Doris（5）：数据导入（Load）之Broker load

news2025/1/12 10:36:51

为适配不同的数据导入需求，Doris系统提供了五种不同的数据导入方式，每种数据导入方式支持不同的数据源，存在不同的方式（异步，同步）

  • Broker load

通过Broker进程访问并读取外部数据源（HDFS）导入Doris，用户通过Mysql提交导入作业，异步执行，通过show load命令查看导入结果

  • Stream load

用户通过HTTP协议提交请求并携带原始数据创建导入，主要用于快速将本地文件或者数据流中的数据导入到Doris，导入命令同步返回结果

  • Insert

类似Mysql中的insert语句，Doris提供insert into table select ...的方式从Doris的表中读取数据并导入到另一张表中，或者通过insert into table values(...)的方式插入单条数据

  • Multi load

用户可以通过HTTP协议提交多个导入作业，Multi load可以保证多个导入作业的原子生效

  • Routine load

用户通过Mysql协议提交例行导入作业，生成一个常驻线程，不间断的从数据源（如Kafka）中读取数据并导入到Doris中

1 Broker Load

Broker load是一个导入的异步方式，不同的数据源需要部署不同的 broker 进程。可以通过 show broker 命令查看已经部署的 broker。

1.1 适用场景

  • 源数据在Broker可以访问的存储系统中，如HDFS
  • 数据量在几十到几百GB级别

1.2 基本原理

用户在递交导入任务后，FE（Doris系统的元数据和调度节点）会生成相应的PLAN（导入执行计划，BE会导入计划将输入导入Doris中）并根据BE（Doris系统的计算和存储节点）的个数和文件的大小，将PLAN分给多个BE执行，每个BE导入一部分数据。BE在执行过程中会从Broker拉取数据，在对数据转换之后导入系统，所有BE均完成导入，由FE最终决定导入是否成功

1.3 前置条件

启动hdfs集群：start-dfs.sh

1.4 语法

LOAD LABEL load_label
(
data_desc1[, data_desc2, ...]
)
WITH BROKER broker_name
[broker_properties]
[opt_properties];

  • load_label

当前导入批次的标签，在一个 database 内唯一。

语法：

[database_name.]your_label

  • data_desc

用于描述一批导入数据。

语法：

DATA INFILE

(

"file_path1"[, file_path2, ...]

)

[NEGATIVE]

INTO TABLE `table_name`

[PARTITION (p1, p2)]

[COLUMNS TERMINATED BY "column_separator"]

[(column_list)]

[SET (k1 = func(k2))]

file_path：文件路径，可以指定到一个文件，也可以用 * 通配符指定某个目录下的所有文件。通配符必须匹配到文件，而不能是目录。

PARTITION：如果指定此参数，则只会导入指定的分区，导入分区以外的数据会被过滤掉。如果不指定，默认导入table的所有分区。

NEGATIVE：如果指定此参数，则相当于导入一批“负”数据。用于抵消之前导入的同一批数据。该参数仅适用于存在 value 列，并且 value 列的聚合类型仅为 SUM 的情况。

column_separator：用于指定导入文件中的列分隔符。默认为 \t如果是不可见字符，则需要加\\x作为前缀，使用十六进制来表示分隔符。如hive文件的分隔符\x01，指定为"\\x01"

column_list：用于指定导入文件中的列和 table 中的列的对应关系。当需要跳过导入文件中的某一列时，将该列指定为 table 中不存在的列名即可。

语法：(col_name1, col_name2, ...)

SET：如果指定此参数，可以将源文件某一列按照函数进行转化，然后将转化后的结果导入到table中。

目前支持的函数有：

strftime(fmt, column) 日期转换函数

  • fmt: 日期格式，形如%Y%m%d%H%M%S (年月日时分秒)
  • column: column_list中的列，即输入文件中的列。存储内容应为数字型的时间戳。
  • 如果没有column_list，则按照palo表的列顺序默认输入文件的列。

time_format(output_fmt, input_fmt, column) 日期格式转化

  • output_fmt: 转化后的日期格式，形如%Y%m%d%H%M%S (年月日时分秒)
  • input_fmt: 转化前column列的日期格式，形如%Y%m%d%H%M%S (年月日时分秒)
  • column: column_list中的列，即输入文件中的列。存储内容应为input_fmt格式的日期字符串。
  • 如果没有column_list，则按照palo表的列顺序默认输入文件的列。

alignment_timestamp(precision, column) 将时间戳对齐到指定精度

  • precision: year|month|day|hour
  • column: column_list中的列，即输入文件中的列。存储内容应为数字型的时间戳。
  • 如果没有column_list，则按照palo表的列顺序默认输入文件的列。
  • 注意：对齐精度为year、month的时候，只支持20050101~20191231范围内的时间戳。

default_value(value) 设置某一列导入的默认值

  • 不指定则使用建表时列的默认值
  • md5sum(column1, column2, ...) 将指定的导入列的值求md5sum，返回32位16进制字符串
  • replace_value(old_value[, new_value]) 将导入文件中指定的old_value替换为new_value
  • new_value如不指定则使用建表时列的默认值
  • hll_hash(column) 用于将表或数据里面的某一列转化成HLL列的数据结构
  • now() 设置某一列导入的数据为导入执行的时间点。该列必须为 DATE/DATETIME 类型

  • broker_name

所使用的 broker 名称，可以通过 show broker 命令查看。不同的数据源需使用对应的 broker。

  • broker_properties

用于提供通过 broker 访问数据源的信息。不同的 broker，以及不同的访问方式，需要提供的信息不同。

Apache HDFS：

社区版本的 hdfs，支持简单认证、kerberos 认证。以及支持 HA 配置。

简单认证：

  • hadoop.security.authentication = simple (默认)
  • username：hdfs 用户名
  • password：hdfs 密码

kerberos 认证：

  • hadoop.security.authentication = kerberos
  • kerberos_principal：指定 kerberos 的 principal
  • kerberos_keytab：指定 kerberos 的 keytab 文件路径。该文件必须为 broker 进程所在服务器上的文件。
  • kerberos_keytab_content：指定 kerberos 中 keytab 文件内容经过 base64 编码之后的内容。这个跟 kerberos_keytab 配置二选一就可以。

namenode HA：

通过配置 namenode HA，可以在 namenode 切换时，自动识别到新的 namenode

  • dfs.nameservices: 指定 hdfs 服务的名字，自定义，如："dfs.nameservices" = "my_ha"
  • dfs.ha.namenodes.xxx：自定义 namenode 的名字,多个名字以逗号分隔。其中 xxx 为 dfs.nameservices 中自定义的名字，如 "dfs.ha.namenodes.my_ha" = "my_nn"
  • dfs.namenode.rpc-address.xxx.nn：指定 namenode 的rpc地址信息。其中 nn 表示 dfs.ha.namenodes.xxx 中配置的 namenode 的名字，如："dfs.namenode.rpc-address.my_ha.my_nn" = "host:port"
  • dfs.client.failover.proxy.provider：指定 client 连接 namenode 的 provider，默认为：org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider

opt_properties

用于指定一些特殊参数。

语法：

[PROPERTIES ("key"="value", ...)]

可以指定如下参数：

  • timeout：指定导入操作的超时时间。默认超时为4小时。单位秒。
  • max_filter_ratio：最大容忍可过滤（数据不规范等原因）的数据比例。默认零容忍。
  • exec_mem_limit：设置导入使用的内存上限。默认为2G，单位字节。这里是指单个 BE 节点的内存上限。一个导入可能分布于多个BE。我们假设 1GB 数据在单个节点处理需要最大5GB内存。那么假设1GB文件分布在2个节点处理，那么理论上每个节点需要内存为2.5GB。则该参数可以设置为 2684354560，即2.5GB

1.4 示例

启动hdfs集群

start-dfs.sh

进入mysqlclient，创建表

CREATE TABLE test_db.user_result(
    id INT,
    name VARCHAR(50),
    age INT,
    gender INT,
    province  VARCHAR(50),
    city   VARCHAR(50),
    region  VARCHAR(50),
    phone VARCHAR(50),
    birthday VARCHAR(50),
    hobby  VARCHAR(50),
    register_date VARCHAR(50)
)DUPLICATE KEY(id)
DISTRIBUTED BY HASH(id) BUCKETS 10;

1.5 上传数据到hdfs

hdfs dfs -put user.csv /datas/user.csv

1.6 导入数据

LOAD LABEL test_db.user_result
(
DATA INFILE("hdfs://192.168.222.138:9000/datas/user.csv")
INTO TABLE `user_result`
COLUMNS TERMINATED BY ","
FORMAT AS "csv"
(id, name, age, gender, province,city,region,phone,birthday,hobby,register_date)
)
WITH BROKER broker_name
(
"dfs.nameservices" = "my_cluster",
"dfs.ha.namenodes.my_cluster" = "nn1,nn2,nn3",
"dfs.namenode.rpc-address.my_cluster.nn1" = "192.168.222.143:9000",
"dfs.namenode.rpc-address.my_cluster.nn2" = "192.168.222.144:9000",
"dfs.namenode.rpc-address.my_cluster.nn3" = "192.168.222.145:9000",
"dfs.client.failover.proxy.provider" = 	"org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)
PROPERTIES
(
    "max_filter_ratio"="0.00002"
);

注意

broker_name：broker的名称，可以通过show broker;查看

1.7 查看load作业

show load;

1.8 查看导入数据

select * from user_result;

1.9 查看导入

Broker load 导入方式由于是异步的，所以用户必须将创建导入的 Label 记录，并且在查看导入命令中使用 Label 来查看导入结果。查看导入命令在所有导入方式中是通用的，具体语法可执行 HELP SHOW LOAD 查看。

show load order by createtime desc limit 1\G

  • JobId

导入任务的唯一ID，每个导入任务的 JobId 都不同，由系统自动生成。与 Label 不同的是，JobId永远不会相同，而 Label 则可以在导入任务失败后被复用。

  • Label

导入任务的标识。

  • State

导入任务当前所处的阶段。在 Broker load 导入过程中主要会出现 PENDING 和 LOADING 这两个导入中的状态。如果 Broker load 处于 PENDING 状态，则说明当前导入任务正在等待被执行；LOADING 状态则表示正在执行中。

导入任务的最终阶段有两个：CANCELLED 和 FINISHED，当 Load job 处于这两个阶段时，导入完成。其中 CANCELLED 为导入失败，FINISHED 为导入成功。

  • Progress

导入任务的进度描述。分为两种进度：ETL 和 LOAD，对应了导入流程的两个阶段 ETL 和 LOADING。目前 Broker load 由于只有 LOADING 阶段，所以 ETL 则会永远显示为 N/A

LOAD 的进度范围为：0~100%。

LOAD 进度 = 当前完成导入的表个数 / 本次导入任务设计的总表个数 * 100%

如果所有导入表均完成导入，此时 LOAD 的进度为 99% 导入进入到最后生效阶段，整个导入完成后，LOAD 的进度才会改为 100%。

导入进度并不是线性的。所以如果一段时间内进度没有变化，并不代表导入没有在执行。

  • Type

导入任务的类型。Broker load 的 type 取值只有 BROKER。

  • EtlInfo

主要显示了导入的数据量指标 unselected.rows , dpp.norm.ALL 和 dpp.abnorm.ALL。用户可以根据第一个数值判断 where 条件过滤了多少行，后两个指标验证当前导入任务的错误率是否超过 max_filter_ratio。

三个指标之和就是原始数据量的总行数。

  • TaskInfo

主要显示了当前导入任务参数，也就是创建 Broker load 导入任务时用户指定的导入任务参数，包括：cluster，timeout 和max_filter_ratio。

  • ErrorMsg

在导入任务状态为CANCELLED，会显示失败的原因，显示分两部分：type 和 msg，如果导入任务成功则显示 N/A。

type的取值意义：

USER_CANCEL: 用户取消的任务

ETL_RUN_FAIL：在ETL阶段失败的导入任务

ETL_QUALITY_UNSATISFIED：数据质量不合格，也就是错误数据率超过了 max_filter_ratio

LOAD_RUN_FAIL：在LOADING阶段失败的导入任务

TIMEOUT：导入任务没在超时时间内完成

UNKNOWN：未知的导入错误

  • CreateTime/EtlStartTime/EtlFinishTime/LoadStartTime/LoadFinishTime

这几个值分别代表导入创建的时间，ETL阶段开始的时间，ETL阶段完成的时间，Loading阶段开始的时间和整个导入任务完成的时间。

Broker load 导入由于没有 ETL 阶段，所以其 EtlStartTime, EtlFinishTime, LoadStartTime 被设置为同一个值。

导入任务长时间停留在 CreateTime，而 LoadStartTime 为 N/A 则说明目前导入任务堆积严重。用户可减少导入提交的频率。

LoadFinishTime - CreateTime = 整个导入任务所消耗时间

LoadFinishTime - LoadStartTime = 整个 Broker load 导入任务执行时间 = 整个导入任务所消耗时间 - 导入任务等待的时间

  • URL

导入任务的错误数据样例，访问 URL 地址既可获取本次导入的错误数据样例。当本次导入不存在错误数据时，URL 字段则为 N/A。

  • JobDetails

显示一些作业的详细运行状态。包括导入文件的个数、总大小（字节）、子任务个数、已处理的原始行数，运行子任务的 BE 节点 Id，未完成的 BE 节点 Id。

{"Unfinished backends":{"9c3441027ff948a0-8287923329a2b6a7":[10002]},"ScannedRows":2390016,"TaskNumber":1,"All backends":{"9c3441027ff948a0-8287923329a2b6a7":[10002]},"FileNumber":1,"FileSize":1073741824}

其中已处理的原始行数，每 5 秒更新一次。该行数仅用于展示当前的进度，不代表最终实际的处理行数。实际处理行数以 EtlInfo 中显示的为准。

1.10 取消导入

当 Broker load 作业状态不为 CANCELLED 或 FINISHED 时，可以被用户手动取消。取消时需要指定待取消导入任务的 Label 。取消导入命令语法可执行 HELP CANCEL LOAD查看。

1.11 其他导入案例参考

从 HDFS 导入一批数据，数据格式为CSV，同时使用 kerberos 认证方式，同时配置 namenode HA

  • 设置最大容忍可过滤（数据不规范等原因）的数据比例。
LOAD LABEL test_db.user_result2
(
        DATA INFILE("hdfs://node1:9000/datas/user.csv")
        INTO TABLE `user_result`
        COLUMNS TERMINATED BY ","
        FORMAT AS "csv"
        (id, name, age, gender, province,city,region,phone,birthday,hobby,register_date)
)
WITH BROKER broker_name
(
        "hadoop.security.authentication"="kerberos",
        "kerberos_principal"="doris@YOUR.COM",
        "kerberos_keytab_content"="BQIAAABEAAEACUJBSURVLkNPTQAEcGFsbw",
        "dfs.nameservices" = "my_ha",
        "dfs.ha.namenodes.my_ha" = "my_namenode1, my_namenode2",
        "dfs.namenode.rpc-address.my_ha.my_namenode1" = "node1:9000",
        "dfs.namenode.rpc-address.my_ha.my_namenode2" = "node2:9000",
        "dfs.client.failover.proxy.provider" ="org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)
PROPERTIES
(

    "max_filter_ratio"="0.00002"
);

  • 从 HDFS 导入一批数据，指定超时时间和过滤比例。使用铭文 my_hdfs_broker 的 broker。简单认证。
LOAD LABEL test_db.user_result3
(
    DATA INFILE("hdfs://node1:9000/datas/user.csv")
    INTO TABLE `user_result`
)
WITH BROKER broker_name
(
    "username" = "hdfs_user",
    "password" = "hdfs_passwd"
)
PROPERTIES
(
    "timeout" = "3600",
    "max_filter_ratio" = "0.1"
);

其中 hdfs_host 为 namenode 的 host，hdfs_port 为 fs.defaultFS 端口（默认9000）

  • 从 HDFS 导入一批数据，指定hive的默认分隔符\x01，并使用通配符*指定目录下的所有文件

使用简单认证，同时配置 namenode HA。

LOAD LABEL test_db.user_result4
(
    DATA INFILE("hdfs://node1:9000/datas/input/*")
    INTO TABLE `user_result`
    COLUMNS TERMINATED BY "\\x01"
)
WITH BROKER broker_name
(
    "username" = "hdfs_user",
    "password" = "hdfs_passwd",
    "dfs.nameservices" = "my_ha",
    "dfs.ha.namenodes.my_ha" = "my_namenode1, my_namenode2",
    "dfs.namenode.rpc-address.my_ha.my_namenode1" = "node1:8020",
    "dfs.namenode.rpc-address.my_ha.my_namenode2" = "node2:8020",
    "dfs.client.failover.proxy.provider" ="org.apache.hadoop.hdfs.server.namenode.ha.ConfiguredFailoverProxyProvider"
)

  • 从 HDFS 导入一批“负”数据。同时使用 kerberos 认证方式。提供 keytab 文件路径
LOAD LABEL test_db.user_result5
(
    DATA INFILE("hdfs://node1:9000/datas/input/old_file)
    NEGATIVE
    INTO TABLE `user_result`
    COLUMNS TERMINATED BY "\t"
)
WITH BROKER broker_name
(
    "hadoop.security.authentication" = "kerberos",
    "kerberos_principal"="doris@YOUR.COM",
    "kerberos_keytab"="/home/palo/palo.keytab"
)

  • 从HDFS导入一批数据，指定分区。同时使用kerberos认证方式。提供base64编码后的keytab 文件内容
LOAD LABEL test_db.user_result6
(
    DATA INFILE("hdfs://node1:9000/datas/input/file")
    INTO TABLE `user_result`
    PARTITION (p1, p2)
    COLUMNS TERMINATED BY ","
    (k1, k3, k2, v1, v2)
)
WITH BROKER broker_name
(
    "hadoop.security.authentication"="kerberos",
    "kerberos_principal"="doris@YOUR.COM",
    "kerberos_keytab_content"="BQIAAABEAAEACUJBSURVLkNPTQAEcGFsbw"
)

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/410547.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

elasticsearch之DSL查询文档

elasticsearch之DSL查询文档

目录 DSL查询分类 全文检索查询 match查询： multi_match： 精准查询 地理坐标查询 矩形范围查询 中心点范围 组合查询 elasticsearch中的相关性打分算法是什么？ 案例——给“如家”这个品牌的酒店排名靠前一些 function score query…
阅读更多...
ChatGPT写新闻-ChatGPT写文章

ChatGPT写新闻-ChatGPT写文章

ChatGPT写新闻 ChatGPT可以用于生成新闻稿件，但需要注意的是，由ChatGPT生成的新闻稿件可能存在语义、逻辑、事实准确性等方面的问题，因此需要进行人工审核和编辑，确保其准确性。 下面是一个示例过程，大致了解如何使用…
阅读更多...
GPT3.5 , InstructGPT和ChatGPT的关系

GPT3.5 , InstructGPT和ChatGPT的关系

GPT-3.5 GPT-3.5 系列是一系列模型，从 2021 年第四季度开始就使用文本和代一起进行训练。以下模型属于 GPT-3.5 系列： code-davinci-002 是一个基础模型，非常适合纯代码完成任务text-davinci-002 是一个基于 code-davinci-002 的 InstructG…
阅读更多...
PixiJS 文字模糊处理策略

PixiJS 文字模糊处理策略

pixijs介绍 PixiJS是一个用于创建交互式2D图形和动画的JavaScript库。它是一个快速、轻量级、易于使用的库，可以在WebGL和Canvas上运行。支持WebGL和Canvas两种渲染方式。WebGL是一种基于OpenGL的3D图形API，可以在GPU上进行高效的图形渲染。Canvas是一种…
阅读更多...
基于神经辐射场NeRF的SLAM方法

基于神经辐射场NeRF的SLAM方法

随着2020年NeRF[1]的横空出世，神经辐射场方法（Neural Radiance Fields）如雨后春笋般铺天盖地卷来。NeRF最初用来进行图像渲染，即给定相机视角，渲染出该视角下的图像。NeRF是建立在已有相机位姿的情况下，但在…
阅读更多...
Android kotlin (仿淘宝app收藏)用RecyclerView(androidx+BRVAH3.0.6)实现单选/多选/全选/反选/批量删除功能

Android kotlin (仿淘宝app收藏)用RecyclerView(androidx+BRVAH3.0.6)实现单选/多选/全选/反选/批量删除功能

文章目录 一、实现效果二、引入依赖三、实现源码1、实体类2、适配器3、提示框(关闭和确定)4、视图实现一、实现效果 二、引入依赖 在app的build.gradle在添加以下代码 implementation com.github.CymChad:BaseRecyclerViewAdapterHelper:3.0
阅读更多...
使用采集工具，轻松获取目标受众的数据，让您的市场营销更加精准

使用采集工具，轻松获取目标受众的数据，让您的市场营销更加精准

【数据采集神器】使用采集工具，轻松获取目标受众的数据，让您的市场营销更加精准！ 在当前这个信息化社会中，数据已经成为了企业发展和市场营销的必要手段。企业需要通过数据来了解市场的需求，了解自己产品的竞争优势&a…
阅读更多...
你真的懂docker吗？25个试题，学过你就来

你真的懂docker吗？25个试题，学过你就来

前言：遇到不会的，答案偷偷放在评论区了哦~ 1.什么是Docker A 虚拟机 B 半虚拟化技术 C 开源的应用容器引擎 D 后端软件 2. 如何搜索Nginx镜像 A docker search nginx B docker rm nginx C doc…
阅读更多...
剑指 Offer II 024. 反转链表（经典题型）

剑指 Offer II 024. 反转链表（经典题型）

时间是伟大的作者，她能写出未来的结局。 ——卓别林 目录 题目描述： 方法1：迭代法（翻指针） 方法2：头插法 方法3：递归法 题目描述： 给定单链…
阅读更多...
【工作感悟】老程序员总结的四条工作经验教训

【工作感悟】老程序员总结的四条工作经验教训

文章目录前言1. 不要做小需求2. 要做大需求3. 定期同步工作进度4. 项目结束，主动复盘总结前言 想来从事互联网工作已经很多年了，已经从当初的懵懂少年逐渐退化成老油条。刚毕业的时候，真是个愣头青，什么都不懂，也什么…
阅读更多...
SegGPT: Segmenting Everything In Context

SegGPT: Segmenting Everything In Context

目录摘要本文方法上下文着色Context EnsembleIn-Context Tuning消融实验摘要 最近基于大规模数据的模型越来越火了，chat GPT以及seg everything，感觉后面很多像目标检测，图像恢复等等都会出现这种泛化能力强，基于大规模数据的模型…
阅读更多...
[2019.01.24]JNI经验积累

[2019.01.24]JNI经验积累

[1 jobject<--->jclass|jstring](1)jobject向上转型jclass|jstring:jclass jcls static_cast<jclass>(jobject);jstring jstr static_cast<jclass>(jobject);(2)jclass|jstring向下转型jobject:默认情况下是自动转换的[2 jstring<--->const char*](1…
阅读更多...
c++string相关内容

c++string相关内容

1. string基本概念本质:string是C风格的字符串&#xff0c;而string本质上是一个类string和 char *区别:char * 是一个指针string 是一个类&#xff0c;类内部封装了char *&#xff0c;管理这个字符串&#xff0c;是一个char*型的容器 特点:string类内部封装了很多成员方法例如…
阅读更多...
当下的网络安全行业前景到底怎么样？还能否入行？

当下的网络安全行业前景到底怎么样？还能否入行？

前言网络安全现在是朝阳行业&#xff0c;缺口是很大。不过网络安全行业就是需要技术很多的人达不到企业要求才导致人才缺口大常听到很多人不知道学习网络安全能做什么&#xff0c;发展前景好吗&#xff1f;今天我就在这里给大家介绍一下。网络安全作为目前比较火的朝阳行业&…
阅读更多...
又一恐怖技能！卡耐基梅隆大学发布超强智能体，炸翻科研圈

又一恐怖技能！卡耐基梅隆大学发布超强智能体，炸翻科研圈

文 | 小戏一名普通博士生的工作日常是什么&#xff1f;上网查查资料&#xff1f;读读文献&#xff1f;根据各种完善工具的 API 或者文档写两行代码&#xff0c;然后再输给实验机器完成高精度的实验&#xff1f;仔细思考一下我们这些所谓“科研工作者”的工作流&#xff0c;却细…
阅读更多...
如何使用ChatGPT API 及 问题解决

如何使用ChatGPT API 及 问题解决

如何使用ChatGPT API 及 问题解决1, 注册OpenAI账号2&#xff0c;获取OpenAI的API秘钥3&#xff0c;pip安装openai库3.1 pip安装openai库3.2 pip安装错误4&#xff0c;Chatgpt API连接测试4.1 Chatgpt API连接测试4.2 连接测试错误1, 注册OpenAI账号 关于注册账号&#xff0c;…
阅读更多...
订单超时自动取消3种方案

订单超时自动取消3种方案

文章目录 1.定时任务2.被动取消3.延时消息大家对电商购物应该都比较熟悉了，我们应该注意到，在下单之后，通常会有一个倒计时，如果超过支付时间，订单就会被自动取消。 今天，我们来聊聊订单超时未支付自动取消的几种方案。 1.定时任务 这是最容易想到的办法，定时任务去轮…
阅读更多...
配电系统的线性三相潮流研究【IEEE123节点】（Matlab代码实现）

配电系统的线性三相潮流研究【IEEE123节点】（Matlab代码实现）

&#x1f4a5;&#x1f4a5;&#x1f49e;&#x1f49e;欢迎来到本博客❤️❤️&#x1f4a5;&#x1f4a5; &#x1f3c6;博主优势&#xff1a;&#x1f31e;&#x1f31e;&#x1f31e;博客内容尽量做到思维缜密&#xff0c;逻辑清晰&#xff0c;为了方便读者。 ⛳️座右铭&a…
阅读更多...
自媒体小六视野宣布公司倒闭

自媒体小六视野宣布公司倒闭

我是卢松松&#xff0c;点点上面的头像&#xff0c;欢迎关注我哦&#xff01; 自媒体的红利难道已经走到尽头了吗? 最近顶级网红小六视野宣布公司破产、海派团队散伙。自己崩溃大哭&#xff0c;表示很不舍&#xff0c;并且小六视野的账号也不属于自己&#xff0c;属于公司&a…
阅读更多...
盐城北大青鸟：Java的四大就业方向，薪资也是一级棒

盐城北大青鸟：Java的四大就业方向，薪资也是一级棒

近几年&#xff0c;由于互联网的快速发展&#xff0c;有许多新兴的语言和技术逐渐进入我们的视野&#xff0c;导致唱衰Java即将“走下神坛”的声音不绝于耳&#xff0c;真的是这样吗&#xff1f; 数据是从来不会骗人的&#xff0c;根据官方发布的最新TIOBE 编程语言排行榜可知…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023