每个支持的内核都提供内置功能,允许您从笔记本内的数据集中读取平台数据。 目前,Adobe Experience Platform数据科学工作区的JupyterLab支持 PythonR、PySpark和Scala的笔记本电脑。 但是,对分页数据的支持仅限于 Python 和R笔记本。 本指南重点介绍如何使用JupyterLab笔记本访问数据。
在阅读本指南之前,请查阅 JupyterLab 用户指南 ,了解有关数据科学工作 JupyterLab 区及其作用的高级介绍。
对于PySpark和Scala笔记本,如果收到错误,原因是“远程RPC客户端不关联”。 这通常意味着驱动程序或执行器内存不足。 尝试切换到 “批处理”模式 ,以解决此错误。
以下信息定义可读取的最大数据量、已使用的数据类型以及读取数据所需的估计时间范围。
对 Python 于基准测试和R,使用配置为40GB RAM的笔记本电脑服务器。 对于PySpark和Scala,以下基准测试使用的数据库群集配置为64GB RAM、8个核心、2 DBU(最多4个工作程序)。
使用的ExperienceEvent模式数据在大小上各不相同,从1000(1K)行开始,范围最多可达10亿(1B)行。 请注意,对于PySpark Spark 和指标,XDM数据使用10天的日期范围。
临时模式数据已使用“创建表为选 Query Service 择”(CTAS)进行预处理。 此数据也从1000行(1K)开始,范围最多为10亿行(1B)。
在使用PySpark和Scala笔记本读取数据集时,您可以选择使用交互模式或批处理模式读取数据集。 交互是为了快速获得结果,而批处理模式是为了大数据集。
XDM体验事件模式: 在22分钟内,您最多应能读取200万行(磁盘上约6.1 GB数据)的XDM数据。 添加其他行可能会导致错误。
行数 | 1K | 10K | 100K | 1M | 2M |
---|---|---|---|---|---|
磁盘大小(MB) | 18.73 | 187.5 | 308 | 3000 | 6050 |
SDK(秒) | 20.3 | 86.8 | 63 | 659 | 1315 |
临时模式: 在14分钟内,您最多应能读取500万行非XDM(临时)数据(磁盘上约5.6 GB数据)。 添加其他行可能会导致错误。
行数 | 1K | 10K | 100K | 1M | 2M | 3M | 5M |
---|---|---|---|---|---|---|---|
磁盘大小(MB) | 1.21 | 11.72 | 115 | 1120 | 2250 | 3380 | 5630 |
SDK(秒) | 7.27 | 9.04 | 27.3 | 180 | 346 | 487 | 819 |
XDM体验事件模式: 在13分钟内,您最多可以读取100万行XDM数据(磁盘上的3GB数据)。
行数 | 1K | 10K | 100K | 1M |
---|---|---|---|---|
磁盘大小(MB) | 18.73 | 187.5 | 308 | 3000 |
R内核(秒) | 14.03 | 69.6 | 86.8 | 775 |
临时模式: 在大约10分钟内,您应该能够读取最多300万行临时数据(磁盘上有293MB数据)。
行数 | 1K | 10K | 100K | 1M | 2M | 3M |
---|---|---|---|---|---|---|
磁盘大小(MB) | 0.082 | 0.612 | 9.0 | 91 | 188 | 293 |
R SDK(秒) | 7.7 | 4.58 | 35.9 | 233 | 470.5 | 603 |
XDM体验事件模式: 在交互模式下,您应能在约20分钟内读取最多500万行(磁盘上约13.42GB数据)的XDM数据。 交互模式最多只支持500万行。 如果您希望读取较大的数据集,建议您切换到批处理模式。 在批处理模式下,您应该能够在约14小时内读取最多5亿行XDM数据(磁盘上约1.31TB数据)。
行数 | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M |
---|---|---|---|---|---|---|---|---|---|---|---|
磁盘大小 | 2.93MB | 4.38MB | 29.02 | 2.69GB | 5.39GB | 8.09GB | 13.42GB | 26.82GB | 134.24GB | 268.39GB | 1.31TB |
SDK(交互模式) | 33s | 32.4s | 55.1s | 253.5s | 489.2s | 729.6s | 1206.8s | - | - | - | - |
SDK(批处理模式) | 815.8s | 492.8s | 379.1s | 637.4s | 624.5s | 869.2s | 1104.1s | 1786s | 5387.2s | 10624.6s | 50547s |
临时模式: 在交互模式下,您最多可以在3分钟内读取500万行非XDM数据(磁盘上约5.36GB数据)。 在“批处理”模式下,您应能在约18分钟内读取最多10亿行非XDM数据(磁盘上的数据约为1.05TB)。
行数 | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M | 1B |
---|---|---|---|---|---|---|---|---|---|---|---|---|
磁盘大小 | 1.12MB | 11.24MB | 109.48MB | 2.69GB | 2.14GB | 3.21GB | 5.36GB | 10.71GB | 53.58GB | 107.52GB | 535.88GB | 1.05TB |
SDK交互模式(以秒为单位) | 28.2s | 18.6s | 20.8s | 20.9s | 23.8s | 21.7s | 24.7s | - | - | - | - | - |
SDK批处理模式(秒) | 428.8s | 578.8s | 641.4s | 538.5s | 630.9s | 467.3s | 411s | 675s | 702s | 719.2s | 1022.1s | 1122.3s |
XDM体验事件模式: 在交互模式下,您应该能够在大约18分钟内读取最多500万行(磁盘上约13.42GB数据)的XDM数据。 交互模式最多只支持500万行。 如果您希望读取较大的数据集,建议您切换到批处理模式。 在批处理模式下,您应该能够在约14小时内读取最多5亿行XDM数据(磁盘上约1.31TB数据)。
行数 | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M |
---|---|---|---|---|---|---|---|---|---|---|---|
磁盘大小 | 2.93MB | 4.38MB | 29.02 | 2.69GB | 5.39GB | 8.09GB | 13.42GB | 26.82GB | 134.24GB | 268.39GB | 1.31TB |
SDK交互模式(以秒为单位) | 37.9s | 22.7s | 45.6s | 231.7s | 444.7s | 660.6s | 1100s | - | - | - | - |
SDK批处理模式(秒) | 374.4s | 398.5s | 527s | 487.9s | 588.9s | 829s | 939.1s | 1441s | 5473.2s | 10118.8 | 49207.6 |
临时模式: 在交互模式下,您最多可以在3分钟内读取500万行非XDM数据(磁盘上约5.36GB数据)。 在批处理模式下,您应该能够在约16分钟内读取最多10亿行非XDM数据(磁盘上的数据约为1.05TB)。
行数 | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M | 1B |
---|---|---|---|---|---|---|---|---|---|---|---|---|
磁盘大小 | 1.12MB | 11.24MB | 109.48MB | 2.69GB | 2.14GB | 3.21GB | 5.36GB | 10.71GB | 53.58GB | 107.52GB | 535.88GB | 1.05TB |
SDK交互模式(以秒为单位) | 35.7s | 31s | 19.5s | 25.3s | 23s | 33.2s | 25.5s | - | - | - | - | - |
SDK批处理模式(秒) | 448.8s | 459.7s | 519s | 475.8s | 599.9s | 347.6s | 407.8s | 397s | 518.8s | 487.9s | 760.2s | 975.4s |
Python 笔记本允许您在访问数据集时对数据进行分页。 读取有分页和无分页数据的示例代码如下所示。 有关可用的启动Python笔记本的详细信息,请访 JupyterLab 问Jupyter Lab用户指南中的“启动器”部分。
下面的Python文档概述了以下概念:
不分页:
执行以下代码将读取整个数据集。 如果执行成功,则数据将保存为变量引用的Pactis数据帧 df
。
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.read()
df.head()
分页:
执行以下代码将从指定的数据集中读取数据。 分页是通过分别通过函数和函数限制和偏移数据 limit()
来实现 offset()
的。 限制数据指要读取的数据点的最大数,而偏移指在读取数据之前要跳过的数据点的数量。 如果读取操作成功执行,则数据将保存为变量引用的Pactis数据帧 df
。
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.limit(100).offset(10).read()
要在JupyterLab笔记本中写入数据集,请在JupyterLab的左侧导航中选择“数据”图标选项卡(在下面突出显示)。 出 现Dataset和 模式目录。 选 择数据集 ,右键单击,然后从要使用的 数据集的下拉菜单中选择Write Data in Notebook (在笔记本中写入数据)选项。 可执行代码条目显示在笔记本的底部。
或者,您也可以复制并粘贴以下代码单元格。 同时替换 {DATASET_ID}
和 {PANDA_DATAFRAME}
。
from platform_sdk.models import Dataset
from platform_sdk.dataset_writer import DatasetWriter
dataset = Dataset(get_platform_sdk_client_context()).get_by_id(dataset_id="{DATASET_ID}")
dataset_writer = DatasetWriter(get_platform_sdk_client_context(), dataset)
write_tracker = dataset_writer.write({PANDA_DATAFRAME}, file_format='json')
JupyterLab on允 Platform 许您在笔记本中使 Python 用SQL通过Adobe Experience Platform 查询服务访问数据。 通过访问数 Query Service 据对于处理大型数据集很有用,因为它具有出色的运行时间。 请注意,使用查询 Query Service 数据的处理时间限制为十分钟。
在中使 Query Service 用 JupyterLab之前,请确保您对SQL语法有 Query Service 正常了解。
使用查询 Query Service 数据需要您提供目标数据集的名称。 您可以使用数据资源管理器查找所需的数据集,从而生成必 要的代码单元。 右键单击数据集列表,然后单击“ 笔记本电脑中的查询 ”,在笔记本电脑中生成两个代码单元格。 下文将更详细地介绍这两个单元格。
要在中利用 Query Service , JupyterLab您必须先在工作笔记本和之间创建 Python 连接 Query Service。 这可以通过执行第一生成的单元来实现。
qs_connect()
在第二个生成的单元格中,必须在SQL查询之前定义第一行。 默认情况下,生成的单元格定义一个可选变量(df0
),该变量将查询结果保存为Apnotics数据帧。
该 -c QS_CONNECTION
参数是必需的,它告诉内核执行SQL查询 Query Service。 有关一 列表其 他参数,请参见附录。
%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/
Python变量可以在SQL查询中直接引用,方法是使用字符串格式的语法并将变量打包在大括号({}
)中,如下例所示:
table_name = 'name_of_the_dataset'
table_columns = ','.join(['col_1','col_2','col_3'])
%%read_sql demo -c QS_CONNECTION
SELECT {table_columns}
FROM {table_name}
要访问和筛选笔记本 ExperienceEvent 中的数据集, Python 您必须提供数据集()的ID以及使用逻辑运算符定义特定时{DATASET_ID}
间范围的筛选规则。 定义时间范围时,将忽略任何指定的分页,并考虑整个数据集。
筛选操作符的列表说明如下:
eq()
: 等于gt()
: 大于ge()
: 大于或等于lt()
: 小于le()
: 小于或等于And()
:逻辑AND运算符Or()
:逻辑OR运算符以下单元格将数 ExperienceEvent 据集过滤器为2019年1月1日至2019年12月31日之间唯一存在的数据。
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()
R笔记本允许您在访问数据集时对数据进行分页。 读取有分页和无分页数据的示例代码如下所示。 有关可用的启动R笔记本的详细信息,请访 JupyterLab 问 JupyterLab用户指南中的“Launcher”部分。
下面的R文档概述了以下概念:
不分页:
执行以下代码将读取整个数据集。 如果执行成功,则数据将保存为变量引用的Pactis数据帧 df0
。
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$read()
head(df0)
分页:
执行以下代码将从指定的数据集中读取数据。 分页是通过分别通过函数和函数限制和偏移数据 limit()
来实现 offset()
的。 限制数据指要读取的数据点的最大数,而偏移指在读取数据之前要跳过的数据点的数量。 如果读取操作成功执行,则数据将保存为变量引用的Pactis数据帧 df0
。
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$limit(100L)$offset(10L)$read()
要在JupyterLab笔记本中写入数据集,请在JupyterLab的左侧导航中选择“数据”图标选项卡(在下面突出显示)。 出 现Dataset和 模式目录。 选 择数据集 ,右键单击,然后从要使用的 数据集的下拉菜单中选择Write Data in Notebook (在笔记本中写入数据)选项。 可执行代码条目显示在笔记本的底部。
或者,您也可以复制并粘贴以下代码单元格:
psdk <- import("platform_sdk")
dataset <- psdk$models$Dataset(py$get_platform_sdk_client_context())$get_by_id(dataset_id="{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(py$get_platform_sdk_client_context(), dataset)
write_tracker <- dataset_writer$write(df, file_format='json')
要访问和筛选R笔记本 ExperienceEvent 中的数据集,您必须提供数据集()的ID以及使用逻辑运算符{DATASET_ID}
定义特定时间范围的筛选规则。 定义时间范围时,将忽略任何指定的分页,并考虑整个数据集。
筛选操作符的列表说明如下:
eq()
: 等于gt()
: 大于ge()
: 大于或等于lt()
: 小于le()
: 小于或等于And()
:逻辑AND运算符Or()
:逻辑OR运算符以下单元格将数 ExperienceEvent 据集过滤器为2019年1月1日至2019年12月31日之间唯一存在的数据。
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$
where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()
以下PySpark文档概述了以下概念:
所有 Spark 2.4笔记本电脑都要求使用以下样板代码初始化会话。
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
随着2.4的 Spark 推出, %dataset
自定义魔术功能将被提供用于PySpark 3(Spark 2.4)笔记本。 有关IPython内核中可用的magic命令的更多详细信息,请访 问IPython magic文档。
用法
%dataset {action} --datasetId {id} --dataFrame {df}`
描述
用于从 Data Science Workspace 笔记本(3内核)读取或写入数据集 PySpark 的自定Python 义魔术命令。
名称 | 描述 | 必需 |
---|---|---|
{action} |
要对数据集执行的操作类型。 两个操作可用于“读取”或“写入”。 | 是 |
--datasetId {id} |
用于提供要读或写的数据集ID。 | 是 |
--dataFrame {df} |
熊猫数据框。
|
是 |
--mode |
更改数据读取方式的其他参数。 允许的参数为“batch”和“interactive”。 默认情况下,该模式设置为“交互”。 在读取大量数据时,建议使用“批处理”模式。 | 否 |
查看笔记本数据限 制部分中的 PySpark表, mode
以确定应设置为 interactive
还是 batch
。
示例
%dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0
%dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0
您可以在JupyterLab购买中使用以下方法自动生成上述示例:
在JupyterLab的左侧导航中选择“数据”图标选项卡(在下面突出显示)。 出 现Dataset和 模式目录。 选 择数据集 ,右键单击,然后从要使用的 数据集的下拉菜单中选择Write Data in Notebook (在笔记本中写入数据)选项。 可执行代码条目显示在笔记本的底部。
要使用PySpark 3创建本地数据帧,请使用SQL查询。 例如:
date_aggregation.createOrReplaceTempView("temp_df")
df = spark.sql('''
SELECT *
FROM sparkdf
''')
local_df
df = spark.sql('''
SELECT *
FROM sparkdf
LIMIT limit
''')
sample_df = df.sample(fraction)
您还可以指定可选种子样本,如布尔值withReplacement、多次分数或长种子。
在PySpark笔记本 ExperienceEvent 中访问和过滤数据集要求您提供数据集标识({DATASET_ID}
)、组织的IMS标识以及定义特定时间范围的过滤规则。 过滤时间范围是通过使用函数来定 spark.sql()
义的,其中函数参数是SQL查询字符串。
以下单元格将数据 ExperienceEvent 集过滤为2019年1月1日到2019年12月31日之间唯一存在的数据。
# PySpark 3 (Spark 2.4)
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
%dataset read --datasetId {DATASET_ID} --dataFrame df
df.createOrReplaceTempView("event")
timepd = spark.sql("""
SELECT *
FROM event
WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()
以下文档包含以下概念的示例:
所有Scala笔记本都要求您使用以下样板代码初始化会话:
import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
.builder()
.master("local")
.getOrCreate()
在Scala中,您可以导 clientContext
入以获取和返回平台值,这样就无需定义变量,如 var userToken
。 在下面的Scala示例 clientContext
中,用于获取并返回读取数据集所需的所有值。
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()
val clientContext = ClientContext.getClientContext()
val df1 = spark.read.format("com.adobe.platform.query")
.option("user-token", clientContext.getUserToken())
.option("ims-org", clientContext.getOrgId())
.option("api-key", clientContext.getApiKey())
.option("service-token", clientContext.getServiceToken())
.option("sandbox-name", clientContext.getSandboxName())
.option("mode", "interactive")
.option("dataset-id", "5e68141134492718af974844")
.load()
df1.printSchema()
df1.show(10)
元素 | 描述 |
---|---|
df1 | 一个变量,它表示用于读取和写入数据的Pactys数据帧。 |
用户令牌 | 使用自动获取的用户令牌 clientContext.getUserToken() 。 |
服务令牌 | 您使用自动获取的服务令牌 clientContext.getServiceToken() 。 |
ims-org | 使用自动获取的IMS组织ID clientContext.getOrgId() 。 |
api-key | 使用自动获取的API密钥 clientContext.getApiKey() 。 |
查看笔记本数据限 制部分中的Scala表 ,以确定 mode
是否应设置为 interactive
或 batch
。
您可以使用以下方法在JupyterLab购买中自动生成上述示例:
在JupyterLab的左侧导航中选择“数据”图标选项卡(在下面突出显示)。 出 现Dataset和 模式目录。 选 择数据集 ,右键单击,然后从要使用的数据集 的下拉菜单中选择浏览笔记本中的数据 。 可执行代码条目显示在笔记本的底部。
和
在Scala中,您可以导 clientContext
入以获取和返回平台值,这样就无需定义变量,如 var userToken
。 在下面的Scala示例 clientContext
中,用于定义和返回写入数据集所需的所有值。
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()
val clientContext = ClientContext.getClientContext()
df1.write.format("com.adobe.platform.query")
.option("user-token", clientContext.getUserToken())
.option("service-token", clientContext.getServiceToken())
.option("ims-org", clientContext.getOrgId())
.option("api-key", clientContext.getApiKey())
.option("sandbox-name", clientContext.getSandboxName())
.option("mode", "interactive")
.option("dataset-id", "5e68141134492718af974844")
.save()
元素 | 描述 |
---|---|
df1 | 一个变量,它表示用于读取和写入数据的Pactys数据帧。 |
用户令牌 | 使用自动获取的用户令牌 clientContext.getUserToken() 。 |
服务令牌 | 您使用自动获取的服务令牌 clientContext.getServiceToken() 。 |
ims-org | 使用自动获取的IMS组织ID clientContext.getOrgId() 。 |
api-key | 使用自动获取的API密钥 clientContext.getApiKey() 。 |
查看笔记本数据限 制部分中的Scala表 ,以确定 mode
是否应设置为 interactive
或 batch
。
要使用Scala创建本地数据帧,需要SQL查询。 例如:
sparkdf.createOrReplaceTempView("sparkdf")
val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)
访问和过滤 ExperienceEvent Scala笔记本中的数据集需要您提供数据集标识({DATASET_ID}
)、组织的IMS标识以及定义特定时间范围的过滤器规则。 过滤时间范围是使用函数定义的, spark.sql()
其中函数参数是SQL查询字符串。
以下单元格将数据 ExperienceEvent 集过滤为2019年1月1日到2019年12月31日之间唯一存在的数据。
// Spark (Spark 2.4)
// Turn off extra logging
import org.apache.log4j.{Level, Logger}
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)
import org.apache.spark.sql.{Dataset, SparkSession}
val spark = org.apache.spark.sql.SparkSession.builder().appName("Notebook")
.master("local")
.getOrCreate()
// Stage Exploratory
val dataSetId: String = "{DATASET_ID}"
val orgId: String = sys.env("IMS_ORG_ID")
val clientId: String = sys.env("PYDASDK_IMS_CLIENT_ID")
val userToken: String = sys.env("PYDASDK_IMS_USER_TOKEN")
val serviceToken: String = sys.env("PYDASDK_IMS_SERVICE_TOKEN")
val mode: String = "batch"
var df = spark.read.format("com.adobe.platform.query")
.option("user-token", userToken)
.option("ims-org", orgId)
.option("api-key", clientId)
.option("mode", mode)
.option("dataset-id", dataSetId)
.option("service-token", serviceToken)
.load()
df.createOrReplaceTempView("event")
val timedf = spark.sql("""
SELECT *
FROM event
WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timedf.show()
本文档涵盖了使用JupyterLab笔记本访问数据集的一般准则。 有关查询数据集的更多详细示例,请访 问JupyterLab笔记本查询 。 有关如何探索和可视化数据集的更多信息,请访问使用笔记本 分析数据的文档。
此表概述了可用于的可选SQL标志 Query Service。
标志 | 描述 |
---|---|
-h , --help |
显示帮助消息并退出。 |
-n , --notify |
切换选项以通知查询结果。 |
-a , --async |
使用此标志可异步执行查询,并可在查询执行时释放内核。 将查询结果分配给变量时要小心,因为如果查询不完成,则可能未定义。 |
-d , --display |
使用此标志可阻止显示结果。 |