Parcourir les aide-mémoire · Microsoft Fabric
Lakehouse ou Warehouse
Choisissez entre Lakehouse et Warehouse dans Microsoft Fabric en comparant le modèle de développement, les types de données, les capacités SQL, les transactions, les modes d’ingestion et les besoins analytiques en aval.
Sur cette page
- Problème
- Réponse rapide
- Code / commandes
- 1. Utilisez un Lakehouse lorsque Spark est le moteur de transformation principal
- 2. Interrogez les tables Delta du Lakehouse via le point de terminaison d’analytique SQL
- 3. Utilisez un Warehouse lorsque T-SQL est le modèle de développement principal
- 4. Utilisez un Warehouse pour les modèles dimensionnels
- 5. Utilisez un Lakehouse pour des types de données mixtes
- 6. Utilisez des raccourcis dans un Lakehouse lorsque la copie des données est inutile
- 7. Utilisez un Warehouse lorsque les transactions multi-tables comptent
- 8. Utilisez un Lakehouse pour l’architecture Medallion
- 9. Utilisez un Warehouse comme couche de service gouvernée après l’ingénierie dans le Lakehouse
- 10. Utilisez les requêtes inter-bases de données lorsque les données existent déjà dans Fabric
- 11. Utilisez COPY INTO pour l’ingestion dans le Warehouse lorsque le chargement en SQL est privilégié
- 12. Utilisez CTAS dans le Warehouse pour les transformations SQL
- 13. N’utilisez pas le Warehouse comme zone d’atterrissage de fichiers bruts
- 14. N’utilisez pas le point de terminaison SQL du Lakehouse comme substitut au DML du Warehouse
- 15. Choisissez selon le flux de travail principal des développeurs
- 16. Choisissez selon la forme des données sources
- 17. Choisissez selon les exigences transactionnelles
- 18. Choisissez selon les exigences de service
- 19. Vérifiez si les deux couches sont réellement nécessaires
- Interpréter le résultat
- Points à vérifier
- L’équipe déplace sans cesse des données entre Lakehouse et Warehouse sans nécessité
- Les analystes ont besoin d’écritures SQL fréquentes ou de procédures stockées
- Les ingénieurs utilisent continuellement Spark sur des données brutes/semi-structurées
- Le Warehouse ne contient que des copies des tables gold du Lakehouse
- Les utilisateurs SQL du Lakehouse s’attendent à une base de données SQL complète
- Notes de production
- Les deux utilisent OneLake et le stockage ouvert Delta
- Le point de terminaison d’analytique SQL du Lakehouse est orienté lecture
- Le Warehouse offre des capacités d’entreposage SQL complètes
- Le Lakehouse est la surface d’ingénierie des données la plus large
- Ne dupliquez pas les données sans raison
- Les performances dépendent de la charge de travail
- La gouvernance doit couvrir les deux
- Erreurs fréquentes
- 1. Choisir le Lakehouse uniquement parce que le terme semble plus moderne
- 2. Choisir le Warehouse uniquement parce que l’équipe connaît SQL
- 3. Supposer que le point de terminaison SQL du Lakehouse prend en charge l’intégralité du DML du Warehouse
- 4. Supposer que le Warehouse n’utilise pas Delta/OneLake
- 5. Copier chaque table du Lakehouse dans le Warehouse
- 6. Considérer le Lakehouse uniquement comme une zone brute
- 7. Traiter le Warehouse comme une zone d’atterrissage ETL pour des fichiers arbitraires
- 8. Ignorer les exigences transactionnelles
- Étape suivante
- Pour aller plus loin
Problème
Vous concevez une solution Microsoft Fabric et devez décider si les données doivent résider dans un Lakehouse, dans un Warehouse ou dans les deux.
Les deux s’appuient sur OneLake et sur le stockage ouvert Delta : la décision ne se résume donc pas à « data lake ou base de données ».
Les vraies questions sont les suivantes :
- Les ingénieurs travailleront-ils principalement en Spark ou en T-SQL ?
- Les données sont-elles uniquement structurées, ou aussi semi-structurées/non structurées ?
- Avez-vous besoin de transactions SQL multi-tables ?
- Les données seront-elles transformées dans des notebooks ?
- Les analystes ont-ils besoin d’une expérience relationnelle centrée sur SQL ?
- La charge de travail relève-t-elle principalement de l’ingénierie, de la BI, ou des deux ?
- Avez-vous besoin de raccourcis (shortcuts) et d’un accès orienté fichiers ?
- La couche de service organisée doit-elle exposer l’intégralité du DML T-SQL et les objets d’entrepôt ?
Réponse rapide
Utilisez ceci comme point de départ de la décision :
Besoin de Spark / Python / notebooks ?
→ Lakehouse
Besoin de l’intégralité du DML T-SQL, de procédures stockées et de transactions multi-tables ?
→ Warehouse
Besoin de données structurées + semi-structurées/non structurées ?
→ Lakehouse
Besoin d’une couche de service dimensionnelle centrée sur SQL ?
→ Warehouse
Besoin à la fois d’ingénierie et d’un service SQL d’entreprise ?
→ Souvent Lakehouse + Warehouse
Une architecture de production courante est la suivante :
- Sources
- Lakehouse
- Bronze
- Silver
- Delta organisé
- WarehouseCouche dimensionnelle / de reporting
- Power BI / consommateurs SQL
N’ajoutez pas les deux automatiquement.
Utilisez les deux uniquement lorsque chacun a une responsabilité clairement définie.
Code / commandes
1. Utilisez un Lakehouse lorsque Spark est le moteur de transformation principal
Exemple PySpark :
from pyspark.sql import functions as F
sales = (
spark.read
.format("delta")
.load("Tables/sales")
)
daily_sales = (
sales
.filter(F.col("sale_date") >= "2026-10-01")
.groupBy(
"sale_date",
"merchant_id",
)
.agg(
F.sum("amount").alias("revenue"),
F.countDistinct("sale_id").alias("sales"),
)
)
Réécrire dans une table Delta :
(
daily_sales.write
.format("delta")
.mode("overwrite")
.saveAsTable("sales_daily")
)
Le Lakehouse est le choix naturel lorsque :
- PySpark est central
- des notebooks effectuent les transformations d’ingénierie
- fichiers et tables Delta coexistent
- une architecture Medallion est utilisée
- les raccourcis font partie de la conception
2. Interrogez les tables Delta du Lakehouse via le point de terminaison d’analytique SQL
Chaque Lakehouse expose un point de terminaison d’analytique SQL (SQL analytics endpoint) pour interroger les tables Delta.
Exemple :
SELECT
merchant_id,
SUM(revenue) AS total_revenue
FROM dbo.sales_daily
GROUP BY
merchant_id
ORDER BY
total_revenue DESC;
C’est utile pour :
- l’exploration SQL
- la consommation BI
- les vues
- les requêtes de reporting
Le point de terminaison d’analytique SQL du Lakehouse est principalement orienté lecture.
Ne le concevez pas comme s’il s’agissait d’un entrepôt SQL complet en lecture/écriture.
3. Utilisez un Warehouse lorsque T-SQL est le modèle de développement principal
Exemple :
CREATE TABLE dbo.FactSales
(
SaleId bigint NOT NULL,
MerchantId int NOT NULL,
SaleDate date NOT NULL,
Amount decimal(18,2) NOT NULL
);
Insérer des données :
INSERT INTO dbo.FactSales
(
SaleId,
MerchantId,
SaleDate,
Amount
)
VALUES
(
1001,
25,
'2026-10-04',
125.50
);
Le Warehouse convient mieux lorsque les ingénieurs et les analystes ont besoin :
- du DDL SQL
- du DML SQL
- de procédures stockées
- de fonctions
- de transactions multi-tables
- de modélisation relationnelle
4. Utilisez un Warehouse pour les modèles dimensionnels
Exemple de schéma :
FactSales
DimMerchant
DimCustomer
DimDate
DimProduct
SQL typique :
SELECT
d.CalendarMonth,
m.MerchantName,
SUM(f.Amount) AS Revenue
FROM dbo.FactSales AS f
INNER JOIN dbo.DimDate AS d
ON d.DateKey = f.SaleDate
INNER JOIN dbo.DimMerchant AS m
ON m.MerchantId = f.MerchantId
GROUP BY
d.CalendarMonth,
m.MerchantName;
Ce modèle de service centré sur SQL s’aligne naturellement sur le Warehouse.
5. Utilisez un Lakehouse pour des types de données mixtes
Un Lakehouse peut conserver ensemble des fichiers bruts et des tables Delta managées.
Exemple de structure logique :
Lakehouse
├── Files
│ ├── raw-json/
│ ├── csv/
│ ├── images/
│ └── landing/
└── Tables
├── bronze_events
├── silver_sales
└── gold_customer_activity
Utilisez-le lorsqu’une même charge de travail doit manipuler :
- des tables Delta
- du CSV
- du JSON
- des fichiers
- des données semi-structurées
- du contenu non structuré
Le Warehouse est conçu autour de tables relationnelles structurées.
6. Utilisez des raccourcis dans un Lakehouse lorsque la copie des données est inutile
Un Lakehouse peut exposer des données via des raccourcis OneLake.
Sur le plan conceptuel :
- Stockage externe
- Raccourci OneLake
- Lakehouse
- Spark / SQL / Power BI
Utilisez-les lorsque :
- les données existent déjà dans une source accessible
- la copie créerait une duplication inutile
- un accès en direct aux données est acceptable pour la charge de travail
Ne copiez pas des données simplement parce qu’un nouvel élément Fabric a été créé.
7. Utilisez un Warehouse lorsque les transactions multi-tables comptent
Exemple :
BEGIN TRANSACTION;
UPDATE dbo.FactOrder
SET Status = 'Closed'
WHERE OrderId = 1001;
INSERT INTO dbo.OrderAudit
(
OrderId,
EventType,
EventTime
)
VALUES
(
1001,
'Closed',
SYSUTCDATETIME()
);
COMMIT TRANSACTION;
Ce type de flux SQL transactionnel multi-tables est un cas d’usage du Warehouse.
Les tables Delta du Lakehouse offrent un comportement transactionnel au niveau de chaque table Delta, mais le Lakehouse n’est pas le bon choix pour une sémantique complète de transactions T-SQL multi-tables.
8. Utilisez un Lakehouse pour l’architecture Medallion
Exemple :
Bronze
Delta brut, aligné sur la source
Silver
Delta validé / standardisé
Gold
Delta analytique organisé
C’est un modèle fort pour le Lakehouse, car Spark et Delta y sont des composants de premier plan.
Exemple :
bronze = spark.table("bronze_sales")
silver = (
bronze
.dropDuplicates(["sale_id"])
.filter("sale_id IS NOT NULL")
)
(
silver.write
.format("delta")
.mode("overwrite")
.saveAsTable("silver_sales")
)
9. Utilisez un Warehouse comme couche de service gouvernée après l’ingénierie dans le Lakehouse
Exemple d’architecture :
- Systèmes sources
- Lakehouse Bronze
- Lakehouse Silver
- Données organisées
- Warehouse
- Power BI / applications SQL
Ce modèle est utile lorsque :
- l’ingénierie privilégie Spark
- le reporting privilégie SQL
- la modélisation dimensionnelle compte
- des procédures stockées ou du DML SQL sont nécessaires
Ne dupliquez pas chaque table du Lakehouse dans le Warehouse.
Ne promouvez que les données qui tirent parti de la couche de service SQL.
10. Utilisez les requêtes inter-bases de données lorsque les données existent déjà dans Fabric
Fabric permet d’interroger à la fois les points de terminaison SQL du Warehouse et du Lakehouse sans exiger une copie traditionnelle pour chaque scénario analytique.
Sur le plan conceptuel :
SELECT ...
FROM SomeWarehouse.dbo.FactSales AS f
JOIN SomeLakehouse.dbo.DimMerchant AS m
ON ...
Le nommage exact et l’accessibilité dépendent du contexte de l’espace de travail et de l’élément.
Utilisez l’accès inter-éléments pour réduire la duplication inutile lorsque la charge de travail le permet.
11. Utilisez COPY INTO pour l’ingestion dans le Warehouse lorsque le chargement en SQL est privilégié
Exemple :
COPY INTO dbo.FactSales
FROM 'https://<storage-path>/sales/'
WITH
(
FILE_TYPE = 'PARQUET'
);
Utilisez l’ingestion native du Warehouse lorsque :
- la destination est relationnelle
- T-SQL est le modèle de fonctionnement de l’équipe
- les données sont déjà suffisamment organisées pour être chargées dans l’entrepôt
Pour les transformations d’ingénierie à grande échelle, effectuez-les avant de charger la couche de service.
12. Utilisez CTAS dans le Warehouse pour les transformations SQL
Exemple :
CREATE TABLE dbo.SalesSummary
AS
SELECT
MerchantId,
SaleDate,
SUM(Amount) AS Revenue
FROM dbo.FactSales
GROUP BY
MerchantId,
SaleDate;
Utilisez des transformations natives SQL lorsque cela simplifie l’architecture.
Ne déplacez pas des données vers Spark uniquement parce que Spark existe.
13. N’utilisez pas le Warehouse comme zone d’atterrissage de fichiers bruts
Mauvaise adéquation :
Warehouse
JSON brut
images
fichiers CSV
blobs de télémétrie
Mieux :
- Lakehouse Files
- Transformation Delta
- WarehouseSeulement si un service relationnel est nécessaire
Le Warehouse est destiné à l’analytique relationnelle structurée, pas au stockage de fichiers arbitraires.
14. N’utilisez pas le point de terminaison SQL du Lakehouse comme substitut au DML du Warehouse
Évitez de concevoir votre solution sur des hypothèses telles que :
INSERT ...
UPDATE ...
DELETE ...
sur les tables du Lakehouse via le point de terminaison d’analytique SQL, comme s’il s’agissait d’un entrepôt SQL complet.
Utilisez :
- Spark
- des pipelines
- les chemins d’écriture pris en charge par le Lakehouse
pour modifier les données du Lakehouse.
Utilisez un Warehouse lorsque la sémantique d’écriture SQL est une exigence centrale.
15. Choisissez selon le flux de travail principal des développeurs
Utilisez cette correspondance :
PySpark / Python / Scala / Spark SQL
→ Lakehouse
T-SQL
→ Warehouse
Ingénierie mixte + service SQL
→ Lakehouse + Warehouse
La préférence technologique ne devrait pas être le seul facteur, mais c’est un signal de conception fort.
16. Choisissez selon la forme des données sources
Données structurées uniquement
→ Candidat Warehouse
Données structurées + semi-structurées + fichiers
→ Candidat Lakehouse
Ingestion brute + transformation
→ Candidat Lakehouse
Schéma en étoile organisé
→ Candidat Warehouse
Ne forcez pas trop tôt les charges d’atterrissage semi-structurées dans un modèle relationnel.
17. Choisissez selon les exigences transactionnelles
Écritures transactionnelles sur une seule table Delta
→ Le Lakehouse peut convenir
Transaction SQL multi-tables
→ Warehouse
Cette distinction est importante pour les charges de travail qui exigent des mises à jour relationnelles coordonnées.
18. Choisissez selon les exigences de service
Utilisez un Warehouse lorsque les consommateurs ont besoin d’une surface relationnelle familière avec :
- des tables
- des vues
- des procédures
- des fonctions
- du DML T-SQL
Utilisez un Lakehouse lorsque les consommateurs peuvent travailler à partir :
- de tables Delta
- de Spark
- du point de terminaison d’analytique SQL
- de Direct Lake / modèles sémantiques Fabric
19. Vérifiez si les deux couches sont réellement nécessaires
Avant de construire :
Lakehouse → Warehouse
demandez-vous :
Quelle capacité le Warehouse apporte-t-il ici ?
Les bonnes réponses incluent :
- une surface d’écriture T-SQL complète
- des transactions multi-tables
- un développement centré sur SQL
- un service dimensionnel
- des procédures stockées
- une charge de travail relationnelle d’entreprise
Mauvaise réponse :
« Parce que toute architecture Fabric devrait avoir les deux. »
Ce n’est pas le cas.
Interpréter le résultat
| Critère de décision | Lakehouse | Warehouse |
|---|---|---|
| Développement principal | Spark / notebooks | T-SQL |
| Types de données | Structurées + semi/non structurées | Structurées |
| Stockage | Delta dans OneLake | Delta dans OneLake |
| Accès Spark | Natif | Pas le modèle de développement principal |
| Requêtes SQL | Point de terminaison d’analytique SQL | Entrepôt SQL complet |
| DML T-SQL | Pas via le point de terminaison SQL du Lakehouse | Pris en charge |
| Transactions multi-tables | Pas le modèle principal | Prises en charge |
| Fichiers | De premier plan | Pas le cas d’usage visé |
| Architecture Medallion | Très adapté | Généralement couche de service |
| Modélisation dimensionnelle | Possible, mais pas son principal atout | Très adapté |
| Raccourcis | Modèle fort du Lakehouse | Interopérabilité possible via les modèles Fabric/OneLake |
| Procédures stockées | Pas le modèle du point de terminaison SQL du Lakehouse | Prises en charge |
| Rôle typique | Ingénierie / transformation | Service relationnel / BI |
Points à vérifier
L’équipe déplace sans cesse des données entre Lakehouse et Warehouse sans nécessité
Votre architecture est peut-être dupliquée.
Vérifiez si :
- l’accès inter-éléments suffit
- les consommateurs peuvent interroger le point de terminaison SQL du Lakehouse
- le Warehouse apporte une réelle capacité de service SQL
Les analystes ont besoin d’écritures SQL fréquentes ou de procédures stockées
Le Warehouse est probablement la meilleure couche de service.
Ne forcez pas ces flux de travail dans des modifications basées sur des notebooks.
Les ingénieurs utilisent continuellement Spark sur des données brutes/semi-structurées
Le Lakehouse est probablement la couche de stockage centrale naturelle.
Ne rendez pas tout relationnel prématurément.
Le Warehouse ne contient que des copies des tables gold du Lakehouse
Vérifiez si la couche dupliquée apporte :
- une structure dimensionnelle
- du DML SQL
- des procédures
- une logique transactionnelle
- une valeur de gouvernance/de service
Sinon, la couche supplémentaire est peut-être inutile.
Les utilisateurs SQL du Lakehouse s’attendent à une base de données SQL complète
Précisez que le point de terminaison d’analytique SQL est principalement une surface de lecture/de service pour les tables Delta du Lakehouse.
Si une capacité d’écriture T-SQL complète est requise, utilisez un Warehouse.
Notes de production
Les deux utilisent OneLake et le stockage ouvert Delta
La différence tient principalement à la charge de travail et au modèle de développement, pas à une technologie de stockage complètement différente.
Cela rend Lakehouse et Warehouse complémentaires plutôt que mutuellement exclusifs.
Le point de terminaison d’analytique SQL du Lakehouse est orienté lecture
Il prend en charge les requêtes T-SQL et certains objets de métadonnées comme les vues et les fonctions, mais il n’équivaut pas à la surface DDL/DML SQL complète du Warehouse.
Concevez votre architecture en conséquence.
Le Warehouse offre des capacités d’entreposage SQL complètes
Le Warehouse prend en charge :
- DQL
- DML
- DDL
- les procédures stockées
- les fonctions
- les transactions multi-tables
Cela en fait l’option relationnelle centrée sur SQL.
Le Lakehouse est la surface d’ingénierie des données la plus large
Le Lakehouse prend en charge :
- les fichiers
- les tables Delta
- Spark
- les notebooks
- les requêtes SQL
- les raccourcis
- la conception Medallion
C’est généralement le choix le plus flexible pour l’ingestion et la transformation.
Ne dupliquez pas les données sans raison
OneLake est conçu pour réduire les copies inutiles.
Avant de copier des données entre éléments Fabric, vérifiez si :
- les raccourcis
- les requêtes SQL inter-éléments
- Direct Lake
- les modèles de stockage Delta partagé
peuvent répondre au besoin.
Les performances dépendent de la charge de travail
Ne partez pas du principe que :
Le Warehouse est toujours plus rapide
ni que :
Le Lakehouse est toujours plus évolutif
Les performances dépendent :
- de la forme des requêtes
- de la conception des tables
- de l’organisation des données
- de la concurrence
- du moteur
- du type de charge de travail
- de la capacité
Mesurez les performances de la charge de travail réelle.
La gouvernance doit couvrir les deux
La sécurité et la gouvernance doivent suivre le produit de données, pas le choix de l’étiquette de stockage.
Documentez :
- la propriété
- le lignage
- le modèle d’accès
- le contrat de service
- la rétention
- les attentes de qualité
quelle que soit l’architecture.
Erreurs fréquentes
1. Choisir le Lakehouse uniquement parce que le terme semble plus moderne
Choisissez en fonction de la charge de travail, pas de la terminologie.
2. Choisir le Warehouse uniquement parce que l’équipe connaît SQL
Si l’ingestion implique des fichiers à grande échelle, Spark ou des données semi-structurées, tout forcer dans le Warehouse peut ajouter des frictions inutiles.
3. Supposer que le point de terminaison SQL du Lakehouse prend en charge l’intégralité du DML du Warehouse
Ce n’est pas le cas.
Utilisez le bon chemin d’écriture.
4. Supposer que le Warehouse n’utilise pas Delta/OneLake
Le Warehouse Fabric stocke les données dans OneLake au format Delta.
La différence réside dans l’expérience utilisateur/de développement et dans les capacités de la charge de travail.
5. Copier chaque table du Lakehouse dans le Warehouse
Cela ajoute :
- de la duplication
- de l’orchestration
- de la latence
- de la maintenance
sans nécessairement apporter de valeur.
6. Considérer le Lakehouse uniquement comme une zone brute
Un Lakehouse peut contenir des tables Delta organisées et prendre en charge un accès SQL analytique.
Il ne se limite pas aux données Bronze/brutes.
7. Traiter le Warehouse comme une zone d’atterrissage ETL pour des fichiers arbitraires
Le Warehouse est optimisé pour l’analytique relationnelle structurée.
Utilisez le stockage de fichiers du Lakehouse/de OneLake pour l’atterrissage des données brutes/semi-structurées.
8. Ignorer les exigences transactionnelles
Les transactions SQL multi-tables constituent un véritable point de décision architectural.
Si elles comptent, le Warehouse devient nettement plus pertinent.
Ce contenu vous a-t-il été utile ?
Que pourrions-nous améliorer ?
Merci — cela m’aide à améliorer Javi Builds.
Restez au courant
Recevez uniquement les nouvelles de Javi Builds qui vous intéressent.
Consultez votre boîte de réception
Je vous ai envoyé un lien de confirmation. Votre abonnement sera actif après confirmation.