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

package/bin/skills/lakehouse-doc/references/upload-data.md

@@ -1 +0,0 @@
-^

package/bin/skills/lakehouse-doc/references/upload_data.md

@@ -1,123 +0,0 @@
-## 使用数据上传功能上传数据
-
-您可以通过云器Lakehouse web界面上的「数据上传」功能向Lakehouse的表中添加数据。
-
-## 使用说明
-
-* 适合较小（不大于2GB）的本地文件（CSV、TXT、Parquet、Avro、ORC）直接上传到云器Lakehouse的表中，无需编程实现，方式最简单。
-* 当前仅支持一次上传一个文件
-* 数据上传功能暂不支持对文件中 struct、map、array 这三种数据类型的字段进行解析。
-
-## 使用数据上传功能
-
-使用数据上传功能时，您可以创建新表，也可以将数据上传到已有表中。
-
-### 将数据上传到新表
-
-在上传数据的时候，您通常可以同时为数据创建一个新表。
-
-#### 前提条件
-
-**您需要具备如下条件才可以使用该功能**
-
-* 您具有如下角色之一：workspace_admin、workspace_dev、workspace_analyst
-* 或者您具有如下权限点：create table、insert + update、delete + insert + update
-
-#### 操作步骤
-
-1. 登录云器Studio账号。
-
-2. 在如下地方均可以点击「上传数据」
-
-   1. 实例首页->数据上传
-   2. 开发->数据树左侧
-   3. 数据资产地图->数据上传
-   4. 数据资产地图->数据管理->数据树->数据上传
-
-      ![](.topwrite/assets/image_1736307100971.png =361)
-
-3. 可将本地文件通过拖拽，或者点击浏览本地系统上的文件的方式添加进来。一次只能添加1个文件，且大小不得超过2GB。
-
-4. Schema：选择目标schema。
-
-5. 选择表：选择「新建表」并在后方输入新建表名。
-
-6. 集群：当前schema所在的工作空间下的可用集群。
-
-7. 数据导入方式：支持追加写入，和先清空后写入两种方式导入数据至新建表中。
-
-8. 信息全部确认后点击“下一步”，系统会基于已上传的文件信息，自动解析出文件中的字段信息。
-
-   ![](.topwrite/assets/image_1736307305607.png =380)
-
-9. 检查并判断自动解析出来的字段名称和字段类型等信息是否符合预期，确认无误后，点击「确认」即可完成新建表并上传数据的操作。
-    * 若发现字段解析有问题，可通过修改**文件属性**配置项，重新刷新获取自动解析后的字段名称、字段类型等信息。或自行修改字段名称或字段类型。
-    * 注意：修改后的字段类型若与系统解析的不匹配，可能导致上传失败。
-
-### 将数据上传到已有表
-
-#### 前提条件
-
-**您需要具备如下条件才可以使用该功能**
-
-* 您具有如下角色之一：workspace_admin、workspace_dev、workspace_analyst
-* 或者您具有如下权限点：create table、insert + update、delete + insert + update
-
-#### 操作步骤
-
-1. 登录云器Studio账号。
-
-2. 在如下地方均可以点击「上传数据」
-
-   1. 开发->数据树->表->上传数据
-   2. 数据资产地图->数据管理->数据树->表->上传数据
-
-     ![](.topwrite/assets/image_1736307178433.png =353)
-
-3. 可将本地文件通过拖拽，或者点击浏览本地系统上的文件的方式添加进来。一次只能添加1个文件，且大小不得超过2GB。
-
-4. Schema：选择目标schema。
-
-5. 选择表：选择「已有的表」
-
-6. 集群：当前schema所在的工作空间下的可用集群
-
-7. 数据导入方式：支持追加写入，和先清空后写入两种方式导入数据至**已有表**中。
-
-8. 信息全部确认后点击“下一步”。
-
-   ![](.topwrite/assets/image_1736307408590.png =427)
-
-9. 对上传的文件进行相应的解析配置。
-
-   1. 文件类型：系统会基于上传文件的格式后缀自动解析出文件类型，用户也可以自行选择其他文件类型，但是需要确保选择的文件类型与上传的文件实际类型一致。
-
-   2. 文件属性配置：
-
-   3. 表头：
-
-      * 第一行为表头：从文件第一行开始解析，同时将第一行直接解析为「字段名称」并与已有表进行匹配。若有匹配不上的会被判断失败。
-      * 无表头：忽略第一行，从第二行开始作为数值进行读取。
-      * 跳过前N行：自行设置跳过的行数，并从N+1行开始作为数值进行读取。
-
-   4. 字段包裹字符：
-
-      * 双引号：在列分隔符设定下，将双引号 "" 内的内容解析为字段值。**推荐选项**。
-      * 单引号：在列分隔符设定下，将单引号 '' 内的内容解析为字段值。
-      * 空：列分隔符后的所有内容均会被解析为字段值。
-
-   5. 换行符：设定换行符的处理方式，Windows系统为\r\n，Linux、macOS系统为\n。
-
-   6. 空值表示：指定文件中空值的表达方式。
-
-   7. 列分隔符：列之间的分隔符，只允许使用单个字符。对于 CSV 文件，默认为逗号。
-
-   8. 编码方式：UTF-8、GBK
-
-   9. 遇错停止：
-
-      * 立即停止：遇错立刻停止读取，并返回错误提示。
-      * 忽略错误：忽略错误行直到数据全部读取结束，返回错误行信息。
-      * 设置容错行数：当错误行数超过设定值时停止读取，并返回错误提示。
-
-^

package/bin/skills/lakehouse-doc/references/use-dbt-dev.md

@@ -1,441 +0,0 @@
-# 注意事项
-
-* 请使用 dbt-core 1.5.11、dbt-clickzetta 0.2.32 及以上版本。
-
-# 准备工作
-
-1. 安装 dbt-core 以及 ClickZetta Lakehouse 插件
-
-```PowerShell
-pip install dbt-core
-```
-
-注：如最新版本遇到不兼容问题，请使用 dbt-core 1.5.11 版本。
-
-2. 安装 dbt-clickzetta 插件（使用支持 DYNAMIC TABLE/MV 的 v0.2.32 及以上版本）：
-
-```PowerShell
-pip install dbt-clickzetta
-```
-
-3. 初始化DBT项目
-
-```PowerShell
-$ dbt init cz_dbt_project
-01:35:39  Running with dbt=1.5.11
-Which database would you like to use?
-[1] clickzetta
-
-(Don't see the one you want? https://docs.getdbt.com/docs/available-adapters)
-
-Enter a number: 1
-base_url (https://clickzetta.com): cn-shanghai-alicloud.api.clickzetta.com
-workspace (dev workspace): ql_ws
-instance_name (dev instance name): jnsxwfyr
-vc_name (vc name): default
-user_name (user name): <user_name>
-schema (default schema): dbt_dev
-password (password): <your_passwd>
-01:37:13  Profile cz_dbt_project written to /Users/username/.dbt/profiles.yml using target's profile_template.yml and your supplied values. Run 'dbt debug' to validate the connection.
-01:37:13  
-Your new dbt project "cz_dbt_project" was created!
-
-$ cd cz_dbt_project
-```
-
-4. 配置 ClickZetta dbt 项目 profiles
-
-打开并编辑 `~/.dbt/profiles.yml` 文件，增加生产环境配置。参考如下内容，注意 service 中修改为自己所在的 region\_id：
-
-```PowerShell
-cz_dbt_project:
-  target: dev
-  outputs:
-    prod:
-      type: clickzetta
-      service: cn-shanghai-alicloud.api.clickzetta.com
-      instance: <your_instance_name>
-      username: <user_name>
-      password: <passwd>
-      workspace: <your_workspace_name>
-      schema: dbt_prod
-      vcluster: default
-    dev:
-      type: clickzetta
-      service: cn-shanghai-alicloud.api.clickzetta.com
-      instance: <your_instance_name>
-      username: <user_name>
-      password: <passwd>
-      workspace: <your_workspace_name>
-      schema: dbt_dev
-      vcluster: default
-```
-
-5. 验证配置
-
-```PowerShell
-$ dbt debug
-
-02:22:03    Connection test: [OK connection ok]
-
-INFO:stdout_log:02:22:03    Connection test: [OK connection ok]
-
-INFO:file_log:10:22:03.153933 [info ] [MainThread]:   Connection test: [OK connection ok]
-
-02:22:03  All checks passed!
-```
-
-6. 测试运行
-
-通过 `dbt run` 将在目标 dev 环境构建 dbt 项目内置的 2 个测试模型：
-
-* model.cz\_dbt\_project.my\_first\_dbt\_model
-* model.cz\_dbt\_project.my\_second\_dbt\_model
-
-```PowerShell
-$ dbt run
-```
-
-查看执行日志是否成功，并检查目标环境下（例如 `dbt_dev` schema）是否成功创建 `my_first_dbt_model`、`my_second_dbt_model` 数据对象。
-
-# 创建基于Table Stream的增量加工任务
-
-## 场景说明
-
-首先，将外部写入的表定义为 Source Table，并为 Source Table 创建 Table Stream 对象以获取增量变化数据；
-
-其次，在 DBT 中创建使用 Table Stream 的增量模型（"materialized='incremental'"）；
-
-最后，多次运行模型观察增量处理效果。
-
-![](.topwrite/assets/image_1722603029545.png)
-
-## 准备Source表
-
-创建一张原始表，通过数据集成工具持续导入数据：
-
-```SQL
-CREATE TABLE public.ecommerce_events_multicategorystore_live(
-  `event_time` timestamp,
-  `event_type` string,
-  `product_id` string,
-  `category_id` string,
-  `category_code` string,
-  `brand` string,
-  `price` decimal(10,2),
-  `user_id` string,
-  `user_session` string)
-TBLPROPERTIES(
-  'change_tracking'='true');
-```
-
-注意需要在表属性里增加 `'change_tracking' = 'true'` 设置，以开启增量数据捕获能力。
-
-为原始表创建一个Table Stream对象，跟踪原始表的变化记录：
-
-```SQL
--- Create stream on source table
-CREATE TABLE STREAM public.stream_ecommerce_events 
-on table ecommerce_events_multicategorystore_live
-with PROPERTIES ('TABLE_STREAM_MODE' = 'APPEND_ONLY')
-```
-
-同时在 `cz_dbt_project` 的 models 目录下新建 `sources.yml` 文件，声明已创建的 2 张 source table：
-
-![](.topwrite/assets/image_1722603115937.png)
-
-## 开发模型
-
-创建名称为 events\_enriched.sql 的 dbt 模型，通过配置方式声明为增量模型：
-
-```SQL
-{{
-   config(
-       materialized='incremental'
-   )
-}}
-
-SELECT
-  event_time,
-  CAST(SUBSTRING(event_time,0,19) AS TIMESTAMP) AS event_timestamp, 
-  SUBSTRING(event_time,12,2) AS event_hour, 
-  SUBSTRING(event_time,15,2) AS event_minute, 
-  SUBSTRING(event_time,18,2) AS event_second, 
-  event_type,
-  product_id, 
-  category_id,
-  category_code,
-  brand,
-  CAST(price AS DECIMAL(10,2)) AS price, 
-  user_id, 
-  user_session,
-  CAST(SUBSTRING(event_time,0,19)AS date) AS event_date,
-  CURRENT_TIMESTAMP() as loaded_at
-FROM
-{% if is_incremental() %}
-{{source('quning', 'stream_ecommerce_events')}} 
-{% else %}
-{{source('quning', 'ecommerce_events_multicategorystore_live')}} 
-{% endif %}
-```
-
-注意：
-
-* 当通过 `dbt build` 命令构建模型时，`is_incremental()` 条件判断为 False，将使用原始表 `ecommerce_events_multicategorystore_live` 的全量数据进行模型构建；
-* 当通过 `dbt run` 执行模型时，`is_incremental()` 将识别为 True，将进行增量加工；
-
-如果您希望在构建和后续运行时都仅使用 Table Stream 的增量数据（Table Stream 默认仅提供其创建之后的变化数据）进行模型构建，可对模型进行如下定义：
-
-```Go
-{{
-   config(
-       materialized='incremental'
-   )
-}}
-
-SELECT 
-  `event_time` ,
-  `event_type` ,
-  `product_id` ,
-  `category_id` ,
-  `category_code` ,
-  `brand` ,
-  `price` ,
-  `user_id` ,
-  `user_session` ,
-  CURRENT_TIMESTAMP() as load_time
-  FROM 
-{{source('public', 'stream_ecommerce_events')}}   
-```
-
-## 构建模型
-
-通过 `dbt build` 命令在目标环境创建模型：
-
-```PowerShell
-dbt build --model events_enriched
-```
-
-通过观察日志，模型构建时通过以下语句创建模型，并初始对原始表全量数据进行加工转换：
-
-```SQL
-/* {"app": "dbt", "dbt_version": "1.5.11", "profile_name": "cz_dbt_project", "target_name": "dev", "node_id": "model.cz_dbt_project.events_enriched"} */
-create table dbt_dev.events_enriched
-as
-SELECT
-  event_time,
-  CAST(SUBSTRING(event_time,0,19) AS TIMESTAMP) AS event_timestamp, 
-  SUBSTRING(event_time,12,2) AS event_hour, 
-  SUBSTRING(event_time,15,2) AS event_minute, 
-  SUBSTRING(event_time,18,2) AS event_second, 
-  event_type,
-  product_id, 
-  category_id,
-  category_code,
-  brand,
-  CAST(price AS DECIMAL(10,2)) AS price, 
-  user_id, 
-  user_session,
-  CAST(SUBSTRING(event_time,0,19)AS date) AS event_date,
-  CURRENT_TIMESTAMP() as loaded_at
-FROM
-public.ecommerce_events_multicategorystore_live;
-```
-
-在 Lakehouse 的目标环境下检查数据对象：
-
-![](.topwrite/assets/image_1722603148172.png)
-
-```SQL
-select count(*)  from events_enriched ;
-`count`(*) 
----------- 
-3700       
-```
-
-数据对象以及初始数据成功创建并写入。
-
-## 运行模型
-
-通过 `dbt run` 命令运行模型：
-
-```PowerShell
-dbt run --model events_enriched
-```
-
-根据 dbt 增量模型逻辑，dbt 将在目标环境创建一个临时视图来表示增量数据。
-
-```SQL
-/* {"app": "dbt", "dbt_version": "1.5.11", "profile_name": "cz_dbt_project", "target_name": "dev", "node_id": "model.cz_dbt_project.events_enriched"} */
-
-create or replace view dbt_dev.events_enriched__dbt_tmp as
-SELECT
-  event_time,
-  CAST(SUBSTRING(event_time,0,19) AS TIMESTAMP) AS event_timestamp, 
-  SUBSTRING(event_time,12,2) AS event_hour, 
-  SUBSTRING(event_time,15,2) AS event_minute, 
-  SUBSTRING(event_time,18,2) AS event_second, 
-  event_type,
-  product_id, 
-  category_id,
-  category_code,
-  brand,
-  CAST(price AS DECIMAL(10,2)) AS price, 
-  user_id, 
-  user_session,
-  CAST(SUBSTRING(event_time,0,19)AS date) AS event_date,
-  CURRENT_TIMESTAMP() as loaded_at
-FROM
-public.stream_ecommerce_events;
-```
-
-同时，dbt 根据模型中 `materialized='incremental'` 的配置，使用 `MERGE INTO` 将 table stream 中的增量数据写入目标模型：
-
-```SQL
-/* {"app": "dbt", "dbt_version": "1.5.11", "profile_name": "cz_dbt_project", "target_name": "dev", "node_id": "model.cz_dbt_project.events_enriched"} */
-
-    -- back compat for old kwarg name
-merge into dbt_dev.events_enriched as DBT_INTERNAL_DEST
-      using dbt_dev.events_enriched__dbt_tmp as DBT_INTERNAL_SOURCE
-      on FALSE
-  when not matched then insert
-     (`event_time`,`event_timestamp`,`event_hour`,`event_minute`,`event_second`,`event_type`,`product_id`,`category_id`,`category_code`,`brand`,`price`,`user_id`,`user_session`,`event_date`,`loaded_at`)
-  values (
-        DBT_INTERNAL_SOURCE.`event_time`,DBT_INTERNAL_SOURCE.`event_timestamp`,DBT_INTERNAL_SOURCE.`event_hour`,DBT_INTERNAL_SOURCE.`event_minute`,DBT_INTERNAL_SOURCE.`event_second`,DBT_INTERNAL_SOURCE.`event_type`,DBT_INTERNAL_SOURCE.`product_id`,DBT_INTERNAL_SOURCE.`category_id`,DBT_INTERNAL_SOURCE.`category_code`,DBT_INTERNAL_SOURCE.`brand`,DBT_INTERNAL_SOURCE.`price`,DBT_INTERNAL_SOURCE.`user_id`,DBT_INTERNAL_SOURCE.`user_session`,DBT_INTERNAL_SOURCE.`event_date`,DBT_INTERNAL_SOURCE.`loaded_at`
-    );
-```
-
-每次执行 dbt run，都会从 table stream 中读取数据并 Merge into 目标模型。写入成功后，Table Stream 的变化记录位置会自动前进，下次 dbt run 时将自动处理最新的增量数据。
-
-# 创建基于动态表的加工任务
-
-## 场景说明
-
-结合前面的场景设计，这里继续使用dbt-clickzetta的Dynamic Table模型对已经完成转换的表进行聚合加工。
-
-首先，在 dbt 中创建使用 Dynamic Table 的模型（`materialized='dynamic_table'`），配置定义 dynamic table 的刷新周期、刷新所使用的计算资源等信息，以便在模型构建后，系统能够根据调度参数自动进行刷新。
-
-其次，在目标环境观察动态表模型的构建和刷新结果。
-
-![](.topwrite/assets/image_1722603183742.png)
-
-## 开发模型
-
-创建名称为 product\_grossing.sql 的 dynamic table 模型。
-
-* 代码定义
-
-```SQL
-{{
-   config(
-       materialized = 'dynamic_table',
-       vcluster = 'default',
-       refresh_interval = '5 minute'
-   )
-}}
-
-select 
-  event_date,
-  product_id,
-  sum(price) sum_price 
-from 
-  {{ ref("events_enriched")}}
-group by event_date,product_id
-```
-
-## 构建模型
-
-通过 `dbt build` 命令在目标环境创建模型：
-
-```PowerShell
-dbt build --model product_grossing
-```
-
-通过观察日志，模型构建时通过以下语句创建模型，并初始对原始表全量数据进行加工转换：
-
-```SQL
-/* {"app": "dbt", "dbt_version": "1.5.11", "profile_name": "cz_dbt_project", "target_name": "dev", "node_id": "model.cz_dbt_project.product_grossing"} */
-create or replace dynamic table dbt_dev.product_grossing
-refresh interval 5 minute
-vcluster default
-as
-select 
-  event_date,
-  product_id,
-  sum(price) sum_price 
-from 
-  dbt_dev.events_enriched
-group by event_date,product_id;
-```
-
-通过 dbt 可查看模型血缘关系：
-
-![](.topwrite/assets/image_1722603216025.png)
-
-在 Lakehouse 的目标环境下检查数据对象：
-
-```SQL
-show tables;
-
-schema_name table_name               is_view is_materialized_view is_external is_dynamic 
------------ ------------------------ ------- -------------------- ----------- ---------- 
-dbt_dev     events_enriched          false   false                false       false      
-dbt_dev     events_enriched__dbt_tmp true    false                false       false      
-dbt_dev     my_first_dbt_model       false   false                false       false      
-dbt_dev     my_second_dbt_model      true    false                false       false      
-```
-
-同时通过 `DESC` 命令查看动态表的信息，重点确认运行集群、刷新周期参数是否符合预期：
-
-```SQL
-desc extended product_grossing;
-
-column_name                  data_type                                                                                                                                                                                                                                                     
----------------------------- ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 
-event_date                   date                                                                                                                                                                                                                                                          
-product_id                   string                                                                                                                                                                                                                                                        
-sum_price                    decimal(20,2)                                                                                                                                                                                                                                                 
-                                                                                                                                                                                                                                                                                           
-# detailed table information                                                                                                                                                                                                                                                               
-schema                       dbt_dev                                                                                                                                                                                                                                                       
-name                         product_grossing                                                                                                                                                                                                                                              
-creator                      xxx                                                                                                                                                                                                                                                        
-created_time                 2024-06-22 21:03:40.467                                                                                                                                                                                                                                       
-last_modified_time           2024-06-22 21:08:41.184                                                                                                                                                                                                                                       
-comment                                                                                                                                                                                                                                                                                    
-properties                   (("refresh_vc","default"))                                                                                                                                                                                                                                    
-type                         DYNAMIC TABLE                                                                                                                                                                                                                                                 
-view_text                    SELECT events_enriched.event_date, events_enriched.product_id, `sum`(events_enriched.price) AS sum_price FROM ql_ws.dbt_dev.events_enriched GROUP BY events_enriched.event_date, events_enriched.product_id;                                                  
-view_original_text           select 
-  event_date,
-  product_id,
-  sum(price) sum_price 
-from 
-  dbt_dev.events_enriched
-group by event_date,product_id;                                                                                                                                   
-source_tables                [86:ql_ws.dbt_dev.events_enriched=8278006558627319396]                                                                                                                                                                                                        
-refresh_type                 on schedule                                                                                                                                                                                                                                                   
-refresh_start_time           2024-06-22 21:03:40.418                                                                                                                                                                                                                                       
-refresh_interval_second      300                                                                                                                                                                                                                                                           
-unique_key_is_valid          true                                                                                                                                                                                                                                                          
-unique_key_version_info      unique_key_version: 1, explode_sort_key_version: 1, digest: H4sIAAAAAAAAA3NMT9cx0nEP8g8NUHCKVDBScPb3CfX1C+ZSCE5OzANKBfmHx3u7Riq4Bfn7KqSWpeaVFMen5hVlJmekpnABAIf7bMY+AAAA, unique key infos:[sourceTable: 86:ql_ws.dbt_dev.events_enriched, uniqueKeyType: 1,] 
-format                       PARQUET                                                                                                                                                                                                                                                       
-format_options               (("cz.storage.parquet.block.size","134217728"),("cz.storage.parquet.dictionary.page.size","2097152"),("cz.storage.parquet.page.size","1048576"))                                                                                                              
-statistics                   99 rows 4468 bytes                                                                                                                                                                                                                                            
-```
-
-## 运行模型
-
-Dynamic Table 类型的 dbt 模型，通过构建时设置的周期刷新参数，由 Lakehouse 自动调度，无需通过 `dbt run` 命令执行。
-
-在目标环境完成模型构建后，您可以在 Lakehouse 平台通过以下 SQL 命令查看动态表的刷新状态：
-
-```SQL
-show dynamic table refresh history where name ='product_grossing'
-
-workspace_name schema_name name             virtual_cluster start_time          end_time            duration             state   refresh_trigger  suspended_reason refresh_mode error_message source_tables                                                             stats                                     completion_target job_id                   
--------------- ----------- ---------------- --------------- ------------------- ------------------- -------------------- ------- ---------------- ---------------- ------------ ------------- ------------------------------------------------------------------------- ----------------------------------------- ----------------- ------------------------ 
-ql_ws          dbt_dev     product_grossing DEFAULT         2024-06-22 21:08:40 2024-06-22 21:08:41 0 00:00:00.566000000 SUCCEED SYSTEM_SCHEDULED (null)           INCREMENTAL  (null)        [{"schema":"dbt_dev","table_name":"events_enriched","workspace":"ql_ws"}] {"rows_deleted":"0","rows_inserted":"99"} (null)            202406222108406319689694 
-```
-
-^

package/bin/skills/lakehouse-doc/references/use-external-schema.md

@@ -1,42 +0,0 @@
-## 功能
-
-本语句用于切换当前数据库中的 schema，以便用户能够更方便地操作和管理不同 schema 下的数据表。
-
-## 语法
-
-```SQL
-USE [SCHEMA] schema_name;
-```
-
-## 参数说明
-
-1. `SCHEMA`：这是一个可选关键字，您可以使用或省略它。
-2. `schema_name`：指定要切换到的 schema 名称。
-
-## 使用示例
-
-1. 切换到名为 `ods_schema` 的 schema：
-
-   ```SQL
-   USE ods_schema;
-   ```
-
-2. 切换到名为 `reporting_schema` 的 schema，省略 `SCHEMA` 关键字：
-
-   ```SQL
-   USE reporting_schema;
-   ```
-
-3. 切换到名为 `customer_data` 的 schema，并在切换后执行一些查询操作：
-
-   ```SQL
-   USE customer_data;
-   SELECT * FROM customer_orders;
-   SELECT COUNT(*) FROM customer_orders WHERE order_status = 'completed';
-   ```
-
-## 注意事项
-
-- 当您在 SQL 语句中使用 `USE` 切换到某个 schema 后，接下来的查询操作将默认针对该 schema 下的数据表进行。
-- 如果您需要在多个 schema 之间频繁切换，可以在 SQL 语句中多次使用 `USE` 语句。
-- 在使用 `USE` 语句时，请确保指定的 schema 名称在当前数据库中存在，否则将导致错误。