Lakehouse: Files ve Tables, SQL analiz uç noktası, katmanlı mimari

Lakehouse’un içi, veri yükleme yolları, SQL analiz uç noktasının yapabildikleri ve yapamadıkları, lakehouse mi ambar mı eventhouse mu, tunç-gümüş-altın düzeni ve dosya bölümleme.

Bu sayfa dersin okuma sürümüdür. Metin bir kutuyu çalıştırmanı ya da adıma geçmeni söylüyorsa dersi uygulamada aç.

Lakehouse, gölün esnekliğini ambarın sorgu kolaylığıyla birleştirir: her türlü dosyayı koyarsın, Delta tablolarını hem Spark hem T-SQL ile sorgularsın. Bu ders lakehouse’u kurmayı değil, ne zaman doğru seçim olduğunu ve tuzaklarını anlatır. Elle kurulum adımları “Fabric’e veri getirmek” ve “Lakehouse ödevi” derslerinde.

İki bölüm

	Files	Tables
Ne durur?	CSV, JSON, resim, Parquet; Delta olmayan her şey	Yönetilen Delta tabloları
Keşif	Yok; dosyadır	Otomatik: meta veri çıkarılır, sütunlar kaydedilir
SQL uç noktası	Görünmez	Görünür
Kullanım	Ham iniş, arşiv	Analiz, model kaynağı

Tables’a Delta olmayan dosya koymak işe yaramaz; Learn şu an yalnız Delta’yı doğruladığını söyler. Parquet ya da CSV’yi sorgulamak istiyorsan önce Delta’ya çevir.

Veri yükleme yolları

Yol	Kim için?	Örnek
Lakehouse gezgini (karşıya yükle, Load to Tables)	Tek dosya, deneme	Aylık Excel’i bir kez
Kısayol	Kopya istemeyen	Başka alandaki Delta
Dataflow Gen2	Power Query bilen	SharePoint listesini temizleyip yaz
İşlem hattı, Copy job	Taşıma ve düzen	ERP’den gece kopyası
Not defteri, Spark iş tanımı	Kod bilen	Karmaşık dönüşüm, üretim ETL’i

SQL analiz uç noktası

Her lakehouse ile otomatik gelir. Salt okunurdur: SELECT evet; INSERT, UPDATE, DELETE hayır. Tablo oluşturamazsın, ama görünüm, satır içi fonksiyon, saklı yordam tanımlayabilirsin ve bunlar kalıcıdır. Veriyi değiştirmek için Spark gerekir. Ayrıca:

Yalnız Tables altındaki Delta tabloları görünür. Spark ile oluşturulan dış Delta tablolar ek kısayol olmadan görünmez.
Meta veri otomatik eşitlenir; ama anlık değildir. Yeni yazılan tablo hemen görünmediyse eşitleme sürüyor olabilir, manuel başlatma seçeneği için “SQL analytics endpoint metadata sync” sayfasına bak. İşlem hattında Refresh SQL analytics endpoint etkinliği vardır.
Burada tanımlanan SQL güvenliği yalnız uç noktadan erişimde geçerlidir; Spark’ı etkilemez.
Çok tablolu işlem (transaction) yoktur; ambarda vardır.

Varsayılan anlam modeli kalktıEski dokümanlar her lakehouse’un otomatik bir anlam modeli olduğunu yazar. Learn’e göre 5 Eylül 2025’ten beri bu model oluşturulmuyor; var olanlar 30 Kasım 2025’e kadar ayrılarak bağımsız modele dönüştü. Model artık elle oluşturulur (“Fabric’te anlam modeli” dersi).

Lakehouse mi, ambar mı, eventhouse mu?

	Lakehouse	Ambar	Eventhouse	SQL veritabanı
Amaç	Esnek depo, büyük veri işleme	Yönetilen SQL analitiği, BI	Yüksek hacimli olay	İşlemsel uygulama
Sorgu	Spark + salt okunur T-SQL	Tam T-SQL	KQL	Tam T-SQL
Yazma	Spark, veri akışı, işlem hattı	T-SQL, işlem hattı	Doğal alım	Uygulama
Ne zaman?	Çeşitli biçim, mühendislik, keşif	Yıldız şema, saklı yordam, çok tablolu işlem	Telemetri, log	Operasyon ve üstünde analiz

Doğru soru genelde “hangisi?” değil, “hangi katman nerede?”dir.

Katmanlı düzen: tunç, gümüş, altın

Learn lakehouse’u bu mimari için uygun bulur; Microsoft’un sabit bir tanımı olmadığı için ekipler kendi kurallarını yazar. Yaygın kullanım:

Katman	İçerik	Anadolu Market örneği
Tunç (bronze)	Ham veri, değişmeden	ERP’den gelen `Satislar.csv`, Files/ham
Gümüş (silver)	Temiz, türü doğru, tekil	`satis_temiz` Delta tablosu
Altın (gold)	İşe hazır yıldız şema	`FactSatis`, `DimUrun`; modelin kaynağı

Kural: raporlar altından okur. Ham veriyi silme; hatalı dönüşümde en baştan yeniden üretebilmek için gerekir. Üç katmanı üç lakehouse ya da aynı lakehouse’ta şema olarak tutmak ekip ölçeğine bağlıdır. Altın katmanın doğruluğunu DAX ile de sınarsın: toplamları ham veriyle karşılaştır.

EVALUATE
ROW(
    "Ham Tutar", SUM(Satislar[Tutar]),
    "İptal Hariç", CALCULATE(SUM(Satislar[Tutar]), Satislar[Durum] <> "İptal"),
    "Net Ölçü", [Net Satış]
)

Bu veride ham 1.346.190 ₺, iptal hariç ve [Net Satış] 1.250.772 ₺’dir. Altın toplam ölçüyle tutmuyorsa kural farklıdır.

Bölümleme ve dosya sağlığı

DP-600 dosya bölümlemeyi ayrıca sorar. Bölümleme, sorgunun gereksiz dosyaları atlamasını sağlar: sorgular çoğunlukla ay süzüyorsa aya göre bölmek yardımcı olur. Düşük kardinaliteli bir sütun seç; günlük ve müşteri düzeyi gibi yüksek kardinalite çok küçük dosya üretir. Küçük dosya sorunu ve OPTIMIZE, VACUUM “Lakehouse ödevi” dersinde. Direct Lake’in dosya ve satır grubu sınırları “Fabric’te anlam modeli” dersinde.

Kendi Fabric ortamında deneFabric deneme kapasitesi 60 gün sürer, F4 ya da F64 olarak açılır, OneLake’te 1 TB’a kadar yer verir. Başlatmak için Fabric hesabı ve kuruluşunun iki ayarı (Users can create Fabric items, Users can try Microsoft Fabric paid features) gerekir; uygunluk bölgeye ve kiracıya göre değişir, garanti değildir. Denemede Copilot, veri ajanı ve yapay zekâ fonksiyonları çalışmaz. Bitince öğeler pasif olur, içerik OneLake’te 7 gün durur. Güncel koşullar için resmî “Fabric trial capacity” sayfasına bak. Denemede “Lakehouse ödevi”ni yap. SQL uç noktasında INSERT dene, hatayı oku. Sonuç için beklenen değerler o derste.