Kommentar
Åtkomst till den här sidan kräver auktorisering. Du kan prova att logga in eller ändra kataloger.
Åtkomst till den här sidan kräver auktorisering. Du kan prova att ändra kataloger.
GÄLLER FÖR:
Azure Data Factory Azure Synapse Analytics
Tips
Data Factory i Microsoft Fabric är nästa generations Azure Data Factory, med en enklare arkitektur, inbyggd AI och nya funktioner. Om dataintegrering är nytt för dig börjar du med Fabric Data Factory. Befintliga ADF-arbetsbelastningar kan uppgraderas till Fabric för att få åtkomst till nya funktioner inom datavetenskap, realtidsanalys och rapportering.
Dataflöden är tillgängliga i både Azure Data Factory pipelines och Azure Synapse Analytics pipelines. Den här artikeln gäller för mappning av dataflöden. Om du inte har använt transformeringar tidigare läser du introduktionsartikeln Transformera data med hjälp av mappning av dataflöden.
Tips
För motsvarande transformering (anpassade funktioner) i Dataflöde Gen2, se En guide till Dataflöde Gen2 för mappning av dataflödesanvändare.
Använd flowlet-transformationen för att köra ett tidigare skapat flowlet för mappningsdataflöde. En översikt över flödesflöden finns i Flowlets i mappning av dataflöde | Microsoft Docs
Kommentar
Flödestransformeringen i Azure Data Factory- och Synapse Analytics-pipelines är för närvarande i offentlig förhandsversion
Konfiguration
Flödestransformeringen innehåller följande konfigurationsinställningar
Flowlet
Välj det flowlet som ska köras. När flödesflödet har valts kan du mappa eventuella indatakolumner på mappningsfliken.
Kartläggning
Om det valda flödet har indatakolumner kan du mappa kolumner från indataströmmen till de förväntade indatakolumnerna i flödesflödet. Den här mappningen av dina mappningsdataflödeskolumner till flödesflödet gör det möjligt för flödena att fungera som återanvändbara kodfragment för att mappa dataflödeslogik över potentiellt många mappningsdataflöden.
Dataflödesskript
Syntax
<incomingStream>
<transformation> ~> <transformationName>
<outputStream>
Exempel
source1 derive(Test = "test") ~> DerivedColumn1
DerivedColumn1 output() ~> output1