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

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

@@ -1,336 +0,0 @@
-# 使用Python任务实时获取GitHub的事件并导入Lakehouse表
-
-<https://api.github.com/events> 提供 API 服务，可以实时获取 5 分钟前的事件数据。通过 API 获得准实时数据，结合从 gharchive 网站通过文件方式同步的离线数据，可将数据的时效性从小时级别提升到分钟级别，进一步提升数据的新鲜度，更好地服务于对数据新鲜度有更高要求的应用。
-本示例也演示了如何通过云器 Lakehouse 的 [Python connect将数据以bulkload](use-python-sdk-upload-data.md) 方式将数据写入表中。
-
-## 创建目标表
-
-在 SQL 脚本任务节点中执行如下建表语句。
-
-```
-CREATE TABLE IF NOT EXISTS `github_timeline_realtime_events` (
-
-`id` STRING,
-
-`type` STRING,
-
-`repo_id` STRING,
-
-`repo_name` STRING,
-
-`minute` STRING,
-
-`second` STRING,
-
-`created_at` TIMESTAMP,
-
-`data` STRING COMMENT 'record data, json format',
-
-`__last_modified__` STRING COMMENT '__last_modified__'
-
-) PARTITIONED BY (DATE STRING,HOUR STRING) COMMENT 'public GitHub timeline record,real time events, ingested from https://api.github.com/events';
-
-```
-
-## 编写Python代码
-
-```
-import requests,json
-
-import time
-
-import pytz
-
-import pandas as pd
-
-from requests.exceptions import RequestException
-
-from datetime import datetime, timedelta
-
-from clickzetta import connect
-
-from clickzetta.bulkload.bulkload_enums import BulkLoadOptions,BulkLoadOperation,BulkLoadCommitOptions
-
-def get_lakehouse_connect():
-
-    conn = connect(
-
-    username='',
-
-    password='',
-
-    service='<region\_id>.api.clickzetta.com',
-
-    instance='',
-
-    workspace='gharchive',
-
-    schema='public',
-
-    vcluster='default')
-
-    return conn
-
-def get_lakehouse_queries_data_hints(sql_query,query_tag):
-
-    conn = get_lakehouse_connect()
-
-    # 执行 SQL
-
-    cursor = conn.cursor()
-
-    my_param = dict()
-
-    my_param["hints"] = dict()
-
-    my_param["hints"]["query_tag"] =query_tag
-
-    cursor.execute(sql_query, parameters=my_param)
-
-    df = pd.DataFrame(cursor.fetchall(), columns=[i[0] for i in cursor.description])
-
-    return df
-
-def get_data(url, headers, params):
-
-    retry_times = 5
-
-    intervals = [10,30,60, 300, 600]
-
-    
-
-    for i in range(retry_times):
-
-        try:
-
-            response = requests.get(url, headers=headers, params=params)
-
-            response.raise_for_status()
-
-            return response
-
-        except RequestException as e:
-
-            print(f"Github API请求 {url} 失败,第{i+1}次: {e}")
-
-            if response is None or response.status_code != 200:
-
-                return None
-
-            if i < retry_times - 1:
-
-                time.sleep(intervals[i])
-
-            else:
-
-                return None
-
-            
-
-def bulk_load_data(real_time_events):
-
-    try:
-
-        bulkload_stream_conn = get_lakehouse_connect()
-
-        bulkload_stream = bulkload_stream_conn.create_bulkload_stream(schema='public', table='github_timeline_realtime_events',record_keys=['id'],operation=BulkLoadOperation.UPSERT)
-
-        if bulkload_stream:
-
-            writer = bulkload_stream.open_writer(0)
-
-            print("Successfully connected to the ClickZetta Lakehouse")
-
-        for event in real_time_events:
-
-            event_json = json.dumps(event)
-
-            event_dict = json.loads(event_json)
-
-            # print(f"event_dict is:\n\n{event_dict}")
-
-            row = writer.create_row()
-
-            row.set_value('id', event_dict['id'])
-
-            row.set_value('type', event_dict['type'])
-
-            row.set_value('repo_id', event_dict['repo']['id'])
-
-            row.set\_value('repo_name', event_dict['repo']['name'])
-
-            created_at_utc = datetime.strptime(event_dict['created_at'], '%Y-%m-%dT%H:%M:%SZ')
-
-            created_at_e8 = created_at_utc + timedelta(hours=8)
-
-            # 提取日期（字符串）
-
-            date_e8 = created_at_e8.strftime('%Y-%m-%d')
-
-            # 提取小时（字符串）
-
-            hour_e8 = created_at_e8.strftime('%H')
-
-            # 提取分钟（字符串）
-
-            minute_e8 = created_at_e8.strftime('%M')
-
-            # 提取秒（字符串）
-
-            second_e8 = created_at_e8.strftime('%S')
-
-            row.set\_value('date', date_e8)
-
-            row.set_value('hour', hour_e8)
-
-            row.set_value('minute', minute_e8)
-
-            row.set_value('second', second_e8)
-
-            row.set_value('created_at', created_at_e8)
-
-            
-
-            row.set_value('data', event_json)
-
-            
-
-            row.set_value('__last\_modified__', created_at_e8)
-
-            writer.write(row)
-
-        writer.close()
-
-        bulkload_stream.commit()
-
-        print(f"{len(events)} events have been written to ClickZetta Lakehouse.")
-
-        
-
-    except Exception  as e:
-
-        print("Error while connecting to ClickZetta Lakehouse,Exception is ", e)
-
-    finally:
-
-        print("finally ClickZetta Lakehouse connection is closed")
-
-# tz = pytz.timezone('Asia/Shanghai')
-
-# 初始化ETag和事件列表
-
-etag = None
-
-events = []
-
-# Create a dictionary to store unique event IDs
-
-seen_event_ids = {}
-
-response = None
-
-headers = {
-
-    'Authorization': f'please replace your github token'
-
-}
-
-params = {'per_page': 100}
-
-url = 'https://api.github.com/events'
-
-while True:
-
-    if etag:
-
-        headers['If-None-Match'] = etag
-
-    
-
-    response = get_data(url, headers=headers, params = params)
-
-    if response is not None:
-
-        remaining = response.headers.get('X-RateLimit-Remaining')
-
-        print(f"X-RateLimit-Remaining: {remaining}")
-
-        ETag = response.headers.get('ETag')
-
-        print(f"ETag: {ETag}")
-
-        # 检查响应状态
-
-        if response.status_code == 200:
-
-            # 更新ETag
-
-            etag = response.headers.get('ETag')
-
-            
-
-            # 获取事件并添加到列表中
-
-            new_events = response.json()
-
-            
-
-            for event in new_events:
-
-                event_id = event.get('id')
-
-                if event_id not in seen_event_ids:
-
-                    events.append(event)
-
-                    seen_event_ids[event_id] = True
-
-            
-
-            # 打印事件数量
-
-            print(f'事件数量: {len(events)}')
-
-            
-
-        elif response.status_code == 304:
-
-            print('response.status_code == 304, 没有新事件。')
-
-        else:
-
-            print(f'response.status_code is {response.status_code}')
-
-        # 根据GitHub的X-Poll-Interval头部信息进行休眠
-
-        # sleep_time = int(response.headers.get('X-Poll-Interval', 0))
-
-        sleep_time = 0
-
-        # 检查'Link'头部是否有'next'关键字，如果没有则表示已到最后一页
-
-        if 'next' not in response.links:
-
-            url = 'https://api.github.com/events'
-
-            # time.sleep(sleep_time)
-
-            if len(events)>=700:
-
-                bulk_load_data(events)
-
-                events.clear()
-
-                seen_event_ids = {}
-
-        else:
-
-            # 更新URL为下一页的链接
-
-            url = response.links['next']['url']
-
-```
-
-## 运行任务
-
-由于该任务为循环执行，点击“运行”后，任务会在 Python 节点常驻运行，持续获取 GitHub 的最新事件并写入 Lakehouse 表中，直到人为取消。

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

@@ -1,23 +0,0 @@
-## Python SQLAlchemy 版本历史
-### Version 0.8.55
-* **日期**: 2023-10-31
-* **安装**
-```
-pip install clickzetta-sqlalchemy==0.8.55
-```
-* **Changelog**
-```
-1. Fix sqlalchmey warning msg
-2. Change project managment from setup.py to pyproject.toml
-3. Simplify get_verison function
-```
-### Version 0.8.53
-* **日期**: 2023-09-12
-* **安装**
-```
-pip install clickzetta-sqlalchemy==0.8.53
-```
-* **Changelog**
-```
-1. Fix CZ LakeHouse TIMESTAMP_LTZ type mapping to sqlalchemy type
-```

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

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

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

@@ -1,28 +0,0 @@
-# Python任务
-
-> 【预览发布】本功能当前处于受邀预览发布阶段。如需使用，请联系我们的技术支持人员协助处理。
-
-在很多数据分析和处理场景中，特别是在BI+AI的分析场景下，通过结合Python和SQL，可以极大提高数据分析和处理的效率。在云器Lakehouse中，我们提供了Python脚本任务类型，用于运行Python代码。
-
-## 操作指南
-
-1. **新建任务**：在数据开发界面中，点击“新建任务”按钮，进入任务配置页面。
-
-2. **选择任务类型**：在任务配置页面，选择“Python脚本”作为任务类型。
-
-3. **编写Python代码**：在Python代码编辑区域，编写您需要执行的Python代码。
-
-4. **运行任务**：点击“运行”按钮，执行您编写的Python脚本。执行结果将在下方的结果展示区域显示。
-
-5. **任务调度**：与SQL任务一样，Python任务也可以直接配置周期调度和运维管理，并通过设置任务依赖与其他任务进行工作流编排。
-
-## 实践指导
-
-关于如何在Python任务中安装依赖包、定制环境、导入数据等操作实践，请参考以下文档：
-
-* [Python任务安装分发包与导入使用指南](python_package_install_import_guide.md)
-* [Python任务使用实践](practice_python_task.md)
-* [Python任务开发：将gharchive网站数据文件定时同步到云对象存储中](PythonSample_put_gharchive2oss.md)
-* [Python任务开发：实时获取github的事件并bulkload入Lakehouse Table](PythonSample_put_github_rt_events.md)
-
-^

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

@@ -1,114 +0,0 @@
-# 利用 External Catalog 访问 Snowflake Open Catalog 中的 Iceberg 表
-
-## **概述**
-
-Lakehouse 支持通过 Catalog Integration 功能连接第三方的 Iceberg REST API，实现与外部数据目录的无缝集成。本文档介绍如何连接和使用 Snowflake 的 Open Catalog 功能。
-
-**功能特性**：
-
-* **统一数据访问**：通过统一的接口访问 Snowflake Open Catalog 中的 Iceberg 表
-* **实时数据同步**：直接读取 Snowflake 中的最新数据，无需数据复制
-* **元数据映射**：自动映射 Snowflake 中的表结构和元数据信息
-* **OAuth 认证**：支持安全的 OAuth 2.0 认证机制
-
-## **环境准备**
-
-Snowflake Open Catalog 提供了两种类型的目录：
-
-**Internal Catalog**：
-
-* **功能特性**：Lakehouse 支持完整的读写操作
-* **数据管理**：支持表结构变更、数据插入、更新、删除等全生命周期操作
-
-**External Catalog**：
-
-* **功能特性**：Lakehouse 仅支持只读操作
-* **数据访问**：支持复杂查询、联表分析，但不支持数据修改操作
-
-在 Snowflake 中准备 Iceberg 表，并注册到 Snowflake Open Catalog 中，请参考 [Snowflake 官方文档](https://docs.snowflake.com/en/user-guide/tables-iceberg-open-catalog-sync)
-
-实现效果：在 Snowflake Open Catalog 中，注册了一张位于 Snowflake 引擎中的表：
-
-* Database 名称： ICEBERG\_TABLES\_DB\_FLATTEN
-* Schema 名称：ICEBERG\_SCHEMA
-* Iceberg 表名：czcustomer （要求小写。Snowflake 的建表 DDL 中，用双引号避免表名自动转成大写）
-
-> 注意：在 Snowflake 引擎中创建 Database 时，需加入 `CATALOG_SYNC_NAMESPACE_MODE` 和 `CATALOG_SYNC_NAMESPACE_FLATTEN_DELIMITER` 两个参数以调整 Catalog 层级。如下配置后，在 Snowflake Open Catalog 中，Database 与 Schema 将合并成一个层级："`ICEBERG_TABLES_DB_FLATTEN_ICEBERG_SCHEMA"`
->
-> ```
-> CREATE OR REPLACE DATABASE iceberg_tables_db_flatten
-> CATALOG_SYNC_NAMESPACE_MODE = 'FLATTEN'
-> CATALOG_SYNC_NAMESPACE_FLATTEN_DELIMITER = '_';
-> ```
-
-![](.topwrite/assets/20250901-112722.jpeg)
-
-## **配置步骤**
-
-### 步骤 1：创建 Catalog Connection
-
-使用以下 SQL 语句创建与 Snowflake Open Catalog 的连接：
-
-```
-CREATE CATALOG CONNECTION snow_opencatalog 
-    TYPE ICEBERG_REST 
-    URI='https://lhnrdre-derekmeng.snowflakecomputing.com/polaris/api/catalog'
-    ACCESS_REGION = 'ap-southeast-1' 
-    OAUTH_CLIENT_ID='d3r3cuhHitrI+fUpFtvXxxxxxxx'
-    OAUTH_CLIENT_SECRET='gY3ZWOGoSMM1tKK7QaqQYKpSdTcPY1ruVv7xxxxxxx'
-    OAUTH_SCOPE='PRINCIPAL_ROLE:ALL'
-    NAMESPACE='ICEBERG_TABLES_DB_FLATTEN_ICEBERG_SCHEMA'
-    WAREHOUSE='singdata'
-    WITH PROPERTIES (
-        'client.region'='ap-southeast-1',
-        'io-impl'='org.apache.iceberg.aws.s3.S3FileIO'
-    );
-```
-
-| 参数                    | 说明                                  | 示例                                                           |
-| --------------------- | ----------------------------------- | ------------------------------------------------------------ |
-| TYPE                  | 连接类型，固定为 `ICEBERG_REST`       | `ICEBERG_REST`                                               |
-| URI                   | Snowflake Polaris API 端点            | <https://account.snowflakecomputing.com/polaris/api/catalog> |
-| ACCESS_REGION         | 访问对象所在的区域                     | `ap-southeast-1`                                             |
-| OAUTH_CLIENT_ID       | OAuth 客户端 ID                       | 在 Snowflake Open Catalog 创建 Service connection 时获取     |
-| OAUTH_CLIENT_SECRET   | OAuth 客户端密钥                      | 在 Snowflake Open Catalog 创建 Service connection 时获取     |
-| OAUTH_SCOPE           | OAuth 授权范围                        | `PRINCIPAL_ROLE:ALL`                                         |
-| NAMESPACE             | Snowflake Open Catalog 中的第二个层级  | `ICEBERG_TABLES_DB_FLATTEN_ICEBERG_SCHEMA`                   |
-| WAREHOUSE             | Snowflake Open Catalog 的 Catalog 名称 | `singdata`                                                   |
-
-### 步骤 2：创建外部表
-
-创建外部表来映射 Snowflake Open Catalog 中的表：
-
-```SQL
--- 创建外表，映射 Snowflake Open Catalog 中的表（表名需一致）
-CREATE EXTERNAL TABLE IF NOT EXISTS `czcustomer`
-USING ICEBERG 
-CONNECTION snow_opencatalog;
-```
-
-> **注意**：外部表名必须与 Snowflake 中的表名完全一致。
-
-### 步骤 3：验证和查询
-
-验证表结构并查询数据：
-
-```SQL
--- 查看表结构
-DESC EXTENDED `czcustomer`;
-
--- 查询数据
-SELECT * FROM `czcustomer` LIMIT 10;
-```
-
-![](.topwrite/assets/opencatalog_3.jpeg)
-
-## 使用限制
-
-* 连接基于 S3 的 Snowflake 托管的 Iceberg 表时，不支持写入和更新操作
-* 外部表名必须与 Snowflake 中的源表名完全匹配
-* 暂时仅支持小写表名
-* 不支持表名转换
-* 在目标 Catalog 服务侧，需要开启 Credential Vending 配置
-
-![](.topwrite/assets/credentials_vending.jpeg)

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

@@ -1,79 +0,0 @@
-# Quick Start with Copy Command
-
-通过本实验，体验如何快速使用云器 Lakehouse 的 COPY 命令将本地 CSV 文件加载到表中，并进行最基本的数据探查和分析。
-
-本实验代码运行在 [Zeppelin Notebook](eco_integration/Zeppelin.md)，附录部分提供了相关指导。此外，本实验代码也可以运行在本地的各种 [数据库管理工具](data-mamager-tool.md) 里（能够支持 COPY 命令访问本地文件）。
-
-## 创建本实验所用的新的schema
-
-```
-CREATE SCHEMA IF NOT EXISTS lakehouse_demo_basic_features_schema;
-USE SCHEMA lakehouse_demo_basic_features_schema;
-```
-
-## 创建表
-
-```
---创建表
-CREATE TABLE if not exists central_park_weather_observations (
-  station_id STRING,
-  station_name STRING,
-  date DATE,
-  precipitation DECIMAL,
-  snow_depth DECIMAL,
-  snowfall DECIMAL,
-  max_temperature DECIMAL,
-  min_temperature DECIMAL,
-  average_wind_speed DECIMAL
-);
-
-```
-
-## 加载数据-copy from file
-
-```
---加载数据
-set copy.csv.with.header=false;
-set copy.csv.skip.header=true;
-copy central_park_weather_observations from '/opt/data/central_park_weather.csv' ;
-```
-
-请下载 [central\_park\_weather.csv](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/sample_data/central_park_weather.csv)，点击“Download raw file”下载到本地，并修改上述代码中的目录 (/opt/data/) 为你所下载的目录。
-然后验证数据是否已经加载成功：
-
-```
-select count(1) from central_park_weather_observations;
-```
-
-## 探查数据
-
-```
-SELECT * FROM central_park_weather_observations LIMIT 10;
-```
-
-## 分析数据
-
-```
-SELECT date, sum(precipitation) FROM central_park_weather_observations
-GROUP BY date
-ORDER BY date;
-```
-
-## 清理
-
-```
-DROP TABLE IF EXISTS central_park_weather_observations;
-DROP SCHEMA IF EXISTS lakehouse_demo_basic_features_schema;
-```
-
-## 恭喜，任务完成！
-
-请享受并继续学习！
-
-## 附录
-
-### 下载Zeppelin Notebook源文件
-
-本文代码也提供运行在 [Zeppelin](eco_integration/Zeppelin.md) 的版本。如果你想直接运行本文代码，请按照文档说明安装 [Zeppelin](eco_integration/Zeppelin.md)。
-
-[Quick Start with Copy command.ipynb](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/zeppelin_notebook/01.Quick%20Start%20with%20Copy%20command.ipynb)

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

@@ -1 +0,0 @@
-# lakehouse_doc

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

@@ -1,37 +0,0 @@
-# 刷新物化视图
-
-## 功能描述
-
-在数据库中，物化视图是一种特殊的视图，它将查询结果以表的形式存储在数据库中。当物化视图所依赖的表数据发生变化（如插入、覆写、更新、删除等操作）时，物化视图会自动失效，无法用于查询和改写。为了确保物化视图的数据保持最新，需要手动刷新物化视图。
-
-有关更多详细信息，请参阅[物化视图](<MATERIALIZEDVIEW.md>)。
-
-## 语法
-
-```SQL
-REFRESH MATERIALIZED VIEW mv_name;
-```
-
-## 参数说明
-
-- **mv_name**：指定要刷新的物化视图名称。
-
-## 使用示例
-
-1. 假设我们有一个物化视图 my_mv，它是基于员工表（employees）和部门表（departments）的关联查询结果创建的。现在我们需要刷新 my_mv，以确保它包含最新的员工和部门信息。可以使用以下 SQL 语句：
-
-   ```SQL
-   REFRESH MATERIALIZED VIEW my_mv;
-   ```
-
-2. 另一个例子，如果我们有一个物化视图 sales_summary，它根据销售数据表（sales_data）生成销售摘要。当销售数据表发生更改时，我们需要刷新 sales_summary 以反映最新的销售情况。可以使用以下 SQL 语句：
-
-   ```SQL
-   REFRESH MATERIALIZED VIEW sales_summary;
-   ```
-
-## 注意事项
-
-1. 在执行刷新物化视图操作时，确保物化视图所依赖的表数据已经更新。
-2. 刷新物化视图可能会消耗较多的系统资源和时间，尤其是在处理大量数据时。因此，建议在系统负载较低时执行此操作，以免影响其他数据库操作。
-3. 根据物化视图的复杂程度和依赖关系，刷新操作可能会触发重新计算物化视图的查询结果。在某些情况下，可以考虑使用增量刷新（如支持的数据库系统），以提高刷新效率。

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

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

package/bin/skills/lakehouse-doc/references/RN_2023-08-07.md

@@ -1,67 +0,0 @@
-# 2023年8月7日 Lakehouse Studio 产品更新发布说明
-
-## 概览
-
-本次更新（Release 2023.08.07, v0.1）旨在为您提供更优质的使用体验，新增了一系列实用功能，增强了现有功能，并修复了部分问题。
-
-## 新功能
-
-### 产品界面全面升级
-
-为了让您的使用体验更加舒适，我们对产品的视觉品牌进行了全面升级，并对信息架构进行了优化，使导航更加直观易懂。此外，我们还新增了工作区功能，帮助您更高效地管理各项任务。
-
-### 全局登录态控制
-
-我们新增了用户登录态控制功能，确保活跃用户能够保持登录状态；对于超过设定时间无操作的用户，系统将自动将其退出登录，以保障账户安全。
-
-### 数据集成优化
-
-我们扩展了数据集成功能，现支持离线同步，并新增了对ES数据源的读写支持（7.x版本），以及对腾讯云COS和阿里云SLS数据源的读取支持。此外，我们还批量新增了对多种数据源的支持，包括Oracle、DB2、Greenplum、ADB MySQL、ADB PG、Hologres、PolarDB、SelectDB、StarRocks、MariaDB、TiDB等，满足您更多样化的数据集成需求。
-
-### 数据开发功能增强
-
-为了让数据开发更加便捷，我们新增了文件提交时自动展示提交内容与生产环境内容对比的功能。同时，支持将文件提交的版本或保存的版本直接与当前本地内容进行比对和回滚。此外，运行结果的数据展示组件也进行了优化，支持排序和过滤功能。Python和Shell任务运行现在支持可配置的资源大小，以适应不同的任务需求。
-
-### 运维中心功能升级
-
-我们升级了实时同步任务启动功能，支持配置启动参数。同时，Virtual Cluster 分析型的最大并发数配置功能也得到了增强。
-
-### 数据管理与监控告警优化
-
-数据管理功能现支持本地文件数据导入，并支持设置表头、分隔符等文件配置，最大规格限制放宽至 100 MB。监控告警功能新增支持企业微信告警渠道，方便您及时获取重要通知。
-
-### 数据质量监控
-
-我们新增了数据质量模块，支持配置Lakehouse的质量规则监控，并在发现问题时发送告警，帮助您更好地保障数据质量。
-
-## 优化改进
-
-### 界面与操作优化
-
-我们在代码编辑框中增加了快速复制按钮，方便您快速复制代码。数据源列表过滤器现支持选项搜索功能，帮助您更快速地找到所需数据源。我们还新增了 CMD+D 快捷键，便于您复制光标所在行或选择的内容，并将其插入到光标位置的下一行。
-
-### 任务调度功能改进
-
-在选择上游依赖节点时，我们优化了节点全路径的展示，便于您识别同名节点。调度配置中的调度依赖关系和产出表的智能推荐功能也得到了优化。我们还优化了产出表的Schema解析逻辑，以调度配置中的定义为准，并支持自依赖跨周期（如跨天）依赖上一个周期的实例。
-
-### 运维中心体验提升
-
-我们优化了实例列表默认展示的时间范围，并提升了页面加载速度。批量操作限制从最多20条扩展至50条。新增了面包屑导航功能，优化了运维中心Tab页打开过多的问题。我们还优化了任务 DAG 图的展示方式，并优化了补数据操作逻辑，支持直接选择任务定时的自然日期，以代替业务日期。此外，我们还对运维中心的表格进行了改造，包括实例详情-操作日志、周期任务详情-操作日志、周期任务列表等。
-
-### 监控告警与作业历史优化
-
-我们优化了告警事件中的抑制状态展示，透出抑制时间和状态点击功能。在作业历史方面，我们优化了Job Profile页面的展示信息和性能。
-
-## 缺陷修复
-
-### 数据集成与任务开发修复
-
-我们修复了 MySQL 数据源中 tinyint 展示为 bit 的问题，以及任务停止和运行状态展示不一致的问题。
-
-### 任务调度问题修复
-
-我们修复了上游节点暂停时，下游节点仍正常调度的问题，以及定时生成任务实例时可能出现的自依赖关系丢失问题。
-
-### 作业历史问题修复
-
-我们修复了作业执行计划中的时间展示异常问题，并解决了在作业plan过大时打开作业历史会失败的问题。