Microsoft Fabric
Lakehouse o Warehouse en Microsoft Fabric: ¿cuál deberías usar?
Una guía práctica para decidir entre Lakehouse o Warehouse en Fabric: rutas de escritura, acceso con Spark y T-SQL, el punto de conexión de análisis SQL, transacciones, gobernanza y cuándo combinar ambos.
En este artículo
La pregunta de Lakehouse o Warehouse aparece en casi todos los proyectos de Microsoft Fabric, y genera confusión por una buena razón: ambos elementos almacenan sus tablas como Delta Lake en OneLake, y ambos se pueden consultar con T-SQL a través del mismo motor SQL. Si el formato de almacenamiento y el motor de consultas son compartidos, ¿qué es lo que realmente cambia?
La respuesta corta es quién escribe los datos y con qué motor. Un Lakehouse se escribe con Spark. Un Warehouse se escribe con T-SQL. Casi todas las demás diferencias (transacciones, mantenimiento, superficies de seguridad, forma de trabajar del equipo) se derivan de ese único hecho. Esta guía explica las diferencias que importan en producción y te da una matriz de decisión que puedes aplicar a cada conjunto de datos por separado.
Qué es un Lakehouse de Fabric
Un Lakehouse es un elemento de Fabric para ingeniería de datos con Apache Spark. Tiene dos áreas:
- Files, para cualquier archivo: CSV, JSON, Parquet, imágenes, extracciones sin procesar, carpetas de aterrizaje.
- Tables, para las tablas Delta administradas que Spark crea en la carpeta
Tables.
En un Lakehouse se escribe con Spark: notebooks, definiciones de trabajos de Spark, o pipelines y Dataflows que cargan datos en él. Spark te da Python, Scala, R y Spark SQL, todo el ecosistema de Python y un control detallado sobre cómo se organizan los archivos. Cada tabla Delta tiene sus propias garantías ACID, aplicación del esquema y time travel. Los accesos directos de OneLake permiten que un Lakehouse haga referencia a datos de otros Lakehouses, de Warehouses o de almacenamiento externo sin copiarlos.
El precio de esa flexibilidad es la responsabilidad. En un Lakehouse, tú te encargas de la salud de las tablas: tamaño de los archivos, OPTIMIZE, VACUUM, particionamiento o clustering, y los problemas de archivos pequeños que generan las escrituras frecuentes.
Qué es un Warehouse de Fabric
Un Warehouse es un elemento de Fabric para data warehousing relacional que se desarrolla principalmente con T-SQL. Creas esquemas, tablas, vistas, funciones y procedimientos almacenados, y cargas y transformas datos con INSERT, UPDATE, DELETE, MERGE, CREATE TABLE AS SELECT, COPY INTO, pipelines o Dataflows.
Sus datos también se almacenan como tablas Delta en OneLake. El Warehouse publica los logs de Delta Lake de sus tablas, de modo que otros motores, incluido Spark, pueden leerlas. Las escrituras deben pasar por el motor del Warehouse: T-SQL, las rutas de ingesta mencionadas arriba o el conector de Spark para Fabric Data Warehouse, que escribe a través del Warehouse y no directamente en sus archivos.
Lo que aporta el Warehouse es una experiencia relacional administrada:
- Transacciones ACID entre varias tablas.
BEGIN TRAN…COMMITpuede abarcar varias tablas, y el DDL admitido también puede ejecutarse dentro de una transacción. - Salud de las tablas administrada. La compactación, los checkpoints y la recolección de elementos no utilizados los gestiona el servicio. No hay ninguna programación de
OPTIMIZEde la que encargarse. - Una superficie T-SQL conocida para desarrolladores SQL y analistas, con estadísticas automáticas, columnas de identidad, tablas temporales y
MERGE.
Algunos hábitos de SQL Server no se trasladan. Las claves primarias, las claves únicas y las claves externas solo se pueden declarar como NOT ENFORCED: informan al optimizador y a las herramientas de modelado, pero el motor no rechaza duplicados. ALTER TABLE solo admite un subconjunto de operaciones. Si tu patrón de carga da por hecho que la base de datos garantizará la unicidad, tendrás que garantizarla en la propia carga.
El punto de conexión de análisis SQL no es un Warehouse
Cada Lakehouse obtiene automáticamente un punto de conexión de análisis SQL (SQL analytics endpoint). Se ejecuta en el mismo motor que el Warehouse y, desde un editor de consultas, se ve parecido, que es donde empieza la mayor parte de la confusión.
El punto de conexión es una superficie T-SQL de solo lectura sobre las tablas Delta del Lakehouse:
- Puedes hacer
SELECTsobre cualquier tabla Delta que esté enTables, incluidas las tablas expuestas mediante accesos directos. - Puedes crear vistas, funciones insertadas con valores de tabla y procedimientos almacenados que se conservan en el punto de conexión.
- Puedes aplicar seguridad SQL: permisos a nivel de objeto, de columna y de fila.
- No puedes hacer
INSERT,UPDATEniDELETE. Para modificar datos, hay que volver a Spark.
En la práctica importan tres detalles:
- Sincronización de metadatos. Cuando Spark crea o modifica una tabla, el punto de conexión detecta el cambio y actualiza automáticamente sus metadatos SQL. El retraso suele ser pequeño, pero un pipeline que escribe con Spark e inmediatamente lee a través del punto de conexión debe tenerlo en cuenta.
- Solo se expone el área
Tables. Los archivos Delta que están enFiles, y las tablas Delta externas creadas con Spark fuera deTables, no son visibles para el punto de conexión. Usa accesos directos enTablesen su lugar. - La seguridad SQL solo se aplica al acceso SQL. Los permisos definidos en el punto de conexión protegen las lecturas que pasan por el punto de conexión. No se aplican cuando los mismos datos se leen a través de Spark o de OneLake. Los roles del workspace y la seguridad de OneLake siguen decidiendo quién puede leer los archivos.
Así que un Lakehouse con su punto de conexión te da «Spark escribe, SQL lee». Un Warehouse te da «SQL lee y escribe, con transacciones». Resuelven problemas distintos.
Las rutas de escritura deciden la mayor parte del diseño
Cuando empiezo un diseño, me pregunto cómo se va a escribir cada conjunto de datos, no cómo se va a consultar. En Fabric las lecturas son flexibles; las escrituras, no.
| Patrón de escritura | Ubicación natural | Por qué |
|---|---|---|
| Archivos sin procesar que llegan de los orígenes, JSON semiestructurado, zonas de aterrizaje | Lakehouse | Necesita el área Files y el análisis con Spark |
| Transformaciones grandes en Python o PySpark, features de ML | Lakehouse | Spark es el motor que necesitas |
| Upserts con lógica compleja en Python, datos de cambios de muchos orígenes | Lakehouse | MERGE de Delta en Spark, control total de la organización de los datos |
| Cargas dimensionales escritas por desarrolladores SQL en procedimientos almacenados | Warehouse | Procedimientos T-SQL, transacciones, mantenimiento administrado |
| Varias tablas que deben cambiar juntas o no cambiar en absoluto | Warehouse | Transacciones entre varias tablas |
| Tablas de consumo mantenidas por analistas, data marts curados | Warehouse | T-SQL es el lenguaje del equipo |
Dos conjuntos de datos de la misma plataforma pueden caer en filas distintas de esta tabla. Es normal, y es la razón por la que las arquitecturas mixtas son habituales.
Lecturas: Spark, T-SQL y Power BI
Como ambos elementos son Delta en OneLake, las lecturas cruzan fácilmente entre motores:
- Spark lee las tablas del Lakehouse de forma nativa y puede leer las tablas del Warehouse a través de sus logs Delta publicados o del conector de Spark.
- T-SQL lee las tablas del Lakehouse a través del punto de conexión de análisis SQL y las tablas del Warehouse directamente. Las consultas entre bases de datos pueden combinar un Warehouse con el punto de conexión de un Lakehouse del mismo workspace sin copiar datos.
- Los modelos semánticos de Power BI pueden usar Direct Lake sobre cualquiera de los dos elementos, o conectarse a través del punto de conexión SQL.
La consecuencia práctica: no copies una tabla a un Warehouse solo para que los analistas puedan consultarla con T-SQL. El punto de conexión ya se lo permite, en modo de solo lectura. Cópiala cuando el Warehouse vaya a ser responsable de la siguiente transformación.
Cargas de trabajo: ingeniería de datos frente a BI y reporting
Las cargas de trabajo de ingeniería de datos suelen pertenecer a un Lakehouse. Implican muchos formatos de entrada, deriva de esquema, transformaciones pesadas, deduplicación y reprocesamientos repetidos. Los ingenieros quieren notebooks, Python bajo control de versiones, funciones que se puedan probar con pruebas unitarias y control sobre archivos y particiones. La arquitectura Medallion suele situar aquí Bronze y Silver.
Las cargas de trabajo de BI y reporting a menudo pertenecen a un Warehouse. Son relacionales, se modelan como hechos y dimensiones, las mantienen personas que dominan T-SQL y las consumen informes que necesitan tablas estables y gobernadas. Los procedimientos almacenados, las vistas y los permisos SQL encajan con ese trabajo. Una capa Gold modelada como esquema en estrella es un uso habitual del Warehouse.
Esa división es una tendencia, no una regla. Un equipo pequeño de ingenieros de Spark puede servir informes perfectamente desde un Lakehouse a través de su punto de conexión de análisis SQL. Un equipo SQL puede ejecutar todas sus transformaciones en un Warehouse si los orígenes ya son tabulares.
Esquema, gobernanza y seguridad
Ambos elementos aplican un esquema a sus tablas, pero lo hacen evolucionar de forma distinta:
- En un Lakehouse, los cambios de esquema se hacen en Spark. La evolución de esquema de Delta puede añadir columnas durante una escritura, lo que es cómodo y también una forma de dejar que la deriva de los orígenes llegue en silencio a los consumidores posteriores. Decide de forma explícita qué escrituras pueden hacer evolucionar un esquema.
- En un Warehouse, los cambios de esquema son DDL de T-SQL. Son explícitos, se pueden revisar y se pueden desarrollar como un proyecto de base de datos en Git, lo que encaja con entornos con control de cambios.
En cuanto a la seguridad, piensa en todas las rutas de acceso a los datos. A un Warehouse se accede principalmente con T-SQL, así que los permisos SQL cubren la mayoría de las lecturas. A un Lakehouse se llega a través de Spark, OneLake y el punto de conexión; los permisos SQL en el punto de conexión, por sí solos, no lo protegen. Si las reglas a nivel de fila o de columna son obligatorias, sirve esos datos a través de un Warehouse o de una ruta exclusivamente SQL, o usa la seguridad de OneLake para que las reglas se apliquen más allá de SQL.
Consideraciones de rendimiento
Ninguno de los dos elementos es «más rápido». Cada uno deja en tus manos un trabajo de rendimiento distinto.
El rendimiento del Lakehouse depende de la organización de las tablas. Muchos archivos pequeños ralentizan a todos los lectores, incluidos el punto de conexión de análisis SQL y Direct Lake. Planifica la compactación con OPTIMIZE, limpia los archivos antiguos con VACUUM, elige el clustering o el particionamiento de forma deliberada y escribe en lotes razonables. La velocidad de los notebooks es un tema aparte, tratado en Cómo acelerar los notebooks de Microsoft Fabric, y las tablas con muchos upserts necesitan los patrones de Rendimiento de MERGE en Delta Lake: patrones para tablas grandes.
El rendimiento del Warehouse depende más del diseño SQL: estadísticas, tipos de datos adecuados, evitar columnas de cadena muy anchas, agrupar el DML en lotes en lugar de hacer inserciones fila a fila con cuentagotas y mantener las transacciones cortas. El servicio administra la compactación, pero no puede arreglar un diseño que actualiza una fila cada vez, miles de veces por hora.
Las lecturas a través del punto de conexión heredan la organización del Lakehouse. Una consulta lenta a través del punto de conexión de análisis SQL suele ser un problema de organización de archivos en el lado de Spark, no un problema de SQL.
Cuándo combinar ambos
Muchas plataformas en producción usan los dos elementos, cada uno con una función clara:
- Lakehouse para el aterrizaje y la ingeniería. Los archivos sin procesar aterrizan en
Files. Los notebooks de Spark los analizan, validan, deduplican y conforman en tablas Delta. - Warehouse para el consumo. Un Warehouse lee las tablas conformadas del Lakehouse mediante consultas entre bases de datos y construye modelos dimensionales con T-SQL, a cargo del equipo de BI o de analítica.
- Power BI sobre la capa de consumo, con Direct Lake o conexiones SQL.
La frontera entre ambos es un contrato: el equipo del Lakehouse garantiza tablas conformadas con un esquema documentado; el equipo del Warehouse es responsable del modelo construido encima. Los accesos directos y las consultas entre bases de datos permiten que el Warehouse lea las tablas del Lakehouse sin un paso de copia, así que la frontera no tiene por qué costar un movimiento completo de datos. La organización general de workspaces y elementos se trata en Diseñar una arquitectura escalable de Microsoft Fabric.
Un patrón relacionado se aplica a las bases de datos operativas: replicar Azure SQL en Fabric con mirroring te da una copia de solo lectura, replicada de forma continua, con su propio punto de conexión de análisis SQL, que un Lakehouse o un Warehouse pueden usar después como origen.
Antipatrones
- Tratar el punto de conexión de análisis SQL como un Warehouse. Hay equipos que crean procedimientos almacenados en el punto de conexión esperando escribir datos y luego descubren que es de solo lectura.
- Copiar todas las tablas del Lakehouse a un Warehouse «para que los usuarios de SQL puedan verlas». El punto de conexión y las consultas entre bases de datos ya dan acceso de lectura.
- Mantener la misma tabla en ambos elementos con dos pipelines escribiéndola. Duplica el costo y garantiza que las copias acaben divergiendo.
- Confiar en las claves primarias declaradas para garantizar la unicidad en un Warehouse. Son
NOT ENFORCED; se aceptan duplicados. - Ignorar el mantenimiento del Lakehouse y luego culpar al motor SQL de la lentitud de las consultas del punto de conexión sobre miles de archivos pequeños.
- Elegir por plataforma en lugar de por conjunto de datos. «Somos una empresa de Lakehouse» obliga a los desarrolladores SQL a usar notebooks, y lo contrario obliga a los ingenieros de Spark a escribir procedimientos almacenados.
- Suponer que los permisos del punto de conexión protegen los archivos. No cubren el acceso a través de Spark ni de OneLake.
Matriz de decisión
Responde a estas preguntas para un conjunto de datos o una capa cada vez.
| Pregunta | Si la respuesta es sí, inclínate por | Notas |
|---|---|---|
| ¿Se necesita Spark para escribir o transformar los datos? | Lakehouse | Bibliotecas de Python, ML, análisis complejo |
| ¿Es T-SQL la interfaz principal para escribirlos? | Warehouse | Procedimientos almacenados, desarrolladores SQL |
| ¿Deben cambiar varias tablas en una sola transacción? | Warehouse | Transacciones ACID entre varias tablas |
| ¿Son los analistas los principales consumidores y consultan con SQL? | Cualquiera de los dos | Punto de conexión del Lakehouse para lecturas; Warehouse si también son responsables de las escrituras |
| ¿Trabaja el equipo con archivos sin procesar o datos semiestructurados? | Lakehouse | Área Files y lectores de Spark |
| ¿Es el modelado dimensional central en la capa? | Warehouse | Hechos, dimensiones, tablas de consumo gobernadas |
| ¿Quieres que el servicio administre la compactación? | Warehouse | El mantenimiento del Lakehouse es tu trabajo |
| ¿Necesitas un control fino de la organización de archivos, el particionamiento o el clustering? | Lakehouse | Spark te da ese control |
| ¿Tienen las distintas capas responsables y lenguajes diferentes? | Ambos | Lakehouse para la ingeniería, Warehouse para el consumo |
Si tus respuestas se reparten entre las columnas, probablemente estés ante una arquitectura mixta, y no pasa nada. La Lakehouse vs Warehouse decision guide imprimible resume estas preguntas en una checklist de una página.
Checklist de producción
Antes de comprometerte con una opción para un conjunto de datos:
- Prueba con un volumen representativo y patrones de consulta reales; las muestras pequeñas engañan en ambos sentidos.
- Anota el responsable de cada tabla y el lenguaje que usará para modificarla.
- Decide quién se encarga del mantenimiento de las tablas del Lakehouse y con qué frecuencia se ejecuta.
- Asocia cada ruta de lectura (Spark, T-SQL, OneLake, Power BI) con el control de seguridad que la protege.
- Comprueba cómo se revisarán y desplegarán los cambios de esquema, y que el elemento admite tu enfoque de despliegue.
Recomendación
Elige por ruta de escritura y responsabilidad, no por preferencia de consulta. Usa un Lakehouse donde los ingenieros de Spark escriben y transforman los datos, especialmente las entradas sin procesar y semiestructuradas. Usa un Warehouse donde los desarrolladores SQL son responsables de modelos relacionales, necesitan transacciones entre varias tablas y prefieren un mantenimiento administrado. Usa el punto de conexión de análisis SQL del Lakehouse para el acceso T-SQL de solo lectura a tablas escritas por Spark, pero nunca como sustituto de un Warehouse.
En caso de duda, empieza por la opción más sencilla que tu equipo pueda operar bien, mantén un contrato claro entre capas y añade el otro elemento cuando aparezca un requisito real (transacciones, procesamiento con Spark, un responsable distinto).
¿Te resultó útil este contenido?
¿Qué podríamos mejorar?
Gracias — esto me ayuda a mejorar Javi Builds.
Sigue aprendiendo
- Guía rápidaLakehouse o WarehouseElige entre Lakehouse y Warehouse en Microsoft Fabric comparando el modelo de desarrollo, los tipos de datos, las capacidades SQL, las transacciones, los patrones de ingesta y los requisitos analíticos posteriores.Abrir guía rápida
- ArtículoContenido en inglésCreate Your First Fabric Warehouse with T-SQLA hands-on Microsoft Fabric Warehouse tutorial: create a Warehouse, build a schema and tables with T-SQL, insert, join, aggregate, update and delete rows, create a view, use transactions, query a Lakehouse and grant access.Leer artículo
¿Qué debería crear después?
Estoy construyendo Javi Builds alrededor de problemas reales que enfrentan los ingenieros de datos. Dime qué tema te gustaría ver después.
Mantente al día
Recibe solo las novedades de Javi Builds que realmente te interesan.
Revisa tu bandeja de entrada
Te he enviado un enlace de confirmación. Tu suscripción se activará cuando la confirmes.