@clickzetta/cz-cli-darwin-x64 0.3.1

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

@@ -0,0 +1,180 @@
+# 将数据导入云器 Lakehouse 的完整指南
+
+## 数据入仓：通过云器 Lakehouse Studio 以 SQL INSERT 方式导入数据
+
+#### 概述
+
+在云器 Lakehouse 平台中，用户可以使用 `INSERT` 语句将数据导入目标表。该语句支持多种导入方式，包括直接插入值、从其他表查询导入数据以及从外部文件导入数据。以下文档将详细介绍如何使用 `INSERT` 语句导入数据，以及其使用场景、操作示例和注意事项。
+
+#### 方式一：使用`INSERT INTO VALUES`语句导入数据
+
+##### 使用场景
+
+适用于手动导入少量数据，用于调试与测试。对于大规模数据处理，通常建议采用批量插入、流式数据导入等更加高效的方法来确保数据导入过程的稳定性和性能。
+
+##### 实现步骤
+
+导航到 开发 -> 任务，单击 “+” 新建一个 SQL 任务（以下两种方式都在同一个任务里实现）。
+
+![](.topwrite/assets/image_1736148597217.png =470)
+
+您可以使用 `INSERT INTO VALUES` 语句直接插入数据。多个记录之间使用逗号分隔。
+
+```SQL
+--方式一：使用INSERT INTO SELECT FROM TABLE语句插入
+DROP TABLE IF EXISTS ingest.lift_tuckets_import_by_insert_into_values;
+CREATE TABLE IF NOT EXISTS ingest.lift_tuckets_import_by_insert_into_values(
+  `txid` string,
+  `rfid` string,
+  `resort` string,
+  `purchase_time` timestamp_ltz,
+  `expiration_time` date,
+  `days` int,
+  `name` string,
+  `address_street` string,
+  `address_city` string,
+  `address_state` string,
+  `address_postalcode` string,
+  `phone` string,
+  `email` string,
+  `emergency_contact_name` string,
+  `emergency_contact_phone` string);
+
+INSERT INTO ingest.lift_tuckets_import_by_insert_into_values (
+  txid, rfid, resort, purchase_time, expiration_time, days, name, address_street, 
+  address_city, address_state, address_postalcode, phone, email, emergency_contact_name, emergency_contact_phone
+) VALUES
+('0056b1f3-79b0-455c-80e9-3b80c45ac61e', '0x39eb22cbb32e9e115917b6', '长安壹号',
+  timestamp_ltz '2023-08-30 12:00:00', TO_DATE('2025-03-12', 'yyyy-MM-dd'), 2, '佘雪梅', '广州路S座', 
+  '艳市', '河北省', 853592, 13912709719, 'pchen@example.net', '林楠', 18041629236),
+('52016065-1399-48cc-aed2-d4a525d90452', '0x121a00c15e41d8c3410c7490', '海底捞',
+  timestamp_ltz '2023-08-30 12:00:00', TO_DATE('2025-10-16', 'yyyy-MM-dd'), 3, '韦超', '上海路R座', 
+  '伟县', '香港特别行政区', 123342, 18259131600, 'panyan@example.net', '魏玉兰', 14795983190);
+```
+
+#### 方式二：使用`INSERT INTO SELECT`语句导入数据
+
+##### 使用场景
+
+如果需要从另一个表中导入数据，可以使用 `INSERT INTO SELECT` 语句。您可以选择导入整个表的数据，也可以进行 ETL 操作，如选择部分列或进行数据转换。
+
+##### 实现步骤
+
+导航到 开发 -> 任务，单击 “+” 新建一个 SQL 任务。
+
+```SQL
+--方式二：使用INSERT INTO SELECT FROM TABLE语句插入
+DROP TABLE IF EXISTS ingest.lift_tuckets_import_by_insert_into_select;
+CREATE TABLE IF NOT EXISTS ingest.lift_tuckets_import_by_insert_into_select(
+  `txid` string,
+  `rfid` string,
+  `resort` string,
+  `purchase_time` timestamp_ltz,
+  `expiration_time` date,
+  `days` int,
+  `name` string,
+  `address_street` string,
+  `address_city` string,
+  `address_state` string,
+  `address_postalcode` string,
+  `phone` string,
+  `email` string,
+  `emergency_contact_name` string,
+  `emergency_contact_phone` string);
+  
+INSERT INTO ingest.lift_tuckets_import_by_insert_into_select
+SELECT * FROM ingest.lift_tuckets_import_by_studio_web;
+```
+
+#### 方式三：从Volume文件查询数据并导入
+
+##### 使用场景
+
+云器 Lakehouse 支持通过 `INSERT INTO` 与 `SELECT FROM VOLUME` 结合使用，直接从外部文件（如云存储中的 CSV 或 Parquet 文件）导入数据。
+
+注：在 ZettaPark 上传数据文件的案例中，已将 CSV、JSON 格式的数据文件上传至云器 Lakehouse 的数据湖对象 ingest_demo 中。
+
+##### 实现步骤
+
+导航到 开发 -> 任务，单击 “+” 新建一个 SQL 任务。
+
+```SQL
+DROP TABLE IF EXISTS ingest.lift_tuckets_import_by_insert_into_select_from_volume;
+CREATE TABLE IF NOT EXISTS ingest.lift_tuckets_import_by_insert_into_select_from_volume(
+  `txid` string,
+  `rfid` string,
+  `resort` string,
+  `purchase_time` timestamp_ltz,
+  `expiration_time` date,
+  `days` int,
+  `name` string,
+  `address_street` string,
+  `address_city` string,
+  `address_state` string,
+  `address_postalcode` string,
+  `phone` string,
+  `email` string,
+  `emergency_contact_name` string,
+  `emergency_contact_phone` string);
+
+
+--使用SELECT文件的结果导入数据
+--查看上传至Volume的数据文件
+SHOW VOLUME  DIRECTORY ingest.ingest_demo;
+
+--使用CSV格式数据文件导入
+INSERT INTO ingest.lift_tuckets_import_by_insert_into_select_from_volume 
+select * from volume ingest_demo(
+  `txid` string,
+  `rfid` string,
+  `resort` string,
+  `purchase_time` timestamp_ltz,
+  `expiration_time` date,
+  `days` int,
+  `name` string,
+  `address_street` string,
+  `address_city` string,
+  `address_state` string,
+  `address_postalcode` string,
+  `phone` string,
+  `email` string,
+  `emergency_contact_name` string,
+  `emergency_contact_phone` string
+) using csv
+ options(
+    'header'='true',
+    'sep'=',',
+    'compression' = 'gzip'
+ ) files('gz/lift_tickets_data.csv.gz');
+ 
+--使用JSON格式数据文件导入
+INSERT INTO ingest.lift_tuckets_import_by_insert_into_select_from_volume  
+select * from volume ingest_demo(
+        `txid` string,
+        `rfid` string,
+        `resort` string,
+        `purchase_time` timestamp_ltz,
+        `expiration_time` date,
+        `days` int,
+        `name` string,
+        `address_street` string,
+        `address_city` string,
+        `address_state` string,
+        `address_postalcode` string,
+        `phone` string,
+        `email` string,
+        `emergency_contact_name` string,
+        `emergency_contact_phone` string
+        ) using json
+options(
+'compression' = 'gzip'
+) files('gz/lift_tickets_data.json.gz');
+```
+
+除 CSV、JSON 格式外，云器 Lakehouse 还支持通过 SELECT FROM VOLUME 方式查询 Parquet、ORC、BSON 等开放格式的数据并导入。
+
+#### 资料
+
+[SQL Insert Into](INSERT.md)
+
+[Create Table As](CREATETABLE.md)

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

@@ -0,0 +1,206 @@
+# 将数据导入云器 Lakehouse 的完整指南
+
+## 数据入湖：通过 ZettaPark PUT 文件实现数据入湖
+
+#### 概述
+
+通过云器 Lakehouse 提供的 ZettaPark Python 库，以 Python 编程的方式将在测试数据生成步骤中生成的数据上传到云器 Lakehouse 管理的数据湖中，实现数据入湖。
+
+数据湖操作需要新建一个数据湖连接和 Volume，然后就可以将数据 PUT 到数据湖中。
+
+#### 使用场景
+
+适合熟悉 Python 编程的用户，可以借助 Python 强大的编程能力和灵活性，通过 Python 和 DataFrame 进行数据清洗、转换等数据工程与数据准备工作，特别是与 AI 分析紧密相关的数据工作。
+
+#### 实现步骤
+
+你也可以[直接下载文件](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/put_data_to_datalake_by_Zettapark.ipynb)到本地。
+
+##### **将本地文件通过 Zettapark PUT 到云器 Lakehouse 管理的数据湖（Volume）**
+
+```Python
+# !pip install clickzetta_zettapark_python  -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+```Python
+from clickzetta.zettapark.session import Session
+import json,requests
+import os
+from datetime import datetime
+```
+
+##### **创建到云器 Lakehouse 的会话**
+
+```Python
+# 从配置文件中读取参数
+with open('config/config-ingest.json', 'r') as config_file:
+    config = json.load(config_file)
+
+print("正在连接到云器Lakehouse.....\n")
+
+# 创建会话
+session = Session.builder.configs(config).create()
+
+print("连接成功！...\n")
+```
+
+正在连接到云器 Lakehouse...
+
+连接成功！
+
+##### **将文件 PUT 到云器 Lakehouse 数据湖 Volume**
+
+请将 `data/` 改为在“测试数据生成”步骤中生成的数据存放目录。
+
+```Python
+for filename in os.listdir("data/"):
+        if filename.endswith(".gz"):
+            file_path = os.path.join("data/", filename)
+            session.file.put(file_path,"volume://ingest_demo/gz/")
+        if filename.endswith(".csv"):
+            file_path = os.path.join("data/", filename)
+            session.file.put(file_path,"volume://ingest_demo/csv/")
+        if filename.endswith(".json"):
+            file_path = os.path.join("data/", filename)
+            session.file.put(file_path,"volume://ingest_demo/json/")
+```
+
+```Python
+# 或者上传目录下所有的文件# session.file.put("../data/","volume://ingest_demo/gz/")
+```
+
+##### **再次同步数据湖 Volume 的目录到 Lakehouse**
+
+```Python
+session.sql(alter_datalake_sql).show()
+```
+
+\---------------------
+
+|result\_message |
+
+\---------------------
+
+| OPERATION SUCCEEDED |
+
+\---------------------
+
+##### **再次查看云器 Lakehouse 数据湖 Volume 上的文件**
+
+```Python
+results = session.sql("select * from directory(volume ingest_demo)").show()
+```
+
+\----------------------------------------------------------------------------------------------------------------------------
+
+|relative\_path |url |size |last\_modified\_time |
+
+\----------------------------------------------------------------------------------------------------------------------------
+
+|gz/lift\_tickets\_data.csv.gz |oss\://yourbucketname/ingest\_demo/gz/lift\_ticket... |9717050 |2024-12-27 19:24:21+08:00 |
+
+|gz/lift\_tickets\_data.json.gz |oss\://yourbucketname/ingest\_demo/gz/lift\_ticket... |11146044 |2024-12-27 19:24:19+08:00 |
+
+\----------------------------------------------------------------------------------------------------------------------------
+
+##### **测试将数据湖上文件再拉回到本地**
+
+```Python
+session.file.get("volume://ingest_demo/gz/lift_tickets_data.json.gz","tmp/gz/")
+```
+
+\[GetResult(file='tmp/gz/lift\_tickets\_data.json.gz', size=11146044, status='DOWNLOADED', message='')]
+
+##### 校验数据湖文件的行数
+
+数据校验：检查文件行数。查询结果为 100000，与原文件行数一致。简单从行数判断，数据入湖正确。
+
+```Python
+datalake_data_verify_sql = """
+select count() from volume ingest_demo (txid string) using csv
+ options(
+    'header'='true',
+    'sep'=',',
+    'compression' = 'gzip'
+ ) files('gz/lift_tickets_data.csv.gz')
+ limit 10
+"""
+```
+
+```Python
+session.sql(datalake_data_verify_sql).show()
+```
+
+\-------------
+
+|`count`() |
+
+\-------------
+
+|100000 |
+
+\-------------
+
+##### 查询数据湖文件里的数据
+
+```Python
+datalake_data_analytics_sql = """
+select * from volume ingest_demo (txid string,name string, address_state string) using csv
+ options(
+    'header'='true',
+    'sep'=',',
+    'compression' = 'gzip'
+ ) files('gz/lift_tickets_data.csv.gz')
+ limit 10
+"""
+```
+
+```Python
+session.sql(datalake_data_analytics_sql).show()
+```
+
+\-------------------------------------------------------------------------------------
+
+|txid |name |address\_state |
+
+\-------------------------------------------------------------------------------------
+
+|80a7a77b-4941-46f3-bf1a-760bb46f12da |0xbb6eabaf2eb3c3d2ea164eba |新荣记 |
+
+|976b4512-1b07-43f4-a8e4-1fe86a7e1ee4 |0xa08ab7945cf87fc0b5095dc |大董烤鸭 |
+
+|4c49f5cc-0bd4-4a7e-8f61-f4a501a0dd24 |0xdf7bd805b890815a4e0a008c |京雅堂 |
+
+|8579071f-1c8b-4214-9a4d-096e6403bc52 |0x3113aa5ae86c522f3176829e |新大陆中餐厅 |
+
+|31962471-ad3b-463d-ab36-d1b1ab041a36 |0x28c6168f44e09cacd82ecfe9 |顺峰海鲜酒家 |
+
+|f253d271-092d-4261-8703-a440cc149c39 |0xab306bea9de6a13426361153 |长安壹号 |
+
+|5e52e443-2c03-4ce2-a95d-992d7cb3f54e |0x52000c48116d3a4667c3b607 |御宝轩 |
+
+|e45f3806-972c-4617-b4ab-f2cbfc449de1 |0x247dd8c03cab559125a63d1b |店客店来 |
+
+|9abeadfa-ecac-42fb-9dd7-33377e2e5387 |0x9824bf4d4f7e12590f692148 |川办餐厅 |
+
+|c8938377-27a0-4f1f-9800-00c169729fd3 |0x4b65182989de9a3d13943b10 |南门火锅 |
+
+\-------------------------------------------------------------------------------------
+
+##### 关闭Zettapark会话
+
+```Python
+session.close()
+```
+
+#### 下一步建议
+
+* 通过 ZettaPark 以 DataFrame 的方式清洗和转换数据
+* 在 Python 代码中调用 ML、LLM 相关接口，深度整合 Data + AI
+* 在云器 Lakehouse Studio 里以 SQL 方式分析数据湖文件里的数据
+
+#### 资料
+
+[Zettapark快速上手](ZettaparkQuickStart.md)
+
+^

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

@@ -0,0 +1,79 @@
+# 将数据导入云器Lakehouse的完整指南
+
+## 数据入仓：通过Zettapark以SAVE\_AS\_TABLE方式加载数据
+
+#### 概述
+
+#### 使用场景
+
+SAVE\_AS\_TABLE方式会自动建表，从而简化了通过Zettapark以SQL INSERT方式加载数据需要手工建表的过程，同时SAVE\_AS\_TABLE会自动优化INSERT INTO，每次不是插入一条记录而是多条。
+
+#### 实现步骤
+
+在电脑上打开VS Code，创建一个名为 [py\_zettapark\_save\_as\_table.py ](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/py_zettapark_save_as_table.py)的文件，并将以下代码复制到py\_zettapark\_save\_as\_table.py文件中。
+
+```Python
+import json
+import gzip
+from clickzetta.zettapark.session import Session
+from datetime import datetime
+
+# 从配置文件中读取参数
+with open('config-ingest.json', 'r') as config_file:
+    config = json.load(config_file)
+
+print("正在连接到云器Lakehouse.....\n")
+
+# 创建会话
+session = Session.builder.configs(config).create()
+
+print("连接成功！...\n")
+
+target_table_name = "lift_tuckets_import_by_py_save_as_table"
+
+def save_as_table_to_clickzetta(session, schema, data):
+    print('Saving data to Clickzetta Lakehouse')
+
+    # Convert data to dataframe
+    df = session.create_dataframe(data, schema=schema)
+    
+    # Save dataframe as table
+    df.write.save_as_table(target_table_name, mode="overwrite", table_type="transient")
+    print(f"Data saved to table {target_table_name}")
+
+if __name__ == "__main__":
+    schema = None
+    data = []
+
+    # 打开压缩的 JSON 文件并读取内容
+    with gzip.open('lift_tickets_data.json.gz', 'rt', encoding='utf-8') as file:
+        for message in file:
+            if message.strip():  # 确保不是空行
+                record = json.loads(message)
+                if 'schema' in record:
+                    schema = record['schema']
+                else:
+                    data.append(record)
+    
+    save_as_table_to_clickzetta(session, schema, data)
+    session.close()
+    print("Ingest complete")
+```
+
+在VS Code里新建一个“终端”，并运行如下命令以激活在“环境设置”步骤中创建的Python环境。如果已在 `cz-ingest-examples` 环境中，请跳过此步骤。
+
+```
+conda activate cz-ingest-examples
+```
+
+然后在同一终端里运行如下命令：
+
+```
+python py_zettapark_save_as_table.py
+```
+
+#### 下一步建议
+
+#### 资料
+
+[Zettapark快速上手](ZettaparkQuickStart.md)

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

@@ -0,0 +1,113 @@
+# 将数据导入云器Lakehouse的完整指南
+
+## 数据入仓：通过Zettapark以SQL INSERT方式加载数据
+
+#### 概述
+
+云器Lakehouse提供了和PySpark兼容的[Zettapark](ZettaparkQuickStart.md)，在流行的IDE（比如VS Code）里通过Python和SQL编程的方式，将数据加载到云器Lakehouse的表里。
+
+#### 使用场景
+
+这种方式可以方便地运行 SQL 并上传文件，加载数据的一种方法是对每条记录执行 SQL INSERT 语句，适合在 Python 编程环境里上传少量数据。虽然这是一种方便的数据插入方式，但是对大批量数据的加载效率不高，因为云器Lakehouse并不是一个传统的数据库，而是针对写入大批量数据进行了更多优化。
+
+#### 实现步骤
+
+在电脑上打开VS Code，创建一个名为 [py\_zettapark\_sql\_insert.py ](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/a_comprehensive_guide_to_ingesting_data_into_clickzetta/py_zettapark_sql_insert.py)的文件，并将以下代码复制到py\_zettapark\_sql\_insert.py文件中。
+
+```JSON
+import json,gzip
+from clickzetta.zettapark.session import Session
+from datetime import datetime
+
+# 从配置文件中读取参数
+with open('config-ingest.json', 'r') as config_file:
+    config = json.load(config_file)
+
+print("正在连接到云器Lakehouse.....\n")
+
+# 创建会话
+session = Session.builder.configs(config).create()
+
+print("连接成功！...\n")
+
+target_table_name = "lift_tuckets_import_by_py_insert"
+
+create_target_table_query = f"""
+CREATE TABLE if not exists ql_ws.ingest.{target_table_name}(
+  `txid` string,
+  `rfid` string,
+  `resort` string,
+  `purchase_time` timestamp_ltz,
+  `expiration_time` date,
+  `days` int,
+  `name` string,
+  `address_street` string,
+  `address_city` string,
+  `address_state` string,
+  `address_postalcode` string,
+  `phone` string,
+  `email` string,
+  `emergency_contact_name` string,
+  `emergency_contact_phone` string)
+"""
+session.sql(create_target_table_query).collect()
+
+def save_to_clickzetta(session, message):
+    record = json.loads(message)
+    print('inserting record to Clickzetta Lakehouse')
+
+    # 转换日期和时间字段
+    purchase_time = datetime.strptime(record['purchase_time'], '%Y-%m-%d %H:%M:%S')
+    expiration_time = datetime.strptime(record['expiration_time'], '%Y-%m-%d').date()
+
+    row = (
+        f"'{record['txid']}'", f"'{record['rfid']}'", f"'{record['resort']}'", 
+        f"timestamp_ltz '{record['purchase_time']}'", f"date '{record['expiration_time']}'", 
+        record['days'], f"'{record['name']}'", f"'{record['address_street']}'", 
+        f"'{record['address_city']}'", f"'{record['address_state']}'", 
+        record['address_postalcode'], record['phone'], 
+        f"'{record['email']}'", f"'{record['emergency_contact_name']}'", 
+        record['emergency_contact_phone']
+    )
+
+    sql_query = f"""
+    INSERT INTO ql_ws.ingest.{target_table_name} 
+    (TXID, RFID, RESORT, PURCHASE_TIME, EXPIRATION_TIME, DAYS, NAME, ADDRESS_STREET, ADDRESS_CITY, ADDRESS_STATE, ADDRESS_POSTALCODE, PHONE, EMAIL, EMERGENCY_CONTACT_NAME, EMERGENCY_CONTACT_PHONE) 
+    VALUES (?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?)
+    """
+    session.sql(sql_query, row).collect()
+    print(f"inserted ticket {record}")
+
+if __name__ == "__main__":
+    # 打开 JSON 文件并读取内容
+    with gzip.open('lift_tickets_data.json.gz', 'rt', encoding='utf-8') as file:
+        for message in file:
+            if message.strip():  # 确保不是空行
+                save_to_clickzetta(session, message)
+    
+    session.close()
+    print("Ingest complete")
+
+```
+
+在 VS Code 里新建一个“终端”，并运行如下命令以激活在“环境设置”步骤中创建的 Python 环境。如果已在cz-ingest-examples环境里，请跳过。
+
+```Shell
+conda activate cz-ingest-examples
+```
+
+然后在同一终端里运行如下命令：
+
+```Shell
+python py_zettapark_sql_insert.py
+```
+
+#### 下一步建议
+
+优化建议：对于加载大批量数据而言，这并不是一个高效的方法。你可以通过提高任务并发度，以及在每次 INSERT INTO 语句中插入多条记录来提高性能。
+
+#### 资料
+
+[SQL Insert Into](INSERT.md)
+
+[Zettapark快速上手](ZettaparkQuickStart.md)

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

@@ -0,0 +1,6 @@
+## 计算
+
+* [计算集群](vitual-cluster.md)
+* [作业历史](web-job-history.md)
+
+^

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

@@ -0,0 +1,57 @@
+# 通过横向弹性扩容支持多并发查询
+
+## 概述
+
+通过本教程，您将了解到如何利用 Lakehouse 虚拟计算集群的横向弹性扩容能力，支持客户端动态变化的多并发查询。
+
+> 本教程借助 Lakehouse Tutorial 智能助手，提供了在线教程指南以及脚本导入功能。您可以在登录 Lakehouse Web 控制台后，通过 Lakehouse Tutorial 的“Lakehouse教程”入口进入教程，并根据在线指南引导完成教程。
+> ![](.topwrite/assets/image_1736854951691.png)
+
+### 导入脚本
+
+打开控制台 Tutorial 页面中的“Lakehouse教程”，选择“通过横向弹性扩容支持多并发查询”课程。根据页面提示导入本次课程需要的脚本文件。
+
+在“开发”模块查看“Tutorial_Working_With_Concurrency_Scaling”目录。
+
+![](.topwrite/assets/image_1725287877169.png =436)
+
+### 入门知识
+
+虚拟计算集群（Virtual Cluster，简称 VC 或集群）是云器 Lakehouse 提供数据处理和分析的计算资源对象。虚拟计算集群提供在 Lakehouse 中执行 SQL 作业所需的 CPU、内存、本地临时存储（SSD 介质）等资源。集群具备快速创建/销毁、扩容/缩容、暂停/恢复等特点，按照资源规格大小以及使用时长进行收费，暂停或删除后不产生费用。虚拟计算集群针对 ETL 和分析场景，提供通用型和分析型两种集群类型，以满足不同负载的隔离和优化需求。
+
+![](.topwrite/assets/image_1714992266569.png =700)
+
+### 教程步骤
+
+1.  **环境准备**：创建测试使用的计算集群。
+2.  **发起查询**：使用 Studio Web 环境创建 Python 任务对 Lakehouse 使用不同并发度进行连续查询，观察 Python 任务的执行日志结果，了解集群在不同并发请求下的快速扩缩容能力。
+3.  **清理环境**：删除测试使用的计算集群。
+
+通过以上步骤，您将能够了解如何配置和使用虚拟集群的弹性并发功能，并了解其性能表现。
+
+## 准备工作
+
+首先，通过 SQL 命令来创建分析型计算集群，并开启和设置弹性并发功能。
+
+本教程通过在“开发”模块运行 [Tutorial_Working_With_Concurrency_Scaling->Step01.Preparation] SQL 脚本任务来创建集群，并设置弹性扩容策略。
+![](.topwrite/assets/image_1725288058473.png)
+
+## 使用Python程序发起并发查询
+
+在“开发”模块打开 [Tutorial_Working_With_Concurrency_Scaling->Step02.Run_Concurrent_Queries] Python 并发任务模板，您需要修改 connect 连接配置参数，才能连接 Lakehouse 并执行查询。
+
+![](https://studio-prod-sh.oss-cn-shanghai.aliyuncs.com/fe-asset/tutorials/resources/tu_concurrent_connection.png?OSSAccessKeyId=LTAI5tBH4MDxrfQw7VTx4w2B\&Expires=1880895431\&Signature=B2eODbnltYz%2FzjifxINWWzcf%2Bzw%3D)
+
+修改连接信息后，请点击任务运行，并查看任务执行日志。
+
+![](https://studio-prod-sh.oss-cn-shanghai.aliyuncs.com/fe-asset/tutorials/resources/tu_concurrent_report.png?OSSAccessKeyId=LTAI5tBH4MDxrfQw7VTx4w2B\&Expires=1880982939\&Signature=%2B1YAL8o1IDjFdlaIpBgxB0Sa%2B90%3D)
+通过观察打印的性能报告，可以发现 Reporting_VC 集群随着客户端并发请求的梯度增加，通过动态增加副本（Replica）数量，实现了毫秒级延迟的横向扩容。在动态扩容的同时，仍能保持对持续并发请求的查询服务等级协议（SLA）。
+
+在执行任务的同时，您也可以通过集群监控页面查看集群的并发请求以及弹性扩容情况。
+
+![](https://studio-prod-sh.oss-cn-shanghai.aliyuncs.com/fe-asset/tutorials/resources/python_concurrency_scaling.gif?OSSAccessKeyId=LTAI5tBH4MDxrfQw7VTx4w2B\&Expires=2034444050\&Signature=wnBuZv1bereCq1etNW66OrF6UsA%3D)
+
+## 环境清理
+
+打开“开发”模块中的 [Tutorial_Working_With_Concurrency_Scaling->Step03.Clean_Up] SQL 脚本文件，执行脚本即可删除本教程测试集群。
+![](.topwrite/assets/image_1725288753867.png)