开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么我们在SQL Server 2016中需要时态表，因为我们有CDC或CT？

在SQL Server 2016中引入时态表的目的是为了提供更灵活和方便的数据历史记录和时间维度分析功能。尽管CDC（Change Data Capture）和CT（Change Tracking）可以用于跟踪数据更改，但时态表提供了更高级的功能和更丰富的历史数据查询能力。

时态表是一种特殊的表，它可以跟踪数据的历史变化，并在查询时提供对历史数据的访问。它通过在表中添加系统生成的隐藏列来实现，这些隐藏列记录了每条数据的有效时间范围和更改类型。

为什么我们需要时态表呢？有以下几个原因：

数据历史记录：时态表可以记录数据的历史变化，包括插入、更新和删除操作。这对于需要追溯数据变更历史的应用场景非常有用，比如审计、合规性要求等。
时间维度分析：时态表可以方便地进行时间维度的分析，比如查询某个时间点的数据状态、查询某个时间段内的数据变化等。这对于业务分析和报表生成非常有帮助。
数据修复和还原：时态表可以用于数据修复和还原操作。通过查询历史数据，可以找到数据变更的原因，并进行相应的修复操作。
数据版本控制：时态表可以帮助实现数据版本控制，确保数据的一致性和可追溯性。

在腾讯云的产品生态中，时态表的功能可以通过使用TDSQL（TencentDB for SQL Server）来实现。TDSQL是腾讯云提供的一种高度可扩展、高可用性的云数据库服务，支持SQL Server引擎。它提供了丰富的功能和工具，包括时态表、数据备份与恢复、性能优化等，可以满足各种云计算场景的需求。

更多关于TDSQL的信息，请访问腾讯云官方网站：https://cloud.tencent.com/product/tdsql

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

追踪记录每笔业务操作数据改变的利器——SQLCDC

对于大部分企业应用来用，有一个基本的功能必不可少，那就是Audit Trail或者Audit Log，中文翻译为追踪检查、审核检查或者审核记录。我们采用Audit Trail记录每一笔业务操作的基本信息，比如操作的基本描述、操作时间、操作者等。对于一些安全级别比较高的应用，或者操作一些比较敏感的数据，我们甚至需要记录该笔业务操作引起的数据的改变。具体来说，这里的“数据改变”指的是每一条影响的记录在操作执行前后的变化。对于添加的记录，需要记录下新插入的记录；对于删除的记录，需要记录下原来的记录；对于更新的记录

07

SQL Server —（CDC）监控表数据(转译)

在SQL Server 2008版本之前，对表数据库的变更监控，我们通常使用DML触发器进行监控，把DML操作中的INSERT/UPDATE/DELETE数据记录下来，但是触发器的维护比较困难；

03

一个完整的用于追踪数据改变的解决方案

在之前一篇介绍CDC的文章中，我说Audit Trail（或者Audit Log）是大部分企业级应用不可以或缺的功能。本篇给你一个完整的Audit Trail解决方案，不仅可以记录每一笔业务操作的信息（比如操作时间、操作者等），并且可以追踪每一笔业务引起的说有数据的改变（如果需要）。目录一、数据表的设计二、数据变化的表示三、AuditLog基本信息的写入四、通过SQLCDC追踪源表数据变化五、删除操作的TransactionId如何被

07

「3306π」沪江从 SQL Server 到 MySQL（二）：在线迁移，空中换发动机

在上篇文章从 SQL Server 到 MySQL （一）：异构数据库迁移中，我们给大家介绍了从 SQL Server 到 MySQL 异构数据库迁移的基本问题和全量解决方案。全量方案可以满足一部分场景的需求，但是这个方案仍然是有缺陷的：迁移过程中需要停机，停机的时长和数据量相关。对于核心业务来说，停机就意味着损失。比如用户中心的服务，以它的数据量来使用全量方案，会导致迁移过程中停机若干个小时。而一旦用户中心停止服务，几乎所有依赖于这个中央服务的系统都会停摆。

03

SQL Server 多表数据增量获取和发布 4

最关键的在于获取捕获表信息（系统表中间_CT结尾的数据）。根据网上资料查取，找到了获取当前捕获表时间区间范围内数据的方式。见[SQL Server 多表数据增量获取和发布 2.3(https://www.jianshu.com/p/6a400eca6e79)

02

Flink-CDC采集Sqlserver实战

如果没有Sqlserver环境，但你又想学习这块的内容，那你只能自己动手通过docker安装一个 myself sqlserver来用作学习，当然，如果你有现成环境，那就检查一下Sqlserver是否开启了代理(sqlagent.enabled)服务和CDC功能。

01

基于Hadoop生态圈的数据仓库实践 —— ETL（一）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/wzy0623/article/details/51804557

02

SQL Server 多表数据增量获取和发布 2.1

为了满足数据迁移和数据抽取的业务需要，使得有机会在数据库层面上直接实现增量抽取功能，ORACLE综合性能和场景需要，在数据库引擎层面直接集成了CDC功能，由于提供了类似API的功能接口，变更数据捕获和更改跟踪均不要求在源中进行任何架构更改或使用触发器，所以比第三方工具具有一定的优势。利用CDC捕获变更有以下特点：

02

SQLServer CDC数据迁移和数据抽取功能介绍

为了满足数据迁移和数据抽取的业务需要，使得有机会在数据库层面上直接实现增量抽取功能，ORACLE综合性能和场景需要，在数据库引擎层面直接集成了CDC功能，由于提供了类似API的功能接口，变更数据捕获和更改跟踪均不要求在源中进行任何架构更改或使用触发器，所以比第三方工具具有一定的优势。利用CDC捕获变更有以下特点：

02

Flink CDC 原理及生产实践

MySQL CDC连接器允许从MySQL数据库读取快照数据和增量数据。本文档根据官网翻译了如何设置MySQL CDC连接器以对MySQL数据库运行SQL查询。

02

Flink CDC 2.4 正式发布，新增 Vitess 数据源，更多连接器支持增量快照，升级 Debezium 版本

Flink CDC [1] 是基于数据库的日志 CDC 技术，实现了全增量一体化读取的数据集成框架。配合 Flink 优秀的管道能力和丰富的上下游生态，Flink CDC 可以高效实现海量数据的实时集成。

03

Flink CDC我吃定了耶稣也留不住他！| Flink CDC线上问题小盘点

如果你对Flink CDC 还没有什么概念，可以参考这里：Flink CDC 原理及生产实践。

07

SQL Server 多表数据增量获取和发布 2.3

一、验证DML SELECT COUNT(1) AS '原总行数' FROM dbo.Person /* 原总行数 0 */ --1. Insert 插入5条数据 INSERT INTO Department( Name ) VALUES ('部门0000000009') GO 5 --2. Update UPDATE Department SET Name = substring(Name,0,10)+'_Update' --3. Delete DELETE FROM Department WHER

02

基于Apache Hudi的多库多表实时入湖最佳实践

CDC(Change Data Capture)从广义上讲所有能够捕获变更数据的技术都可以称为CDC，但本篇文章中对CDC的定义限定为以非侵入的方式实时捕获数据库的变更数据。例如：通过解析MySQL数据库的Binlog日志捕获变更数据，而不是通过SQL Query源表捕获变更数据。Hudi 作为最热的数据湖技术框架之一, 用于构建具有增量数据处理管道的流式数据湖。其核心的能力包括对象存储上数据行级别的快速更新和删除，增量查询(Incremental queries,Time Travel)，小文件管理和查询优化(Clustering,Compactions,Built-in metadata)，ACID和并发写支持。Hudi不是一个Server，它本身不存储数据，也不是计算引擎，不提供计算能力。其数据存储在S3(也支持其它对象存储和HDFS)，Hudi来决定数据以什么格式存储在S3(Parquet,Avro,…), 什么方式组织数据能让实时摄入的同时支持更新，删除，ACID等特性。Hudi通过Spark，Flink计算引擎提供数据写入, 计算能力，同时也提供与OLAP引擎集成的能力，使OLAP引擎能够查询Hudi表。从使用上看Hudi就是一个JAR包，启动Spark, Flink作业的时候带上这个JAR包即可。Amazon EMR 上的Spark，Flink，Presto ，Trino原生集成Hudi, 且EMR的Runtime在Spark，Presto引擎上相比开源有2倍以上的性能提升。在多库多表的场景下(比如：百级别库表)，当我们需要将数据库(mysql,postgres,sqlserver,oracle,mongodb等)中的数据通过CDC的方式以分钟级别(1minute+)延迟写入Hudi，并以增量查询的方式构建数仓层次，对数据进行实时高效的查询分析时。我们要解决三个问题，第一，如何使用统一的代码完成百级别库表CDC数据并行写入Hudi，降低开发维护成本。第二，源端Schema变更如何同步到Hudi表。第三，使用Hudi增量查询构建数仓层次比如ODS->DWD->DWS(各层均是Hudi表)，DWS层的增量聚合如何实现。本篇文章推荐的方案是: 使用Flink CDC DataStream API(非SQL)先将CDC数据写入Kafka，而不是直接通过Flink SQL写入到Hudi表，主要原因如下，第一，在多库表且Schema不同的场景下，使用SQL的方式会在源端建立多个CDC同步线程，对源端造成压力，影响同步性能。第二，没有MSK做CDC数据上下游的解耦和数据缓冲层，下游的多端消费和数据回溯比较困难。CDC数据写入到MSK后，推荐使用Spark Structured Streaming DataFrame API或者Flink StatementSet 封装多库表的写入逻辑，但如果需要源端Schema变更自动同步到Hudi表，使用Spark Structured Streaming DataFrame API实现更为简单，使用Flink则需要基于HoodieFlinkStreamer做额外的开发。Hudi增量ETL在DWS层需要数据聚合的场景的下，可以通过Flink Streaming Read将Hudi作为一个无界流，通过Flink计算引擎完成数据实时聚合计算写入到Hudi表。

01

Hibernate第二天：Hibernate的一级缓存、其他的API

持久化，将内存中的一个对象持久化到数据库的过程。Hibernate框架就是用来进行持久化的框架。

04

SQL Server 多表数据增量获取和发布 2.2

数据库环境： 1、SQLServer 2008R2 2、SQLServer 代理打开

01

SQL server----sys.objects、sys.columns、sysindexes

sys.objects、sys.columns、sys.indexes这三个都是系统视图，主要映射了表、列、索引等信息。与MySQL数据库的information_schema库类似。

02

Flink CDC + OceanBase 全增量一体化数据集成方案

摘要：本文整理自 OceanBase 技术专家王赫（川粉）在 5 月 21 日 Flink CDC Meetup 的演讲。主要内容包括：

02

POSTGRESQL 逻辑复制与CDC捕捉构建实时数据分析平台

大部分数据库都提供CDC 的功能, change data capture, DB的同学可能要问,为什么要这个功能, ORACLE 有DG 数据复制, SQL SERVER 有replication , MYSQL 有 binlog 复制, PG 逻辑,物理复制都有,CDC是不是多余的.

02

SQLServer CDC数据迁移和数据抽取功能介绍 2

数据库环境： 1、SQLServer 2008R2 2、SQLServer 代理打开

04

基于Hadoop生态圈的数据仓库实践 —— 进阶技术（九）

九、退化维度本节讨论一种称为退化维度的技术。该技术减少维度的数量，简化维度数据仓库模式。简单的模式比复杂的更容易理解，也有更好的查询性能。当一个维度没有数据仓库需要的任何数据时就可以退化此维度，此时需要把退化维度的相关数据迁移到事实表中，然后删除退化的维度。 1. 退化订单维度本小节说明如何退化订单维度，包括对数据仓库模式和定期装载脚本的修改。使用维度退化技术时你首先要识别数据，分析从来不用的数据列。例如，订单维度的order_number列就可能是这样的一列。但如果用户想看事务的细节，还需要订单号。因此，在退化订单维度前，要把订单号迁移到sales_order_fact表。下图显示了迁移后的模式。

02

Flink-CDC同步MySQL到Hive实践

CDC是（Change Data Capture 变更数据获取）的简称。核心思想是，监测并捕获数据库的变动（包括数据或数据表的插入INSERT、更新UPDATE、删除DELETE等），将这些变更按发生的顺序完整记录下来，写入到消息中间件中以供其他服务进行订阅及消费。

01

Flink社区 | Flink CDC 2.0 正式发布，核心改进详解

摘要：本文由社区志愿者陈政羽整理，内容来源自阿里巴巴高级开发工程师徐榜江 (雪尽) 7 月 10 日在北京站 Flink Meetup 分享的《详解 Flink-CDC》。深入讲解了最新发布的 Flink CDC 2.0.0 版本带来的核心特性，包括：全量数据的并发读取、checkpoint、无锁读取等重大改进。

03

Edge2AI之使用 Flink/SSB 进行CDC捕获

在本次实验中，您将使用 Cloudera SQL Stream Builder来捕获和处理来自外部数据库中活动的更改。

02

Flink CDC 和 kafka 进行多源合并和下游同步更新

摘要：本文介绍了 Flink CDC 利用 Kafka 进行 CDC 多源合并和下游同步更新的实践分享。内容包括：

04

Greenplum 实时数据仓库实践（5）——实时数据同步

构建实时数据仓库最大的挑战在于从操作型数据源实时抽取数据，即ETL过程中的Extract部分。我们要以全量加增量的方式，实时捕获源系统中所需的所有数据及其变化，而这一切都要在不影响对业务数据库正常操作的前提下进行，目标是要满足高负载、低延迟，难点正在于此，所以需要完全不同于批处理的技术加以实现。当操作型数据进入数据仓库过渡区或ODS以后，就可以利用数据仓库系统软件提供的功能特性进行后续处理，不论是Greenplum、Hive或是其他软件，这些处理往往只需要使用其中一种，相对来说简单一些。

03

Doris + Flink + DolphinScheduler + Dinky 构建开源数据平台

本文整理自 Dinky 实时计算平台 Maintainer 亓文凯老师在 Apache Doris & Apache SeaTunnel 联合 meetup 的实践分享，通过 Doris + Flink + DolphinScheduler + Dinky 构建开源数据平台。

07

数据库高可用实战案例

原文链接：http://www.cnblogs.com/double-K/p/5803956.html 说到高可用,看官们会想到很多方案,也许是自亲身经历过系统从单机变成高可用的痛苦过程,也许有的看官只是在自己的虚机上搭建过测试的玩具。今天本篇用我自己的真实经历给大家讲述，不管怎么样实战和测试玩耍还是很大的区别的！可能你觉得搭建一套高可用方案很简单，配置配置就OK了，但在真正的复杂系统中一切就没有那么轻松了！文章主要讲述升级并搭建AlwaysOn高可用的过程，以实施的思路为主。文中并没有搭建集群的步骤

07

如何构建智能湖仓架构？亚马逊工程师的代码实践来了 | Q推荐

数据仓库的数据体系严格、治理容易，业务规模越大，ROI 越高；数据湖的数据种类丰富，治理困难，业务规模越大，ROI 越低，但胜在灵活。

03

基于Hadoop生态圈的数据仓库实践 —— ETL（二）

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/wzy0623/article/details/51837457

02

DB·洞见#1回顾 | HTAP系统的问题与主义之争

HTAP系统诞生的初衷，是要打破事务处理和分析处理的界限，使企业能通过HTAP系统更好地发现市场反馈，获得更好的创新。但如何让OLTP和OLAP在系统运行的过程中相互干扰最小，却成了HTAP系统面临的难题。总体来看，HTAP系统架构的实践可以分成两类：一类是改革，另一类是改良。前者采用One size fits all的策略，用一个大而全的系统同时满足OLTP和OLAP的需求，后者采用One size doesn’t fit all模型，将OLTP和OLAP两种系统组合起来，通过CDC的方式把OLTP上

04

【Flink】第十篇：join 之 regular join

每篇会讨论一种Flink SQL的join方式，其实已经在之前写过两篇用upsert-kafka做temporal join的文章，但是限于当时对于Flink SQL、CDC、撤回语义等的认知水平有限，并且时间仓促，写的不尽如人意。

02

基于 Flink SQL CDC 的实时数据同步方案

Flink 1.11 引入了 Flink SQL CDC，CDC 能给我们数据和业务间能带来什么变化？本文由 Apache Flink PMC，阿里巴巴技术专家伍翀 (云邪）分享，内容将从传统的数据同步方案，基于 Flink CDC 同步的解决方案以及更多的应用场景和 CDC 未来开发规划等方面进行介绍和演示。

02

POSTGRESQL CDC 现学现卖

本来想睡觉，最近很累，但看完某篇文章后，实在是经不起诱惑，起来继续，Change Data Capture, 其实这东西很多数据库都有这个功能,SQL SERVER 本身就有 CDC 的功能。PostgreSQL 的 CDC ，不能光看，还的去实践。

03

深度解读HTAP系统的问题与主义之争

近日，第12届中国数据库技术大会（DTCC 2021）在北京国际会议中心召开。作为全球领先的云计算、数据库产品服务商，腾讯云数据库集结多位顶级技术大咖亮相本次大会，围绕当前比较热门的数据库技术主题，共同探讨最前沿的技术趋势与实践。本期为大家带来腾讯专家工程师朱阅岸老师在本次大会上的分享，主题为“HTAP系统的问题与主义之争”。以下是分享实录：问题与主义之争其实是上世纪初胡适与李大钊之间的一场论战。胡适主张改良，提倡解决一个个问题，也就是少谈些主义，多研究些问题；而李大钊则主张改革，认为只有解决了这个根

06

【DB宝84】使用OGG for MSSQL微服务快速双向同步RDS数据库（双主）

OGG有传统的经典架构，也有最新的微服务，2个都可以远程捕获和应用数据，对数据库服务器是0侵入，而传统的经典架构是纯命令行模式，最新的微服务架构是图形化界面操作，几乎所有操作都可以在界面进行。

01

C# 利用IDbDataAdapter / IDataReader 实现通用数据集获取

在.net 应用中，与数据库进行连接并查询相关数据，填充到数据集是我们经常用到的功能，数据集的表现形式基本包括如下：

01

数据库高可用实战案例：架构优化背景前期调研详细调研测试过程实施过程细节问题处理

说到高可用,看官们会想到很多方案,也许是自亲身经历过系统从单机变成高可用的痛苦过程,也许有的看官只是在自己的虚机上搭建过测试的玩具。今天本篇用我自己的真实经历给大家讲述，不管怎么样实战和测试玩耍还是很大的区别的！可能你觉得搭建一套高可用方案很简单，配置配置就OK了，但在真正的复杂系统中一切就没有那么轻松了！文章主要讲述升级并搭建AlwaysOn高可用的过程，以实施的思路为主。文中并没有搭建集群的步骤，搭建步骤请自行学习。背景客户的现有方案是一套使用发布订阅构建的读写分离方案，总体来说系统构建的很不错。

06

C# Web控件与数据感应之数据返写

数据感应也即数据捆绑，是一种动态的，Web控件与数据源之间的交互，数据返写，是指将查询出来的数据，通过可显示数据的UI控件进行数据输出，如查询详情页，见下图：

01

使用OGG for SQL Server微服务快速双向同步SQL Server数据库（双主）

OGG有传统的经典架构，也有最新的微服务，2个都可以远程捕获和应用数据，对数据库服务器是0侵入，而传统的经典架构是纯命令行模式，最新的微服务架构是图形化界面操作，几乎所有操作都可以在界面进行。

04

Flink CDC 新一代数据集成框架

主要讲解了技术原理，入门与生产实践，主要功能：全增量一体化数据集成、实时数据入库入仓、最详细的教程。Flink CDC 是Apache Flink的一个重要组件，主要使用了CDC技术从各种数据库中获取变更流并接入到Flink中，Apache Flink作为一款非常优秀的流处理引擎，其SQL API又提供了强大的流式计算能力，因此结合Flink CDC能带来非常广阔的应用场景。例如，Flink CDC可以代替传统的Data X和Canal工具作为实时数据同步，将数据库的全量和增量数据同步到消息队列和数据仓库中。也可以做实时数据集成，将数据库数据实时入湖入仓。还可以做实时物化视图，通过SQL对数据做实时的关联、打宽、聚合，并将物化结果写入到数据湖仓中。

03

基于Hadoop生态圈的数据仓库实践 —— 进阶技术

五、快照前面实验说明了处理维度的扩展。本节讨论两种事实表的扩展技术。有些用户，尤其是管理者，经常要看某个特定时间点的数据。也就是说，他们需要数据的快照。周期快照和累积快照是两种常用的事实表扩展技术。周期快照是在一个给定的时间对事实表进行一段时期的总计。例如，一个月销售订单周期快照汇总每个月底时总的销售订单金额。累积快照用于跟踪事实表的变化。例如，数据仓库可能需要累积（存储）销售订单从下订单的时间开始，到订单中的商品被打包、运输和到达的各阶段的时间点数据来跟踪订单生命周期的进展情况。用户可能要取得在某个给定时间点，销售订单处理状态的累积快照。下面说明周期快照和累积快照的细节问题。 1. 周期快照下面以销售订单的月底汇总为例说明如何实现一个周期快照。首先需要添加一个新的事实表。下图中的模式显示了一个名为month_end_sales_order_fact的新事实表。

02

基于Hadoop生态圈的数据仓库实践 —— 进阶技术（五）

五、快照前面实验说明了处理维度的扩展。本节讨论两种事实表的扩展技术。有些用户，尤其是管理者，经常要看某个特定时间点的数据。也就是说，他们需要数据的快照。周期快照和累积快照是两种常用的事实表扩展技术。周期快照是在一个给定的时间对事实表进行一段时期的总计。例如，一个月销售订单周期快照汇总每个月底时总的销售订单金额。累积快照用于跟踪事实表的变化。例如，数据仓库可能需要累积（存储）销售订单从下订单的时间开始，到订单中的商品被打包、运输和到达的各阶段的时间点数据来跟踪订单生命周期的进展情况。用户可能要取得在某个给定时间点，销售订单处理状态的累积快照。下面说明周期快照和累积快照的细节问题。 1. 周期快照下面以销售订单的月底汇总为例说明如何实现一个周期快照。首先需要添加一个新的事实表。下图中的模式显示了一个名为month_end_sales_order_fact的新事实表。

02

数据同步工具之FlinkCDC/Canal/Debezium对比

数据准实时复制（CDC）是目前行内实时数据需求大量使用的技术，随着国产化的需求，我们也逐步考虑基于开源产品进行准实时数据同步工具的相关开发，逐步实现对商业产品的替代。本文把市面上常见的几种开源产品，Canal、Debezium、Flink CDC 从原理和适用做了对比，供大家参考。

08

C# Web控件与数据感应之填充 HtmlTable

数据感应也即数据捆绑，是一种动态的，Web控件与数据源之间的交互，HtmlTable 控件表示为一个服务器控件，隶属于 System.Web.UI.HtmlControls 集合，对于客户端输出即 table 标签元素，table 表格的主要作用就是数据输出，本文将介绍 C# 实现操作 HtmlTable 服务器控件实现数据集表数据的轻量化输出与显示。

01

Flink CDC 原理、实践和优化

CDC 是变更数据捕获（Change Data Capture）技术的缩写，它可以将源数据库（Source）的增量变动记录，同步到一个或多个数据目的（Sink）。在同步过程中，还可以对数据进行一定的处理，例如分组（GROUP BY）、多表的关联（JOIN）等。

03-PDI(Kettle)导入与导出CDC

参考博客： https://blog.csdn.net/qq_38097573/article/details/103593150

02

数据同步工具之FlinkCDC/Canal/Debezium对比

数据准实时复制（CDC）是目前行内实时数据需求大量使用的技术，随着国产化的需求，我们也逐步考虑基于开源产品进行准实时数据同步工具的相关开发，逐步实现对商业产品的替代。本文把市面上常见的几种开源产品，Canal、Debezium、Flink CDC 从原理和适用做了对比，供大家参考。

05

Flink CDC 原理、实践和优化

CDC 是变更数据捕获（Change Data Capture）技术的缩写，它可以将源数据库（Source）的增量变动记录，同步到一个或多个数据目的（Sink）。在同步过程中，还可以对数据进行一定的处理，例如分组（GROUP BY）、多表的关联（JOIN）等。

05

HiveCatalog 介绍与使用

作者：苏文鹏，腾讯 CSIG 工程师一、背景 Apache Hive 已经成为了数据仓库生态系统中的核心。它不仅仅是一个用于大数据分析和 ETL 场景的 SQL 引擎，同样它也是一个数据管理平台，可用于发现、定义和演化数据。Flink 与 Hive 的集成包含两个层面：一是利用了 Hive 的 Metastore 作为持久化的 Catalog，用户可通过 HiveCatalog 将不同会话中的 Flink 元数据存储到 Hive Metastore 中。例如，用户可以使用 HiveCatalog 将其

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭