Copy Files From Source Repo (2024-03-08 17:40)

Instructions/Labs/03-delta-lake.md

@@ -10,13 +10,13 @@ Microsoft Fabric のレイクハウスは、Apache Spark のオープンソー
 
 この演習の所要時間は約 **40** 分です
 
-> **注**:この演習を完了するには、Microsoft の"学校" または "職場" アカウントが必要です。**** お持ちでない場合は、[Microsoft Office 365 E3 以降の試用版にサインアップ](https://www.microsoft.com/microsoft-365/business/compare-more-office-365-for-business-plans)できます。
+> **注**:この演習を完了するには、Microsoft の "学校" または "職場" アカウントが必要です。**** お持ちでない場合は、[Microsoft Office 365 E3 以降の試用版にサインアップ](https://www.microsoft.com/microsoft-365/business/compare-more-office-365-for-business-plans)できます。
 
 ## ワークスペースの作成
 
 Fabric でデータを操作する前に、Fabric 試用版を有効にしてワークスペースを作成してください。
 
-1. [Microsoft Fabric ホーム ページ](https://app.fabric.microsoft.com) (`https://app.fabric.microsoft.com`) で、**[Synapse Data Engineering]** を選択します。
+1. [Microsoft Fabric ホーム ページ](https://app.fabric.microsoft.com)で、**Synapse Data Engineering** を選択します。
 2. 左側のメニュー バーで、 **[ワークスペース]** を選択します (アイコンは 🗇 に似ています)。
 3. 任意の名前で新しいワークスペースを作成し、Fabric 容量を含むライセンス モード ("試用版"、*Premium*、または *Fabric*) を選択します。**
 4. 開いた新しいワークスペースは空のはずです。
@@ -31,7 +31,7 @@ Fabric でデータを操作する前に、Fabric 試用版を有効にしてワ
 
     1 分ほど経つと、新しい空のレイクハウスが表示されます。 分析のために、データ レイクハウスにいくつかのデータを取り込む必要があります。 これを行うには複数の方法がありますが、この演習では、テキスト ファイルをローカル コンピューター (または、該当する場合はラボ VM) にダウンロードし、レイクハウスにアップロードするだけです。
 
-1. `https://github.com/MicrosoftLearning/dp-data/raw/main/products.csv` からこの演習用の[データ ファイル](https://github.com/MicrosoftLearning/dp-data/raw/main/products.csv)をダウンロードし、ローカル コンピューター (または、該当する場合はラボ VM) に **products.csv** として保存します。
+1. この演習用のデータ ファイルを `https://github.com/MicrosoftLearning/dp-data/raw/main/products.csv` からダウンロードし、ローカル コンピューター (または、該当する場合はラボ VM) に **products.csv** として保存します。
 
 1. レイクハウスを含む Web ブラウザー タブに戻り、**エクスプローラー** ペインの **Files** フォルダーの **[...]** メニューで、 **[新しいサブフォルダー]** を選択し、**products** という名前のフォルダーを作成します。
 
@@ -82,17 +82,13 @@ Fabric でデータを操作する前に、Fabric 試用版を有効にしてワ
 
 "マネージド" テーブルは、スキーマ メタデータとデータ ファイルの両方が Fabric によって管理されるテーブルです。** このテーブルのデータ ファイルは、**Tables** フォルダーに作成されます。
 
-1. 最初のコード セルから返された結果の下で、**[+ コード]** アイコンを使用して、新しいコード セルを追加します (まだない場合)。
-
-    > **ヒント**: **[+ コード]** アイコンを表示するには、マウスを現在のセルの出力のすぐ下の左側に移動します。 または、メニュー バーの **[編集]** タブで、**[+ コード セルの追加]** を選択します。
-
-2. 新しいセルに次のコードを入力して実行します。
+1. 最初のコード セルから返された結果の下にある **[+ コード]** ボタンを使用して、新しいコード セルを追加します (まだない場合)。 新しいセルに次のコードを入力して実行します。
 
     ```python
    df.write.format("delta").saveAsTable("managed_products")
     ```
 
-3. **レイクハウス エクスプローラー** ペインで、**Tables** フォルダーの **[...]** メニューにある **[更新]** を選択します。 次に、**Tables** ノードを展開し、**managed_products** テーブルが作成されていることを確認します。
+2. **レイクハウス エクスプローラー** ペインで、**Tables** フォルダーの **[...]** メニューにある **[更新]** を選択します。 次に、**Tables** ノードを展開し、**managed_products** テーブルが作成されていることを確認します。
 
 ### "外部" テーブルを作成する**
 
@@ -223,7 +219,7 @@ Fabric でデータを操作する前に、Fabric 試用版を有効にしてワ
 
 ## ストリーミング データにデルタ テーブルを使用する
 
-Delta Lake では、"ストリーミング" データがサポートされています。 デルタ テーブルは、Spark 構造化ストリーミング API を使用して作成されたデータ ストリームの "シンク" または "ソース" に指定できます。** ** この例では、モノのインターネット (IoT) のシミュレーション シナリオで、一部のストリーミング データのシンクにデルタ テーブルを使用します。
+Delta Lake では、ストリーミング データがサポートされています。 デルタ テーブルは、Spark 構造化ストリーミング API を使用して作成されたデータ ストリームの "シンク" または "ソース" に指定できます。** ** この例では、モノのインターネット (IoT) のシミュレーション シナリオで、一部のストリーミング データのシンクにデルタ テーブルを使用します。
 
 1. ノートブックに新しいコード セルを追加します。 この新しいセルに次のコードを追加して実行します。
 

Instructions/Labs/07-real-time-analytics.md

@@ -42,17 +42,34 @@ Kusto クエリ言語 (KQL) は、KQL データベースで定義されている
 3. 新しいデータベースが作成されたら、 **[ローカル ファイル]** からデータを取得するオプションを選択します。 次に、ウィザードを使用し、次のオプションを選択して新しいテーブルにデータをインポートします。
     - **[宛先]** :
         - **[データベース]** : *作成したデータベースが既に選択されています*
-        - **[テーブル]** : **sales** *という名前の新しいテーブルを作成します。*
-    - **ソース**:
-        - **ソースの種類**: ファイル
-        - **[ファイルのアップロード]** : *前にダウンロードしたファイルをドラッグまたは参照します*
-    - **[スキーマ]**:
-        - **圧縮の種類**: 非圧縮
-        - **データ形式**: CSV
-        - **[最初のレコードを無視する]** : *選択済み*
-        - **[マッピング名]** : sales_mapping
-    - **概要**:
-        - *テーブルのプレビューを確認し、ウィザードを閉じます。*
+        - **Table**:[新しいテーブル] の左側にある + 記号をクリックして、**sales** "という新しいテーブルを作成します"。********
+
+        ![新しいテーブル ウィザードの手順 1](./Images/import-wizard-local-file-1.png?raw=true)
+
+        - 同じウィンドウに **[ファイルをここにドラッグ] または [ファイルの参照]** ハイパーリンクが表示されます。
+
+        ![新しいテーブル ウィザードの手順 2](./Images/import-wizard-local-file-2.png?raw=true)
+
+        - **sales.csv** を参照するか画面にドラッグし、[状態] ボックスが緑色のチェック ボックスに変わるまで待ち、**[次へ]** を選びます
+
+        ![新しいテーブル ウィザードの手順 3](./Images/import-wizard-local-file-3.png?raw=true)
+
+        - この画面で、列見出しが 1 行目にあり、システムによって検出されていますが、エラーが発生しないように、これらの行の上にあるスライダー **[1 行目は列ヘッダーです]** を動かす必要があります。
+
+        ![新しいテーブル ウィザードの手順 4](./Images/import-wizard-local-file-4.png?raw=true)
+
+        - このスライダーを選び、すべてが適切に表示されたら、パネルの右下にある **[完了]** ボタンを選びます。
+
+        ![新しいテーブル ウィザードの手順 5](./Images/import-wizard-local-file-5.png?raw=true)
+
+        - 概要画面で以下のような手順が完了するまで待ちます。
+            - テーブル (sales) を作成する
+            - マッピングを作成する (sales_mapping)
+            - データ キュー
+            - インジェスト
+        - **[閉じる]** ボタンを選びます
+
+        ![新しいテーブル ウィザードの手順 6](./Images/import-wizard-local-file-6.png?raw=true)
 
 > **注**: この例では、ごく少量の静的データをファイルからインポートしました。この演習の目的のためにはそれで十分です。 実際には、Kusto を使用してもっと大量のデータ (Azure Event Hubs のようなストリーミング ソースからのデータなど) を分析できます。