Table of Contents

Direct Lake 指南

  • 2026-10-12
  • Morten Lønskov
Applies to:
  • ⚠ Tabular Editor 2
  • Tabular Editor 3 (Available since 3.22.0)
    ❌ Desktop
    ❌ Business
    ✔ Enterprise

随着 Tabular Editor 3.22.0 的发布，我们在支持 SQL 上的 Direct Lake 的基础上，新增了对 OneLake 上的 Direct Lake 的支持。本文简要介绍这两种模式之间的差异，并将它们与 Power BI 语义模型中其他可用的存储模式进行对比。

存储模式概览

下表汇总了 Power BI 语义模型中可用的存储模式：

存储模式 说明 推荐使用场景
导入 数据将导入语义模型，并存储在模型的内存缓存（VertiPaq）中。 适用于需要快速查询性能，且可以定期刷新数据的场景。
DirectQuery 数据会在查询时直接从数据源中获取，而不会导入到模型中。支持多种源，例如 SQL、KQL，甚至其他语义模型。 适用于需要实时访问数据，或数据量过大而无法装入内存的场景。
双重 一种混合模式：引擎会根据查询上下文，在返回已导入的数据与将查询委派给 DirectQuery 之间进行选择。 当你的模型同时包含 DirectQuery 表和导入表（例如使用聚合时），并且存在同时与两者相关联的表时。
在 OneLake 上的 Direct Lake 利用 Delta Parquet 存储格式，在需要时可快速将数据换入语义模型内存。 当你的数据已以表或物化视图的形式存在于 Fabric Warehouse 或 Lakehouse 中时。
在 SQL 上的 Direct Lake Direct Lake 的旧版本，使用 Fabric Warehouse 或 Lakehouse 的 SQL analytics endpoint。 不建议用于新开发（改用在 OneLake 上的 Direct Lake）。
Note

还可以创建同时包含 Import 和 DirectQuery 模式分区的表（也称为“混合表格”）。这通常用于需要增量刷新的大型事实表，其中一部分数据会直接从数据源查询。有关更多信息，请参阅这篇文章。

在 OneLake 上的 Direct Lake 与在 SQL 上的 Direct Lake

OneLake 上的 Direct Lake 于 2025 年三月推出，用作 SQL 上 Direct Lake 的替代方案。使用 OneLake 上的 Direct Lake 时，不依赖 SQL 终结点，也不会回退到 DirectQuery 模式。这也意味着，通常适用于 DirectQuery 模型的限制 并不适用于 OneLake 上的 Direct Lake 模型。

Note

OneLake 上的 Direct Lake 目前处于公开预览阶段。在使用此表存储模式创建语义模型之前，你必须先在 Fabric 管理门户中启用租户设置 User can create Direct Lake on OneLake semantic models (preview)。

不过，与 SQL 上的 Direct Lake 一样，仍然存在一些确实适用的限制。主要限制包括：

  • OneLake 表上的 Direct Lake 计算列目前以预览版形式提供支持，但仅限于_用户上下文_：其值会在查询时针对当前用户求值，而不会被物化。这意味着 Direct Lake 计算列会遵循行级安全性和对象级安全性，但不能用作关系键，也不会响应 Report 中的筛选器或切片器。如果结果必须响应筛选语境，请改用度量值。 Direct Lake on SQL 仍然完全不支持计算列。详情见开发 Direct Lake 语义模型。
  • 计算表格不能引用 Direct Lake 存储模式中的列或表。支持计算组、What-if 参数和字段参数，因为它们会创建不引用 Direct Lake 列的隐式计算表格。
  • 不支持将非物化 SQL 视图用作 OneLake 上的 Direct Lake 表的数据源。使用物化视图，或确保源 Delta 表包含所需的列。
  • 在 Direct Lake on OneLake 公开预览期间，不支持将 Lakehouse 中的快捷方式用作数据源。

如需查看完整且最新的限制列表，请参阅 Microsoft 关于 Direct Lake 注意事项和限制的文档。

复合模型

如果你需要的计算列必须已物化、可用作关系键，或能响应 Report 中的筛选器和切片器，那么上述预览版计算列功能还不够。在这种情况下，把 Direct Lake 表和导入表结合起来，创建一个 复合模型。 OneLake 上的 Direct Lake 支持这一点，但 SQL 上的 Direct Lake 不支持。在复合模型中，通常会将较大的事实表保留为 Direct Lake 模式，而对需要完整计算列功能或自定义分组的较小维度表使用导入模式。

OneLake 上的 Direct Lake 还支持通过 Tabular Editor 等基于 XMLA 的工具与 DirectQuery 表组合使用。可以通过 Power BI 网页建模、Power BI Desktop（实时编辑）或 XMLA 工具添加导入表。

Note

SQL 上的 Direct Lake 不支持复合模型。不能在同一个语义模型中，将 SQL 上的 Direct Lake 表与 Import、DirectQuery 或 Dual 存储模式表组合使用。但是，你可以使用 Power BI Desktop 在 SQL 上的 Direct Lake 语义模型 之上 创建复合模型，并通过添加新表进行扩展。更多信息见在语义模型上构建复合模型。

排序规则

使用 OneLake 上的 Direct Lake 时，模型的排序规则和导入模式一样，默认不区分大小写。

对于 SQL 上的 Direct Lake 模型，如果查询不会回退到 DirectQuery，则排序规则不区分大小写。如果查询发生回退，排序规则将取决于源端的排序规则。在 Fabric Warehouse 中，排序规则可能区分大小写；在这种情况下，你应在模型上指定区分大小写的排序规则。

Note

模型元数据一旦部署到 Analysis Services / Power BI，就无法再更改模型的排序规则。因此，如果你打算将 SQL 上的 Direct Lake 与区分大小写的 Fabric Warehouse 搭配使用，则必须在部署前先在模型元数据中设置排序规则：

  1. 在 Tabular Editor 3 中创建一个新模型（File > New > Model...）
  2. 取消选中“使用 Workspace 数据库”
  3. 将模型的 Collation 属性设置为 Latin1_General_100_BIN2_UTF8
  4. 保存模型（Ctrl+S）。
  5. 现在，打开你刚保存的文件中的模型。当系统提示连接到 Workspace 数据库时，请选择“Yes”。

采用这种方式，模型元数据会从一开始就以正确的排序规则部署。之后你就可以在 SQL 上的 Direct Lake 模式下添加表，而不会遇到排序规则问题。

表导入向导

要使用 Tabular Editor 3 的表导入向导添加 Direct Lake 表，请选择 Microsoft Fabric Lakehouse、Microsoft Fabric Warehouse、Microsoft Fabric SQL Database 或 Microsoft Fabric Mirrored Database 作为数据源：

表导入向导 Fabric

登录后，系统会显示一个列表，列出你有权访问的各个 Workspace 中所有可用的 Fabric Lakehouse/Warehouse。选择你想要连接的项，然后点击 确定：

表导入向导：选择 Lakehouse

除非你想指定自定义 SQL 查询，或将表配置为 DirectQuery 模式，否则直接点击 Next，从数据源的表/视图列表中选择：

表导入向导：从列表选择还是自定义查询

选择要导入的表/视图。请注意，Direct Lake on OneLake 模式不支持 非物化视图。尝试将此类视图添加到模型中，会在保存模型元数据时导致报错。

表导入向导：选择对象

在最后一页，选择要用哪种模式来配置表分区：

表导入向导：分区模式

可选项包括：

  • 在 OneLake 上的 Direct Lake
  • 在 SQL 上的 Direct Lake
  • 导入 (M)
Note

如果你正在处理的模型已经包含表，而该模型又不支持组合不同存储模式的表，那么上述一个或多个选项可能不可用。例如，如果模型中包含一个采用 Direct Lake on SQL 模式的表，你就不能再添加其他模式的表。

导入后的表已包含所有列，顺序与源中一致，因此导入后无需再运行 更新表架构。如果 Tabular Editor 无法确定 Lakehouse 或 Warehouse 的 SQL analytics endpoint，且导入设置中也未指定，则导入会失败，并显示一条指出缺少该设置的错误，同时不会创建任何表。

检查 Direct Lake 分区

Direct Lake 分区没有查询表达式。当你在 TOM Explorer 视图 中选中某个分区时，表达式编辑器 会显示其 Data Coverage Definition Expression；如果该分区没有数据覆盖定义，则不显示任何内容。由增量刷新策略生成的分区也是如此。

Power Query (M) 表达式

本节会更偏技术性地说明：如果你想在不使用“表导入向导”的情况下，手动将表设置为 Direct Lake 模式，需要如何配置 TOM 对象和属性。

在 OneLake 上的 Direct Lake

要手动将表设置为 OneLake 上的 Direct Lake 模式，需要执行以下操作：

  1. 创建共享表达式：Direct Lake 表使用“Entity”分区，该分区必须引用模型中的共享表达式。如果你还没有，请先创建这个共享表达式。将其命名为 DatabaseQuery：

创建共享表达式

  1. 配置共享表达式：将你在步骤 1 中创建的表达式的 Kind 属性设为“ M ”，并将 Expression 属性设置为以下 M 查询，同时将 URL 中的 ID 替换为你的 Fabric Workspace 和 Lakehouse/Warehouse 对应的 ID：
let
    Source = AzureStorage.DataLake("https://onelake.dfs.fabric.microsoft.com/<workspace-id>/<resource-id>", [HierarchicalNavigation=true])
in
    Source
  1. 创建表和 Entity 分区：在模型中创建一个新表（Alt+5），然后在 TOM Explorer 中展开该表的分区，并创建一个新的 Entity 分区：

创建 Entity 分区

删除你创建表时自动生成的常规导入分区。

  1. 配置 Entity 分区：为 Entity 分区设置以下属性：
属性 值
姓名 （推荐）设置为与表相同的名称
实体名称 （必填）设置为 Lakehouse/Warehouse 中该表的名称
表达式来源 （必填）设置为在步骤 1 中创建的共享表达式，通常为 DatabaseQuery
模式 （必填）DirectLake
架构名称 （可选）如适用，将其设置为 Lakehouse/Warehouse 中的架构名称。如果未设置，将使用默认架构。

最终结果应如下所示：

配置实体分区

  1. 更新列元数据：在此阶段，你应该可以使用 Tabular Editor 的 Update Table Schema 功能来更新该表的列元数据。这将自动从 Lakehouse/Warehouse 检索列名和数据类型：

更新表架构实体

或者，手动向表中添加数据列（Alt+4），并为每一列指定 Name、Data Type、Source Column 以及其他相关属性。

Note

将 Direct Lake 表添加到模型后，在首次部署元数据后需要手动“刷新”一次。否则，查询该表时不会返回任何数据。此刷新只需执行一次。如果已在 工具 > 偏好 > 模型部署 > 数据刷新 下启用 保存新表时自动刷新，Tabular Editor 3 会在保存模型元数据时自动刷新该表。

在 SQL 上的 Direct Lake

要手动将表设置为 SQL 上的 Direct Lake 模式，请按照上文“在 OneLake 上使用 Direct Lake”一节的步骤操作，但在共享表达式中改用以下 M 查询：

let
    database = Sql.Database("<sql-endpoint>", "<warehouse/lakehouse name>")
in
    database

将 <sql-endpoint> 替换为 Fabric Warehouse 的 SQL analytics endpoint 或 Lakehouse 的 SQL analytics endpoint 的连接字符串，并将 <warehouse/lakehouse name> 替换为相应 Warehouse 或 Lakehouse 的名称。

从 Lakehouse / Warehouse 导入

如果你希望在从 Fabric Lakehouse 或 Warehouse 获取数据的同时，将表配置为 导入 模式，可按以下步骤操作：

  1. 创建表：在模型中创建一个新表（Alt+5），然后在 TOM Explorer 中展开该表的分区。默认情况下，你应该会看到系统自动创建了一个类型为“Import”的单个分区：

M 导入分区

  1. 配置 Import 分区：在 Import 分区上设置以下 M 查询：
let
    Source = Sql.Database("<sql-endpoint>","<warehouse/lakehouse name>"),
    Data = Source{[Schema="<schema-name>",Item="<table/view-name>"]}[Data]
in
    Data

将 <sql-endpoint> 替换为 Fabric Warehouse 的 SQL analytics endpoint 或 Lakehouse 的 SQL analytics endpoint 的连接字符串，并将 <warehouse/lakehouse name> 替换为相应 Warehouse 或 Lakehouse 的名称。

将 <schema-name> 替换为 Warehouse/Lakehouse 中的架构名称，并将 <table/view-name> 替换为你要导入的表或视图名称。请注意，导入模式中的表可以使用非物化视图作为数据源，因为在刷新期间，数据会通过 SQL endpoint 进行查询。

  1. 更新列元数据（仅限手动设置）：由于你手动配置的分区不包含任何列，请使用 Tabular Editor 的 更新表架构 功能，从 Lakehouse/Warehouse 检索列名和数据类型。或者，也可以手动创建数据列（Alt+4），并为每列指定 Name、Data Type、Source Column 以及其他相关属性。

在不同存储模式之间转换

根据本文中的信息，在 Direct Lake on SQL 与 Direct Lake on OneLake 之间转换很简单，因为你只需要修改 Direct Lake 分区所引用的共享表达式的 M 查询。

如果你想从导入模式转换为 Direct Lake，会稍微复杂一些，因为涉及不同的分区类型。

为简化操作，我们准备了一组 C# Script，可帮助你在不同存储模式之间进行转换：