUT_EXCEEDED |
La query viene eseguita più a lungo del timeout dell'istruzione. | Ottimizza la query oppure aumenta il timeout dell'istruzione fino al limite di runtime della query. |
| Un errore di cast su una tabella con una maschera di colonna | La maschera restituisce un valore che non può essere convertito nel tipo della colonna. | Usa una funzione di mascheramento che restituisca il tipo di dato della colonna. Vedere Tipi di risultato della maschera di colonna. |
403 Forbidden durante la lettura dello storage |
Un firewall di archiviazione blocca l'elaborazione serverless. | Configura il firewall per il calcolo serverless. Consulta Configurare un firewall per l'accesso a risorse serverless. |
Se il problema persiste, raccogli le seguenti informazioni e contatta l'assistenza Azure Databricks:
- Messaggio di errore.
- Un'esportazione del profilo di query, incluso il testo grezzo della query.
- Se la query viene eseguita in una dashboard AI/BI, un collegamento alla dashboard.
- Conferma che la stessa query viene eseguita su un warehouse SQL serverless.
Pricing
Per informazioni sui prezzi, consulta la pagina dei prezzi di Databricks.
Limitations
Quando una query utilizza una funzionalità non supportata, Lakehouse//RT restituisce un errore che indica il nome della funzionalità. Per eseguire correttamente la query, usare invece un'istanza di SQL Warehouse serverless.
Strumenti e funzionalità
Lakehouse//RT non supporta le funzionalità seguenti:
- Genie, compresi gli Agenti Genie
- Attività dei job
Tipi di tabella
Lakehouse//RT non supporta i tipi di tabella seguenti:
- Tabelle nell'archiviazione predefinita del catalogo Unity
- Tabelle esterne nel catalogo unity
- Tabelle del metastore Hive (gestite o esterne)
- Tabelle esterne e federazione delle query (Lakehouse Federation)
- Tabelle Delta Sharing
- Tabelle temporanee
- Tabelle che usano altri formati di dati (CSV, JSON, Avro, Parquet, ORC e testo)
Limitazioni nel controllo granulare degli accessi
Le query che coinvolgono filtri a riga o maschere a colonna hanno le seguenti limitazioni:
- Le letture del feed dei dati modificati tramite
table_changesnon sono supportate su tabelle protette. - Le politiche ABAC associate alle viste non sono supportate.
- Più
DISTINCTinsiemi di argomenti in un aggregato all'interno di una funzione di criterio falliscono conUNSUPPORTED_FEATURE. Gli aggregati che condividono gli stessiDISTINCTargomenti e gli aggregati nella query esterna rimangono supportati.
Driver e connettori
Lakehouse//RT non supporta il driver ODBC Simba Spark né il driver ODBC Databricks. Usa invece il Databricks OSS ODBC Driver.
Linguaggio SQL
Lakehouse//RT esegue query di lettura SQL solo in modalità ANSI . Valuta tutte le coercizioni e i cast impliciti dei tipi in base alle regole SQL ANSI rigorose e questo comportamento non può essere disattivato. In semantica ANSI le query basate sul comportamento non ANSI potrebbero:
- Genera un errore di runtime anziché produrre
NULLsenza segnalarlo. Ad esempio, convertire una stringa non numerica in un numero. - Genera un errore in fase di analisi quando non esiste alcun tipo comune sicuro. Ad esempio,
COALESCE,CASE,INo impostare operazioni tra tipi incompatibili. - Restituisce un tipo di risultato diverso rispetto alla modalità legacy, perché l'innalzamento di stringa ANSI e l'ampliamento numerico scelgono tipi sicuri e senza perdita.
Per ottenere risultati prevedibili, usare espressioni esplicite CAST quando le conversioni implicite in modalità ANSI non producono il comportamento previsto.
Lakehouse//RT non supporta quanto segue:
- Funzioni: funzioni AI, UDF Python e funzioni XPath e XML.
-
Funzioni spaziali:
st_buffer,st_concavehull,st_simplify,st_envelope_agg, est_union_agg. -
Funzioni H3:
h3_tessellateaswkb,h3_try_tessellateaswkb, eh3_getpentagoncellids.
Lakehouse//RT è per query di lettura (SELECT) e CREATE TABLE AS SELECT (CTAS). Altri comandi di scrittura ed ETL non sono supportati, tra cui:
-
Operazioni di scrittura:
INSERT,UPDATE,DELETE, eMERGE. -
DDL:
CREATE(diverso da CTAS),ALTER,DROP, e altre istruzioni che creano o modificano oggetti. -
Istruzioni di sicurezza:
GRANTeREVOKE. - Scripting, stored procedure, tabelle temporanee e transazioni multi-statement.
-
Manutenzione del Lago Delta:
OPTIMIZE,ANALYZE,VACUUM, eREFRESH.
Compliance
Lakehouse//RT non supporta i profili di sicurezza per la conformità.