Einer der Hauptvorteile von Azure Databricks ist die Fähigkeit zur Integration mit vielen anderen Datenumgebungen, um Daten durch einen ETL- oder ELT-Prozess zu ziehen. Im Modulkurs untersuchen wir jedes der E, L und T, um zu erfahren, wie Azure Databricks uns den Einstieg in eine Cloud-Lösung erleichtern kann.

Die Verarbeitung großer Datenmengen in Echtzeit ist heute für viele Unternehmen eine betriebliche Notwendigkeit. Azure Stream Analytics ist das serverlose Echtzeit-Analyseangebot von Microsoft für die Verarbeitung komplexer Ereignisse. In diesem Abschnitt untersuchen wir, wie Kunden wertvolle Erkenntnisse gewinnen und Wettbewerbsvorteile erzielen, indem sie sich die Macht von Big Data zunutze machen.

Eine Datenfabrik kann eine oder mehrere Pipelines haben. Eine Pipeline ist eine logische Gruppierung von Aktivitäten, die zusammen eine Aufgabe erfüllen. Die Aktivitäten in einer Pipeline definieren die Aktionen, die mit Ihren Daten durchgeführt werden sollen. Bevor Sie ein Dataset erstellen, müssen Sie einen verknüpften Dienst erstellen, um Ihren Datenspeicher mit der Datenfabrik zu verbinden. Dieser Abschnitt befasst sich mit verknüpften Services und Datensätzen innerhalb von Azure Blob Storage.

Azure Data Factory ist ein vollständig verwalteter, Cloud-basierter Datenorchestrierungsdienst, der die Bewegung und Umwandlung von Daten ermöglicht. In diesem Abschnitt befassen wir uns mit Planungsauslösern für Azure Data Factory, um die Ausführung Ihrer Pipelines zu automatisieren.

In Time-Streaming-Szenarien ist die Durchführung von Operationen mit den in Zeitfenstern enthaltenen Daten ein gängiges Muster. Stream Analytics bietet native Unterstützung für Windowing-Funktionen und ermöglicht es Entwicklern, komplexe Stream-Verarbeitungsaufträge mit minimalem Aufwand zu erstellen. In diesem Abschnitt befassen wir uns mit Windowing-Funktionen im Zusammenhang mit In-Stream-Analytics.

In diesem Abschnitt erfahren Sie, wie Sie Telefonanrufdaten mit Azure Stream Analytics analysieren können. Die von einer Client-Anwendung erzeugten Telefonanrufdaten enthalten einige betrügerische Anrufe, die von dem Stream Analytics-Auftrag gefiltert werden.

Herkömmliche SMP Data Warehouses verwenden einen ETL-Prozess (Extract, Transform and Load) zum Laden von Daten. Azure SQL Data Warehouse ist eine MPP-Architektur (Massively Parallel Processing), die die Skalierbarkeit und Flexibilität von Rechen- und Speicherressourcen nutzt. Die Verwendung eines Extrahier-, Lade- und Transformierprozesses (ELT) kann die Vorteile der MPP nutzen und die Ressourcen eliminieren, die für die Transformation der Daten vor dem Laden benötigt werden.