Share via

Minimera SQL-problem för Teradata-migreringar

  • Artikel

Den här artikeln är del fem i en serie i sju delar som ger vägledning om hur du migrerar från Teradata till Azure Synapse Analytics. Fokus i den här artikeln är metodtips för att minimera SQL-problem.

Översikt

Egenskaper för Teradata-miljöer

Tips

Teradata banade väg för storskaliga SQL-databaser med MPP på 1980-talet.

1984 släppte Teradata sin databasprodukt. Den introducerade MPP-tekniker (massivt parallell bearbetning) för att möjliggöra databearbetning i en skala mer effektivt än de befintliga stordatorteknikerna som var tillgängliga vid den tidpunkten. Sedan dess har produkten utvecklats och har många installationer bland stora finansiella institutioner, telekommunikationer och detaljhandelsföretag. Den ursprungliga implementeringen använde egen maskinvara och var kanalansluten till stordatorer – vanligtvis IBM- eller IBM-kompatibla processorer.

Även om nyare meddelanden har inkluderat nätverksanslutning och tillgängligheten för Teradata-teknikstacken i molnet (inklusive Azure), finns de flesta befintliga installationer lokalt, så många användare överväger att migrera vissa eller alla sina Teradata-data till Azure Synapse Analytics för att få fördelarna med en övergång till en modern molnmiljö.

Tips

Många befintliga Teradata-installationer är informationslager med hjälp av en dimensionsdatamodell.

Teradata-teknik används ofta för att implementera ett informationslager som stöder komplexa analysfrågor på stora datavolymer med SQL. Dimensionsdatamodeller – star- eller snowflake-scheman – är vanliga, liksom implementeringen av data marts för enskilda avdelningar.

Den här kombinationen av SQL- och dimensionsdatamodeller förenklar migreringen till Azure Synapse, eftersom de grundläggande begreppen och SQL-färdigheterna kan överföras. Den rekommenderade metoden är att migrera den befintliga datamodellen i befintligt läge för att minska risken och den tid det tar. Även om den slutliga avsikten är att göra ändringar i datamodellen (till exempel flytta till en datavalvsmodell), utföra en inledande migrering i befintligt läge och sedan göra ändringar i Azure-molnmiljön, utnyttja prestanda, elastisk skalbarhet och kostnadsfördelar där.

Sql-språket har standardiserats, men enskilda leverantörer har i vissa fall implementerat patentskyddade tillägg. Det här dokumentet belyser potentiella SQL-skillnader som du kan stöta på när du migrerar från en äldre Teradata-miljö och tillhandahåller lösningar.

Använda en Azure VM Teradata-instans som en del av en migrering

Tips

Använd en virtuell Azure-dator för att skapa en tillfällig Teradata-instans för att påskynda migreringen och minimera påverkan på källsystemet.

Utnyttja Azure-miljön när du kör en migrering från en lokal Teradata-miljö. Azure ger prisvärd molnlagring och elastisk skalbarhet för att skapa en Teradata-instans i en virtuell dator i Azure, i samverkan med målmiljön Azure Synapse.

Med den här metoden kan Teradata-standardverktyg som Teradata Parallel Data Transporter (eller datareplikeringsverktyg från tredje part som Attunity Replicate) användas för att effektivt flytta delmängden av Teradata-tabeller som ska migreras till VM-instansen, och sedan kan alla migreringsuppgifter utföras i Azure-miljön. Den här metoden har flera fördelar:

  • Efter den första replikeringen av data påverkas inte källsystemet av migreringsuppgifterna.

  • De välbekanta Teradata-gränssnitten, verktygen och verktygen är tillgängliga i Azure-miljön.

  • Väl i Azure-miljön finns det inga potentiella problem med tillgängligheten för nätverksbandbredd mellan det lokala källsystemet och molnmålsystemet.

  • Verktyg som Azure Data Factory kan effektivt anropa verktyg som Teradata Parallel Transporter för att migrera data snabbt och enkelt.

  • Migreringsprocessen samordnas och kontrolleras helt i Azure-miljön.

Använda Azure Data Factory för att implementera en metadatadriven migrering

Tips

Automatisera migreringsprocessen med hjälp av Azure Data Factory funktioner.

Automatisera och samordna migreringsprocessen genom att använda funktionerna i Azure-miljön. Den här metoden minimerar också migreringens inverkan på den befintliga Teradata-miljön, som kanske redan körs nära full kapacitet.

Azure Data Factory är en molnbaserad dataintegreringstjänst som gör det möjligt att skapa datadrivna arbetsflöden i molnet för orkestrering och automatisering av dataflytt och datatransformering. Med Data Factory kan du skapa och schemalägga datadrivna arbetsflöden, så kallade pipelines, som kan mata in data från olika datalager. Den kan bearbeta och transformera data med hjälp av beräkningstjänster som Azure HDInsight Hadoop, Spark, Azure Data Lake Analytics och Azure Machine Learning.

Genom att skapa metadata för att lista de datatabeller som ska migreras och deras plats kan du använda Data Factory-anläggningarna för att hantera och automatisera delar av migreringsprocessen. Du kan också använda Azure Synapse Pipelines.

SQL DDL-skillnader mellan Teradata och Azure Synapse

SQL Data Definition Language (DDL)

Tips

SQL DDL-kommandon CREATE TABLE och CREATE VIEW har standardelement men används också för att definiera implementeringsspecifika alternativ.

ANSI SQL-standarden definierar den grundläggande syntaxen för DDL-kommandon som CREATE TABLE och CREATE VIEW. Dessa kommandon används i både Teradata och Azure Synapse, men de har också utökats för att tillåta definition av implementeringsspecifika funktioner som indexering, tabelldistribution och partitioneringsalternativ.

I följande avsnitt beskrivs Teradata-specifika alternativ att överväga under en migrering till Azure Synapse.

Tabellöverväganden

Tips

Använd befintliga index för att ge en indikation på kandidater för indexering i det migrerade lagret.

När du migrerar tabeller mellan olika tekniker flyttas endast rådata och dess beskrivande metadata fysiskt mellan de två miljöerna. Andra databaselement från källsystemet, till exempel index och loggfiler, migreras inte direkt eftersom dessa kanske inte behövs eller kan implementeras på olika sätt i den nya målmiljön. Det finns till exempel ingen motsvarighet till MULTISET alternativet i Teradatas CREATE TABLE syntax.

Det är viktigt att förstå var prestandaoptimeringar, till exempel index, användes i källmiljön. Detta anger var prestandaoptimering kan läggas till i den nya målmiljön. Om till exempel ett icke-unikt sekundärt index (NUSI) har skapats i Teradata-källmiljön kan detta indikera att ett icke-grupperat index ska skapas i den migrerade Azure Synapse databasen. Andra interna tekniker för prestandaoptimering, till exempel tabellreplikering, kan vara mer tillämpliga än att skapa ett rakt "like-for-like"-index.

Teradata-tabelltyper som inte stöds

Tips

Standardtabeller i Azure Synapse kan stödja migrerade Teradata-tidsserier och tidstabeller.

Teradata har stöd för särskilda tabelltyper för tidsserier och tidsdata. Syntaxen och vissa av funktionerna för dessa tabelltyper stöds inte direkt i Azure Synapse, men data kan migreras till en standardtabell med lämpliga datatyper och indexering eller partitionering i datum-/tidskolumnen.

Teradata implementerar funktionen för temporala frågor via frågeomskrivning för att lägga till ytterligare filter i en temporal fråga för att begränsa tillämpligt datumintervall. Om den här funktionen för närvarande används i Teradata-källmiljön och ska migreras måste ytterligare filtrering läggas till i relevanta temporala frågor.

Azure-miljön innehåller även specifika funktioner för komplex analys av tidsseriedata i skala som kallas time series insights – detta är avsett för IoT-dataanalysprogram och kan vara lämpligare för det här användningsfallet.

Teradata-datatyper som inte stöds

Tips

Utvärdera effekten av datatyper som inte stöds som en del av förberedelsefasen.

De flesta Teradata-datatyper har en direkt motsvarighet i Azure Synapse. I följande tabell visas de Teradata-datatyper som inte stöds i Azure Synapse tillsammans med den rekommenderade mappningen. I tabellen är Teradata-kolumntypen den typ som lagras i systemkatalogen, till exempel i DBC.ColumnsV.

Kolumntyp för Teradata Teradata-datatyp Azure Synapse datatyp
++ TD_ANYTYPE Stöds inte i Azure Synapse
A1 ARRAY Stöds inte i Azure Synapse
EN ARRAY Stöds inte i Azure Synapse
AT TIME TIME
BF BYTE BINARY
BO BLOB BLOB-datatypen stöds inte direkt men kan ersättas med BINARY.
BV VARBYTE BINARY
CF VARCHAR CHAR
CO CLOB CLOB-datatypen stöds inte direkt men kan ersättas med VARCHAR.
CV VARCHAR VARCHAR
D DECIMAL DECIMAL
DA DATE DATE
DH INTERVALL DAG TILL TIMME INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
DM INTERVALL DAG TILL MINUT INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
DS INTERVALL DAG TILL SEKUND INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
DT DATAMÄNGD DATASET-datatypen stöds i Azure Synapse.
DY INTERVALLDAG INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
F FLYTA FLYTA
HM INTERVALL FRÅN TIMME TILL MINUT INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
HR INTERVALLTIMME INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
HS INTERVALLTIMME TILL SEKUND INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
I1 BYTEINT TINYINT
I2 SMALLINT SMALLINT
I8 BIGINT BIGINT
I INTEGER INT
JOH JSON JSON-datatypen stöds för närvarande inte direkt i Azure Synapse, men JSON-data kan lagras i ett VARCHAR-fält.
MI INTERVALLMINUT INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
MO INTERVALLMÅNAD INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
MS INTERVALL MINUT TILL SEKUND INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
N NUMMER NUMERIC
PD PERIOD(DATUM) Kan konverteras till VARCHAR eller delas upp i två separata datum
PM PERIOD (TIDSSTÄMPEL MED TIDSZON) Kan konverteras till VARCHAR eller delas upp i två separata tidsstämplar (DATETIMEOFFSET)
PS PERIOD(TIDSSTÄMPEL) Kan konverteras till VARCHAR eller delas upp i två separata tidsstämplar (DATETIMEOFFSET)
PT PERIOD(TID) Kan konverteras till VARCHAR eller delas upp i två separata tider
PZ PERIOD (TID MED TIDSZON) Kan konverteras till VARCHAR eller delas upp i två separata tider, men MED TIDSZON stöds inte för TIME
SC INTERVALL SEKUND INTERVALLdatatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEIFF och DATEADD).
SZ TIDSSTÄMPEL MED TIDSZON DATETIMEOFFSET
TS TIMESTAMP DATETIME eller DATETIME2
TZ TID MED TIDSZON TIME WITH TIME ZONE stöds inte eftersom TIME lagras med "wall clock"-tid endast utan en tidszonsförskjutning.
XM XML XML-datatypen stöds för närvarande inte direkt i Azure Synapse, men XML-data kan lagras i ett VARCHAR-fält.
YM INTERVALL FRÅN ÅR TILL MÅNAD INTERVAL-datatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEDIFF och DATEADD).
ÅR INTERVALLÅR INTERVAL-datatyper stöds inte i Azure Synapse, men datumberäkningar kan göras med datumjämförelsefunktionerna (till exempel DATEDIFF och DATEADD).

Använd metadata från Teradata-katalogtabellerna för att avgöra om någon av dessa datatyper ska migreras och tillåta detta i migreringsplanen. Använd till exempel en SQL-fråga som den här för att hitta eventuella förekomster av datatyper som inte stöds och som behöver åtgärdas.

SELECT
ColumnType, CASE
WHEN ColumnType = '++' THEN 'TD_ANYTYPE' 
WHEN ColumnType = 'A1' THEN 'ARRAY' WHEN 
ColumnType = 'AN' THEN 'ARRAY' WHEN 
ColumnType = 'BO' THEN 'BLOB'
WHEN ColumnType = 'CO' THEN 'CLOB'
WHEN ColumnType = 'DH' THEN 'INTERVAL DAY TO HOUR' WHEN 
ColumnType = 'DM' THEN 'INTERVAL DAY TO MINUTE' WHEN 
ColumnType = 'DS' THEN 'INTERVAL DAY TO SECOND' WHEN
ColumnType = 'DT' THEN 'DATASET'
WHEN ColumnType = 'DY' THEN 'INTERVAL DAY'
WHEN ColumnType = 'HM' THEN 'INTERVAL HOUR TO MINUTE' WHEN
ColumnType = 'HR' THEN 'INTERVAL HOUR'
WHEN ColumnType = 'HS' THEN 'INTERVAL HOUR TO SECOND' WHEN
ColumnType = 'JN' THEN 'JSON'
WHEN ColumnType = 'MI' THEN 'INTERVAL MINUTE' WHEN 
ColumnType = 'MO' THEN 'INTERVAL MONTH'
WHEN ColumnType = 'MS' THEN 'INTERVAL MINUTE TO SECOND' WHEN
ColumnType = 'PD' THEN 'PERIOD(DATE)'
WHEN ColumnType = 'PM' THEN 'PERIOD (TIMESTAMP WITH TIME ZONE)'
WHEN ColumnType = 'PS' THEN 'PERIOD(TIMESTAMP)' WHEN 
ColumnType = 'PT' THEN 'PERIOD(TIME)'
WHEN ColumnType = 'PZ' THEN 'PERIOD (TIME WITH TIME ZONE)' WHEN
ColumnType = 'SC' THEN 'INTERVAL SECOND'
WHEN ColumnType = 'SZ' THEN 'TIMESTAMP WITH TIME ZONE' WHEN
ColumnType = 'XM' THEN 'XML'
WHEN ColumnType = 'YM' THEN 'INTERVAL YEAR TO MONTH' WHEN
ColumnType = 'YR' THEN 'INTERVAL YEAR'
END AS Data_Type,
COUNT (*) AS Data_Type_Count FROM
DBC.ColumnsV
WHERE DatabaseName IN ('UserDB1', 'UserDB2', 'UserDB3') -- select databases to be migrated
GROUP BY 1,2
ORDER BY 1;

Tips

Verktyg och tjänster från tredje part kan automatisera datamappningsuppgifter.

Det finns tredjepartsleverantörer som erbjuder verktyg och tjänster för att automatisera migreringen, inklusive mappning av datatyper. Om ett ETL-verktyg från tredje part som Informatica eller Talend redan används i Teradata-miljön kan dessa verktyg implementera alla nödvändiga datatransformeringar.

Generering av datadefinitionsspråk (DDL)

Tips

Använd befintliga Teradata-metadata för att automatisera genereringen av CREATE TABLE och CREATE VIEW DDL för Azure Synapse.

Redigera befintliga Teradata CREATE TABLE och CREATE VIEW skript för att skapa motsvarande definitioner med ändrade datatyper enligt beskrivningen ovan om det behövs. Detta innebär vanligtvis att ta bort extra Teradata-specifika satser som FALLBACK eller MULTISET.

All information som anger aktuella definitioner av tabeller och vyer i den befintliga Teradata-miljön finns dock i systemkatalogtabellerna. Det här är den bästa källan till den här informationen eftersom den garanterat är uppdaterad och fullständig. Tänk på att användarunderhållen dokumentation kanske inte är synkroniserad med de aktuella tabelldefinitionerna.

Få åtkomst till den här informationen via vyer i katalogen, till exempel DBC.ColumnsV och generera motsvarande CREATE TABLE DDL-instruktioner för motsvarande tabeller i Azure Synapse.

Tips

Verktyg och tjänster från tredje part kan automatisera datamappningsuppgifter.

Det finns Microsoft-partner som erbjuder verktyg och tjänster för att automatisera migreringen, inklusive datatypsmappning. Om ett ETL-verktyg från tredje part, till exempel Informatica eller Talend, redan används i Teradata-miljön, kan verktyget implementera nödvändiga datatransformeringar.

SQL DML-skillnader mellan Teradata och Azure Synapse

SQL Data Manipulation Language (DML)

Tips

SQL DML-kommandon SELECT, INSERToch UPDATE har standardkärnor, men kan även implementera olika syntaxalternativ.

ANSI SQL-standarden definierar den grundläggande syntaxen för DML-kommandon som SELECT, INSERT, UPDATEoch DELETE. Både Teradata och Azure Synapse använda dessa kommandon, men i vissa fall finns det implementeringsskillnader.

I följande avsnitt beskrivs de Teradata-specifika DML-kommandon som du bör överväga under en migrering till Azure Synapse.

Skillnader i SQL DML-syntax

Tänk på dessa skillnader i DML-syntax (SQL Data Manipulation Language) mellan Teradata SQL och Azure Synapse (T-SQL) vid migrering:

  • QUALIFY: Teradata stöder operatorn QUALIFY . Exempel:

    SELECT col1
FROM tab1
WHERE col1='XYZ'
QUALIFY ROW_NUMBER () OVER (PARTITION by
col1 ORDER BY col1) = 1;

    Motsvarande Azure Synapse syntax är:

    SELECT * FROM (
SELECT col1, ROW_NUMBER () OVER (PARTITION by col1 ORDER BY col1) rn
FROM tab1 WHERE col1='XYZ'
) WHERE rn = 1;

  • Datumaritmetik: Azure Synapse har operatorer som DATEADD och DATEDIFF som kan användas i DATE fälten eller DATETIME . Teradata stöder direkt subtraktion på datum, till exempel SELECT DATE1 - DATE2 FROM...

  • Ange GROUP BY uttryckligen T-SQL-kolumnnamnet som ordningstal.

  • LIKE ANY: Teradata stöder LIKE ANY syntax som:

    SELECT * FROM CUSTOMER
WHERE POSTCODE LIKE ANY
('CV1%', 'CV2%', 'CV3%');

    Motsvarigheten i Azure Synapse syntax är:

    SELECT * FROM CUSTOMER
WHERE
(POSTCODE LIKE 'CV1%') OR (POSTCODE LIKE 'CV2%') OR (POSTCODE LIKE 'CV3%');

  • Beroende på systeminställningar kan teckenjämförelser i Teradata vara skiftlägesokänsliga som standard. I Azure Synapse är teckenjämförelser alltid skiftlägeskänsliga.

Använda EXPLAIN för att verifiera äldre SQL

Tips

Använd verkliga frågor från befintliga systemfrågeloggar för att hitta potentiella migreringsproblem.

Ett sätt att testa äldre Teradata SQL för kompatibilitet med Azure Synapse är att samla in några representativa SQL-instruktioner från äldre systemfrågeloggar, prefixa dessa frågor med EXPLAIN och (förutsatt att en "like-for-like"-migrerad datamodell i Azure Synapse med samma tabell- och kolumnnamn) kör dessa EXPLAIN instruktioner i Azure Synapse. Alla inkompatibla SQL-inkompatibla sql-indata genererar ett fel – använd den här informationen för att fastställa omkodningsaktivitetens skala. Den här metoden kräver inte att data läses in i Azure-miljön, bara att relevanta tabeller och vyer har skapats.

Funktioner, lagrade procedurer, utlösare och sekvenser

Tips

Som en del av förberedelsefasen utvärderar du antalet och typen av icke-dataobjekt som migreras.

När du migrerar från en äldre äldre informationslagermiljö som Teradata finns det ofta andra element än enkla tabeller och vyer som måste migreras till den nya målmiljön. Exempel på detta är funktioner, lagrade procedurer, utlösare och sekvenser.

Som en del av förberedelsefasen skapar du en inventering av de objekt som behöver migreras och definierar metoderna för att hantera dem. Tilldela sedan en lämplig resursallokering i projektplanen.

Det kan finnas resurser i Azure-miljön som ersätter de funktioner som implementeras som antingen funktioner eller lagrade procedurer i Teradata-miljön. I det här fallet är det ofta mer effektivt att använda de inbyggda Azure-anläggningarna i stället för att ändra Teradata-funktionerna.

Tips

Produkter och tjänster från tredje part kan automatisera migreringen av icke-dataelement.

Microsoft-partner erbjuder verktyg och tjänster som kan automatisera migreringen.

Mer information om vart och ett av dessa element finns i följande avsnitt.

Functions

Precis som med de flesta databasprodukter stöder Teradata systemfunktioner och användardefinierade funktioner i SQL-implementeringen. När du migrerar till en annan databasplattform, till exempel Azure Synapse, är vanliga systemfunktioner tillgängliga och kan migreras utan ändringar. Vissa systemfunktioner kan ha lite annorlunda syntax, men de nödvändiga ändringarna kan automatiseras. Systemfunktioner där det inte finns någon motsvarighet, till exempel godtyckliga användardefinierade funktioner, kan behöva kodas om med hjälp av de språk som är tillgängliga i målmiljön. Azure Synapse använder det populära Transact-SQL-språket för att implementera användardefinierade funktioner.

Lagrade procedurer

De flesta moderna databasprodukter tillåter att procedurer lagras i databasen. Teradata tillhandahåller SPL-språket för detta ändamål. En lagrad procedur innehåller vanligtvis SQL-instruktioner och viss procedurlogik och kan returnera data eller status.

De dedikerade SQL-poolerna i Azure Synapse Analytics har också stöd för lagrade procedurer med hjälp av T-SQL, så om du måste migrera lagrade procedurer måste du koda om dem därefter.

Utlösare

Azure Synapse stöder inte skapandet av utlösare, men du kan implementera dem i Azure Data Factory.

Sekvenser

Azure Synapse sekvenser hanteras på ett liknande sätt som Teradata, med hjälp av IDENTITY för att skapa surrogatnycklar eller hanterad identitet.

Teradata till T-SQL-mappning

Den här tabellen visar Teradata till T-SQL-kompatibel med Azure Synapse SQL-datatypsmappning:

Teradata-datatyp Azure Synapse SQL-datatyp
 bigint  bigint
 boolesk  bit
 boolean  bit
 byteint  tinyint
 char [(p)]  char [(p)]
 char varierande [(p)]  varchar [(p)]
 tecken [(p)]  char [(p)]
 tecken varierande [(p)]  varchar [(p)]
 datum  datum
 datetime  datetime
 dec [(p[,s])]  decimal [(p[,s])]
 decimal [(p[,s])]  decimal [(p[,s])]
 double  float(53)
 dubbel precision  float(53)
 float [(p)]  float [(p)]
 float4  float(53)
 float8  float(53)
 int  int
 int1 tinyint
 int2 smallint
 int4 int
 int8 bigint
 heltal heltal
 interval Stöds ej
 nationellt tecken varierande [(p)] nvarchar [(p)]
 nationellt tecken [(p)] nchar [(p)]
 nationella tecken varierande [(p)]  nvarchar [(p)]
 nchar [(p)]  nchar [(p)]
 numeriskt [(p[,s])]  numeriskt [(p[,s])
 nvarchar [(p)]  nvarchar [(p)]
 real  real
 smallint  smallint
 time  time
 tid med tidszon  datetimeoffset
 tid utan tidszon  time
 tidsintervall  Stöds ej
 timestamp  datetime2
 timetz  datetimeoffset
 varchar [(p)]  varchar [(p)]

Sammanfattning

Typiska befintliga äldre Teradata-installationer implementeras på ett sätt som gör migreringen till Azure Synapse enkel. De använder SQL för analysfrågor på stora datavolymer och är i någon form av dimensionsdatamodell. Dessa faktorer gör dem till bra kandidater för migrering till Azure Synapse.

Följ dessa rekommendationer för att minimera uppgiften att migrera den faktiska SQL-koden:

  • Den första migreringen av informationslagret bör vara i sig för att minimera risker och tidsåtgång, även om den slutliga miljön kommer att innehålla en annan datamodell, till exempel datavalv.

  • Överväg att använda en Teradata-instans på en virtuell Azure-dator som en språngbräda som en del av migreringsprocessen.

  • Förstå skillnaderna mellan Teradata SQL-implementering och Azure Synapse.

  • Använd metadata och frågeloggar från den befintliga Teradata-implementeringen för att utvärdera effekten av skillnaderna och planera en metod för att minimera.

  • Automatisera processen där det är möjligt för att minimera fel, risker och tid för migreringen.

  • Överväg att använda specialiserade Microsoft-partner och -tjänster för att effektivisera migreringen.

Nästa steg

Mer information om Microsoft- och tredjepartsverktyg finns i nästa artikel i den här serien: Verktyg för migrering av Teradata-informationslager till Azure Synapse Analytics.