@clickzetta/cz-cli-darwin-arm64 0.3.76 → 0.3.80

package/bin/skills/lakehouse-doc/references/eco_integration/rath.md

@@ -1,87 +0,0 @@
-# 通过RATH对ClickZetta数据进行可视化分析
-
-## 1. RATH简介
-
-RATH不仅是一款功能强大的开源数据分析和可视化工具，可以与Tableau等知名工具相媲美，而且它通过增强分析引擎自动发现数据模式、见解和因果关系，从而实现探索性数据分析工作流程的自动化。RATH可以轻松实现多维数据可视化。
-
-主要功能如下：
-
-* 🤖 自动化数据洞察：一键获取数据见解！增强分析引擎可帮助您发现数据中的模式、见解和因果关系。这是一种全自动的方式，只需单击一下，即可探索和可视化数据集。
-
-* 🛠 数据探索副驾驶：RATH将作为您的数据科学助手，了解您的意图并生成相关建议。
-
-* 自然语言界面：用自然语言提出问题，从数据中获得答案和可视化。
-
-* AutoVis：RATH将为您选择的数据生成最佳可视化效果。这使您可以专注于数据和变量，而无需担心如何实现可视化。
-
-* 👓 数据管理器：自动数据管理器，用于生成数据和数据转换的摘要。
-
-* 🎨 数据绘制工具：一种交互式、直观且强大的工具，通过直接为数据着色并具备进一步的分析功能来进行探索性数据分析。观看[此视频](https://youtu.be/djqePNyhz7w)了解如何使用数据绘制工具发现数据洞察。
-
-* 📊 仪表板：构建一个漂亮的交互式数据仪表板（包括一个自动化的仪表板设计器，可以为您的仪表板提供建议）。
-
-* 因果分析：识别并检查变量之间的因果关系，这可以帮助您探索数据、创建更好的预测模型并做出明智的业务决策。
-
-## 2. 环境准备
-
-1. 将源代码克隆到本地：
-   ```
-   git clone <https://github.com/clickzetta/Rath.git>
-   ```
-
-2. 进入RATH所在目录。
-
-3. 启动Docker容器：
-   ```
-   docker-compose up
-   ```
-
-4. 打开浏览器并访问：[http://localhost:9083](http://localhost:9083)。
-
-![环境准备图示](.topwrite/assets/image_1697461437518.png)
-
-## 3. 从ClickZetta Lakehouse导入数据
-
-1. 选择Connection类型为ClickZetta。
-
-2. 按照以下格式填写连接字符串：
-   ```
-   clickzetta://yourusername:yourpassword@yourinstance.service/yourworkspace?vcluster=yourvcluster&schema=yourschema
-   ```
-
-![连接字符串图示](.topwrite/assets/image_1697462002448.png)
-
-## 4. 查看数据档案
-
-在RATH中，您可以查看数据档案以了解数据集的结构和内容。点击左侧导航栏中的“数据档案”，您将看到所有导入的数据集列表。
-
-![数据档案图示](.topwrite/assets/image_1697462239382.png)
-
-## 5. 进行可视化分析
-
-在RATH中，您可以轻松创建各种类型的可视化图表来分析数据。以下是一些使用示例：
-
-* 示例1：创建条形图以显示不同类别的销售额。
-  1. 点击“新建分析”按钮。
-  2. 选择数据集中的销售额和类别字段。
-  3. 选择条形图作为可视化类型。
-  4. 拖放字段到相应的轴和值区域。
-  5. 调整图表样式和颜色。
-
-* 示例2：创建折线图以显示销售额随时间的变化趋势。
-  1. 点击“新建分析”按钮。
-  2. 选择数据集中的销售额和日期字段。
-  3. 选择折线图作为可视化类型。
-  4. 拖放字段到相应的轴和值区域。
-  5. 调整图表样式和颜色。
-
-* 示例3：创建散点图以显示两个变量之间的关系。
-  1. 点击“新建分析”按钮。
-  2. 选择数据集中的两个需要分析的字段。
-  3. 选择散点图作为可视化类型。
-  4. 拖放字段到相应的轴和值区域。
-  5. 调整图表样式和颜色。
-
-![可视化分析图示](.topwrite/assets/image_1697462345560.png)
-
-通过以上步骤，您可以轻松地使用RATH对ClickZetta数据进行可视化分析。无论是发现数据中的模式、见解，还是探索因果关系，RATH都能为您提供强大的支持。

package/bin/skills/lakehouse-doc/references/eco_integration/sqlline.md

@@ -1,82 +0,0 @@
-# 使用Sqlline连接云器Lakehouse
-
-## 概述
-
-本文档旨在指导用户如何使用 Sqlline 工具连接到云器 Lakehouse，以便进行数据查询和管理。在开始操作之前，请确保满足以下前提条件。
-
-## 前提条件
-
-1. 您的本地计算机上已安装Java 8或更高版本。
-2. 您已成功开通Lakehouse服务。
-3. 您已下载 Lakehouse 提供的 Sqlline 组件。请点击 [此处](https://autolake-dev-beijing.oss-cn-beijing.aliyuncs.com/clickzetta-tool/release/sqlline_cz.tar.gz) 下载 sqlline_cz。
-
-## 操作步骤
-
-1. **解压 Sqlline 组件**：将下载的 sqlline_cz.tar.gz 文件解压到指定目录。
-   ```
-   tar vxf sqlline_cz.tar.gz
-   ```
-
-2. **进入工作目录**：打开终端，进入解压后的 sqlline_cz 目录。
-   ```
-   cd sqlline_cz
-   ```
-
-3. **初始化连接环境**：运行 `setup.sh` 脚本以初始化连接环境。
-   ```
-   sh setup.sh
-   ```
-
-4. **修改配置文件**：根据实际情况编辑 `example.properties` 文件，主要配置以下参数：
-   - `url`: Lakehouse的JDBC URL。
-   - `user`: Lakehouse的用户名。
-   - `password`: Lakehouse的密码。
-
-   例如，您可以使用文本编辑器修改配置文件：
-   ```
-   nano example.properties
-   ```
-
-   然后输入以下内容（替换为您的实际信息）：
-   ```
-   url=jdbc:lakehouse://your_lakehouse_url
-   user=your_lakehouse_username
-   password=your_lakehouse_password
-   ```
-
-5. **启动 Sqlline**：运行 Sqlline 并加载配置文件。
-   ```
-   ./sqlline property example.properties
-   ```
-
-## 使用示例
-
-1. **查询数据表**：在 Sqlline 中，您可以执行 SQL 查询以查看数据表的内容。例如，查询名为 `employees` 的数据表：
-   ```
-   SELECT * FROM employees;
-   ```
-
-2. **创建数据表**：您可以使用 Sqlline 创建新的数据表。例如，创建一个名为 `departments` 的数据表：
-   ```
-   CREATE TABLE departments (
-       id INT PRIMARY KEY,
-       name VARCHAR(255),
-       description TEXT
-   );
-   ```
-
-3. **插入数据**：在数据表中插入数据。例如，向 `departments` 表中插入一条记录：
-   ```
-   INSERT INTO departments (id, name, description) VALUES (1, 'HR', 'Human Resources Department');
-   ```
-
-## 调试与问题排查
-
-若需启用调试模式以输出详细日志，便于问题排查，请将环境变量 `SQLLINE_DEBUG_ENABLE` 设置为 `TRUE`：
-```
-export SQLLINE_DEBUG_ENABLE=TRUE
-```
-
-## 结语
-
-通过以上步骤，您应已成功使用 Sqlline 连接到 Lakehouse 并进行数据操作。如有疑问或需要进一步支持，请随时联系我们的技术支持团队。

package/bin/skills/lakehouse-doc/references/eco_integration/sqlworkbench-j-lakehouse.md

@@ -1,54 +0,0 @@
-# SQL Workbench/J 连接云器 Lakehouse
-
-云器 Lakehouse 为您提供了一种便捷的途径，可通过数据库管理工具 SQL Workbench/J 来访问和管理 Lakehouse 中的数据。本文档将详细介绍如何使用 SQL Workbench/J 连接云器 Lakehouse，并提供一些实用的操作示例。
-
-## 背景信息
-
-SQL Workbench/J 是一款免费的、跨平台的 SQL 查询工具，采用 Java 语言编写，适用于所有提供 Java 运行环境的操作系统。
-
-## 预备条件
-
-在开始操作前，请确保您已满足以下条件：
-
-- 已安装 Java 11 版本。
-- 已开通 Lakehouse 服务。
-- 已下载[Lakehouse JDBC驱动](<../version-update.md>)。
-- 已下载并安装 [SQL Workbench/J](https://sql-workbench.eu/download-archive.html)。本文以 SQL Workbench/J Build 128 为例。
-
-## 步骤一：启动 SQL Workbench/J
-
-1. 为确保 SQL Workbench/J 正常运行，需要在环境变量中添加 `JDK_JAVA_OPTIONS=--add-opens=java.base/java.nio=ALL-UNNAMED`。请注意，仅当您使用的是 Java 1.8 或更低版本时，才需要修改此参数。由于 SQL Workbench/J Build 128 要求使用 Java 11，因此必须进行此修改。
-2. 在 Linux 系统下，通过执行 `sh sqlwbconsole.sh` 命令启动 SQL Workbench/J。对于 Windows 系统，直接点击 `SQLWorkbench64.exe` 即可启动。
-
-## 步骤二：添加云器 Lakehouse 驱动
-
-1. 启动 SQL Workbench/J 后，系统会自动弹出 “Select Connection Profile” 对话框。如果没有弹出，请点击 “Driver” 菜单，选择 “Manage Drivers”。
-2. 在 “Manage Drivers” 对话框左下角，点击 “Add Driver” 按钮，创建一个新的驱动。输入自定义驱动名称，并上传已下载的云器 JDBC 驱动 JAR 包。完成后，点击 “OK” 按钮，完成驱动配置。请注意，上传 Lakehouse JDBC 驱动后，将 “Classname” 配置为 `com.clickzetta.client.jdbc.ClickZettaDriver`。
-
-![添加驱动界面](.topwrite/assets/image_1693482142270.png)
-
-## 步骤三：SQL Workbench/J 连接云器 Lakehouse
-
-1. 在 “Select Connection Profile” 对话框右侧的 Profile 配置界面，选择刚刚创建的云器驱动，并从云器 Lakehouse 控制台首页复制 JDBC 连接字符串。
-
-![选择驱动界面](.topwrite/assets/image_1693482159154.png)
-
-![Lakehouse首页JDBC地址](.topwrite/assets/image_1693482172849.png)
-
-2. 在 Profile 配置界面的 “Connection” 选项卡中，粘贴刚刚复制的 JDBC 连接字符串。如有需要，您还可以在 “Advanced” 选项卡中设置其他连接参数，如 SSL、最大连接数等。
-
-## 步骤四：使用 SQL Workbench/J 管理云器 Lakehouse
-
-1. 连接成功后，您可以在左侧对象浏览器中查看所有的 schema 和 table。
-
-![查看schema和table](.topwrite/assets/image_1693482182988.png)
-
-2. 在右侧的 SQL 编辑器中，您可以编写并执行 SQL 查询。例如，尝试执行以下查询以查看某个表的数据：
-
-```sql
-SELECT * FROM your_table_name LIMIT 10;
-```
-
-3. 您还可以使用 SQL Workbench/J 的导入导出功能，将数据从其他数据源导入到云器 Lakehouse，或将云器 Lakehouse 中的数据导出到其他数据源。
-
-通过以上步骤，您已成功使用 SQL Workbench/J 连接并管理云器 Lakehouse。如有疑问或需要进一步的帮助，请随时联系我们的技术支持团队。

package/bin/skills/lakehouse-doc/references/eco_integration/streamlit.md

@@ -1,117 +0,0 @@
-# 使用 Streamlit 开发 ClickZetta Lakehouse 应用
-
-## Streamlit 简介
-
-Streamlit 是一款功能强大的 Python 框架，专为数据科学家和工程师打造，用于快速创建交互式 Web 应用。通过 Streamlit，您可以轻松地将数据分析、机器学习模型和数据可视化整合到一个应用中，而无需深入了解前端技术。Streamlit 的主要特点包括：
-
-* 简洁明了的 API，便于上手，无需前端知识。
-* 支持 Markdown 和 HTML 文本渲染，实现丰富的文本效果。
-* 提供丰富的交互组件，如表格、图表等，支持响应式布局。
-* 活跃的社区支持和持续更新。
-
-## 开发流程概述
-
-Streamlit 应用的开发过程非常简单。本文档将通过一个示例，展示如何结合 Streamlit 和 clickzetta-sqlalchemy 库，实现一个简单的查询 ClickZetta Lakehouse 并展示结果的应用。
-
-### 环境准备
-
-首先，确保您的 Python 环境中已安装 `streamlit` 和 `clickzetta-sqlalchemy`。使用以下命令进行安装：
-
-```bash
-pip install streamlit clickzetta-sqlalchemy
-```
-
-接下来，在 Streamlit 的 `secrets.toml` 配置文件（位于项目目录或 `$HOME/.streamlit/secrets.toml`）中，添加 SQLAlchemy 风格的连接字符串：
-
-```toml
-# .streamlit/secrets.toml
-
-[connections.connection_name]
-url = "clickzetta://username:password@instance.api.clickzetta.com/quickstart_ws?schema=public&virtualcluster=default"
-```
-
-### 编写应用代码
-
-创建一个名为 `demo.py` 的文件，并编写以下代码：
-
-```python
-# demo.py
-import streamlit as st
-
-# 根据 secrets.toml 中的配置创建 SQL 连接。
-conn = st.experimental_connection('connection_name', type='sql')
-
-# 输入 SQL 查询语句。
-sql = st.text_area('在这里输入您的 SQL 查询语句')
-
-# 执行查询并展示结果。
-if st.button('运行查询') and sql:
-    result = conn.query(sql)
-    st.dataframe(result)
-```
-
-### 运行应用
-
-使用以下命令运行应用：
-
-```bash
-streamlit run demo.py
-```
-
-Streamlit 会自动打开本地浏览器，访问 <http://localhost:8501>。您也可以手动在浏览器中输入该地址。
-
-### 示例 SQL 查询
-
-以下是一个示例 SQL 查询，用于从 ClickZetta Lakehouse 中获取最近 24 小时内的购买事件数据：
-
-```sql
-SELECT
-  brand,
-  COUNT(DISTINCT user_id) AS unique_user_count,
-  SUM(price) AS sum_price
-FROM
-  clickzetta_sample_data.ecommerce_events_history.ecommerce_events_multicategorystore_live
-WHERE
-  event_time >= (NOW() - INTERVAL '24' HOUR)
-  AND event_type = 'purchase'
-GROUP BY
-  brand
-ORDER BY
-  sum_price DESC
-LIMIT 10;
-```
-
-![Streamlit 应用运行效果截图](streamlit-demo.png)
-
-## 进阶示例
-
-### 添加图表展示
-
-为了更好地展示数据，您可以使用 Streamlit 的 `st.plotly_chart` 函数，将查询结果以图表形式展示。首先，安装 `pandas` 和 `plotly` 库：
-
-```bash
-pip install pandas plotly
-```
-
-然后，在 `demo.py` 中添加以下代码：
-
-```python
-import pandas as pd
-import plotly.express as px
-
-# ...
-
-if st.button('生成图表') and sql:
-    result = conn.query(sql)
-    df = pd.DataFrame(result)
-
-    fig = px.bar(df, x='brand', y='sum_price', title='各品牌销售额')
-    st.plotly_chart(fig)
-```
-
-## 参考资源
-
-* [Streamlit 官方文档](https://docs.streamlit.io/library/get-started)
-* [ClickZetta Lakehouse 官方文档](https://docs.clickzetta.com/lakehouse/)
-
-^

package/bin/skills/lakehouse-doc/references/eco_integration/superset.md

@@ -1,109 +0,0 @@
-# Superset ClickZetta adapter 使用指南
-
-## Superset 简介
-
-Superset 是 Airbnb 开源的 BI 数据分析与可视化平台，原名 Caravel 和 Panoramix。该工具的主要特点包括自助分析、自定义仪表盘、分析结果可视化（导出）以及用户/角色权限控制。Superset 还集成了一个 SQL 编辑器，允许用户进行 SQL 编辑和查询。最初，Superset 主要用于支持 Druid 的可视化分析，但后来发展为支持多种关系数据库和大数据计算框架，如 MySQL、Oracle、PostgreSQL、Presto、SQLite、Redshift、Impala、SparkSQL、Greenplum 和 MSSQL。Superset 基于 Python 框架，集成了 Flask、D3、Pandas 和 SQLAlchemy 等技术。
-
-## Superset ClickZetta 适配器
-
-`clickzetta-sqlalchemy` 是一个为 SQLAlchemy 提供 ClickZetta Lakehouse 的 dialect 适配器，使得使用 SQLAlchemy 接口编写的代码或上层应用可以轻松连接到 ClickZetta Lakehouse。Superset 支持类 SQLAlchemy 规范的 URL 配置数据源链接，因此，在 Superset 中连接 ClickZetta 数据库只需配置相应的 URL 即可。
-
-## 安装与配置
-
-### 使用镜像
-
-通过使用镜像，您可以快速体验 Superset 连接 ClickZetta Lakehouse 的效果：
-
-```shell
-docker pull clickzetta/superset:2.1.0-1
-docker run -p 8088:8088 clickzetta/superset:2.1.0-1
-```
-
-使用浏览器打开 http://localhost:8088。
-
-### 本地安装
-
-1. 安装 `clickzetta-sqlalchemy`：
-   `clickzetta-sqlalchemy` 需要在大于等于 Python 3.7 版本的环境下安装。
-安装命令（确保当前环境不需要使用 clickzetta-sqlalchemy 和 clickzetta-connector，需要卸载掉以避免依赖冲突）：
-
-```
-pip uninstall -y clickzetta-sqlalchemy clickzetta-connector && pip install clickzetta-connector -U
-```
-
-
-2. 安装 Superset：
-   您可以选择安装与镜像相同的 Superset 版本，或者安装更高版本的 Superset。
-   ```shell
-   # 安装与镜像相同的 Superset 版本
-   pip install -r https://raw.githubusercontent.com/clickzetta/awesome-clickzetta/main/superset/requirements.txt
-
-   # 安装更高版本的 Superset
-   pip install 'apache-superset>=2.1'
-   ```
-
-3. 初始化 Superset：
-   ```shell
-   export FLASK_APP=superset
-
-   superset db upgrade
-
-   # 创建管理员用户
-   superset fab create-admin
-
-   superset init
-
-   # 启动服务，绑定在 localhost 的 8088 端口。如需远程访问，可添加 --host 0.0.0.0
-   superset run -p 8088 --with-threads --reload --debugger
-   ```
-
-## 使用方法
-
-### 登录 Superset
-
-* 如果您使用的是镜像，默认用户名为 `admin`，密码为 `clickzetta`。
-* 如果您是本地安装，请使用在安装步骤 `superset fab create-admin` 中填写的用户名和密码。
-
-### 连接 ClickZetta 数据库
-
-1. 点击右上角的 Settings，然后选择 Database Connections，跳转到 Superset 的创建数据库页面。
-2. 点击右上角的 Database，选择 Other 作为数据库类型。
-3. 填写数据库名称和 ClickZetta Lakehouse 的服务 URL。
-4. 点击 TESTING CONNECTION 按钮测试连接是否成功。
-5. 如果测试通过，点击下方的 CONNECT 按钮完成数据库连接。
-
-### ClickZetta URL 格式
-
-ClickZetta URL 的格式如下：
-
-```
-clickzetta://username:password@instance.service/workspace?vcluster=vcluster
-```
-
-其中各部分含义如下：
-
-* username：用户名
-* password：密码
-* instance：实例名称
-* service：服务域名
-* workspace：空间名称
-* vcluster：资源名称
-
-service 支持指定端口。如果不需要指定端口，可以直接使用域名，例如：
-
-```
-# 指定端口
-clickzetta.service:9090
-# 不指定端口
-clickzetta.service
-```
-
-service 支持使用 http 和 https 两种协议。
-
-### 使用 Superset 进行可视化分析
-
-成功连接 ClickZetta 数据库后，您可以使用 Superset 进行数据可视化分析。以下是一些使用示例：
-
-1. 创建图表：点击左侧菜单栏的 Charts，选择新建图表。在图表设置页面，选择您刚刚连接的 ClickZetta 数据库，然后选择相应的表和字段进行图表创建。
-2. 创建仪表盘：点击左侧菜单栏的 Dashboards，选择新建仪表盘。在仪表盘设置页面，您可以添加多个图表，并对它们进行布局和样式调整。
-3. 导出和分享：在图表或仪表盘页面，您可以点击右上角的导出按钮，将分析结果导出为图片、

package/bin/skills/lakehouse-doc/references/eco_integration/trino.md

@@ -1,75 +0,0 @@
-# Trino Clickzetta Connector 使用指南
-
-## Trino 简介
-
-Trino 是一个高性能的开源分布式 SQL 查询引擎，它支持在多种数据源上执行查询，包括但不限于 Hive、MySQL、PostgreSQL、MongoDB、Redis、Cassandra、Kafka 等。Trino 常用于离线查询加速和多数据源联邦查询，为用户提供便捷的数据处理和分析体验。
-
-本文档将介绍如何使用 Trino-Clickzetta 插件，通过 Trino 直接访问和分析 Clickzetta Lakehouse 中的数据。
-
-## 准备工作
-
-1.  请确保已安装 Trino。您可以选择下载 [Trino 402 版本服务器](https://repo1.maven.org/maven2/io/trino/trino-server/402/trino-server-402.tar.gz)。
-2.  下载 Trino-Clickzetta 插件。访问 [插件下载页面](https://autolake-dev-beijing.oss-cn-beijing.aliyuncs.com/clickzetta-tool/release/trino-clickzetta-402.zip)，将插件解压到 Trino 安装目录下的 `plugin` 文件夹中。
-3.  下载 Trino-Clickzetta 插件配置文件。访问 [配置文件下载页面](https://autolake-dev-beijing.oss-cn-beijing.aliyuncs.com/clickzetta-tool/release/cziceberg.properties)，将配置文件复制到 Trino 安装目录下的 `etc/catalog` 文件夹中。根据您的实际情况，修改配置文件中的以下三项：
-   ```
-   iceberg.cz.uri=jdbc:clickzetta://instance.api.clickzetta.com/workspace?schema=public&vcluster=default
-   iceberg.cz.user=username
-   iceberg.cz.password=password
-   ```
-4.  启动或重启 Trino 服务。在 Trino 安装目录下执行以下命令：
-   ```shell
-   bin/launcher start/restart
-   ```
-
-## 使用 Trino Clickzetta 插件
-
-1. 使用 Trino 客户端连接至 Trino 服务器。您可以下载 [Trino 客户端](https://repo1.maven.org/maven2/io/trino/trino-cli/402/trino-cli-402-executable.jar)，并参考 [客户端使用指南](https://trino.io/docs/current/client/cli.html) 进行操作。
-
-   ```shell
-   java -jar trino-cli-402-executable.jar --server localhost:8080 --catalog cziceberg --schema public
-   ```
-
-2. 在 Trino 客户端中，执行以下命令查看 Clickzetta Lakehouse 中的表：
-
-   ```sql
-   show tables;
-   ```
-
-   您将看到类似于以下的表列表：
-
-   ```
-           Table
-   ----------------------------
-   lh_smoke_test_bulkload
-   lh_smoke_test_igs
-   spark_src
-   spark_src_complex_type
-   spark_srcpart
-   spark_srcpart_complex_type
-   spark_srcpart_date
-   spark_srcpart_int
-   (8 rows)
-   ```
-
-3. 查询表中的数据。例如，查询 `lh_smoke_test_igs` 表中的记录总数：
-
-   ```sql
-   select count(*) from lh_smoke_test_igs;
-   ```
-
-   结果类似于：
-
-   ```
-   _col0
-   -------
-   100
-   ```
-
-## 注意事项
-
-1. 本插件仅针对 Trino 402 版本进行开发和验证。
-2. 目前插件仅支持从 Clickzetta Lakehouse 读取数据，不支持写入数据。
-3. 插件暂不支持读取在 Clickzetta Lakehouse 中被更新或删除过的表。
-4. 有关 Trino 配置文件的详细信息，请参阅 [Trino 官方文档](https://trino.io/docs/current/installation/deployment.html#configuration)。
-
-^

package/bin/skills/lakehouse-doc/references/ecosystem-all.md

@@ -1,24 +0,0 @@
-## 云器Lakehouse生态工具连接
-
-云器 Lakehouse 作为一款功能强大的数据平台，支持与众多生态工具无缝连接，以便您能够更加便捷地管理和分析数据。支持的生态工具包括数据库客户端工具、BI 及可视化工具、ETL 工具等。当前支持的生态工具如下：
-
-| 分类 | 名称 |
-| :--- | :--- |
-| 客户端 | [SQL Workbench/J](eco_integration/sqlworkbench-j-lakehouse.md) |
-| 客户端 | [DBeaver](eco_integration/dbeaver-lakehouse.md) |
-| 客户端 | [DataGrip](eco_integration/datagrip-lakehouse.md) |
-| BI及可视化 | [Metabase](metabase.md) |
-| BI及可视化 | [Tableau   ](<TableauConnectToLakehouse.md>) |
-| BI及可视化 | [Superset](eco_integration/superset.md) |
-| BI及可视化 | [rath](eco_integration/rath.md) |
-| BI及可视化 | [Streamlit](eco_integration/streamlit.md) |
-| BI及可视化 | [Zeppelin](eco_integration/Zeppelin.md) |
-| BI及可视化 | [帆软 ](<FineBI.md>) |
-| ETL | [DataX](eco_integration/datax.md) |
-| ETL | [DBT](eco_integration/dbt.md) |
-| ETL | [Airbyte](airbyte.md) |
-| 开放引擎 | [Trino](eco_integration/trino.md) |
-| 开放引擎 | [Spark](spark-connector-summary.md) |
-| 其他 | [MindsDB](mindsdb.md) |
-
-对于列表之外的生态工具，您可以根据客户端支持的连接方式，考虑使用 JDBC 驱动或 SQLAlchemy 创建自定义连接。

package/bin/skills/lakehouse-doc/references/export_data_with_data-integration.md

@@ -1,3 +0,0 @@
-# 使用数据集成导出数据
-
-数据集成支持配置定时任务，定时将数据从云器 Lakehouse 中导出到其他数据存储。详见：[数据集成概述和使用](data-integration-intro.md)

package/bin/skills/lakehouse-doc/references/external-Volume.md

@@ -1,10 +0,0 @@
-# 外部 Volume 对象的创建与使用
-
-创建存储连接之后，就可以创建外部 Volume 对象，并通过它访问对象存储数据。
-
-### 使用限制
-
-* 当前 Volume 支持的目标对象存储包括：阿里云 OSS、腾讯云 COS、亚马逊云 S3 和谷歌云 GCS。
-* 从外部 Volume 下载文件会产生所属云账号的对象存储下载费用，具体收费请参考云厂商对象存储的计费说明。
-
-#

package/bin/skills/lakehouse-doc/references/external-catalog-summary.md

@@ -1,42 +0,0 @@
-# 概述
->**【预览发布】本功能当前处于公开预览发布阶段。**
-
-External Catalog 是 Lakehouse 中的一个安全对象，它映射了外部数据系统中的数据库，使得用户可以在 Lakehouse 中对该数据系统执行只读查询。通过 External Catalog，用户可以利用 Lakehouse 的查询能力访问和分析存储在外部数据库中的数据。
-
-# External Catalog使用场景
-* **统一元数据管理**：将多个数据源的元数据统一管理，简化数据治理。
-* **数据联邦查询**：使用 External Catalog，用户可以在不同的数据源之间进行联合查询，如同它们是同一个数据库内的数据一样。通过联邦查询，用户能够实时访问和分析存储在外部系统中的数据，无需等待数据同步。
-* **数据导入**：将分散在不同数据源的数据导入 Lakehouse，构建统一的数据湖，便于进行大数据分析和机器学习。将历史数据或不常访问的数据保留在外部存储中，通过 External Catalog 导入到 Lakehouse，优化数据仓库的存储和性能。
-
-# 使用 External Catalog
-
-1. **创建连接**：首先，需要在 Catalog Connection 中创建一个连接（connection），这个连接是一个安全对象，它指定了用于访问外部数据库系统的路径和认证信息。
-2. **创建外部目录**：使用已创建的连接，可以创建一个外部目录（External Catalog）。这个目录在 Lakehouse 中作为安全对象存在，镜像了外部数据系统中的数据库结构。
-3. **执行查询**：一旦外部目录被创建，用户就可以在Lakehouse中编写 SQL 查询。
-
-# 支持的数据源
-
-Lakehouse 通过多源数据目录（Multi-Catalog）功能，
-- 支持了[Apache Hive连接访问](<create-hive-catalog.md>)
-- 支持External Iceberg Rest Catalog,具体参考[利用 External Catalog 访问 Snowflake OpenCatalog 的 Iceberg 表](<Query_SnowflakeOpenCatalog_Icebergtable.md>)
-- 支持访问Databricks,具体参考[Databricks-云器Lakehouse 跨平台数据联邦最佳实践指南](<databricks_yunqi_integration_guide_v2.md>)
-
-
-# EXTERNAL CATALOG相关使用语法
-- 创建External Catalog
-[参考CREATE EXTERNAL CATALOG](<create-external-catalog.md>)
-- 列出 Catalog
-[参考SHOW CATALOG](<show-catalog.md>)
-- 查看Catalog下的SCHEMA
-参考[查看EXTERNAL CATALOG下的SCHEMA](<show-catalog-schema.md>)
-- 列出CATALOG下的表
-参考[列出CATALOG下的表](<show-catalog-table.md>)
-- 查寻CATALOG下的表
-参考[查询CATALOG下的表](<show-catalog-table.md>)
-- 创建CATALOG下的表结构
-参考[查看CATALOG下的表结构](<desc-catalog-table.md>)
-
-# 权限
-目前创建的 Catalog 只有 instance admin 角色可以查询。
-# 使用案例
-[参考创建HIVE CATALOG](<create-hive-catalog.md>)