Nota
O acesso a esta página requer autorização. Pode tentar iniciar sessão ou alterar os diretórios.
O acesso a esta página requer autorização. Pode tentar alterar os diretórios.
Observação
Esta funcionalidade está atualmente em pré-visualização pública. Este modo pré-visualização é fornecido sem um contrato de nível de serviço e não é recomendado para ambientes de produção. Algumas funcionalidades poderão não ser suportadas ou poderão ter capacidades limitadas. Para mais informações, consulte Termos de Utilização Suplementares para Microsoft Azure Pré-visualizações.
O grafo no Microsoft Fabric transforma dados estruturados armazenados no OneLake num grafo modelado e consultável. Consulte o gráfico utilizando ferramentas visuais ou baseadas em GQL que funcionam através de um motor comum para produzir resultados visuais, tabulares ou programáticos.
Este artigo descreve a arquitetura dos grafos e explica o fluxo de dados de ponta a ponta desde a fonte até aos insights.
O diagrama seguinte ilustra o fluxo de dados de ponta a ponta da fonte para os insights:
Fontes de dados
Os dados originam-se de sistemas externos, como serviços Azure, outras plataformas cloud ou fontes on-premises. O Graph no Microsoft Fabric trabalha com dados destas fontes depois de os ingerir no OneLake, onde o Graph pode lê-los.
Armazenamento em OneLake
Armazena os dados ingeridos no OneLake como tabelas de fonte tabulares numa casa do lago. O Graph absorve dados das suas tabelas lakehouse quando guarda o modelo, por isso não precisa de configurar um pipeline ETL separado ou mover dados para uma base de dados externa.
Modelação de grafos
No passo de modelação de grafos, define-se o esquema do grafo especificando:
- Tipos de nós: Entidades em seus dados, como clientes, produtos ou encomendas.
- Tipos de ligações: Relações entre entidades, como "compra", "contém" ou "produz".
- Mapeamentos de tabelas: Como as definições de nós e arestas correspondem às tabelas de origem subjacentes.
Este passo cria a estrutura do grafo de propriedades etiquetadas. Conclua a modelagem de grafos antes de consultar o grafo. Para orientações sobre como tomar estas decisões de modelação, veja Desenhar um esquema de grafo.
Observação
O Graph atualmente não suporta evolução de esquemas. Se precisar de fazer alterações estruturais — como adicionar novas propriedades, modificar rótulos ou alterar tipos de relação — reintroduza os dados de origem atualizados num novo modelo.
Grafo consultável
Quando guarda o modelo, o grafo ingere dados das tabelas do lago subjacente e constrói um grafo otimizado para leitura e consultável. Esta estrutura de grafos está otimizada para percorrimento e correspondência de padrões, o que permite consultas rápidas e eficientes de grafos em grande escala.
Autoria de consultas
Cria consultas contra o grafo consultável usando uma de duas experiências:
- Construtor de Consultas: Uma interface visual e interativa para explorar nós e relações sem escrever código. Para mais informações, consulte Consultar o gráfico com o construtor de consultas.
- Editor de Código: Um editor baseado em texto para escrever consultas GQL (Graph Query Language ). Para mais informações, consulte Consultar o gráfico com GQL.
Ambas as opções visam o mesmo gráfico subjacente. Escolha a experiência de autoria que se adapte ao seu fluxo de trabalho.
Execução da consulta
Executa consultas através de uma camada de execução comum que suporta:
- GQL: Consulta ao grafo utilizando a norma internacional para linguagem de consulta de grafos (ISO/IEC 39075).
- Linguagem Natural para GQL (NL2GQL) (pré-visualização): Traduz perguntas de linguagem natural em consultas GQL. Adicionar o gráfico em Microsoft Fabric como fonte de dados em Fabric Data Agent para permitir o raciocínio de IA alimentado por grafos. Para detalhes sobre como funciona o NL2GQL, consulte o anúncio de raciocínio de IA alimentado pelo Graph.
- Execução baseada em REST: Executa consultas programaticamente usando a API de consultas GQL.
Sugestão
Escolha o caminho da sua consulta: Use GQL ou REST para acesso direto e programático a dados de grafos com controlo total sobre a estrutura da consulta. Use o NL2GQL (pré-visualização) através do Fabric Data Agent quando precisar de acesso a linguagem natural — ideal para situações de IA conversacional e assistente de conhecimento.
Esta camada executa a lógica de consulta contra o grafo consultável e devolve os resultados.
Resultados da consulta
Dependendo da forma como consulta o gráfico, recebe resultados em um ou mais dos seguintes formatos:
- Diagramas gráficos visuais: Visualizações interativas de nós e relações.
- Conjuntos de resultados tabulares: Dados estruturados em linhas e colunas.
- Respostas programáticas: Saída JSON para utilização em REST ou downstream.
Explore os resultados de forma interativa, partilhe-os como conjuntos de consultas apenas de leitura ou utilize-os noutras ferramentas e aplicações.