Microsoft Fabric

Aby byla údržba Delta tabulek správná, musíš nejdřív pochopit transakční log, checkpointy a vliv write amplification na úložiště. Článek rozebírá fyzickou architekturu Delta tabulek a ukazuje automatizaci kontrol zdraví, operací VACUUM a OPTIMIZE pomocí Python knihovny delta-rs v Microsoft Fabric. Nabízí tak lehkou alternativu k údržbě založené na Sparku.

To properly maintain Delta Tables, you first need to understand the transaction log, checkpoints, and how write amplification affects storage. This post breaks down the physical architecture of Delta Tables and demonstrates how to automate health checks, VACUUM, and OPTIMIZE operations using the delta-rs Python library in Microsoft Fabric, offering a lightweight alternative to Spark-based maintenance.

Fabric Notebooky jsou pro real-time interakce příliš pomalé a Fabric SQL zase zbytečně drahé. Tento návod ti ukáže, jak tato architektonická omezení obejít. Postav si "Translytické" řešení pomocí User Data Functions (UDF) pro okamžitý zápis do Azure SQL Database, kompletně zabezpečené přes Private Endpoints a Key Vault.

Fabric Notebooks are too slow for real-time interactions, and Fabric SQL is expensive for simple write-back. This guide shows you how to bypass these architectural limitations. Learn to build a "Translytical" solution using User Data Functions (UDF) to write to Azure SQL Database instantly, securing everything with Private Endpoints and Key Vault.

Když v Microsoft Fabric používáš Lakehouse, automaticky k němu dostaneš i SQL Analytics Endpoint pro čtení delta tabulek přes - SQL. Ten ale může mít zpoždění za Lakehousem, takže nová data nejsou hned vidět v Power BI. V článku ukazuju, proč se to děje a jak SAE donutit k synchronizaci ručně i automaticky přes REST API.

Using a Lakehouse in Microsoft Fabric automatically gives you a SQL Analytics Endpoint, but its metadata sync is not always instant. This post explains why SAE can lag behind your Delta tables and how to wake it up, refresh it manually, or call the Refresh SQL Endpoint Metadata API from a pipeline or notebook.

Power Query is case sensitive, while DAX and the model are case insensitive by default. That mismatch can cause weird relationship key issues. Best fix: Avoid text columns as relationship keys. If you have to use them, normalize them in Power Query with Text.Lower or Text.Upper, or de-dup with a case-insensitive comparer like:  Table.Distinct(Source, {"letter"}, Comparer.OrdinalIgnoreCase).