Illustration « Notebook dans Microsoft Fabric » : au sommaire (Qu'est-ce qu'un Notebook ?, Pourquoi choisir les Notebooks ?, Avantages et limites, Quand les utiliser ?, Comment créer un Notebook)

En résumé : le Notebook dans Microsoft Fabric est un environnement interactif basé sur le Web pour développer des tâches Apache Spark et des expériences d'apprentissage automatique. Les data scientists et les ingénieurs de données y écrivent du code, avec des visualisations riches et du texte Markdown.

Interface d'un Notebook dans Microsoft Fabric, affichant du code, des visualisations et du texte explicatif

Qu'est-ce qu'un Notebook dans Fabric ?

Les ingénieurs de données utilisent les Notebooks pour l'ingestion, la préparation et la transformation des données. Les data scientists les exploitent pour créer des solutions d'apprentissage automatique : expériences, modèles, suivi et déploiement.

Les Notebooks permettent d'écrire du code dans une variété de langages et de le commenter grâce à des cellules interactives. Ils sont intégrés aux Lakehouses et disposent d'un système de fichiers intégré pour stocker des fichiers associés au Notebook. Ils sont constitués de cellules, des blocs individuels de code ou de texte exécutables indépendamment ou en groupe.

Les Notebooks dans Fabric prennent en charge quatre langages Apache Spark :

  • PySpark (Python)
  • Spark (Scala)
  • Spark SQL
  • SparkR

Fabric propose aussi des notebooks Python sans Spark : ils s'exécutent sur une seule machine et conviennent aux traitements légers, pour lesquels un cluster Spark est surdimensionné.

En une phrase : le Notebook Fabric est l'endroit où les ingénieurs de données et les data scientists écrivent et exécutent leur code.

Pourquoi choisir les Notebooks dans Fabric ?

Avec un Notebook, les utilisateurs accèdent et analysent rapidement les informations, travaillent sur des projets à plusieurs et créent des documents mêlant code et visualisations interactives. Le Notebook Microsoft Fabric permet aussi de partager facilement des documents pour collaborer et recueillir des commentaires. C'est un outil essentiel pour les data scientists, les développeurs et les chercheurs.

Avantages

  • Démarrage sans aucun effort de configuration.
  • Accès facile aux données stockées dans les Lakehouses, Data Warehouses et fichiers.
  • Exploration et traitement des données grâce à une expérience intuitive low-code.
  • Protection des données grâce aux fonctionnalités intégrées de sécurité d'entreprise.
  • Écriture d'algorithmes complexes et automatisation des pipelines avec un contrôle total.
  • Analyse des données brutes (CSV, txt, JSON…) et des formats traités (Parquet, Delta Lake…) avec la puissance de Spark.
  • Productivité accrue grâce à des capacités de création améliorées et à la visualisation des données intégrée.

Limites des Notebooks dans Fabric

  • Compétences en programmation nécessaires : contrairement à Dataflow Gen2, les Notebooks sont orientés code.
  • Temps de démarrage des sessions Spark : il reste sensible avec un pool personnalisé ou des bibliothèques à installer. Pour les traitements critiques, les Custom Live Pools, disponibles depuis septembre 2026, maintiennent des pools préchauffés selon un planning.
  • Installation de bibliothèques : un %pip install dans le Notebook redémarre la session. Pour les traitements planifiés, figez plutôt les bibliothèques dans un Environment Fabric.
  • Gestion des erreurs : les erreurs dans le code peuvent être complexes à diagnostiquer pour les non-développeurs.

Quelle version de Fabric Runtime choisir ?

Le Runtime fixe les versions de Spark, de Delta Lake et des bibliothèques utilisées par le Notebook. Fabric Runtime 2.0 (Delta Lake 4.2) est disponible depuis août 2026. Il sert de Runtime par défaut aux nouveaux espaces de travail et environnements depuis fin septembre 2026. Il ajuste aussi par défaut la taille des fichiers écrits, ce qui limite les petits fichiers.

Le support de Runtime 1.3 a pris fin le 30 septembre 2026. Il reste maintenu en support long terme jusqu'en mars 2027 : planifiez la migration des Notebooks existants avant cette date, en les testant dans un environnement en Runtime 2.0.

Le moteur d'exécution natif (Native Execution Engine) accélère les traitements Spark sans réécriture du code et sans coût supplémentaire. Il est disponible, mais doit être activé dans l'environnement ou la session. Pour son effet sur la facture, voir comment optimiser les coûts du Lakehouse.

Bonnes pratiques pour industrialiser un Notebook

  • Ne codez pas en dur les identifiants d'espace de travail ni les chemins ABFSS : paramétrez-les ou résolvez-les à l'exécution, pour que le même Notebook passe du développement à la production.
  • Orchestrez plusieurs Notebooks avec notebookutils.notebook.runMultiple, qui les exécute en parallèle selon un graphe de dépendances, ou avec un Data Pipeline. Prévoyez votre propre gestion des erreurs pour récupérer la liste des Notebooks en échec.
  • Pour les couches Silver et Gold, les Materialized Lake Views, disponibles depuis septembre 2026, offrent une alternative déclarative en SQL : Fabric gère l'ordre et l'actualisation des vues. Le Notebook reste préférable pour les transformations complexes.
  • Développement assisté par IA : Microsoft propose en préversion un Notebook Toolkit pour le développement avec des agents de code, ainsi qu'un agent d'ingénierie des données, Project Osmos. À réserver aux essais tant qu'ils restent en préversion.

Quand utiliser les Notebooks dans Fabric ?

  • Lorsque vous avez besoin de traitements avancés ou distribués sur de grandes quantités de données.
  • Pour les projets nécessitant des modèles de Machine Learning ou des analyses complexes.
  • Lorsque vous avez besoin d'une flexibilité maximale pour personnaliser les transformations de données.

Comment créer un Notebook ?

Dans Fabric, choisissez Data Engineering :

Première étape de création d'un Notebook dans Microsoft Fabric : sélection de l'option Data Engineering

Plusieurs options vous sont proposées, dont la création d'un Lakehouse, d'un Notebook ou d'une tâche Spark. Cliquez sur Notebook :

Options de création dans Microsoft Fabric : Lakehouse, Notebook ou tâche Spark, avec l'option Notebook mise en avant

Le Notebook vide s'ouvre :

Notebook vide dans Microsoft Fabric, prêt pour l'écriture de code et l'analyse de données

Dans le coin supérieur gauche, vous pouvez modifier le nom du Notebook :

Modification du nom d'un Notebook en haut à gauche de l'interface Microsoft Fabric

Dans l'explorateur Lakehouse, vous pouvez ajouter un Lakehouse existant au Notebook ou en créer un nouveau :

Explorateur Lakehouse d'un Notebook Fabric permettant d'ajouter un Lakehouse existant ou d'en créer un nouveau

Si vous ajoutez un Lakehouse existant, vous êtes redirigé vers le hub de données OneLake, où vous choisissez parmi les Lakehouses disponibles :

Hub de données OneLake affichant la sélection d'un Lakehouse existant à ajouter à un Notebook

Une fois le Lakehouse choisi, il est ajouté au Notebook : les tables, dossiers et fichiers existants s'affichent dans l'explorateur Lakehouse.

Lakehouse ajouté à un Notebook Fabric, avec ses tables, dossiers et fichiers visibles dans l'explorateur

Vous pouvez aussi créer un Notebook depuis l'intérieur d'un Lakehouse, ou y ouvrir un Notebook existant :

Option de création ou d'ouverture d'un Notebook depuis un Lakehouse dans Microsoft Fabric

Bénéficiez de la puissance de Fabric avec Kwanzeo

Les Notebooks s'orchestrent avec les Data Pipelines dans Fabric et s'industrialisent avec un pipeline CI/CD GitHub. Pour aller plus loin, découvrez notre accompagnement Microsoft Fabric ou contactez nos équipes.

Questions fréquentes

Quels langages les Notebooks Fabric prennent-ils en charge ?

Quatre langages Apache Spark : PySpark (Python), Spark (Scala), Spark SQL et SparkR. Fabric propose aussi des notebooks Python sans Spark, adaptés aux traitements légers.

Quelle version de Fabric Runtime utiliser pour un Notebook ?

Fabric Runtime 2.0, disponible depuis août 2026 et proposé par défaut aux nouveaux espaces de travail depuis fin septembre 2026. Le support de Runtime 1.3 a pris fin le 30 septembre 2026 ; il reste maintenu en support long terme jusqu'en mars 2027, date limite pour migrer.

Quand utiliser un Notebook plutôt qu'un Dataflow ?

Pour des traitements avancés ou distribués sur de grandes quantités de données, des modèles de Machine Learning ou des analyses complexes, et lorsque vous avez besoin d'une flexibilité maximale. Contrairement à Dataflow, les Notebooks sont orientés code.

À lire aussi

Un projet data, IA ou Workplace ? Parlons-en.

Expliquez-nous votre contexte : nos experts vous répondent.

Parler d'un projet