@clickzetta/cz-cli-darwin-x64 0.3.75 → 0.3.78

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

@@ -1,80 +0,0 @@
-# OPTIMIZE 命令
-
-## 概述
-
-OPTIMIZE 是 ClickZetta Lakehouse 中用于表数据优化和压缩的核心操作命令。通过整合小文件、清理删除标记和重组数据布局，可以显著改善查询性能和存储效率。虽然 Lakehouse 后台会默认定期自动执行文件合并，但在频繁更新或需要精细控制合并频率的场景中，用户可以通过手动调用该命令来满足特定业务需求。该命令支持异步和同步两种执行模式，为不同场景提供灵活的优化方案。
-
-## 命令语法
-
-```sql
-OPTIMIZE table_name 
-[WHERE predicate]  -- 可选分区过滤条件
-[OPTIONS(...)]
-```
-
-1. table_name（必选）
-
-* 需要优化的目标表名称，格式为 `[schema_name.]table_name`
-
-2. WHERE predicate（可选）
-
-* 分区过滤条件，必须包含**完整的分区列匹配条件**。
-* 支持格式：`partition_column = 'value'` 或复合分区 `dt='2023-01-01' AND region='us'`。
-
-3. OPTIONS（可选）
-
-* Lakehouse 保留参数，用于控制优化行为。
-
-## 注意事项
-
-* 该功能只能在**通用型计算集群（GENERAL PURPOSE VIRTUAL CLUSTER）**中运行，在分析型集群中该功能不会生效。
-
-## 核心功能
-
-* **小文件合并**：将多个小数据文件整合为大文件，减少文件元数据开销。
-* **删除标记清理**：清理 UPDATE/DELETE 操作产生的删除标记，回收存储空间。
-* **数据重组**：重新整理数据布局，提升查询性能。
-
-## 执行模式
-
-### 1. 异步执行模式（默认）
-
-异步执行是 OPTIMIZE 的默认行为，操作在后台进行，不阻塞当前连接。
-
-#### 特点
-
-* **非阻塞**：立即返回 Job ID，操作在后台执行。
-
-#### 语法
-
-```sql
--- 默认异步执行
-OPTIMIZE table_name;
-
--- 显式指定异步执行
-OPTIMIZE table_name OPTIONS('cz.sql.optimize.table.async' = 'true');
-```
-
-### 2. 同步执行模式
-
-同步执行会阻塞当前连接，直到优化操作完全完成后才返回结果。
-
-#### 特点
-
-* **阻塞式**：操作完成才返回，期间连接被占用。
-* **实时反馈**：立即获得详细的执行统计和成功状态。
-* **适用场景**：开发测试、小表优化、验证优化效果。
-* **确定性**：确保操作完全完成。
-
-#### 语法
-
-```sql
-OPTIMIZE table_name OPTIONS('cz.sql.optimize.table.async' = 'false');
-```
-
-## 适用场景
-
-* 大量 UPDATE/DELETE 操作后的存储清理
-* 释放临时存储空间的定期维护任务
-* 优化表的总体存储布局
-

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

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

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

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

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

@@ -1,70 +0,0 @@
-# PUT 命令
-
-## 简介
-
-PUT 命令是 Lakehouse SQL 中的一个实用工具，用于将客户端主机的本地文件上传到 Lakehouse 数据湖的 Volume 对象中。通过该命令，用户可以轻松地将本地文件传输至云端，实现数据的快速迁移和同步。要执行 PUT 命令，您可以使用 [sqlline](connect-with-cli.md) 工具或 [数据库管理工具](eco_integration/dbeaver-lakehouse.md)。该命令暂不支持在 Studio 中运行。
-
-## 使用场景
-
-PUT 命令适用于以下场景：
-
-1. 将本地文件上传到数据湖 Volume 对象。
-2. 快速迁移和同步本地与云端数据。
-
-## 语法
-
-```
-PUT 'local_path' [ , 'local_path' [ , ... ] ] 
-    TO 
-    [ VOLUME volume_name | TABLE VOLUME table_name | USER VOLUME ]
-    [ SUBDIRECTORY 'dir' | FILE 'filename' ]
-    [ option_key = option_value ] ..
-```
-
-## 参数说明
-
-* `local_path`：本地要上传文件的路径。**Linux / macOS**：路径以根目录 `/` 开始，或者使用 `'file:///'` 前缀表示本地路径。**Windows 系统**：如果目录路径和/或文件名包含特殊字符，则整个文件 URI 必须用单引号括起来。注意，在封闭的 URI 中，分隔符为正斜杠 (`/`)。
-* `VOLUME/TABLE VOLUME/USER VOLUME`：指将本地数据上传至外部 Volume、TABLE VOLUME 或 USER VOLUME。
-* `SUBDIRECTORY/FILE`：指定上传文件的目标路径，可以指定子目录（`SUBDIRECTORY`），也可以利用 FILE 参数对上传的文件进行重命名操作。
-
-## 示例
-
-1. 使用内部 Volume 上传文件到表中
-
-```
---上传文件
-PUT '/Users/Downloads/data.csv' TO TABLE VOLUME my_table FILE 'data.csv';
--- 查看文件
-SHOW TABLE VOLUME DIRECTORY my_table;
---导入文件
-COPY INTO my_table FROM TABLE VOLUME my_table(id int, name string) USING csv  
-OPTIONS(
-        'header'='true',
-        'lineSep'='\n'
-)
-FILES ('data.csv')
---删除volume中的文件，节省存储
-PURGE=TRUE;
-
-```
-
-2. 创建名为 `hz_image_volume` 的外部 Volume 对象，并上传文件 `'/Users/Downloads/cats_and_dogs.zip'`，将其重命名为 catsdogs.zip：
-
-   ```SQL
-   PUT '/Users/Downloads/cats_and_dogs.zip' to VOLUME hz_image_volume FILE 'catsdogs.zip'
-   ```
-
-3. 将本地数据上传至名为 `tbl_region` 的表的 Volume 空间：
-
-   ```SQL
-   PUT '/Users/Downloads/region.tbl' TO TABLE VOLUME tbl_region;
-   ```
-
-## 注意事项
-
-* PUT 命令不能通过 Studio SQL 任务节点执行。用户可以通过 Lakehouse SQLLine 客户端、JDBC 客户端或 SDK 来执行该命令。
-* 请确保上传的单个文件大小不超过 5 GB。
-* 在使用 PUT 命令时，请确保本地文件的路径和文件名正确无误，避免因路径错误导致上传失败。
-* 上传文件时，如果目标 Volume 对象中已存在同名文件，系统将自动覆盖原有文件。如有需要，请在上传前进行相应的备份操作。
-
-^

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

@@ -1,84 +0,0 @@
-# 在云器 Lakehouse 的同一张表中进行向量和标量检索
-
-## 数据准备
-
-GitHub 提供 15 多种事件类型，包括新提交和分叉事件、打开新工单、评论和向项目添加成员等。这些事件会汇总到每小时存档中，您可以使用任何 HTTP 客户端从 <https://www.gharchive.org/> 上访问这些存档。
-
-* 通过 wget 从 <https://www.gharchive.org/> 将归档的 json.gz 文件下载到本地。本文下载了 2025-01-01 一天的 24 个文件。
-* 通过 Lakehouse 的 PUT 命令，将数据 PUT 到用户卷 (USER VOLUME) 上。
-* 通过 SQL 直接读取用户卷 (USER VOLUME) 目录里的文件，然后将 IssuesEvent 类型的事件写入 `github_event_issuesevent` 表中。
-* 将数据从 github\_event\_issuesevent 写入到目标表 github\_event\_issuesevent\_embedding 中。
-
-## 数据向量化
-
-云器 Lakehouse 的 `github_event_issuesevent_embedding` 表中保存了文本字段，需要对该文本字段进行向量化，并保存在同一张表的向量字段里，方便进行向量和标量的融合检索。
-
-该方案在同一张表、同一个 VCluster 中，同时支持文本数据、向量数据以及倒排索引和向量索引的存储。与传统方式相比，不再需要三套系统（数据仓库、文本检索数据库、向量数据库），最大程度地降低了数据副本数量，避免了数据在三套系统之间的同步。
-
-![](/.topwrite/assets/image_1768390312153.png)
-
-^
-^
-
-### 用到的云器 Lakehouse 关键特性
-
-* [向量存储](vector-type.md)：原生的Vector数据类型，在普通表里直接增加Vector类型的字段；
-* [向量索引](create-table-ddl.md)：对Vector类型的字段建立索引，加速向量检索的速度；
-* [倒排索引](create-table-ddl.md)：对文本字段建立倒排索引，加速文本检索的速度；
-* [bloom\_filter索引](create-table-ddl.md)：对ID字段建立索引，加速ID过滤；
-* [Zettapark](ZettaparkQuickStart.md)
-
-### 模型服务
-
-* xinference，本地部署xinference，提供embedding和rerank模型服务；
-* 本方案采用 1024 维的向量表示。
-
-### 测试数据集介绍
-
-* 数据来源是 GitHub 的 IssuesEvent 事件，全文检索字段为其中的 `issue_body`。
-* 向量字段存储的是 `issue_body` 对应的向量化数据。
-* 全表有 1.9 亿条记录。
-
-### 数据说明
-
-* 表名：`github_event_issuesevent_embedding`
-* 文本字段：`issue_body`，string 类型
-* 向量化字段：`issue_body_embedding`，vector(float,1024) 类型
-* 向量化方法：`issue_body_embedding` 的初始值为 NULL。调用 xinference/ollama 本地服务，用 bge-m3 模型对 `issue_body` 字段的文本进行向量化，然后保存到 `issue_body_embedding` 字段。
-
-### issue\_body\_embedding字段更新方法
-
-* **单条 Update 方法**
-  * 符合传统数据库开发者的习惯，数据更实时，达到秒级数据新鲜度。但是在大数据平台上用 SQL 进行频繁的 UPDATE，会带来明显的弊端：
-    * 带来大量的小文件需要及时进行合并，以优化性能。
-    * 需要一直启动 VCluster，造成计算成本高。
-
-* **批量 Merge Into 方法**
-  * 牺牲了数据新鲜度，从秒级到分钟级。
-  * 规避了小文件急剧增多的问题。
-  * 大幅降低了计算成本，每 5 分钟 MERGE INTO 一次，计算成本下降幅度可达 80%，大幅提升了数据向量化的性价比。这对大数据量的向量化非常重要。
-
-## 融合检索
-
-* 参考并已完成在云器 Lakehouse 的同一张表中进行向量和标量存储。
-* 检索过程
-
-![](/.topwrite/assets/image_1768390271906.png)
-
-^
-
-## 源代码
-
-本文提供了 GitHub 上基于 Notebook 的源代码如下：
-
-* [数据准备](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/Zettapark/Performing%20Vector%20and%20Scalar%20Retrieval%20in%20the%20Same%20Table%20in%20a%20Cloud%20Data%20Lakehouse-01Data%20Preparation.ipynb)
-* [向量化](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/Zettapark/Performing%20Vector%20and%20Scalar%20Retrieval%20in%20the%20Same%20Table%20in%20a%20Cloud%20Data%20Lakehouse-02Embedding.ipynb)
-* [融合检索](https://github.com/yunqiqiliang/clickzetta_quickstart/blob/main/Zettapark/Performing%20Vector%20and%20Scalar%20Retrieval%20in%20the%20Same%20Table%20in%20a%20Cloud%20Data%20Lakehouse-03Search.ipynb)
-
-## 参考资料
-
-[向量数据类型](vector-type.md)
-[创建索引](create-table-ddl.md)
-[Zettapark快速上手](ZettaparkQuickStart.md)
-
-^

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

@@ -1,43 +0,0 @@
-# 权限申请
-
-如果您需要使用他人开发的数据资源，则需要申请该资源的权限。本文为您介绍如何申请资源权限。
-
-## 约束限制
-
-* 当前仅支持对单个资源申请，不支持批量申请
-* 一次申请工单里，支持创建多个申请资源（即申请对象、授权对象、授权时间）。审批时，只支持全部通过或全部拒绝，不支持部分操作。
-
-## 申请入口
-
-* 操作入口一：在「数据」功能板块内，输入关键字或直接点击搜索，进入数据搜索结果页。在结果信息流中，选择需要申请的表，点击最右侧的「申请权限」。
-* 操作入口二：在「数据」功能板块内，点击数据管理。在数据管理页面下，点击目标对象后，点击对象详情页右上角的「申请权限」。
-
-## 申请操作步骤
-
-按照上述申请入口，选择目标对象，点击「申请权限」后，弹出数据对象权限申请弹窗。
-
-\:-:
-![](.topwrite/assets/image_1734438890426.png =501)
-
-1）申请信息
-
-* 对象权限：即当前对象上可申请的权限点。不同的资源对象层级提供的权限类型选项不完全相同。可获得的访问权限有全部、读权限、写权限三个选项。
-
-  * 全部：可对该资源进行所有操作，如 Insert、Select 等。
-  * 读权限：仅可对该资源做“读”操作，如 Select、Read 等。
-  * 写权限：仅可对该资源进行“写”操作，例如 Alter、Drop 等。
-
-* 授予用户：支持对角色和用户两种方式授权。
-
-  * 当选择**个人**时，可输入租户账号关键字，从下拉列表中选择其他账号进行申请，支持选择多个。
-  * 当选择**用户组**时，下拉可选实例创建后默认创建的角色或通过用户自定义创建的角色（自定义角色仅支持SQL创建，具体可参考 [创建角色](CREATEROLE.md)）。
-
-* 授权时间：当前资源对象的授权时间均为永久有效。
-
-* 申请理由：申请资源权限的详细原因说明。
-
-2）可点击“添加申请”，再添加一个申请资源。申请资源中需重新填写对象权限、授予用户、授权时间、申请理由。
-
-3）申请权限后，您可在审批中心\_申请功能下查看所有自己申请的工单，包括申请内容、申请状态等，还可以进行工单撤销或催办操作。
-
-![](.topwrite/assets/image_1734438910731.png =344)

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

@@ -1,113 +0,0 @@
-Lakehouse 实现了 MySQL 客户端与服务端的通讯协议，因此可以使用 MySQL 驱动连接 Lakehouse。然而，Lakehouse 并未实现 MySQL 的语法和数据类型。您可以通过 MySQL 客户端连接到 Lakehouse，但执行的 SQL 语句应使用 Lakehouse 语法，而非 MySQL 语法。例如，`mysqldump` 命令在 Lakehouse 中不可用。本文使用 PowerBI 中的 MySQL 驱动连接 Lakehouse，快速了解如何连接 Lakehouse。我们使用财务示例数据集。
-
-## 准备工作
-
-* 目前需要重置密码，即使是新建的账号也需要重置密码。这是因为 MySQL 5.x 版本使用的是 `mysql_native_password` 密钥，而 Lakehouse 需要保存 MySQL 的加密算法。目前，只有在修改密码时，Lakehouse 才会保存 MySQL 密钥的加密算法。您可以修改密码时保持和之前一样这样可以避免影响别的任务连接
-
-* 给用户设置计算集群，由于 MySQL 协议中没有传入设置集群的方式，用户可以使用 SQL 命令为用户添加一个默认计算集群。这样在 MySQL 连接时就会使用该集群。需要注意的是，BI场景对分析性能往往有要求，建议为BI工具连接用户选择合适规格的分析型计算集群以提供最佳的查询性能。
-
-  ```SQL
-   ALTER USER user_name SET DEFAULT_VCLUSTER = default_ap;
-    
-   -- 查看集群设置是否生效
-   SHOW USERS;
-  ```
-
-* 准备用户名。 MySQL 协议连接地址时只能传入一个 URL，无法拼接 Lakehouse 的 instance name 和 workspace name，因此需要将 instance name 和 workspace name 拼接到用户名中。
-
-  *   用户名格式要求如下：
-
-  * ```Plain
-    登录的账号名称@instance_name.workspace_name
-    ```
-
-  * **instance\_name 获取**：在 工作空间页面 中获取 JDBC 连接串。例如，在 `jdbc:clickzetta://``jnsxwfyr.api.clickzetta.com/quick_start?virtualCluster=default` 中，`jnsxwfyr` 为 instance\_name。
-
-    * ![](.topwrite/assets/image_1723468458225.png)
-
-  * **workspace\_name 获取**：工作空间的名称。
-
-* 在 Lakehouse 中创建 schema 和 table，并上传数据。
-
-```Plain
-create schema sales;
-use sales;
-create table salesdata (
-    segment varchar(255),
-    country varchar(255),
-    product varchar(255),
-    discountband varchar(255),
-    unitssold decimal(10, 2),
-    manufacturingprice decimal(10, 2),
-    saleprice decimal(10, 2),
-    grosssales decimal(15, 2),
-    discounts decimal(15, 2),
-    sales decimal(15, 2),
-    cogs decimal(15, 2),
-    profit decimal(15, 2),
-    date date,
-    monthnumber int,
-    monthname varchar(50),
-    year int
-);
-```
-
-## 连接 PowerBI
-
-* 点击获取数据源，搜索 MySQL
-
-![](.topwrite/assets/image_1723468519288.png)
-
-* 输入 Lakehouse 的 MySQL 连接地址和 schema 名称，本次案例的 schema 是 public。
-
-  * ![](.topwrite/assets/image_1723468556557.png)
-
-每个region的连接地址
-
-| 云服务商 | 地域  | 连接地址                                               |
-| ---- | --- | -------------------------------------------------- |
-| 阿里云  | 上海  | cn-shanghai-alicloud-mysql.api.clickzetta.com      |
-| 腾讯云  | 上海  | ap-shanghai-tencentcloud-mysql.api.clickzetta.com  |
-|      | 北京  | ap-beijing-tencentcloud-mysql.api.clickzetta.com   |
-|      | 广州  | ap-guangzhou-tencentcloud-mysql.api.clickzetta.com |
-| 亚马逊  | 北京  | cn-north-1-aws-mysql.api.clickzetta.com            |
-
-
-* 配置用户名密码，MySQL 协议连接地址时只能传入一个 URL，无法拼接 Lakehouse 的 instance name 和 workspace name，因此需要将 instance name 和 workspace name 拼接到用户名中。，用户名格式要求如下：
-
-```Plain
-登录的账号名称@instance_name.workspace_name
-```
-
-![](.topwrite/assets/image_1723468581688.png)
-
-* 获取Lakehouse表
-
-![](.topwrite/assets/image_1723468606603.png)
-
-* 配置仪表盘
-
-![](.topwrite/assets/image_1723468624662.png)
-
-* 将仪表盘发布到 Power Service
-
-* 在 Power Service 中找到刚发布的仪表盘，配置调度信息和密码认证信息。
-
-  * ![](.topwrite/assets/image_1723468643893.png)
-
-  * 编辑用户名密码
-
-    * ![](.topwrite/assets/image_1723468662518.png)
-    * ![](.topwrite/assets/image_1723468680533.png)
-
-  * 编辑调度信息
-
-  * ![](.topwrite/assets/image_1723468702158.png)
-
-* 在 Power Service 查看仪表盘
-
-![](.topwrite/assets/image_1723468715463.png)
-
-## 资料
-
-[使用MySQL协议连接](use-mysql-client.md)

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

@@ -1,24 +0,0 @@
-## Python Connector Version History
-
-### Version 0.8.54
-* **Date:** 2023-10-31
-* **Installation:**
-```
-pip install clickzetta-connector==0.8.54
-```
-* **Changelog:**
-```
-1. Chnage project managment from setup.py to pyproject.toml
-2. Simplify get_version function
-```
-
-### Version 0.8.51
-* **Date:** 2023-09-12
-* **Installation:**
-```
-pip install clickzetta-connector==0.8.51
-```
-* **Changelog:**
-```
-1. 完善login 错误信息提示，支持get_job_profile接口
-```

package/bin/skills/lakehouse-doc/references/PythonSample_put_gharchive2oss.md

@@ -1,153 +0,0 @@
-# 使用Python任务将gharchive网站数据同步到对象存储
-
-Lakehouse Studio 中的 Python 节点提供了 Python 代码的开发、测试运行和调度功能。借助调度功能，可以通过一份代码实现全量数据的补数任务和周期性的调度任务。通过设置任务依赖，可以实现 Python 任务与 SQL 任务、Shell 脚本、数据集成等其他任务类型的混合工作流编排。
-
-![](.topwrite/assets/image_1718681475743.png)
-
-## 编写python代码
-
-```
-import os,io
-
-import subprocess
-
-from datetime import datetime, timedelta
-
-import oss2
-
-# 阿里云OSS配置,ak\sk为自定义参数。ENDPOINT请根据OSS实际Region来修改。
-
-ACCESS_KEY_ID = '${ak}'
-
-ACCESS_KEY_SECRET = '${sk}'
-
-BUCKET_NAME = 'YourBucketName'
-
-ENDPOINT = 'oss-cn-shanghai-internal.aliyuncs.com'
-
-ROOT_PATH = 'ghachive'
-
-# 获取当前东八区时间
-
-# beijing_time = datetime.now()
-
-beijing_time = datetime.strptime('${datetime}', "%Y-%m-%d %H:%M:%S")
-
-# 获取文件时间，北京时间偏差9个小时即可(时间8小时，gharchive网站产出数据文件晚1个小时，8+1)
-
-ny_time = beijing_time - timedelta(hours=9)
-
-# 格式化时间
-
-year = ny_time.strftime('%Y')
-
-month = ny_time.strftime('%m')
-
-day = ny_time.strftime('%d')
-
-hour = ny_time.strftime('%H')
-
-# 打印转换后的时间
-
-print(f"Converted to data file Time and -9 hour: {year}-{month}-{day} {hour}:00:00")
-
-# 判断小时是否是'0x'格式，是的话去掉前导0
-
-if hour.startswith('0') and len(hour) > 1:
-
-# 去掉前导的'0'
-
-hour = hour[1:]
-
-
-try:
-
-    # 构建wget命令
-    
-    url = f"https://data.gharchive.org/{year}-{month}-{day}-{hour}.json.gz"
-    
-    cmd = ["wget", "-qO-", url]
-    
-    print(f"wget cmd: {cmd}")
-    
-    # 执行wget命令并捕获输出
-    
-    wget_output = subprocess.check_output(cmd)
-    
-    print(f"Wget file done...")
-    
-    # 将输出转换为内存中的文件对象
-    
-    file_obj = io.BytesIO(wget_output)
-
-except Exception as e:
-
-    print(f"An error occurred: {e}")
-    
-    file_obj = None
-
-    # 增加异常抛出，配合任务重试。调度设定为间隔10分钟、重试3次，防止源端文件没有准时产出，提高鲁棒性
-    
-    raise
-
-
-if file_obj:
-
-    try:
-    
-        # 初始化阿里云OSS
-        
-        auth = oss2.Auth(ACCESS_KEY_ID, ACCESS_KEY_SECRET)
-        
-        bucket = oss2.Bucket(auth, ENDPOINT, BUCKET_NAME)
-        
-        # 上传文件到OSS
-        
-        oss_path = f"{ROOT_PATH}/{year}/{month}/{day}/{year}-{month}-{day}-{hour}.json.gz"
-        
-        print(f"osspath: {oss_path}")
-        
-        bucket.put_object(oss_path, file_obj)
-        
-        print(f"Put file to oss done...")
-        
-    except Exception as e:
-        
-        print(f"An error occurred: {e}")
-        
-    finally:
-        
-        # 关闭内存中的文件对象
-        
-        file_obj.close()
-
-```
-
-## 运行测试
-
-点击“运行”对代码进行测试，查看运行结果是否符合预期。
-
-## 调度设置与任务发布
-
-由于 gharchive 网站每小时新生成一个文件，因此将调度周期设置为 1 小时即可。
-
-![](.topwrite/assets/image_1718680082074.png =683)
-
-然后点击“提交”完成发布。这样，Python 任务就可以通过周期调度，完成将 gharchive 文件同步到云对象存储 OSS 的工作。
-
-## 补数实现全量同步
-
-周期任务从指定的时间开始周期性执行，从而获取数据。为了获取此时间点之前的全量数据，可以直接使用同样的代码和任务，执行“补数”操作，批量同步周期任务第一个调度周期之前的所有数据，从而实现全量同步。这种方式非常方便，并且通过同一套代码保证了逻辑的一致性。
-点击“运维”，进入周期任务的运维页面，然后点击“补数”。
-gharchive 上的文件从 2012-02-12 日开始生成，因此将补数任务的开始时间设置为 2012-02-12 00:00:00。
-该任务的周期调度是从 2024-06-18 日的 11 点开始的，因此将补数任务的结束时间设置为 2024-06-18 11:00:00。
-
-![](.topwrite/assets/image_1718680764715.png)
-
-预览补数任务生成的实例，共将产生 108251 个任务实例。这意味着上述时间段总共有 108251 个小时，也意味着本次补数操作将从 gharchive 网站同步 108251 个文件到云对象存储上。
-
-![](.topwrite/assets/image_1718680957720.png =419)
-
-## 任务编排
-
-在后续任务开发中，可以通过将本任务设置为依赖任务，实现工作流编排。