腾讯云大数据ClickHouse遇见Schema-less: 半结构化数据分析性能提升20倍!

ByteDoc 3.0:MongoDB 云原生实践 动手点关注干货不迷路????背景本文分享的是 Bytedoc 3.0 关于集群交付方面的内容以及一些云原生的实践:如何将 Bytedoc 3.0 与云原生的能力结合起来,交付用户一个开箱即用的集群,与软件层的能力相匹配,最大化展示 Bytedoc 3.0 具备的“弹性”能力。面临的问题数据库服务的使用者有两方:用户(业务)和 DBA(运维),运维能力不断增强,才能给用户更好... 阅读详情

导语:ClickHouse是一个开源的高性能列式数据库管理系统,OLAP场景设计。列式存储、向量化执行引擎、数据压缩、丰富的函数支持、索引以及预计算能力,是ClickHouse作为高性能大数据实时分析引擎的基石。而在半结构化数据处理领域,ClickHouse显得力不从心。腾讯云数据仓库另辟蹊径融合Schema-less数据库灵活性能力,使得大数据实时分析系统兼具高性能与灵活性。

作者:腾讯云大数据专家工程师  彭健

背景:大数据分析与半结构化数据

半结构化数据指的是介于结构化数据(如关系数据库中的表格数据)和非结构化数据(如文本、图像、音频等)之间的数据类型。常见的半结构化数据包括 JSON、XML、YAML 等。在大数据领域,半结构化数据扮演着越来越重要的角色。其重要性不言而喻。

  •  数据来源广泛:互联网、物联网、社交媒体、移动应用、APM等领域都是半结构化数据的重要来源;

  • 数据价值潜力巨大:半结构化数据通常包含了大量有价值的信息,通过对这些数据进行分析和挖掘,可以为企业提供关键的洞察和预测。

  • 应用场景广泛:半结构化数据具有良好的灵活性,可以很好地表示层次结构和复杂数据关系,便于数据的交换与共享,使得半结构化数据适合处理具有多样化和不规则数据结构的业务场景。

随着数据量的激增,半结构化数据在企业数据分析中的地位将越来越重要。因此,大数据分析系统需要不断优化和发展,以更好地应对半结构化数据处理的挑战。

随着大数据技术的发展,Schema-less数据库被广泛应用在半结构化数据的存储与分析场景。Schema-less数据库无需预定义数据结构,允许数据结构运行时动态扩展,这种特性较好地适应半结构化数据的多样性与潜在可变性。

现有Schema-less数据库具备处理半结构化数据所需的灵活性、扩展性、以及针对性的存储优惠能力,但是缺乏优秀的数据分析能力。在大数据OLAP场景,具备强大分析能力的Schema-less数据库更是凤毛麟角。

ClickHouse 作为大数据实时交互式分析系统,其强大的性能优势,颇受欢迎。如果让ClickHouse也具备Schema-less能力,大数据实时分析能力将如虎添翼!

ClickHouse 现有处理半结构化数据方案

社区ClickHouse在22.3版本以前,处理半结构化数据(以JSON为例)的核心方案为JSON数据存储为STRING类型,通过工具函数来获取JSON字段信息,辅助查询分析。

  • 优势:利用现有ClickHouse的能力,实现简单。

  • 缺点:所有字段混合存储,查询分析效率低下。

社区ClickHouse在22.3版本以后,引入了OBJECT数据类型,支持动态子列能力。引擎针对每个写入的 JSON 对象值进行动态的类型推导,JSON属性会表示为OBJECT(JSON)列的动态子列。动态子列的支持,大幅提高了非结构化数据的分析效率和扩展性支持。

  • 优势:相比早期版本,在数据建模与写入灵活性方面有了质的提升。

  • 缺点:该方案在数据存储与分析的系统层面仍然没有统一结构化与半结构化数据,由此带来的问题为:

1)JSON数据的属性被存储为OBJECT(JSON)类型动态子列,由于子列与普通列的区别,导致用户无法基于动态子列二级索引、创建物化视图、PROJECTION、以及对列的增删改等核心功能。

2)由于动态子列的存在,构建分布式查询计划复杂,性能低下;

由于这些限制,客户很难使用ClickHouse处理半结构化数据。ClickHouse在处理结构化数据方面有强大的性能优势,而Schema-less 在处理半结构化数据方面具备无与伦比的灵活性与扩展性,让ClickHouse具有Schema-less能力,可大幅提升ClickHouse实时处理/分析大规模半结构化数据的能力,这将使ClickHouse在大数据实时分析领域更有竞争力。

腾讯云数据仓库ClickHouse处理半结构化数据的创新方案

腾讯云数据仓库ClickHouse实现实时分析半结构化数据方案,在系统设计时遵循了易用性、高性能、灵活性、以及可扩展原则,主要包含以下内容:

  • 兼容客户端协议,降低客户集群迁移成本;

  • 内核层面支持Schema-less能力,使得大数据分析兼具高性能与灵活性;

  • 集群内广播元数据信息,提升系统水平扩展能力;

如果新引入协议,将加大客户业务迁移成本,限制了云数据仓库ClickHouse的应用场景。在方案设计之初,就明确降低客户业务迁移成本,做到无缝升级。

在内核层面支持Schema-less能力。简而言之,业务在写入数据前无需指定表的结构,专注业务逻辑。内核在收到写入数据后,动态增加列。后台任务根据查询分析情况,动态折叠或展开半结构化数据的嵌套结构,以实现存储效率与查询性能之间的平衡。

云数据仓库ClickHouse是采用去中心化架构设计,计算节点之间无共享数据,集群内也无管理节点。在支持Schema-less能力后,节点之间需要保持一致的表元数据信息。否则,会因为数据写入不均衡问题,导致某些动态列在其他节点上未出现,进一步引发分布式查询失败。为了保持架构上的简洁,云数据仓库ClickHouse采用GOSSIP协议实现节点之间元数据信息广播。

6b148bde59c9cb005b5d40c330d66d69.png

ClickHouse在代码框架上足够灵活与扩展性,能过在较少的代码侵入的情况下,实现上述功能。

内核支持Schema-less功能

降低业务迁移成本,是方案设计过程中一个重要的考量因素。ClickHouse提供了丰富的客户端接口,方便业务以不同的方式与系统交互。这些客户端已广泛应用在业务系统中。

以原生协议(Native Protocol)为例, 数据写入过程需要客户端与服务端握手,从服务端获取表结构信息,包括字段名称与类型。客户端根据上述信息,序列化输入数据以及表结构信息,并发送至服务端。服务端收到请求后,依次解析出数据,并构建和执行Query Pipeline。

为了兼容现有协议,不修改协议规范,也不增加新的数据类型。而是沿用现有协议与字段,对云数据仓库ClickHouse的Schema-less而言,沿用现有OBJECT或者String类型,沿用现有客户端协议。具体而言:

  • 在数据写入流程中,支持Schema-less的表引擎将发送一个“匿名”字段,该字段为OBJECT或者String类型;

  • 客户端以JSON格式数据写入,以一个OBJECT或者String类型字段存储,并发送到服务端;

    服务端未发布新的数据类型,现有业务代码可以无缝升级。

    对于支持Schema-less的表引擎而言,服务端收到客户端写入数据后,会被解析为TUPLE类型的数据。将TUPLE类型数据展开,并包装为ClickHouse内部通用的BlockHouse数据结构。构建数据写入的Query Pipeline,并执行。具体过程:

  • 解析客户端发送的数据;

  • 扩展数据写入的Pipeline, 在写入数据前检查是否存在类型冲突;

  • 将JSON数据按其内部字段独立成列,并持久化在次盘上;

  • 数据落盘后,在PART提交过程中更新动态列;

  • 向客户端返回必要数据;

    数据流动示意图,如下所示,其中CheckDynamicColumnsTransform将检查是否存在字段类型冲突问题。

    bce4cfb394311f954567b48c0d0bdfcc.png

    由于存储层已经将JSON内部字段按列存储了,查询引擎层需要做一些适配工作。这些适配工作包括:

  • 支持通过ALTER TABLE ADD/MODIFY/DROP COLUMN ... 修改JSON内部字段;

  • 支持基于JSON内部字段构建物化视图,以及PROJECTION 从而加速查询;

  • 支持针对半结构化数据的特有查询方式,比如在SELECT 子句中通过通配符查询JSON内部嵌套结构。

集群内广播元数据信息

云数据仓库ClickHouse采用无中心架构设计,集群无统一的管理节点。对于支持Schema-less功能后,节点之间需要广播动态列信息,并使集群范围内节点的动态列信息保持最终一致性。否则,就会出现分布式查询执行失败问题。

未来解决这个问题,通过在集群内部采用GOSSIP协议来广播信息。采用该协议的主要原因包括:

  • 可扩展性:云数据仓库ClickHouse是去中心架构,很容易扩展大规模集群,而GOSSIP协议具有良好的扩展性,满足弹性集群弹性伸缩需求;

  • 容错:集群中任意节点失败,不影响GOSSIP算法正确运行,不影响云数据仓库ClickHouse集群可用性;

  • 最终一致性:在去中心化架构下算法收敛快,能过实现信息指数级传播,使得元数据不一致时间短;

  • 健壮性:GOSSIP协议是去中心化的协议,任意计算接单失败,不影响其他节点信息同步;

    具体而言,对于支持Schema-less的表引擎,每次动态列更新后,其对应的版本信息将递增。动态列信息将会通过GOSSIP协议广播至集群其他节点。每个节点保持了一个后台任务,周期性执行消息广播动作。

    将集群节点分为2类:保持连通的节点集合与未保持连通的节点集合。后台周期性任务,每次分别在上述2个集合中各选择一个节点,完成一次消息广播(本地节点记为local, 随机选取的节点记为remote):

  • local 节点向remote节点发送SYNC类型信息:包含动态列信息以及版本;

  • remote节点收到消息后,与本地动态列比较,如必要则更新其动态列信息,向local节点返回ACK类型信息。且该类型信息中包含了增量差异信息;

  • local节点收到remote节点发送的ACK类型信息后,如必要则更新本地动态列信息,并向remote节点返回ACK_AGAIN类型消息。

数据写入,或者ALTER命令触发表的SCHEMA信息发送变更,将同步更新对应的Version。GOSSIP模块后台任务会周期性将本地数据与随机节点进行交换信息,如必要则更新。

6422716a1f02e64fbf28091c34a6a2ce.png

在实际业务中,动态列信息并不是频繁变动。通常在新业务接入时,有较高频率变动,随后趋于稳定状态。

应用举例

半结构化数据写入支持Schema-less的ClickHouse集群时,只需要简单步骤:

  • 创建表时需要设置参数以标识该表支持Schema-less功能,该参数为enable_dynamic_columns=1;

  • 创建表时只需要指定分区键,主键以及排序键引用的字段名称以及类型;

举例说明,创建表:

CREATE TABLE r
(
    `@timestamp` DateTime,
    `clientip` IPv4
)
ENGINE = MergeTree
PARTITION BY toDate(`@timestamp`)
ORDER BY clientip
SETTINGS enable_dynamic_columns = 1

在创建表时,只需要少量必要的字段定义,同时,指定参数表明该表支持Schema-less功能。需要注意的是,该表引擎除了支持Schema-less功能外,其他行为完全兼容。

数据写入时,需要将半结构化数据以JSON的形式放在已定义字段的后面:

INSERT INTO r SELECT
    toDateTime(JSONExtractUInt(json, '@timestamp')) AS timestamp,
    toIPv4(JSONExtractString(json, 'clientip')) AS clientip,
    json
FROM s3('https://schema-less-testing-1301087413.cos.ap-hongkong.myqcloud.com/documents-01.ndjson.gz', 'JSONAsString')

在写入了JSON数据后,该表会动态扩展字段,通过DESC r查看:

1d806ba72aee2e9fac0c6b3efdf308ba.png

查看数据:

a3c9a3320e51969ccd7d059d8aeaf472.png

数据写入引擎后,通过通配符查询JSON内部的嵌套结构:

080c2377963f17fd4bad78f1a0846c55.png

当然,也可以直接使用JSON内部字段各类查询:

8b66c7281d1e16c070a6a575e5f939e1.png

对于ClickHouse内部的预计算加速查询机制,也能得到支持:

ALTER TABLE r
    ADD PROJECTION p1
    (
        SELECT 
            request.path,
            count()
        GROUP BY request.path
    )

可以看到,用户可以使用ClickHouse 非常方便的对非结构化数据进行分析和查询。

性能表现

云数据仓库ClickHouse处理半结构化数据拥有良好的性能表现。在客户的生产环节中(其日志分析场景中,总数据规模300TB, 集群规模为50节点,总核数1600)ClickHouse现有方案与云数据仓库ClickHouse性能对比:

eb1c3fd7e9ff548c2aa24c6fd1ed0c62.png

性能提升的的原因:将查询高频字段按普通列存储,充分利用向量化计算的性能优势,并且能够对其进行二级索引、预计算处理,从而提升查询性能。

总结

目前,云数据仓库ClickHouse在日志检索以及APM场景下,对半结构化数据实时分析性能提升20倍。为公有云客户节约了大量硬件成本,做到秒级返回查询结果。

ClickHouse与其他数据库的对比 与传统的关系型数据库 (RDBMS) 相比,ClickHouse 采用了列式存储方式,能够更有效地压缩数据,提高查询效率。此外,ClickHouse 支持多核并行处理和多服务器分布式处理,能够快速完成复杂的查询任务。但是,ClickHouse 没有完整的事务支持,不适用于需要事务性保证的应用场景。 与其他类型的列式数据库相比,ClickHouse 也有一些独特的优点。它支持数据复制和数据完整性,能够在多个节点之间复制数据,确保数据的完整性和一致性。此外,ClickHouse 语法上接近 ANSI SQL 阅读详情

相关推荐

IEEE GRSL投稿全流程避坑指南:从Latex模板到校样缴费,新手必看的7个关键节点

本文详细解析了IEEE GRSL投稿全流程中的7个关键节点,从LaTeX模板选择到校样缴费,帮助新手避免常见陷阱。特别针对图像格式转换、审稿意见回复、版权转移等环节提供实用技巧,确保投稿过程高效顺利。

weixin_28720573的博客 573

如何设计高效的 CK schema

为什么 ClickHouse 数据查询这么快,数据压缩率这么高,一个优秀的 schema 设计遵循哪些准则

CHEN_lianlian的博客 1644

[调参神器]使用VOFA+上位机进行PID调参(附下位机代码)

​ 简单地来说,VOFA+是一个超级串口助手,除了可以实现一般串口助手的串口数据收发,它还可以实现数据绘图(包括直方图、FFT图),控件编辑,图像显示等功能。​ 如果只是想要用VOFA+来进行数据绘图,直接使用一个波形图控件就行,但是如果想要把VOFA+当作一个长期使用的调参助手,我们最好设置一下控件。VOFA+简洁好用,但是又有点太简洁了,部分体验并不是很好(比如不能调整控件大小,保存文件不太方便等),所以如果学有余力,推荐自己用QT/PyQT写上位机。接下来,我们要将指令中的数据提取出来。

qq_56089182的博客 4万+

介绍ClickHouse重要特性——系统表

系统表是ClickHouse的重要特性,主要提供数据库SCHEMA、配置和使用的元数据。主要用于数据库管理、查询优化以及系统监控。通过使用系统表DBA和开发者能优化ClickHouse数据库性能、提升整体效率。

neweastsun的专栏 2751

带挂牵引车前向运动模型推导及仿真实现

牵引车-半挂车的车辆结构与普通的车辆相比增加了一个半挂车,它们之间通过鞍座相连接,为了分析半挂牵引车运动过程中的位姿和状态,本文将基于车辆的机械结构建立对应的运动学模型,该模型基于以下假设: 车辆行驶过程中,道路平坦且无凸凹; 车辆低速行驶,且运行过程中车身无侧倾和俯仰运动; 车辆行驶过程中,轮胎无形变,无侧向滑动,且无侧向力; 牵引车和半挂车均满足阿克曼转向几何原理; 牵引车与半挂车不会发现折叠。

jianmo的博客 3184

高通SA8155P车载Camera开发避坑指南:从硬件拓扑到AIS服务调试全流程

本文详细解析了高通SA8155P车载Camera开发全流程,从硬件拓扑设计到AIS(Automotive Imaging System)服务调试,涵盖关键组件配置、软件架构剖析及高级调试技巧。通过实战经验分享,帮助开发者避开常见陷阱,优化系统性能,适用于智能驾驶系统的环境感知开发。

weixin_42550597的博客 332

Schemaless:Uber基于MySQL的可扩展数据库(一)

Mezzanine项目描述了我们如何从单独的Postgres实例中将Uber的核心trip数据提取出来,就成了Schemaless这个具备容错性和高可用性的数据库。本文进一步描述了Schemaless的架构,及其在Uber基础结构中的详细角色,以及它如何成为这样的角色。我们关于新数据库的努力2014年初,由于业务增长迅猛,我们的数据库空间终告耗尽。随着扩张,每次新入驻城市,每次里程增长形成里程碑都...

zhong930的博客 1082

CNC数控机床数据采集,CNC数据采集 设备联网 车间数字化

cnc数据采集 cnc机床数据采集 免受权采集 设备联网

weixin_38175277的博客 2779

Apache Doris 4.1.1 的安装部署以及数据表设计(一)

Apache Doris简介与安装指南 Apache Doris是一款基于MPP架构的高性能实时分析型数据库,具有高效、简单和统一的特性,能够实现亚秒级查询响应。它支持高并发点查询和复杂分析场景,适合报表分析、用户行为分析等应用。 核心特点 存算一体架构:由Frontend(FE)和Backend(BE)组成,支持横向扩展 兼容MySQL协议:支持标准SQL,与主流BI工具无缝集成 列式存储:高效压缩和索引结构,提升查询性能 MPP查询引擎:支持向量化执行、自适应查询等先进技术 安装步骤 环境准备:安装JD

m0_74640785的博客 1190

西门子AI面试问答(STAR法则回答实例)

通过建立良好的沟通渠道、倡导透明和积极的沟通,并建立信任和共享目标的文化,我成功地改善了团队合作的氛围和效果。对于一些存在分歧和冲突的情况,我采用了积极的解决问题的态度,促进双方的沟通和理解,寻找共同的利益点和解决方案。我的成果得到了评委和观众的认可,并为我的学术发展和进一步的科学研究奠定了基础。首先,我主动与团队成员进行一对一的沟通,倾听他们的观点和意见,了解他们在合作中遇到的问题和需求。我还参加了学校组织的科学俱乐部和研究小组,与其他热衷科学的同学一起进行讨论和实验,加深我的理解和实践技能。

kashine的博客 7252

Plant Simulation 双深位立库开发系列教程-货架参数化

为了方便用户进行货架参数化,我们需要在交互界面上进行参数调整,右键打开RackLane,打开Dialog,在Rack_tab的tab下创建相应的对象,并创建NumberOfRightRack和NumberOfLeftRack作为数据连接对象。通过Rack._3D.VisibleGraphicGroups := ["default"]来切换需要显示的Rack,当不需要显示则可以Rack._3D.VisibleGraphicGroups := [""]即可。首先,加载默认的HBW库到模型中,确保结构树当中有。

santayana的专栏 1260

schemaless mysql_Schemaless架构(三):Uber基于MySQL的Trip数据库

原标题:Schemaless架构(三):Uber基于MySQL的Trip数据库 本文介绍Schemaless的主要功能:Schemaless trigger的细节与案例。本文是系列文章的第三部分;第一部分是关于Schemaless的设计,第二部分是讨论其架构。Schemaless trigger是一项具有可扩展性、容错性和无损性的技术,监听Schemaless实例中的变更。在行程(trip)流程中...

weixin_30767257的博客 364

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

ClickHouse 创建数据库建表视图字典 SQL

本节介绍ClickHouse中进行数据库、表结构的定义和管理。

Ajekseg的博客 3346

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

实现高效写入:Schemaless 写入性能优化指南

我们在进行性能优化前,首先需全面了解系统的流程和架构,确保对其有深刻认识。性能优化应着重关注以下三个方面:架构评估:优秀的性能建立在合理且高效的架构之上。首先检查架构设计的合理性和效率,这是提升性能的基础。识别并解决性能瓶颈:在良好的架构基础上,应优先解决主要的性能瓶颈,逐步优化次要问题,以实现持续的性能提升。性能分析方法:利用火焰图分析各函数的调用耗时(宽度),对于一些看不到调用栈的地方可以添加日志打印每步骤的耗时,以精确地识别和分析性能瓶颈。

涛思数据 1205

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

Clickhouse常用函数总结

Cliskhouse 常用的函数语法总结,文末参考文献有官网全部函数的文档。

程序园@大Null 5805

Solr中的Schema和Schemaless模式有何区别?

在Apache Solr中,Schema和Schemaless模式是两种不同的索引配置方式,它们各自适用于不同类型的使用场景。

qq_33240556的博客 542

MySQL 存储 schema-less的数据

from timyang’s blog 综合取舍,使用MySQL来存储key/value(schema-less)数据,value中可以放: Python dict JSON object 实际friendfeed存放的是zlib压缩的Python dict数据,当然这种绑定一种语言的做法具有争议性。

fxsjy的专栏 1771

mysql less_MySQL 存储 schema less的数据

MySQL 存储 schema less的数据from timyang’s blog 综合取舍,使用MySQL来存储key/value(schema-less)数据,value中可以放:Python dictJSON object 实际friendfeed存放的是zlib压缩的Python dict数据,当然这种绑定一种语言的做法具有争议性。相关文档:/********************...

weixin_40003451的博客 158

使用 Atlas 管理 ClickHouse 的 Schema-as-Code

近年来,随着云资源管理方面的巨大进步,一种名为基础设施即代码(IaC)的方法的出现,管理数据库模式的一种新方法逐渐崭露头角。然而,随着项目和组织规模的增长,这些技术的初始优势开始显露出重要的折衷。在 2010 年代,越来越多的开发者寻求避免架构管理的复杂性,因此倾向于使用无架构的数据库,但这种转变导致了数据一致性和维护方面的挑战随着系统的扩展而出现。所有这些技术都采用更简洁的语法和更大的灵活性,承诺了更快的开发周期和更容易的原型设计,使它们成为初创公司和追求快速市场进入的新项目的首选语言。

ClickHouseDB的博客 1288

Clickhouse 库表schema备份脚本

Shell 脚本 备份Clickhouse库表结构

zfqzpp的专栏 244

ClickHouse列存储(十一)—— ClickHouse

此次学习只要是借ClickHouse存储结构引出整个数据库的概念、原理、设计。终得到以下总结:ClickHouse是标准的列存结构;存储设计是LSM-Tree架构;使用稀疏索引加速查询;每个列都有丰富的压缩算法和索引结构;基于列存设计的高效的数据处理逻辑。

qq_54353206的博客 2654

ClickHouse与Elasticsearch比较总结

目录 背景 分布式架构 存储架构 写入链路设计 Elasticsearch 再谈Schemaless 查询架构 计算引擎 数据扫描 再谈高并发 性能测试 日志分析场景 access_log(数据量197921836) trace_log(数据量569816761) 官方Ontime测试集 用户画像场景(数据量262933269) 二级索引点查场景(数据量1000000000) 数据导入性能对比 结语 优点 缺点 ClickHouse替换ES的可行性方案 参考

墨痕诉清风的博客 3826

相比ES,ClickHouse简直不要太香!

文章来源:【公众号:唯技术】目录背景日志系统演进之路‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍‍技术详解前端日志查询系统正确使用姿势背景唯品会日志系统 dragonfly 1.0 是基于 EFK 构建,于 2014 年服务至今已长达 7 年,支持物理机日志采集,容器日志采集,特殊分类日志综合采集等,大大方便了全公司日志的存储和查询。随着公司的业务发展,日志应用...

石杉的架构笔记 5067

Clickhouse JSON表字段方法详解(处理半结构化/结构化数据方法)

Clickhouse JSON表字段方法详解(处理半结构化/结构化数据方法)

大数据开发、JAVA开发、人工智能AI 5658
上一篇: 腾讯云大数据ES荣获信通院优秀案例奖,云原生实力再获认可!
下一篇: 从全托管到Serverless,腾讯云大数据Elasticsearch开启云原生新范式
腾讯云大数据
博客等级 码龄6年 348粉丝 219原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值