做了几年Power BI 开发人员，微软最近上发布了Microsoft Fabric, 对它的研究安排起来!
从微软官方中文文档入手
Microsoft Fabric 中的端到端教程 - Microsoft Fabric | Microsoft Learn
Microsoft Fabric 是将 Power BI、Azure Synapse 和 Azure 数据资源管理器中的新组件和现有组件汇集到单个集成环境中.
Fabric 将如下几项集成体验集成到共享的 SaaS 中。
1. 数据工程: Lakehouse、Notebook和Spark Job Definition
2. 数据工厂(Azure Data factory)：Lakehouse、Notebook和Spark Job Definition
3. 数据仓库(Data Warehouse): DataWarehouse
4. 数据科学(Data Science): 模型、实验和Notebook
5. Real-Time分析
6. Power BI
从应用场景的角度：Fabric是一个试图用一套交互承接数据工程师、数据科学家以及业务分析师工作流的平台级产品。
2 跟着官方文档将数据工程的操作流程走了一遍，但是有些概念的定义，能读懂文字，但是串不起来。比如： Lakehouse 和Warehouse 的区别，Lakehouse 的 SQL 终结点和Data warehouse 有何不同.
目录
2.1. Lakehouse vs Warehouse（Lakehouse 在官方文档里被翻译为湖屋）
2.2. Lakehouse 的 SQL 终结点和Data warehouse 有何不同？
2.1. Lakehouse vs Warehouse（Lakehouse 在官方文档里被翻译为湖屋）
网上看到如下文章的解释比较好理解 Lakehouse 和warehouse
微软Fabric: AI时代的数据平台 - 知乎 (zhihu.com)
Lakehouse和Warehouse是Fabric中最基本的两个概念。在Fabric中，无论您选择使用Lakehouse还是Warehouse，最终的数据都将以Delta格式的Parquet形式存储在Lake中。这意味着无论您选择哪种方式，最终的数据都将以相同的方式存储。
虽然这些工件在Lake中都是以Delta格式的Parquet存储的，但在您的工作空间中，它们会被标记为不同类型的对象，两者的图标不同，一个是Warehouse表，一个是Lakehouse表。刚开始使用的时候多少有一些理解的门槛。
其次Lakehouse和Warehouse在处理数据的方式上存在一些差异。Lakehouse基于Spark，您可以在notebook中编写代码，支持Python、R、Scala和SparkSQL等语言。而Warehouse则更传统，主要使用SQL查询和存储过程，支持完整的T-SQL。 也是通过上一级的产品分类进行分流。
选择使用Lakehouse还是Warehouse主要取决于您的需求和团队的技能。如果您需要动态、元数据驱动的代码，或者需要处理复杂的数据转换和大数据问题，那么Spark的Lakehouse可能是更好的选择。如果您已经有了大量的T-SQL代码，或者需要复杂的事务支持，那么Warehouse可能更适合您。无论您选择哪种方式，都需要使用相应的方式来维护和更新表。也就是说，如果您创建了一个Lakehouse对象，那么您就不能使用T-SQLWarehouse对象来插入数据到Lakehouse对象中，反之亦然。
微软官方的技术文档也给出了详细的技术指标，帮助团队选择时做参考：
| Warehouse | Lakehouse | Power BI Data Mart | |
|---|---|---|---|
| 数据量 | 无限 | 无限 | 100GB |
| 数据类型 | 结构化 | 无结构、半结构、结构化 | 结构化 |
| 主要开发人员角色 | 数据仓库开发者、SQL工程师 | 数据工程师、数据科学家 | 非开发者 |
| 主要开发人员技能集 | SQL | Spark (Scala, PySpark, Spark SQL, R) | 无代码, SQL |
| 数据由...组织 | 数据库、模式和表 | 文件夹和文件、数据库和表 | 数据库、表、查询 |
| 读操作 | Spark、T-SQL | Spark、T-SQL | Spark、T-SQL、Power BI |
| 写操作 | T-SQL | Spark (Scala, PySpark, Spark SQL, R) | Dataflow、T-SQL |
| 多表事务 | 是 | 否 | 否 |
| 主要开发接口 | SQL脚本 | Spark笔记本、Spark作业定义 | Power BI |
| 安全性 | 对象级别（表、视图、函数、存储过程等）、列级别、行级别、DDL/DML | 行级别、表级别（使用T-SQL时）、Spark无 | 内置RLS编辑器 |
| 可通过快捷方式访问数据 | 是（间接通过湖仓库） | 是 | 否 |
| 可作为快捷方式的来源 | 是（表） | 是（文件和表） | 否 |
| 可跨项查询 | 是，跨湖仓库和仓库表查询 | 是，跨湖仓库和仓库表查询；跨湖仓库查询（包括使用Spark的快捷方式） | 否 |
2.2. Lakehouse 的 SQL 终结点和Data warehouse 有何不同？
两者在 Microsoft Fabric 工作区中的名称不同：
SQL 终结点在 “类型 ”列下标记为“SQL 终结点”，
Synapse Data Warehouse或 Warehouse 在“类型”列下标记为“仓库”。
每个 Lakehouse 都有一个自动生成的 SQL 终结点，可通过熟悉的 SQL 工具（如 SQL Server Management Studio、Azure Data Studio、Microsoft Fabric SQL 查询编辑器）利用。而Data warehouse支持事务、DDL 和 DML 查询。
下图介绍 Microsoft Fabric 中仓库和 SQL 终结点之间的差异。
SQL 终结点是从 Microsoft Fabric 中的 Lakehouse 创建时自动生成的只读仓库。 在 Lakehouse 中通过 Spark 创建的 Delta 表可自动在 SQL 终结点中发现为表。 SQL 终结点使数据工程师能够基于 Lakehouse 中的物理数据构建关系层，并使用 SQL 连接字符串将其公开给分析和报告工具。 然后，数据分析师可以使用 T-SQL 通过仓库体验访问 Lakehouse 数据。 使用 SQL 终结点设计仓库以满足 BI 需求和提供数据。
Synapse Data Warehouse 或 Warehouse 是“传统”数据仓库，支持企业数据仓库等完整事务性 T-SQL 功能。 与自动创建表和数据的 SQL 终结点不同，可以使用 Microsoft Fabric 门户或 T-SQL 命令完全控制在数据仓库中创建 表、加载、转换和查询数据。
参考如下文章查看如何在SQL 终结点和 数据仓库中查询SQL 查询 SQL 终结点或仓库 - Microsoft Fabric | Microsoft Learn
今天就到这里，后面慢慢研究，慢慢更新，Stay tuned.
