Microsoft Fabric
- Amanda Nascimento
- 17 de mai.
- 2 min de leitura
Atualizado: 27 de mai.
O Microsoft Fabric é uma plataforma unificada de dados e analytics na nuvem, que combina várias tecnologias da Microsoft — como Power BI, Synapse, Data Factory, Azure Data Lake — em um único ambiente SaaS (Software como Serviço) e foi anunciado oficialmente em maio de 2023 durante o evento Microsoft Build. O objetivo principal é reunir engenheiros de dados, cientistas de dados, analistas de BI, engenheiros de machine learning e gestores de TI na mesma plataforma integrada, sem precisar gerenciar infraestrutura separada.
Antes: Power BI usava muito o DirectQuery para conectar-se a bancos externos.
Agora: Com o Microsoft Fabric, é possível usar Direct Lake para acessar dados armazenados no OneLake, diretamente e com alta performance.
Direct Query: Esse modo permite que o Power BI consulte os dados diretamente na fonte, sem armazená-los localmente. Isso garante que os relatórios sempre exibam os dados mais recentes, mas pode impactar o desempenho, pois cada consulta precisa ser processada pelo banco de dados.
Direct Lake: Esse modo é uma inovação do Microsoft Fabric que permite que o Power BI acesse arquivos Parquet diretamente do OneLake, sem precisar importar ou duplicar os dados. Ele combina a velocidade do modo de importação com a atualização em tempo real do Direct Query, garantindo alto desempenho e dados sempre atualizados.
Quando usamos o Direct Lake no fabric, o Power BI lê diretamente os dados da tabela Delta no OneLake, sem usar uma engine intermediária (como SQL Server ou Spark). Ou seja, ele usa o VertiPaq diretamente para carregar os dados, mantendo alta performance mesmo com grandes volumes.
O engine do Power BI é o motor interno de processamento de dados usado para realizar cálculos, consultas e compressão dos dados carregados. Ele é chamado de VertiPaq Engine (ou xVelocity). O VertiPaq é um motor de armazenamento colunar e compressão em memória que permite ao Power BI executar análises rápidas e eficientes, mesmo em grandes volumes de dados.
