As APIs APPLY CHANGES: Simplifique a captura de dados de alteração com DLT

Artigo
03/05/2025

A DLT simplifica a captura de dados de alteração (CDC) com as APIs APPLY CHANGES e APPLY CHANGES FROM SNAPSHOT. A interface que você usa depende da fonte de dados de alteração:

Use APPLY CHANGES para processar alterações de um feed de dados de alteração (CDF).
Use o APPLY CHANGES FROM SNAPSHOT (Visualização Pública) para processar alterações em instantâneos de banco de dados.

Anteriormente, a instrução MERGE INTO era normalmente usada para processar registros CDC no Azure Databricks. No entanto, MERGE INTO pode produzir resultados incorretos devido a registros fora de sequência ou requer lógica complexa para reordenar registros.

A API APPLY CHANGES é suportada nas interfaces DLT SQL e Python. A API APPLY CHANGES FROM SNAPSHOT é suportada na interface DLT Python.

Tanto o APPLY CHANGES quanto o APPLY CHANGES FROM SNAPSHOT suportam a atualização de tabelas usando SCD tipo 1 e tipo 2:

Use o SCD tipo 1 para atualizar registros diretamente. O histórico não é retido para registros atualizados.
Use o SCD tipo 2 para manter um histórico de registros, seja em todas as atualizações ou em atualizações de um conjunto especificado de colunas.

Para sintaxe e outras referências, consulte:

Observação

Este artigo descreve como atualizar tabelas em seu pipeline de DLT com base em alterações nos dados de origem. Para saber como registrar e consultar informações de alteração ao nível da linha para tabelas Delta, veja Usar o feed de Mudança de Dados do Delta Lake no Azure Databricks.

Requerimentos

Para utilizar as APIs CDC, o seu pipeline deve ser configurado para utilizar pipelines DLT sem servidor ou as edições Pro, Advanced,,do DLT.

Como o CDC é implementado com a API `APPLY CHANGES`?

Ao lidar automaticamente com registros fora de sequência, a API APPLY CHANGES em DLT garante o processamento correto de registros CDC e elimina a necessidade de desenvolver uma lógica complexa para lidar com registros fora de sequência. Você deve especificar uma coluna nos dados de origem na qual sequenciar registros, que a DLT interpreta como uma representação monotonicamente crescente da ordenação adequada dos dados de origem. A DLT processa automaticamente os dados que chegam fora de ordem. Para alterações do tipo 2 do SCD, a DLT propaga os valores de sequenciamento apropriados para as colunas __START_AT e __END_AT da tabela de destino. Deve haver uma atualização distinta por chave em cada valor de sequenciamento, e os valores de sequenciamento NULL não são suportados.

Para executar o processamento CDC com APPLY CHANGES, primeiro crie uma tabela de streaming e, em seguida, use a instrução APPLY CHANGES INTO em SQL ou a função apply_changes() em Python para especificar a origem, as chaves e o sequenciamento para o feed de alterações. Para criar a tabela de streaming de destino, use a instrução CREATE OR REFRESH STREAMING TABLE em SQL ou a função create_streaming_table() em Python. Consulte os SCD tipo 1 e tipo 2 processamento exemplos.

Para obter detalhes de sintaxe, consulte o SQL de referência DLT ou o Python de referência .

Como o CDC é implementado com a API `APPLY CHANGES FROM SNAPSHOT`?

Importante

A API APPLY CHANGES FROM SNAPSHOT está em Visualização Pública .

APPLY CHANGES FROM SNAPSHOT é uma API declarativa que determina eficientemente as alterações nos dados de origem comparando uma série de instantâneos em ordem e, em seguida, executa o processamento necessário para o processamento CDC dos registros nos instantâneos. APPLY CHANGES FROM SNAPSHOT é suportado apenas pela interface DLT Python.

APPLY CHANGES FROM SNAPSHOT suporta a ingestão de snapshots de vários tipos de origem:

Use a ingestão periódica de instantâneos para ingerir instantâneos de uma tabela ou exibição existente. APPLY CHANGES FROM SNAPSHOT tem uma interface simples e simplificada para suportar a ingestão periódica de instantâneos de um objeto de banco de dados existente. Um novo snapshot é ingerido com cada atualização de pipeline e o tempo de ingestão é usado como a versão do snapshot. Quando um pipeline é executado no modo contínuo, vários snapshots são incorporados com cada atualização de pipeline, em um período determinado pela configuração do intervalo do gatilho definido em para o fluxo que contém o processamento APPLY CHANGES FROM SNAPSHOT.
Utilize a ingestão de instantâneos históricos para processar ficheiros que contenham instantâneos de bases de dados, como os gerados a partir de uma base de dados Oracle ou MySQL ou de um data warehouse.

Para executar o processamento CDC de qualquer tipo de origem com APPLY CHANGES FROM SNAPSHOT, primeiro crie uma tabela de streaming e, em seguida, use a função apply_changes_from_snapshot() em Python para especificar o instantâneo, as chaves e outros argumentos necessários para implementar o processamento. Veja os exemplos de ingestão periódica de instantâneos e de ingestão de instantâneos históricos .

Os snapshots passados para a API devem estar em ordem crescente por versão. Se a DLT detetar um instantâneo fora de ordem, um erro será lançado.

Para obter detalhes de sintaxe, consulte a referência DLT Python.

Limitações

A coluna usada para o sequenciamento deve ser um tipo de dados classificável.

Exemplo: processamento de SCD tipo 1 e tipo 2 com dados de origem CDF

As seções a seguir fornecem exemplos de consultas DLT SCD tipo 1 e tipo 2 que atualizam tabelas de destino com base em eventos de origem de um feed de dados de alteração que:

Cria novos registros de usuário.
Exclui um registro de usuário.
Atualiza os registros do usuário. No exemplo SCD tipo 1, as últimas operações UPDATE chegam atrasadas e são removidas da tabela de destino, demonstrando a manipulação de eventos fora de ordem.

Os exemplos a seguir pressupõem familiaridade com a configuração e atualização de pipelines DLT. Consulte Tutorial: Executar o teu primeiro pipeline de DLT.

Para executar esses exemplos, você deve começar criando um conjunto de dados de exemplo. Veja Gerar dados de teste.

A seguir estão os registros de entrada para esses exemplos:

userId	Nome	cidade	Funcionamento	sequênciaNum
124	Raul	Oaxaca	INSERT	1
123	Isabel	Monterrey	INSERT	1
125	Mercedes	Tijuana	INSERT	2
126	Lírio	Cancún	INSERT	2
123	nulo	nulo	SUPRIMIR	6
125	Mercedes	Guadalajara	UPDATE	6
125	Mercedes	Mexicali	UPDATE	5
123	Isabel	Chihuahua	UPDATE	5

Se você descomentar a linha final nos dados de exemplo, ele inserirá o seguinte registro que especifica onde os registros devem ser truncados:

userId	Nome	cidade	Funcionamento	sequênciaNum
nulo	nulo	nulo	TRUNCAR	3

Observação

Todos os exemplos a seguir incluem opções para especificar operações DELETE e TRUNCATE, mas cada uma é opcional.

Processar atualizações do tipo 1 do SCD

O exemplo a seguir demonstra o processamento de atualizações do SCD tipo 1:

Python

import dlt
from pyspark.sql.functions import col, expr

@dlt.view
def users():
  return spark.readStream.table("cdc_data.users")

dlt.create_streaming_table("target")

dlt.apply_changes(
  target = "target",
  source = "users",
  keys = ["userId"],
  sequence_by = col("sequenceNum"),
  apply_as_deletes = expr("operation = 'DELETE'"),
  apply_as_truncates = expr("operation = 'TRUNCATE'"),
  except_column_list = ["operation", "sequenceNum"],
  stored_as_scd_type = 1
)

SQL

-- Create and populate the target table.
CREATE OR REFRESH STREAMING TABLE target;

APPLY CHANGES INTO
  target
FROM
  stream(cdc_data.users)
KEYS
  (userId)
APPLY AS DELETE WHEN
  operation = "DELETE"
APPLY AS TRUNCATE WHEN
  operation = "TRUNCATE"
SEQUENCE BY
  sequenceNum
COLUMNS * EXCEPT
  (operation, sequenceNum)
STORED AS
  SCD TYPE 1;

Depois de executar o exemplo SCD tipo 1, a tabela de destino contém os seguintes registros:

userId	Nome	cidade
124	Raul	Oaxaca
125	Mercedes	Guadalajara
126	Lírio	Cancún

Depois de executar o exemplo SCD tipo 1 com o registo adicional TRUNCATE, os registos 124 e 126 são truncados devido à operação TRUNCATE em sequenceNum=3, e a tabela de destino contém o seguinte registo:

userId	Nome	cidade
125	Mercedes	Guadalajara

Processar atualizações do tipo 2 do SCD

O exemplo a seguir demonstra o processamento de atualizações do tipo 2 do SCD:

Python

import dlt
from pyspark.sql.functions import col, expr

@dlt.view
def users():
  return spark.readStream.table("cdc_data.users")

dlt.create_streaming_table("target")

dlt.apply_changes(
  target = "target",
  source = "users",
  keys = ["userId"],
  sequence_by = col("sequenceNum"),
  apply_as_deletes = expr("operation = 'DELETE'"),
  except_column_list = ["operation", "sequenceNum"],
  stored_as_scd_type = "2"
)

SQL

-- Create and populate the target table.
CREATE OR REFRESH STREAMING TABLE target;

APPLY CHANGES INTO
  target
FROM
  stream(cdc_data.users)
KEYS
  (userId)
APPLY AS DELETE WHEN
  operation = "DELETE"
SEQUENCE BY
  sequenceNum
COLUMNS * EXCEPT
  (operation, sequenceNum)
STORED AS
  SCD TYPE 2;

Depois de executar o exemplo SCD tipo 2, a tabela de destino contém os seguintes registros:

userId	Nome	cidade	__START_AT	__END_AT
123	Isabel	Monterrey	1	5
123	Isabel	Chihuahua	5	6
124	Raul	Oaxaca	1	nulo
125	Mercedes	Tijuana	2	5
125	Mercedes	Mexicali	5	6
125	Mercedes	Guadalajara	6	nulo
126	Lírio	Cancún	2	nulo

Uma consulta SCD tipo 2 também pode especificar um subconjunto de colunas de saída a serem rastreadas para o histórico na tabela de destino. As alterações em outras colunas são atualizadas no local, em vez de gerar novos registros de histórico. O exemplo a seguir demonstra a exclusão da coluna city do rastreamento:

O exemplo a seguir demonstra o uso do histórico de faixas com SCD tipo 2:

Python

import dlt
from pyspark.sql.functions import col, expr

@dlt.view
def users():
  return spark.readStream.table("cdc_data.users")

dlt.create_streaming_table("target")

dlt.apply_changes(
  target = "target",
  source = "users",
  keys = ["userId"],
  sequence_by = col("sequenceNum"),
  apply_as_deletes = expr("operation = 'DELETE'"),
  except_column_list = ["operation", "sequenceNum"],
  stored_as_scd_type = "2",
  track_history_except_column_list = ["city"]
)

SQL

-- Create and populate the target table.
CREATE OR REFRESH STREAMING TABLE target;

APPLY CHANGES INTO
  target
FROM
  stream(cdc_data.users)
KEYS
  (userId)
APPLY AS DELETE WHEN
  operation = "DELETE"
SEQUENCE BY
  sequenceNum
COLUMNS * EXCEPT
  (operation, sequenceNum)
STORED AS
  SCD TYPE 2
TRACK HISTORY ON * EXCEPT
  (city)

Depois de executar este exemplo sem o registro de TRUNCATE adicional, a tabela de destino contém os seguintes registros:

userId	Nome	cidade	__START_AT	__END_AT
123	Isabel	Chihuahua	1	6
124	Raul	Oaxaca	1	nulo
125	Mercedes	Guadalajara	2	nulo
126	Lírio	Cancún	2	nulo

Gerar dados de teste

O código abaixo é fornecido para gerar um conjunto de dados de exemplo para uso nas consultas de exemplo presentes neste tutorial. Supondo que você tenha as credenciais adequadas para criar um novo esquema e criar uma nova tabela, você pode executar essas instruções com um bloco de anotações ou Databricks SQL. O seguinte código não foi destinado a ser executado como parte de um pipeline DLT:

CREATE SCHEMA IF NOT EXISTS cdc_data;

CREATE TABLE
  cdc_data.users
AS SELECT
  col1 AS userId,
  col2 AS name,
  col3 AS city,
  col4 AS operation,
  col5 AS sequenceNum
FROM (
  VALUES
  -- Initial load.
  (124, "Raul",     "Oaxaca",      "INSERT", 1),
  (123, "Isabel",   "Monterrey",   "INSERT", 1),
  -- New users.
  (125, "Mercedes", "Tijuana",     "INSERT", 2),
  (126, "Lily",     "Cancun",      "INSERT", 2),
  -- Isabel is removed from the system and Mercedes moved to Guadalajara.
  (123, null,       null,          "DELETE", 6),
  (125, "Mercedes", "Guadalajara", "UPDATE", 6),
  -- This batch of updates arrived out of order. The above batch at sequenceNum 6 will be the final state.
  (125, "Mercedes", "Mexicali",    "UPDATE", 5),
  (123, "Isabel",   "Chihuahua",   "UPDATE", 5)
  -- Uncomment to test TRUNCATE.
  -- ,(null, null,      null,          "TRUNCATE", 3)
);

Exemplo: processamento periódico de snapshot

O exemplo a seguir demonstra o processamento SCD tipo 2 que ingere instantâneos de uma tabela armazenada em mycatalog.myschema.mytable. Os resultados do processamento são gravados em uma tabela chamada target.

mycatalog.myschema.mytable registos na marca temporal 2024-01-01 00:00:00

Chave	Valor
1	a1
2	a2

mycatalog.myschema.mytable registros no timestamp 2024-01-01 12:00:00

Chave	Valor
2	b2
3	a3

import dlt

@dlt.view(name="source")
def source():
 return spark.read.table("mycatalog.myschema.mytable")

dlt.create_streaming_table("target")

dlt.apply_changes_from_snapshot(
 target="target",
 source="source",
 keys=["key"],
 stored_as_scd_type=2
)

Depois de processar os instantâneos, a tabela de destino contém os seguintes registros:

Chave	Valor	__START_AT	__END_AT
1	a1	2024-01-01 00:00:00	2024-01-01 12:00:00
2	a2	2024-01-01 00:00:00	2024-01-01 12:00:00
2	b2	2024-01-01 12:00:00	nulo
3	a3	2024-01-01 12:00:00	nulo

Exemplo: processamento de instantâneos históricos

O exemplo a seguir demonstra o processamento SCD tipo 2 que atualiza uma tabela de destino com base em eventos de origem de dois snapshots armazenados em um sistema de armazenamento em nuvem:

Snapshot em timestamp, armazenado em /<PATH>/filename1.csv

Chave	Coluna de Acompanhamento	ColunaSemRastreamento
1	a1	b1
2	a2	b2
4	a4	b4

Snapshot em timestamp + 5, armazenado em /<PATH>/filename2.csv

Chave	Coluna de Rastreamento	ColunaNãoRastreável
2	a2_new	b2
3	a3	b3
4	a4	b4_new

O exemplo de código a seguir demonstra o processamento de atualizações SCD tipo 2 com esses instantâneos:

import dlt

def exist(file_name):
  # Storage system-dependent function that returns true if file_name exists, false otherwise

# This function returns a tuple, where the first value is a DataFrame containing the snapshot
# records to process, and the second value is the snapshot version representing the logical
# order of the snapshot.
# Returns None if no snapshot exists.
def next_snapshot_and_version(latest_snapshot_version):
  latest_snapshot_version = latest_snapshot_version or 0
  next_version = latest_snapshot_version + 1
  file_name = "dir_path/filename_" + next_version + ".csv"
  if (exist(file_name)):
    return (spark.read.load(file_name), next_version)
   else:
     # No snapshot available
     return None

dlt.create_streaming_live_table("target")

dlt.apply_changes_from_snapshot(
  target = "target",
  source = next_snapshot_and_version,
  keys = ["Key"],
  stored_as_scd_type = 2,
  track_history_column_list = ["TrackingCol"]
)

Depois de processar os instantâneos, a tabela de destino contém os seguintes registros:

Chave	Coluna de Rastreamento	ColunaSemRastreamento	__START_AT	__END_AT
1	a1	b1	1	2
2	a2	b2	1	2
2	a2_new	b2	2	nulo
3	a3	b3	2	nulo
4	a4	b4_new	1	nulo

Adicionar, alterar ou excluir dados em uma tabela de streaming de destino

Se o pipeline publicar tabelas no Unity Catalog, poderá usar instruções de linguagem de manipulação de dados ( DML), incluindo as instruções insert, update, delete e merge, para modificar as tabelas de streaming de destino criadas por instruções APPLY CHANGES INTO.

Observação

Não há suporte para instruções DML que modificam o esquema de tabela de uma tabela de streaming. Certifique-se de que suas instruções DML não tentem evoluir o esquema da tabela.
As instruções DML que atualizam uma tabela de streaming podem ser executadas somente em um cluster compartilhado do Catálogo Unity ou em um armazém SQL usando o Databricks Runtime 13.3 LTS e superior.
Como o streaming requer fontes de dados que apenas permitem acréscimos, se o seu processamento exigir streaming a partir de uma tabela de streaming de origem com alterações (por exemplo, por instruções DML), defina o sinalizador skipChangeCommits ao ler a tabela de origem no streaming. Quando skipChangeCommits é definido, as transações que excluem ou modificam registros na tabela de origem são ignoradas. Se o teu processamento não exigir uma tabela de streaming, podes usar uma vista materializada (que não possui a restrição de apenas inserção) como tabela de destino.

Como a DLT usa uma coluna de SEQUENCE BY especificada e propaga valores de sequenciamento apropriados para as colunas __START_AT e __END_AT da tabela de destino (para SCD tipo 2), você deve garantir que as instruções DML usem valores válidos para essas colunas para manter a ordenação adequada dos registros. Consulte Como o CDC é implementado com a API APPLY CHANGES?.

Para obter mais informações sobre como usar instruções DML com tabelas de streaming, consulte Adicionar, alterar ou excluir dados em uma tabela de streaming.

O exemplo a seguir insere um registro ativo com uma sequência inicial de 5:

INSERT INTO my_streaming_table (id, name, __START_AT, __END_AT) VALUES (123, 'John Doe', 5, NULL);

Ler um fluxo de dados de alteração de uma tabela de destino `APPLY CHANGES`

No Databricks Runtime 15.2 e superior, você pode ler um feed de dados de alteração de uma tabela de streaming que é o destino de consultas APPLY CHANGES ou APPLY CHANGES FROM SNAPSHOT da mesma forma que lê um feed de dados de alteração de outras tabelas Delta. Os seguintes requisitos são necessários para aceder ao fluxo de dados de alterações de uma tabela de streaming de destino:

A tabela de streaming de destino deve ser publicada no Catálogo Unity. Consulte Utilizar o catálogo Unity com os seus pipelines de DLT.
Para ler o feed de dados de alteração da tabela de streaming de destino, você deve usar o Databricks Runtime 15.2 ou superior. Para ler o feed de dados de alteração numa outra linha de processamento DLT, a linha de processamento deve ser configurada para utilizar o Databricks Runtime 15.2 ou superior.

Lês o feed de dados de alteração de uma tabela de destino em streaming que foi criada numa pipeline DLT da mesma forma que lês um feed de dados de alteração de outras tabelas Delta. Para saber mais sobre como usar a funcionalidade de feed de dados de alteração Delta, incluindo exemplos em Python e SQL, consulte Usar feed de dados de alteração Delta Lake no Azure Databricks.

Observação

O registo de feed de dados de alteração inclui metadados identificando o tipo de evento de alteração. Quando um registo é atualizado numa tabela, os metadados para os registos de alteração associados geralmente incluem valores de _change_type definidos como eventos de update_preimage e update_postimage.

No entanto, os valores _change_type são diferentes se forem feitas atualizações na tabela de streaming de destino que incluam a alteração de valores de chave primária. Quando as alterações incluem atualizações de chaves primárias, os campos de metadados _change_type são definidos como insert e delete eventos. As alterações nas chaves primárias podem ocorrer quando atualizações manuais são feitas em um dos campos-chave com uma instrução UPDATE ou MERGE ou, para tabelas SCD tipo 2, quando o campo __start_at é alterado para refletir um valor de sequência inicial anterior.

A consulta APPLY CHANGES determina os valores de chave primária, que diferem para processamento de SCD tipo 1 e SCD tipo 2:

Para o processamento SCD tipo 1 e a interface DLT Python, a chave primária é o valor do parâmetro keys na função apply_changes(). Para a interface DLT SQL, a chave primária são as colunas definidas pela cláusula KEYS na instrução APPLY CHANGES INTO.
Para SCD tipo 2, a chave primária é o parâmetro keys ou a cláusula KEYS mais o valor de retorno da operação coalesce(__START_AT, __END_AT), onde __START_AT e __END_AT são as colunas correspondentes da tabela de streaming de destino.

Obter dados sobre registros processados por uma consulta CDC DLT

Observação

As métricas a seguir são capturadas apenas por consultas APPLY CHANGES e não por consultas APPLY CHANGES FROM SNAPSHOT.

As métricas a seguir são capturadas por consultas APPLY CHANGES:

num_upserted_rows: O número de linhas de saída inseridas no conjunto de dados durante uma atualização.
num_deleted_rows: O número de linhas de saída existentes excluídas do conjunto de dados durante uma atualização.

A métrica num_output_rows, saída para fluxos não CDC, não é capturada para consultas apply changes.

Quais objetos de dados são usados para processamento DLT CDC?

Observação

Estas estruturas de dados aplicam-se apenas ao tratamento APPLY CHANGES e não ao tratamento APPLY CHANGES FROM SNAPSHOT.
Essas estruturas de dados se aplicam somente quando a tabela de destino é publicada no metastore do Hive. Se um pipeline for publicado no Unity Catalog, as tabelas de suporte internas ficarão inacessíveis aos utilizadores.

Quando você declara a tabela de destino no metastore do Hive, duas estruturas de dados são criadas:

Um modo de exibição usando o nome atribuído à tabela de destino.
Uma tabela de suporte interna usada pela DLT para gerenciar o processamento CDC. Esta tabela é nomeada ao adicionar __apply_changes_storage_ ao nome da tabela de destino.

Por exemplo, se você declarar uma tabela de destino chamada dlt_cdc_target, verá uma exibição chamada dlt_cdc_target e uma tabela chamada __apply_changes_storage_dlt_cdc_target no metastore. A criação de uma exibição permite que a DLT filtre as informações extras (por exemplo, lápides e versões) necessárias para lidar com dados fora de ordem. Para visualizar os dados processados, consulte a vista de destino. Como o esquema da tabela __apply_changes_storage_ pode ser alterado para oferecer suporte a recursos ou aprimoramentos futuros, você não deve consultar a tabela para uso em produção. Se você adicionar dados manualmente à tabela, presume-se que os registros venham antes de outras alterações porque as colunas de versão estão ausentes.

Partilhar via

As APIs APPLY CHANGES: Simplifique a captura de dados de alteração com DLT

Requerimentos

Como o CDC é implementado com a API `APPLY CHANGES`?

Como o CDC é implementado com a API `APPLY CHANGES FROM SNAPSHOT`?

Limitações

Exemplo: processamento de SCD tipo 1 e tipo 2 com dados de origem CDF

Processar atualizações do tipo 1 do SCD

Python

SQL

Processar atualizações do tipo 2 do SCD

Python

SQL

Python

SQL

Gerar dados de teste

Exemplo: processamento periódico de snapshot

Exemplo: processamento de instantâneos históricos

Adicionar, alterar ou excluir dados em uma tabela de streaming de destino

Ler um fluxo de dados de alteração de uma tabela de destino `APPLY CHANGES`

Obter dados sobre registros processados por uma consulta CDC DLT

Quais objetos de dados são usados para processamento DLT CDC?

Comentários

Recursos adicionais

Partilhar via

As APIs APPLY CHANGES: Simplifique a captura de dados de alteração com DLT

Requerimentos

Como o CDC é implementado com a API APPLY CHANGES?

Como o CDC é implementado com a API APPLY CHANGES FROM SNAPSHOT?

Limitações

Exemplo: processamento de SCD tipo 1 e tipo 2 com dados de origem CDF

Processar atualizações do tipo 1 do SCD

Python

SQL

Processar atualizações do tipo 2 do SCD

Python

SQL

Python

SQL

Gerar dados de teste

Exemplo: processamento periódico de snapshot

Exemplo: processamento de instantâneos históricos

Adicionar, alterar ou excluir dados em uma tabela de streaming de destino

Ler um fluxo de dados de alteração de uma tabela de destino APPLY CHANGES

Obter dados sobre registros processados por uma consulta CDC DLT

Quais objetos de dados são usados para processamento DLT CDC?

Comentários

Recursos adicionais

Como o CDC é implementado com a API `APPLY CHANGES`?

Como o CDC é implementado com a API `APPLY CHANGES FROM SNAPSHOT`?

Ler um fluxo de dados de alteração de uma tabela de destino `APPLY CHANGES`