Microsoft Fabric
De SQL Server a Microsoft Fabric: ¿qué corresponde a qué?
Un modelo mental para profesionales de SQL Server y DBA que pasan a Microsoft Fabric: el equivalente más cercano en Fabric de una instancia, una base de datos, una tabla, SQL Agent, SSIS, Query Store, tempdb y las copias de seguridad, adónde va cada tarea del DBA y dónde se rompe la correspondencia.
En este artículo
Si llevas años con SQL Server, tus primeras horas en Microsoft Fabric se van en traducir. ¿Dónde está el servidor? ¿Qué elemento es la base de datos? ¿Dónde programo un trabajo? ¿Dónde está Query Store? ¿Qué ha pasado con tempdb?
Son las preguntas correctas. Este artículo las responde con un modelo mental, un mapa de conceptos y tablas de referencia, y después explica los puntos donde la correspondencia se rompe, porque ahí nacen la mayoría de los errores de diseño de los primeros meses.
Cada correspondencia lleva una etiqueta que indica hasta qué punto se sostiene:
| Etiqueta | Significado |
|---|---|
| Correspondencia cercana | El concepto se comporta como espera un profesional de SQL Server, con pequeñas diferencias. |
| Correspondencia parcial | Mismo propósito, alcance o comportamiento distintos. Útil como punto de partida, peligrosa como suposición. |
| Modelo diferente | La función sigue existiendo, pero Fabric la resuelve de una forma fundamentalmente distinta. |
| Sin equivalente claro | No hay nada en Fabric con lo que debas asociar este concepto. Aprende el nuevo modelo. |
Esta guía da por hecho que conoces bien SQL Server: instancias, bases de datos, esquemas, SQL Agent, SSIS, Query Store, configuración de memoria y CPU, copias de seguridad y alta disponibilidad. No da por hecho que conozcas Fabric. Si prefieres ver antes la visión general de la plataforma, lee ¿Qué es Microsoft Fabric? (en inglés) y vuelve después. Los hechos documentados por Microsoft están enlazados en Fuentes; los consejos de diseño son orientación de Javi Builds.
La respuesta corta
Cinco anclas sostienen la mayor parte del modelo:
- Un workspace no es una base de datos. Es un contenedor de colaboración, proyecto o entorno que reúne muchos elementos y se conecta a Git.
- Warehouse, Lakehouse y base de datos SQL son los elementos de nivel base de datos. Ahí viven los esquemas y las tablas.
- Una capacidad solo se parece en parte a una instancia. Es el conjunto de cómputo que pagas y que puedes agotar, compartido por todas las cargas asignadas a ella, no un motor SQL que configuras.
- Las Capacity Units (CU) solo equivalen aproximadamente a CPU y memoria. Son un presupuesto de cómputo medido en el tiempo, con suavizado y limitación, no núcleos que asignas.
- OneLake no es almacenamiento MDF/NDF. Las tablas son archivos Delta y Parquet en un único lago a nivel de tenant que leen todos los motores, no archivos que dimensionas y colocas.
Para un DBA, eso reparte el trabajo en tres grupos:
| Sigue siendo familiar | Cambia | Desaparece o pasa a gestionarlo Microsoft |
|---|---|---|
| T-SQL, esquemas, tablas, vistas, procedimientos | Quién es dueño del cómputo: una capacidad compartida, no tu instancia | Gestión de MDF/NDF y de grupos de archivos |
| Optimización de consultas: estimaciones, planes, leer menos datos | Almacenamiento: tablas Delta en OneLake, con una organización de archivos que mantener | Administración de tempdb |
| Planes de ejecución (ahora distribuidos en el Warehouse) | Límites de los workspaces para seguridad, Git y entornos | Parches, el sistema operativo y el servicio de SQL Server |
| Monitoreo de cargas y referencias | Orquestación: pipelines en lugar de SQL Agent | Administración de Always On y de clústeres de conmutación por error |
Conceptos de permisos: mínimo privilegio, grupos, GRANT |
Spark y notebooks junto a T-SQL; modelos semánticos para BI | La mayor parte de la programación de copias de seguridad, sustituida por recuperación propia de cada elemento |
| Análisis de incidentes y runbooks | Gestionar una plataforma SaaS: capacidad, limitación, coste | Trabajos de reconstrucción de índices en el Warehouse |
Cuánto de cada columna aplica depende del elemento: la base de datos SQL en Fabric conserva más de la columna familiar (índices, tempdb gestionado por el servicio, el motor de Azure SQL Database), mientras que el Warehouse y el Lakehouse cambian más.
Dos modelos mentales lado a lado
SQL Server tiene una jerarquía corta, y casi todo cuelga de la instancia. Fabric tiene más niveles, y cada uno cumple una función distinta:
- SQL ServerPrimero el servidor
- Instancia / servidorEl motor y sus recursos
- CPU y memoria
- tempdb
- SQL Agent
- SSIS
- Base de datosArchivos que dimensionas y respaldas
- Archivos de datos y de registro
- Query Store
- Copias de seguridad
- Esquema
- Tabla
- Microsoft FabricPrimero la plataforma
- TenantTu organización; un único OneLake
- Parcial · solo recursosCapacidadCapacity Units compartidas, no un motor SQL
- No es una base de datosWorkspaceContenedor de proyecto, equipo o entorno
- Warehouse
- Lakehouse
- Base de datos SQL
- Pipeline
- Notebook
- Modelo semántico
- Informe
- Más cercano a una baseWarehouse · Lakehouse · base de datos SQLLos elementos de datos, con su propia estructura
- Esquema
- Tabla
- Tablas Delta
- Files
- OneLakeEl almacenamiento bajo cada elemento de datos
Lee la columna de Fabric así:
- La capacidad es cómputo compartido. Es lo más parecido a una instancia solo en términos de recursos: el conjunto de Capacity Units del que tira cada carga de sus workspaces.
- Un workspace es organizativo. Agrupa elementos, lleva permisos y es la unidad que se conecta a Git y que pasa por el despliegue.
- Warehouse, Lakehouse y base de datos SQL son los elementos de datos. Son lo más parecido a «una base de datos».
- OneLake es la base del almacenamiento. Cada elemento de datos guarda allí sus tablas, sobre todo como tablas Delta sobre archivos Parquet.
Dentro de un workspace, los elementos son hermanos, y cada elemento de datos tiene su propia estructura por debajo:
- TenantTu organización de Microsoft Entra; identidad, configuración, gobernanza
- contieneCapacidadCómputo compartido en Capacity Units; los workspaces se asignan a ella
- alojaWorkspaceContenedor de equipo, proyecto o entorno, con roles y Git
- Elemento de datosWarehouse
- Esquema
- Tabla
- Elemento de datosLakehouse
- Tablas Delta
- Files
- Elemento de datosBase de datos SQL
- Esquema
- Tabla
- Pipeline
- Notebook
- Modelo semántico
- Informe
- datos guardados enOneLakeAlmacenamiento Delta y Parquet compartido por todos los motores; la base de datos SQL se replica en él
Un workspace se parece más a un contenedor de proyecto, equipo o entorno. Un mismo workspace puede contener varios Warehouses, varios Lakehouses, notebooks, pipelines, modelos semánticos e informes. Sus roles (Admin, Member, Contributor, Viewer) controlan quién puede trabajar con los elementos, no qué filas o tablas lee alguien. Los workspaces son también la unidad que conectas a Git y que separas en desarrollo, prueba y producción.
Los conceptos de nivel base de datos en Fabric son los elementos de datos:
| Carga de trabajo | Lo más cercano a «una base de datos» | Por qué |
|---|---|---|
| Analítica centrada en SQL, esquemas en estrella, ELT con T-SQL | Warehouse | Lectura y escritura completas en T-SQL, esquemas, tablas, vistas, procedimientos, transacciones entre varias tablas |
| Spark, archivos abiertos, tablas Delta, ingeniería de datos | Lakehouse | Archivos y tablas Delta, escritos por Spark y leídos mediante un punto de conexión de análisis SQL |
| Cargas relacionales transaccionales (OLTP) | Base de datos SQL en Fabric | Construida sobre el motor de Azure SQL Database; datos replicados en OneLake para la analítica |
Calidad de la correspondencia para «base de datos»: Modelo diferente. Elige el elemento según la carga de trabajo, no por la costumbre de «una base de datos por aplicación». Lakehouse o Warehouse en Microsoft Fabric trata esa decisión a fondo, y Crea tu primer workspace de Microsoft Fabric muestra cómo se configuran los workspaces en la práctica.
El cambio mental más importante: dejar de pensar «primero el servidor»
En SQL Server, la instancia es el centro del diseño: rendimiento, seguridad, almacenamiento, trabajos y recuperación se configuran en ella o en una base de datos que contiene. En Fabric, la plataforma, la capacidad, el workspace y el elemento son la arquitectura. Cuando diseñes, recorre esa pila desde arriba y haz una pregunta por nivel:
- Tenant: ¿quién pertenece a la organización, y qué configuración del tenant y qué gobernanza se aplican?
- Capacidad: ¿cuánto cómputo, en qué región, aislado de qué?
- Workspace: ¿qué equipo, proyecto y entorno, y quién puede trabajar aquí?
- Elemento: ¿Warehouse, Lakehouse, base de datos SQL, notebook o pipeline?
- Datos y motor de cómputo: ¿qué motor (T-SQL, Spark, base de datos SQL) escribe y lee cada tabla, y cómo están organizados los datos?
- Consumo: ¿cómo usan el resultado los modelos semánticos, los informes, las API y los sistemas posteriores?
Un ejercicio útil es tomar una pregunta de diseño de SQL Server y preguntarse qué nivel la responde en Fabric. «Aislar la carga de informes» es una pregunta de capacidad. «Los desarrolladores no deben cambiar producción» es una pregunta de workspace y despliegue. «Esta tabla es lenta» es una pregunta de motor y organización de los datos. Diseñar una arquitectura escalable de Microsoft Fabric aplica estas capas a una plataforma completa.
No las traslades literalmente
Cada uno de estos atajos tienta la primera semana, y cada uno lleva a un error de diseño concreto:
| Correspondencia literal | Por qué no funciona | Piénsalo como |
|---|---|---|
| Workspace = base de datos | Un workspace contiene muchos elementos de datos, pipelines e informes, y sus roles dan acceso a todos ellos | Un contenedor de proyecto, equipo o entorno |
| Capacidad = instancia de SQL Server | No hay nada que configurar (sp_configure, tempdb, inicios de sesión); Spark, el Warehouse, los pipelines y Power BI la comparten |
Un presupuesto de cómputo compartido y medido |
| CU = núcleos y memoria | El uso se suaviza en el tiempo y se limita por fases; no puedes reservar un núcleo para una carga | CU-segundos consumidos por operación |
| OneLake = SAN | Es un lago lógico con una sola copia de los datos para todos los motores, no almacenamiento en bloques para un servidor | La capa de almacenamiento bajo cada elemento de datos |
| Lakehouse = base de datos de SQL Server | Lo escribe Spark; su punto de conexión de análisis SQL es T-SQL de solo lectura | Archivos y tablas Delta, con SQL por encima |
| Tabla Delta = tabla MDF | Son archivos Parquet más un registro por tabla; cada escritura añade archivos y una versión | Un formato de tabla abierto que se mantiene mediante la organización de archivos |
| Pipeline = trabajo de SQL Agent | Un pipeline orquesta actividades entre elementos; programaciones, alertas e historial son piezas aparte | Una parte de lo que hacía Agent |
| Notebook = procedimiento almacenado | Un notebook se ejecuta en una sesión de Spark con su propio arranque, programación y coste | Código para trabajo con forma de Spark, llamado desde un pipeline |
| Modelo semántico = tabla | Es la capa de BI sobre las tablas: relaciones, medidas y modo de almacenamiento | Lo que consulta Power BI, no donde viven los datos |
El mapa de conceptos de un vistazo
Adónde van los conceptos conocidos, con la calidad de la correspondencia en cada concepto de Fabric. Primero, datos y cómputo:
- Instancia / servidor
- lo más cercanoCorrespondencia parcialCapacidadSolo analogía de recursos
- CPU y memoria
- lo más cercanoCorrespondencia parcialCapacity UnitsSin max server memory
- Base de datos
- lo más cercanoModelo diferenteWarehouse · Lakehouse · base de datos SQLLos elementos de datos, no el workspace
- Esquema
- lo más cercanoCorrespondencia cercanaEsquema
- Tabla
- lo más cercanoCercana o parcialTabla del Warehouse · tabla DeltaDepende del motor
- MDF / NDF / LDF
- lo más cercanoModelo diferenteTablas Delta en OneLakeArchivos que gestiona el motor
- tempdb
- sin correspondenciaSin equivalente claroNada que configurarEspacio temporal gestionado por el motor
Después, operaciones y monitoreo:
- SQL Agent
- lo más cercanoCorrespondencia parcialPipeline y programaciónNada migra automáticamente
- SSIS
- lo más cercanoModelo diferenteData Factory · notebooksPipelines, Dataflow Gen2, T-SQL; Invoke SSIS Package (versión preliminar) para algunos paquetes
- Query Store
- lo más cercanoCorrespondencia parcialQuery Insights · Capacity MetricsRepartido entre herramientas; sin forzado de planes
- PerfMon
- lo más cercanoCorrespondencia parcialAplicación Capacity MetricsConsumo de CU y limitación, no contadores del sistema operativo
- Copia de seguridad / restauración
- lo más cercanoModelo diferenteRecuperación propia del elementoPuntos de restauración, PITR, time travel
- Grupos de disponibilidad
- sin correspondenciaSin equivalente claroDisponibilidad gestionada por el servicioNada que configurar
La tabla de correspondencias principal
Revísala ahora y vuelve a ella más tarde; las secciones siguientes explican las correspondencias que necesitan más de una frase.
Cómputo e infraestructura
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Instancia / servidor | Capacidad de Fabric | Correspondencia parcial | Una capacidad no es un motor SQL. Es un conjunto de cómputo compartido por Spark, el Warehouse, los pipelines, Power BI y otras cargas de cada workspace asignado a ella. |
| CPU | Capacity Units (CU) | Correspondencia parcial | Compras una SKU F con un presupuesto de CU. Las cargas consumen CU-segundos; no asignas núcleos a una base de datos. |
| Memoria | Capacity Units, más la memoria gestionada por los motores | Correspondencia parcial | No existe max server memory. La memoria se gestiona por motor y por sesión; las sesiones de Spark y las consultas del Warehouse se dimensionan solas. |
| tempdb | Recursos temporales gestionados por el motor | Sin equivalente claro | El Warehouse admite tablas #temp con ámbito de sesión y gestiona internamente los desbordamientos, pero no hay nada que dimensionar, ubicar ni ajustar. La base de datos SQL en Fabric tiene un tempdb que gestiona el servicio. |
| Servicio de SQL Server | El propio servicio Fabric (SaaS) | Sin equivalente claro | No hay servicio que iniciar, detener ni parchear. Puedes pausar y reanudar una capacidad SKU F, lo que detiene todo lo asignado a ella. |
| Clúster de conmutación por error / grupo de disponibilidad | Disponibilidad gestionada por el servicio | Sin equivalente claro | La redundancia de la infraestructura la gestiona Microsoft. No hay réplicas, agentes de escucha ni modos de conmutación que configurar. |
Estructura de los datos
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Base de datos | Warehouse, Lakehouse o base de datos SQL en Fabric | Modelo diferente | Varios elementos de datos pueden vivir en un mismo workspace y consultarse entre sí con nombres de tres partes. |
| Esquema | Esquema | Correspondencia cercana | Los esquemas del Warehouse se comportan como se espera. Los esquemas del Lakehouse también existen, pero quien escribe es Spark. |
| Tabla | Tabla del Warehouse o tabla Delta del Lakehouse | Cercana (Warehouse) / parcial (Lakehouse) | Ambas son tablas Delta en OneLake. Las tablas del Warehouse las escribe T-SQL; las del Lakehouse, Spark y otros motores. |
| Vista | Vista | Correspondencia cercana | Compatible en el Warehouse y en el punto de conexión de análisis SQL del Lakehouse. |
| Procedimiento almacenado | Procedimiento almacenado | Correspondencia cercana | Compatible en el Warehouse. Algunas características de T-SQL no están disponibles, así que prueba los procedimientos existentes antes de suponer que se pueden portar. |
| Función | Función | Correspondencia parcial | Compatible en el Warehouse; revisa la superficie de T-SQL para el tipo que necesites. |
| Índice | Sin índices gestionados por el usuario (Warehouse, Lakehouse) | Modelo diferente | El rendimiento viene de la organización de los archivos: V-Order, particionado, compactación y, en el Warehouse, data clustering (versión preliminar). La base de datos SQL en Fabric conserva los índices tradicionales y la creación automática de índices. |
| Grupo de archivos | Ninguno | Sin equivalente claro | La ubicación de los datos en el almacenamiento no la decides tú. |
| MDF / NDF | Archivos Delta y Parquet en OneLake | Modelo diferente | El almacenamiento son archivos más un registro de transacciones por tabla, gestionados por el motor. |
| LDF / registro de transacciones | Registro de transacciones Delta por tabla | Modelo diferente | El registro es por tabla, no por base de datos, y nunca lo dimensionas, reduces ni respaldas. |
| Restricciones (PK, FK, unique) | Restricciones NOT ENFORCED en el Warehouse |
Correspondencia parcial | Las restricciones documentan el modelo y pueden ayudar al optimizador; no rechazan filas incorrectas. |
| Desencadenadores | Ninguno en el Warehouse | Sin equivalente claro | Lleva la lógica al proceso de carga. |
Almacenamiento
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Discos locales o SAN | OneLake | Modelo diferente | Un único lago de datos lógico por tenant, construido sobre Azure Data Lake Storage. Todos los motores leen la misma copia. |
| Archivos de base de datos | Tablas Delta (archivos Parquet más _delta_log) |
Modelo diferente | Formato abierto, legible por Spark, T-SQL y Power BI sin copiar. |
Archivos de copia de seguridad (.bak) |
Sin archivos de copia de seguridad accesibles al usuario | Modelo diferente | La recuperación depende del elemento: puntos de restauración, restauración a un momento dado, time travel, eliminación temporal. |
ETL y orquestación
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Trabajo de SQL Agent | Pipeline de Fabric | Correspondencia parcial | Los pipelines orquestan actividades entre elementos. Nada migra automáticamente desde msdb. |
| Programación del trabajo | Programación del pipeline o del elemento | Correspondencia parcial | Los pipelines, notebooks y otros elementos tienen sus propias programaciones. |
| Pasos del trabajo y dependencias | Actividades del pipeline y condiciones de dependencia | Correspondencia parcial | Las condiciones de éxito, error, finalización y omisión sustituyen al flujo entre pasos; Invoke pipeline sustituye a «iniciar otro trabajo». |
| SSIS | Pipelines de Data Factory, Copy activity o Copy job, Dataflow Gen2, notebooks, T-SQL del Warehouse | Modelo diferente | No hay un sustituto universal 1:1. La actividad Invoke SSIS Package (versión preliminar) ejecuta algunos paquetes existentes sin cambios. |
| Servidor vinculado | Nombres de tres partes, accesos directos, creación de reflejo, conexiones de pipeline | Sin equivalente claro | Las consultas entre elementos funcionan dentro de Fabric. Llegar fuera implica copiar, reflejar o crear un acceso directo, no un servidor vinculado en vivo. |
Monitoreo y rendimiento
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Query Store | Query Insights (Warehouse, punto de conexión de análisis SQL) | Correspondencia parcial | 30 días de historial y agregados de consultas completadas, que aparecen hasta unos 15 minutos después de que termine la consulta. Sin forzado de planes, y el comportamiento de la capacidad se consulta en otro sitio. |
| DMV | DMV compatibles con Fabric y vistas queryinsights |
Correspondencia parcial | sys.dm_exec_requests, sys.dm_exec_sessions, sys.dm_exec_connections y sys.dm_tran_locks existen en el Warehouse, con un ámbito que depende del rol en el workspace. Muchas DMV de nivel de instancia no existen. |
| Estadísticas de espera | Presión del pool en Query Insights, limitación en Capacity Metrics | Sin equivalente claro | No hay una vista de estadísticas de espera de toda la instancia que leer en el Warehouse. La presión de recursos aparece como uso y limitación de la capacidad. |
| Planes de ejecución | SHOWPLAN_XML (Warehouse), interfaz de Spark (notebooks) |
Correspondencia parcial | Los planes del Warehouse son planes distribuidos. Los planes de Spark son otra disciplina. |
| PerfMon | Aplicación Microsoft Fabric Capacity Metrics | Correspondencia parcial | Consumo de CU, suavizado y limitación de toda la capacidad, por elemento y operación. No son contadores del sistema operativo. |
| Historial de trabajos de SQL Agent | Historial de ejecuciones del pipeline, centro de supervisión | Correspondencia parcial | El historial es por elemento y tiene límites de retención; crea tu propio registro de ejecución para los datos operativos a largo plazo. |
Seguridad
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Inicio de sesión del servidor | Identidad de Microsoft Entra | Modelo diferente | No hay inicios de sesión con autenticación de SQL en el Warehouse; usuarios, grupos y entidades de servicio vienen de Entra ID. |
| Usuario de base de datos | Permiso sobre el elemento o rol en el workspace | Correspondencia parcial | CREATE USER no se admite en el Warehouse; el acceso empieza en el nivel del workspace o del elemento. |
| Rol | Roles del workspace y GRANT / DENY en T-SQL |
Correspondencia parcial | Los roles del workspace son amplios; los permisos a nivel de objeto en el Warehouse los acotan. |
| Permiso de esquema | Permiso de esquema | Correspondencia cercana | GRANT ... ON SCHEMA funciona en el Warehouse. |
Permisos de nivel de instancia (sysadmin, CONTROL SERVER) |
Administrador de Fabric, administrador de capacidad, Admin del workspace | Modelo diferente | La administración se reparte entre roles de tenant, capacidad y workspace. |
Fiabilidad y operaciones
| Concepto de SQL Server | Concepto de Fabric más cercano | Calidad de la correspondencia | Diferencia importante |
|---|---|---|---|
| Copia de seguridad/restauración | Recuperación propia del elemento | Modelo diferente | Consulta la sección de copias de seguridad más abajo; las opciones difieren entre Warehouse, Lakehouse y base de datos SQL. |
| Alta disponibilidad | Gestionada por el servicio | Sin equivalente claro | El almacenamiento usa almacenamiento con redundancia de zona donde la región lo permite. |
| Recuperación ante desastres | Configuración de recuperación ante desastres de la capacidad, más tu propio plan de recuperación | Correspondencia parcial | Replicación geográfica opcional de los datos de OneLake; recuperar los elementos en otra región sigue siendo un procedimiento tuyo. |
| Parches | Gestionados por Microsoft | Sin equivalente claro | El servicio se actualiza solo. Sigues eligiendo la versión del runtime de Spark para los notebooks. |
| Planes de mantenimiento | Mayormente automáticos | Modelo diferente | El Warehouse compacta y crea puntos de control automáticamente; el mantenimiento de las tablas del Lakehouse es cosa tuya. |
| Mantenimiento de índices | Mantenimiento de la organización de archivos | Modelo diferente | OPTIMIZE y VACUUM para las tablas del Lakehouse; compactación automática en el Warehouse. |
| Mantenimiento de estadísticas | Automático, con estadísticas manuales de una sola columna | Correspondencia parcial | El Warehouse crea y actualiza estadísticas al ejecutar las consultas; todavía puedes crear y actualizar estadísticas de una sola columna, pero no de varias columnas. |
Instancia → capacidad: cercana solo en términos de recursos
La capacidad es donde mejor encaja la intuición del «servidor», y solo en un aspecto: es el conjunto de cómputo que pagas y que puedes agotar. Cuando una capacidad está sobrecargada, todo lo asignado a ella se ralentiza o se limita, igual que una instancia sobrecargada ralentiza todas sus bases de datos.
Todo lo demás es distinto:
- Una capacidad no es un motor SQL: sin
sp_configure, sin tempdb, sin inicios de sesión. - Los notebooks de Spark, las consultas del Warehouse, los pipelines, Dataflow Gen2, las actualizaciones de modelos semánticos y las consultas de informes la comparten.
- La dimensionas en Capacity Units, no en núcleos y memoria. Las cargas consumen CU-segundos, el trabajo en segundo plano se suaviza a lo largo de 24 horas y la limitación empieza cuando el uso sostenido supera la capacidad.
- Los workspaces se asignan a capacidades y se pueden mover. Esa es tu herramienta de aislamiento: producción en una capacidad, desarrollo en otra.
La pregunta de DBA «¿cuántos núcleos necesita esto?» pasa a ser «¿cuántos CU-segundos consume esta carga, y cuándo?». La capacidad de Microsoft Fabric explicada (en inglés) cubre a fondo las CU, el suavizado y la limitación.
Operar una capacidad compartida
Las diferencias operativas importan más que las de nombre. En SQL Server, una instancia sobrecargada se vuelve lenta. En Fabric, una capacidad sobrecargada sigue una política documentada y por fases, y el trabajo que paga las consecuencias a menudo no es el que las causó:
| En SQL Server… | En una capacidad de Fabric |
|---|---|
| Ves la CPU al 100 % mientras se ejecuta la consulta cara | El trabajo en segundo plano (pipelines, trabajos de Spark, actualizaciones, la mayoría de las operaciones del Warehouse) se suaviza a lo largo de 24 horas, así que una carga pesada puede afectar a los usuarios horas después |
| Obtienes consultas lentas bajo presión | La limitación es por fases: las solicitudes interactivas se retrasan cuando se ha consumido unos 10 minutos de capacidad futura, se rechazan a partir de 60 minutos, y las solicitudes en segundo plano se rechazan a partir de 24 horas |
| Aíslas cargas con Resource Governor o instancias separadas | Aíslas asignando los workspaces a capacidades distintas; los workspaces de una misma capacidad comparten su presupuesto |
Ajustas la concurrencia con MAXDOP y las concesiones de memoria |
La concurrencia se gestiona por motor: límites y colas de sesiones de Spark, pools de recursos del Warehouse. Muchos trabajos pequeños concurrentes pueden costar más que uno grande |
| Lees PerfMon, las estadísticas de espera y las DMV en una sola máquina | Lees la aplicación Capacity Metrics para ver las CU por elemento y operación, y después las herramientas propias del motor (Query Insights, monitoreo de Spark) |
| Compras el hardware una vez y lo mantienes ocupado | Eliges una SKU F, la pausas o cambias su tamaño, y equilibras el coste de capacidad con la programación de cargas y la optimización |
Para una investigación, el runbook de saturación de capacidad de Fabric (en inglés) es el procedimiento paso a paso, y Cómo diagnostiqué un problema de saturación de capacidad en Microsoft Fabric (en inglés) muestra uno de principio a fin. El Fabric Capacity Planner (en inglés) te ayuda a interpretar el uso y a decidir si optimizar o escalar, y Monitoreo de pipelines y notebooks de Microsoft Fabric cubre las señales que conviene vigilar entre incidentes.
Almacenamiento: dejas de gestionar archivos, no su organización
Las tablas se guardan como tablas Delta en OneLake: archivos Parquet más un registro de transacciones por tabla (_delta_log), que leen por igual el Warehouse, Spark, el punto de conexión de análisis SQL y Power BI. La base de datos SQL en Fabric mantiene su propio almacenamiento de motor y se replica en OneLake para la analítica. El dimensionamiento de archivos, el crecimiento automático, la reducción y los grupos de archivos desaparecen.
Lo que sigue siendo tuyo es la organización de los archivos. Muchos archivos pequeños y tablas sin mantenimiento son la versión de Fabric de la fragmentación. El Warehouse compacta automáticamente; en un Lakehouse, es tu trabajo.
SQL Agent → pipelines y programaciones
SQL Agent es un programador, un ejecutor de pasos, un motor de dependencias, un sistema de alertas y un almacén de historial. En Fabric esas funciones se reparten:
| Función de SQL Agent | Dónde vive en Fabric |
|---|---|
| Programación | Programación del pipeline, o una programación en el propio elemento (notebook, Dataflow Gen2, Copy job) |
| Pasos del trabajo | Actividades del pipeline: Copy, Notebook, Script, Stored procedure, Invoke pipeline |
| Flujo entre pasos (al completarse correctamente / al fallar) | Condiciones de dependencia de las actividades |
| Operadores y alertas | Actividades de notificación del pipeline, o alertas de tu propio monitoreo |
| Historial de trabajos | Historial de ejecuciones del pipeline y centro de supervisión |
Calidad de la correspondencia: Correspondencia parcial. Nada migra automáticamente; un trabajo que ejecutaba T-SQL entre varias bases de datos de una instancia suele convertirse en un pipeline que llama a procedimientos almacenados del Warehouse o a un notebook. Para elegir entre ambos, consulta Pipelines, notebooks, Dataflow Gen2 o Copy Job (en inglés).
El historial de ejecuciones es útil, pero no es un almacén operativo a largo plazo. La mayoría de los equipos de producción añaden su propio registro de ejecución; Diseñar un registro de ejecución para pipelines y notebooks de Microsoft Fabric muestra el diseño.
SSIS → no hay una única respuesta
SSIS es la correspondencia que los equipos de SQL Server más querrían que fuera 1:1, y no lo es. Un paquete SSIS orquesta, mueve datos, los transforma y registra lo que pasó. En Fabric, esas funciones suelen pertenecer a elementos distintos:
- Orquestación: pipelines
- Movimiento de datos: Copy activity o Copy job
- Transformaciones fila a fila: Dataflow Gen2 o notebooks
- Transformaciones SQL basadas en conjuntos: T-SQL del Warehouse
- Ejecutar el paquete existente tal cual: la actividad Invoke SSIS Package, que está en versión preliminar y tiene límites reales de conectividad y de componentes personalizados
La mayoría de los parques acaban con una mezcla: algunos paquetes retirados, otros rehospedados, reconstruidos o rediseñados. Decide paquete por paquete. Migrar paquetes SSIS a Microsoft Fabric te da el mapa de responsabilidades, un inventario y una puntuación de complejidad, oleadas de migración y un plan de cambio.
Query Store y DMV → Query Insights más el monitoreo
Query Store te da, en un solo sitio, el historial de consultas, las estadísticas de ejecución, el historial de planes, las consultas con regresión y el forzado de planes. Ninguna característica de Fabric hace todo eso por sí sola.
Para el Warehouse y el punto de conexión de análisis SQL, la herramienta más cercana es Query Insights: vistas del esquema queryinsights que conservan unos 30 días de consultas completadas.
| Antes le preguntabas a Query Store… | En Fabric Warehouse, mira… |
|---|---|
| ¿Qué consultas se ejecutaron y cuánto tardaron? | queryinsights.exec_requests_history |
| ¿Qué consultas son lentas de forma sistemática? | queryinsights.long_running_queries |
| ¿Qué consultas se ejecutan con más frecuencia? | queryinsights.frequently_run_queries |
| ¿Estaba el motor bajo presión de recursos? | queryinsights.sql_pool_insights |
| ¿Qué consultas consumen más CPU? | allocated_cpu_time_ms en exec_requests_history |
Las consultas se agrupan por forma mediante un query_hash. Las consultas completadas pueden tardar hasta unos 15 minutos en aparecer (más con mucha concurrencia), y no hay forzado de planes.
Para la actividad en vivo, el Warehouse admite las DMV del ciclo de vida de las consultas que ya conoces: sys.dm_exec_requests, sys.dm_exec_sessions y sys.dm_exec_connections. Un Admin del workspace ve todas las sesiones; los demás roles solo ven las suyas. KILL funciona, y solo para los Admins del workspace.
-- Longest-running active requests in a Fabric Warehouse
SELECT request_id, session_id, start_time, total_elapsed_time, status
FROM sys.dm_exec_requests
WHERE status = 'running'
ORDER BY total_elapsed_time DESC;Para el comportamiento a nivel de capacidad, lo que antes leías en PerfMon y en las estadísticas de espera, usa la aplicación Capacity Metrics: qué elemento y qué operación consumieron la capacidad, y si hubo limitación. El análisis de un incidente suele necesitar ambas vistas.
La base de datos SQL en Fabric es la excepción: ejecuta el motor de Azure SQL Database, así que una parte mayor de tu conocimiento de las DMV se aplica directamente, y su panel de rendimiento muestra las consultas con más CPU, memoria y duración, además de las consultas bloqueadas.
Calidad de la correspondencia: Correspondencia parcial. El conocimiento de las DMV se transfiere en lo conceptual; las vistas exactas cambian. Compara Cómo encontrar regresiones de rendimiento en SQL Server con Query Store con Solucionar problemas de rendimiento de Microsoft Fabric en producción (en inglés).
tempdb: sin equivalente claro
No hay nada en Fabric Warehouse ni en el Lakehouse con lo que asociar tempdb, y es mejor no inventárselo.
- El Warehouse ejecuta las consultas en un motor distribuido que gestiona su propio almacenamiento temporal y sus desbordamientos. No configuras archivos, tamaño ni ubicación.
- Las tablas
#tempcon ámbito de sesión se admiten en el Warehouse, así que el patrón de T-SQL sigue funcionando. - Spark tiene su propio comportamiento de shuffle y desbordamiento, gestionado por sesión.
- La base de datos SQL en Fabric sí tiene un tempdb, porque es el motor de Azure SQL Database, y lo gestiona el servicio. Su panel de rendimiento incluso muestra las consultas que desbordan a tempdb.
El instinto que se transfiere es el de diagnóstico: una consulta que desborda sigue teniendo una mala estimación o demasiados datos en tránsito. Corrige la consulta o la organización de los datos.
Copia de seguridad y restauración: gestionadas por la plataforma y propias de cada elemento
En Fabric no hay un único modelo de copia de seguridad controlado por el DBA, ni un flujo con .bak en el que puedas confiar para todos los elementos. Fabric es una plataforma SaaS gestionada; la durabilidad la proporciona la capa de almacenamiento, y la recuperación depende del tipo de elemento.
| Elemento | Qué tienes | Qué no tienes |
|---|---|---|
| Warehouse | Puntos de restauración del sistema cada ocho horas aproximadamente mientras el almacén está activo, puntos de restauración definidos por el usuario, retención de 30 días por defecto (configurable de 1 a 120 días), restauración en el mismo lugar, consultas time travel, clones de tabla sin copia | Restaurar a un almacén nuevo con otro nombre; archivos de copia de seguridad descargables |
| Lakehouse | Time travel de Delta a versiones anteriores de la tabla (hasta que VACUUM elimina los archivos antiguos), eliminación temporal de archivos en OneLake (siete días por defecto, configurable por workspace) |
Una restauración a un momento dado de todo el Lakehouse con un clic |
| Base de datos SQL en Fabric | Copias de seguridad completas, diferenciales y de registro automáticas, restauración a un momento dado dentro del periodo de retención (7 días por defecto, hasta 35), restauración a una base de datos nueva en el mismo workspace | Acceso a los archivos de copia de seguridad, restauración entre workspaces, retención a largo plazo |
«Restaurar la copia de anoche» pasa a ser un procedimiento distinto por elemento, con una retención distinta. Y las definiciones necesitan su propia protección: los puntos de restauración protegen los datos del Warehouse, mientras que Git protege los notebooks, los pipelines y las definiciones de objetos. La integración con Git en Microsoft Fabric explica cómo.
HA y DR: abstraídas, no desaparecidas
Los grupos de disponibilidad, las instancias de clúster de conmutación por error y el trasvase de registros no tienen equivalente que configurar. La disponibilidad de la infraestructura forma parte del servicio. OneLake usa almacenamiento con redundancia de zona donde la región lo permite, y almacenamiento con redundancia local en el resto.
La recuperación ante desastres es distinta. Una capacidad tiene una configuración opcional de recuperación ante desastres que replica los datos de OneLake a la región emparejada de Azure, de forma asíncrona y a nivel de archivo. Tras una conmutación regional, vuelves a crear los elementos en otra capacidad y otro workspace y recuperas los datos en ellos: un procedimiento documentado, no una conmutación de grupo de disponibilidad. Las decisiones suben un nivel: qué capacidad aloja producción, si está activada la recuperación ante desastres y si las definiciones están en Git para poder volver a desplegarlas.
El Warehouse es el puente más fácil para la gente de SQL Server
El Fabric Warehouse resulta familiar casi de inmediato:
- T-SQL para leer y escribir
- Esquemas, tablas y vistas
- Procedimientos almacenados y funciones
- Transacciones de varias instrucciones con
BEGIN TRANSACTION,COMMITyROLLBACK, también entre varias tablas - Un modelo relacional que diseñas con esquemas en estrella y modelado dimensional
- Conexión desde SSMS, Visual Studio Code o cualquier cliente que hable TDS
Esa familiaridad es también donde se esconden las suposiciones. Antes de portar código, conoce las diferencias:
- No existen todas las características de SQL Server. Desencadenadores, sinónimos,
SET TRANSACTION ISOLATION LEVEL, vistas materializadas y consultas recursivas están entre las limitaciones documentadas. Revisa la superficie de T-SQL para tu código. - Solo aislamiento de instantánea, con bloqueos a nivel de tabla. Cualquier instrucción DML bloquea la tabla entera, y las escrituras concurrentes en la misma tabla pueden entrar en conflicto; diseñas patrones de carga, no sugerencias de bloqueo.
- Sin gestión tradicional de índices. No hay índices agrupados ni no agrupados que crear o reconstruir. V-Order, la compactación automática y el data clustering (versión preliminar, definido al crear la tabla) se encargan de la organización.
- Las restricciones no se aplican. Las claves primarias, únicas y externas requieren
NOT ENFORCED. Las comprobaciones de calidad de datos pasan al proceso de carga. - Sin gestión de MDF/NDF ni SQL Server Agent dentro del Warehouse. El almacenamiento es Delta en OneLake; la programación vive en los pipelines.
- La gestión del rendimiento es distinta. Las estadísticas son automáticas, la primera ejecución de una consulta puede ser más lenta por la caché fría, y las inserciones poco a poco crean muchos archivos pequeños.
Empieza por Crea tu primer Fabric Warehouse con T-SQL (en inglés) y después lee Lakehouse o Warehouse antes de decidir dónde vive cada capa de tu plataforma.
El Lakehouse es donde cambia el modelo mental
El Lakehouse es donde empiezan los conceptos realmente nuevos:
- Archivos y tablas conviven: una zona
Filespara archivos sin procesar y una zonaTablespara tablas Delta. - Las tablas Delta son archivos Parquet más un registro de transacciones; cada escritura crea archivos nuevos y una nueva versión de la tabla.
- OneLake guarda ambos, y todos los motores de Fabric leen la misma copia.
- Spark (PySpark, Spark SQL) es el escritor principal, normalmente desde notebooks.
- El punto de conexión de análisis SQL ofrece T-SQL de solo lectura sobre las tablas: vistas sí;
INSERT,UPDATEyDELETE, no.
| Tabla de SQL Server | Tabla Delta del Lakehouse | |
|---|---|---|
| Forma lógica | Columnas, tipos, filas | Columnas, tipos, filas |
| Almacenamiento físico | Páginas en archivos MDF/NDF | Archivos Parquet más _delta_log en OneLake |
| Escrituras | Cambios de filas y páginas, registrados en el registro de la base de datos | Archivos nuevos y una nueva versión de la tabla en cada escritura |
| Lectores | El motor de SQL Server | Spark, punto de conexión de análisis SQL, Warehouse, Power BI Direct Lake |
| Concurrencia | Bloqueos, opcionalmente control de versiones de filas | Concurrencia optimista; los escritores en conflicto fallan y reintentan |
| Herramientas de rendimiento | Índices, estadísticas, particionado | Tamaño de archivos, particionado, V-Order, clustering, OPTIMIZE |
| Historial | Copias de seguridad, tablas temporales si están configuradas | Time travel a versiones anteriores hasta VACUUM |
| Mantenimiento | Trabajos de índices y estadísticas | OPTIMIZE y VACUUM |
La tabla lógica es familiar; el almacenamiento físico y el cómputo son fundamentalmente distintos. La mayoría de los problemas de rendimiento de un Lakehouse vienen de tratar una tabla Delta como una tabla de SQL Server: muchas escrituras pequeñas, actualizaciones fila a fila, ningún mantenimiento.
Tablas Delta en Microsoft Fabric para ingenieros de SQL Server (en inglés) construye este modelo como es debido. Explorar datos con PySpark en Microsoft Fabric (en inglés) es el siguiente paso práctico, y Mantenimiento de tablas Delta en Microsoft Fabric (en inglés) cubre el mantenimiento que ahora es tuyo.
¿Adónde fue mi tarea de DBA?
Tu trabajo no desaparece en Fabric; se desplaza. Algunas tareas desaparecen, otras pasa a gestionarlas Microsoft y otras se convierten en tareas de arquitectura y operaciones de Fabric.
- Trabajo tradicional del DBAConfigurado en la instancia y sus bases de datos
- desapareceYa no es tu tarea
- Parches de SQL Server
- Crecimiento de MDF/NDF
- Configuración de tempdb
- max server memory
- gestionadoGestionado por Microsoft
- Disponibilidad de la infraestructura
- Durabilidad del almacenamiento
- Mantenimiento del servicio
- Compactación del Warehouse
- subeTrabajo de ingeniería en Fabric
- Dimensionamiento de la capacidad
- Arquitectura de workspaces
- Aislamiento de cargas
- Orquestación
- Monitoreo
- Gestión de costes
- Seguridad
- Estrategia de despliegue
La tabla da el detalle, tarea por tarea:
| Tarea del DBA | Estado en Fabric | En qué se convierte |
|---|---|---|
| Aplicar parches a SQL Server | Gestionada por Microsoft | Seguir las notas de la versión de Fabric y elegir de forma deliberada las versiones del runtime de Spark |
Configurar max server memory |
Desaparece | Nada que ajustar en el Warehouse ni en el Lakehouse; la base de datos SQL tiene un ajuste de vCores máximos |
| Configurar tempdb | Desaparece | Corregir los desbordamientos en la consulta o en la organización de los datos |
| Añadir un archivo de datos, gestionar el crecimiento de MDF/NDF | Desaparece | No es el mismo modelo de almacenamiento: vigila en su lugar el almacenamiento de OneLake y la organización de archivos de las tablas |
| Reconstruir índices | Cambia | Lakehouse: OPTIMIZE, VACUUM, particionado. Warehouse: compactación automática, data clustering (versión preliminar) |
| Actualizar estadísticas | Mayormente gestionada por Microsoft | Automático en el Warehouse; estadísticas manuales de una sola columna tras cargas grandes cuando haga falta |
| Consultar Query Store | Cambia | Vistas de Query Insights en el Warehouse y el punto de conexión de análisis SQL; monitoreo de Spark para los notebooks; el panel de rendimiento y las vistas de Query Store en la base de datos SQL |
| Solucionar un uso alto de CPU | Cambia | Empieza por la aplicación Capacity Metrics (qué elemento y qué operación usaron las CU), y después el motor: allocated_cpu_time_ms en Query Insights, o la interfaz de Spark |
| Solucionar bloqueos | Cambia, según el motor | Warehouse: blocking_session_id en sys.dm_exec_requests y sys.dm_tran_locks siguen funcionando, pero el DML bloquea la tabla entera, y las escrituras concurrentes también pueden fallar por conflictos de actualización en aislamiento de instantánea. Mantén las transacciones cortas y programa el DDL. La base de datos SQL conserva el modelo conocido a nivel de fila y sus DMV. El runbook de bloqueos de SQL Server (en inglés) sigue aplicando allí |
| Configurar réplicas de grupos de disponibilidad | Desaparece | Sin equivalente directo en las cargas SaaS de Fabric: decide sobre la recuperación ante desastres de la capacidad y documenta la recuperación de los elementos |
| Copias de seguridad | Gestionadas por Microsoft, propias de cada elemento | Conocer la retención y el procedimiento de restauración de cada elemento; mantener las definiciones en Git |
| Programar trabajos de SQL Agent | Cambia | Pipelines, programaciones de elementos, condiciones de dependencia, monitoreo de ejecuciones |
| Dimensionar la capacidad | Se convierte en una tarea de arquitectura | Elegir SKU F, separar cargas por capacidad, planificar el suavizado y la limitación |
| Monitorear las cargas | Se convierte en una tarea de operaciones | Query Insights, DMV, centro de supervisión, aplicación Capacity Metrics, tu propio registro de ejecución |
| Seguridad | Cambia | Grupos de Entra ID, roles del workspace, permisos de elementos, GRANT en T-SQL, seguridad a nivel de fila y de columna |
| Seguimiento de costes | Nueva | Uso de la capacidad, decisiones de pausa y cambio de tamaño, crecimiento del almacenamiento |
El patrón: la administración de la instancia se reduce, las operaciones de la plataforma crecen. Monitoreo de pipelines y notebooks de Microsoft Fabric es un buen punto de partida en el lado operativo.
Habilidades que se transfieren directamente
La experiencia con SQL Server es una base sólida para Fabric. La implementación cambia; el criterio de ingeniería se transfiere.
- SQL. T-SQL es de primera clase en el Warehouse y en el punto de conexión de análisis SQL; Spark SQL está cerca.
- Modelado de datos. Los esquemas en estrella, el grano, las dimensiones lentamente cambiantes y las claves importan tanto como siempre.
- Solución de problemas de rendimiento. Medir, encontrar la operación cara, cambiar una cosa, volver a medir.
- Planes de consulta. Los planes del Warehouse son distribuidos, pero leer operadores y estimaciones es la misma habilidad.
- Pensamiento transaccional. Las cargas atómicas y los reintentos idempotentes deciden si un pipeline se puede reejecutar con seguridad.
- Principios de seguridad. Mínimo privilegio, grupos en lugar de personas, separación de funciones.
- Los índices como intuición de rendimiento. «Leer menos datos» sigue mandando; ahora significa particionado, clustering y poda de archivos.
- Conceptos de ETL y orquestación. Dependencias, capacidad de reinicio, cargas incrementales y gestión de errores.
- Monitoreo y planificación de capacidad. Referencias, picos y margen; las CU son una unidad nueva para el mismo razonamiento.
- Operaciones de producción y análisis de incidentes. Cronologías, evidencias, causa raíz y runbooks.
¿Qué debería aprender primero un DBA de SQL Server?
Aprende en el orden en que la plataforma toma sus decisiones: primero contenedores y cómputo, luego datos, después el código que los mueve y, por último, las operaciones. Cada paso se apoya en el anterior:
| # | Aprender | Por qué va aquí | Por dónde empezar |
|---|---|---|---|
| 1 | El modelo de workspaces y elementos | Todas las demás decisiones ocurren dentro de él | Crea tu primer workspace de Microsoft Fabric |
| 2 | Capacidad y CU | La nueva unidad de cómputo, coste, aislamiento y limitación | La capacidad de Microsoft Fabric explicada (en inglés) |
| 3 | OneLake | Dónde vive cada tabla, y por qué los motores comparten una sola copia | ¿Qué es Microsoft Fabric? (en inglés) |
| 4 | Warehouse | El camino más corto desde lo que ya sabes | Crea tu primer Fabric Warehouse con T-SQL (en inglés) |
| 5 | Lakehouse y Delta | Donde el modelo de almacenamiento cambia de verdad | Tablas Delta para ingenieros de SQL Server (en inglés) |
| 6 | Pipelines | Lo que sustituye a SQL Agent y a buena parte de SSIS | Pipelines vs notebooks en Fabric (en inglés) |
| 7 | Notebooks y fundamentos de Spark | Suficiente PySpark para leer, revisar y depurar las cargas del Lakehouse | Explorar datos con PySpark (en inglés) |
| 8 | Monitoreo | Capacity Metrics, centro de supervisión, Query Insights, tu propio registro de ejecución | Monitoreo de pipelines y notebooks de Fabric |
| 9 | Seguridad y gobernanza | Controles de tenant, workspace, elemento y datos | Gobernanza de Microsoft Fabric con Purview |
| 10 | CI/CD | Definiciones en Git, promovidas entre entornos | Integración con Git y CI/CD con fabric-cicd |
Por el camino, incorpora la arquitectura medallion, la forma habitual de organizar en capas los datos sin procesar, limpios y listos para servir, y los modelos semánticos, la forma en que Power BI consume tus tablas. La ruta de aprendizaje de Microsoft Fabric lo pone todo en un orden práctico, desde un workspace vacío hasta una plataforma lista para producción.
Referencia rápida
Solo correspondencias aproximadas. Úsala para orientarte y después lee la sección del concepto con el que estés trabajando.
| SQL Server | Microsoft Fabric (aproximado) | Correspondencia |
|---|---|---|
| Instancia | Capacidad de Fabric | Correspondencia parcial |
| Base de datos | Warehouse, Lakehouse o base de datos SQL en Fabric | Modelo diferente |
| Esquema | Esquema | Correspondencia cercana |
| Tabla | Tabla del Warehouse o tabla Delta del Lakehouse | Cercana / parcial |
| MDF/NDF | Archivos Delta y Parquet en OneLake | Modelo diferente |
| CPU y memoria | Capacity Units | Correspondencia parcial |
| SQL Agent | Pipeline y programación | Correspondencia parcial |
| SSIS | Data Factory, notebooks, Dataflow Gen2, T-SQL del Warehouse, o Invoke SSIS Package (versión preliminar) | Modelo diferente |
| Query Store | Query Insights más el monitoreo | Correspondencia parcial |
| PerfMon | Aplicación Capacity Metrics | Correspondencia parcial |
| Copia de seguridad/restauración | Recuperación gestionada por la plataforma y propia de cada elemento | Modelo diferente |
| Grupo de disponibilidad | Disponibilidad gestionada por el servicio | Sin equivalente claro |
| tempdb | Gestionado por el motor | Sin equivalente claro |
| (nada) | Workspace: un contenedor de proyecto, equipo o entorno, no una base de datos | Sin equivalente claro |
Lo que has aprendido
- Los conceptos de Fabric solo se corresponden aproximadamente con los de SQL Server; revisa la calidad de la correspondencia antes de fiarte de ella.
- Una capacidad es lo más parecido a una instancia, solo en términos de cómputo compartido. Un workspace es un contenedor organizativo, no una base de datos. Warehouse, Lakehouse y base de datos SQL son los elementos de nivel base de datos.
- SQL Agent se corresponde con pipelines y programaciones, SSIS no tiene un sustituto único y Query Store se reparte entre Query Insights y el monitoreo de la capacidad. tempdb, los grupos de disponibilidad y las copias
.bakno tienen un equivalente claro. - Tus habilidades de SQL, modelado, solución de problemas y operaciones se transfieren. OneLake, Delta, PySpark, los pipelines, la capacidad y Git son lo que añades.
El siguiente paso es construir algo. Crea tu primer workspace de Microsoft Fabric y después Crea tu primer Fabric Warehouse con T-SQL (en inglés): el Warehouse es el camino más corto entre lo que ya sabes y lo que hace Fabric.
Fuentes
El comportamiento documentado por Microsoft en este artículo procede de estas páginas de Microsoft Learn:
- Plataforma y capacidad: conceptos y licencias de Microsoft Fabric, áreas de trabajo, roles de las áreas de trabajo, limitación y suavizado de la capacidad, aplicación Capacity Metrics
- Almacenamiento: información general de OneLake, recuperación ante desastres y protección de datos de OneLake, recuperar archivos eliminados en OneLake
- Warehouse: ¿qué es Fabric Data Warehouse?, superficie de T-SQL, transacciones, claves principales, externas y únicas, estadísticas, data clustering (versión preliminar), tablas temporales, Query Insights, monitorear con DMV, solucionar bloqueos de consultas, restauración en el lugar desde un punto de restauración, suavizado y limitación en el Warehouse
- Lakehouse: ¿qué es un lakehouse?, mantenimiento de tablas Delta
- Base de datos SQL en Fabric: información general, copias de seguridad automáticas, panel de rendimiento
- Orquestación: información general de los pipelines, ejecutar, programar o desencadenar un pipeline con eventos, actividad Invoke SSIS Package (versión preliminar)
Las etiquetas de calidad de la correspondencia, la lista de lo que no se debe trasladar literalmente, el orden de aprendizaje y las comparaciones operativas son orientación de Javi Builds, no documentación de Microsoft.
Comportamiento de Fabric revisado en Microsoft Learn en noviembre de 2026. Las características en versión preliminar (data clustering, Invoke SSIS Package) pueden cambiar antes de la disponibilidad general.
¿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
- ArtículoVisualización con Power BI en Microsoft Fabric: del modelo semántico al informe eficazCómo convertir un modelo semántico de Fabric gobernado en un informe de Power BI útil: jerarquía de página, objetos visuales, KPI, accesibilidad y rendimiento.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.