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

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

@@ -1,390 +0,0 @@
-# 基于云器Lakehouse构建面向分析的Modern Data Stack
-
-本文介绍如何基于云器Lakehouse、Metabase和MindsDB构建面向分析的Modern Data Stack。
-
-
-
-## 方案架构
-
-基于云器Lakehouse的Modern Data Stack方案特点：
-
-* 实现从AWS数据仓库到数据湖的演进，通过云器Lakehouse实现湖仓一体的优化提升，大幅降低数据存储、计算和运维成本。
-* 无限存储与高效迁移：全链路数据通道采用云对象存储实现存算分离架构，避免了传统方案中服务器节点的带宽和存储容量瓶颈。
-* 云器Lakehouse + Metabase：实现极简的BI数据分析，仅需点击两次鼠标即可完成可视化数据探索和分析，极大降低业务人员分析数据的门槛，对业务人员十分友好。
-* 云器Lakehouse + MindsDB：实现100%基于SQL的AI与LLM增强分析。无需掌握其他复杂语言，数据工程师和BI分析人员基于SQL就可以实现AI和LLM的增强分析。
-* 降低数据全栈（云基础设施、数据湖、数据仓库、BI、AI）对技术人员的要求，降低企业用人门槛，提升人才可得性。
-
-本方案主打简单易用，旨在帮助企业将工作重点从数据基建转向数据分析，实现数据分析的现代化。
-
-![](.topwrite/assets/image_1734577522644.png)
-
-
-
-上图展示了迁移至并基于云器Lakehouse构建Modern Data Stack的架构，概述如下：
-
-* 使用Redshift UNLOAD命令将数据卸载到S3存储桶中的Parquet文件。
-* 通过云器Lakehouse的 `SELECT * FROM VOLUME` 语句，将AWS S3存储桶中Parquet文件的数据直接加载到云器Lakehouse的表中，实现快速数据入仓（本例中加载2000多万行的一张表，完成数据入仓仅需30秒）。
-* BI应用：通过Metabase探索和分析数据（从表格到仪表盘仅需点击两次鼠标——没错，就是两次）。
-* AI应用：通过MindsDB对房价进行预测（100%用SQL实现模型预测）。
-
-## 方案组成
-
-* AWS：
-
-  * Redshift
-  * S3
-
-* 云器
-
-  * 云器Lakehouse，多云及一体化数据平台。采用SaaS全托管服务模式，为企业提供极简数据架构。
-  * 云器Lakehouse Driver for Metabase
-  * 云器Lakehouse Connector for MindsDB
-
-* 数据分析
-
-  * Metabase with Lakehouse Driver on Docker：Metabase是一个完整的BI平台，但在设计理念上与Superset大不相同。Metabase非常注重业务人员（如产品经理、市场运营人员）的使用体验，让他们能自由地探索数据，回答自己的问题。
-  * MindsDB with Lakehouse Connector on Docker：MindsDB可直接在云器Lakehouse中进行建模，省去了数据处理、模型搭建等专业步骤。数据分析人员、BI分析师无需熟悉数据工程、建模知识，即可开箱使用，降低了建模门槛，让人人都是数据分析师，人人都会应用算法。
-  * Zeppelin with Lakehouse JDBC Interpreter on Docker
-  * Zeppelin with MySQL JDBC Interpreter on Docker（连接MindsDB的MySQL接口）
-
-## 为什么要使用云器Lakehouse？
-
-* **完全托管**： 云器Lakehouse提供完全托管、基于云的Lakehouse服务，易于使用和扩展。这意味着您不必担心管理和维护自身的硬件与基础设施，避免了耗时且昂贵的投入，实现安心托付。
-* **节省成本**：与Redshift相比，云器Lakehouse的总拥有成本（TCO）通常较低，因为它根据使用情况收费，而不需要预先承诺。云器Lakehouse高度灵活的定价模型使您只需为实际使用的资源付费，而无需被锁定在固定成本模型中。
-* **可扩展性**： 云器Lakehouse 旨在处理大量数据，并且可以根据需要扩展或缩小，这对计算负载波动明显的企业来说是一个不错的选择。云器Lakehouse数据存储在云上的对象存储服务中，在数据规模上实现“无限扩展”。
-* **性能**： 云器Lakehouse采用Single Engine All Data架构，实现计算与存储分离，使其能够比Redshift更快地处理查询。
-* **易于使用**： 云器Lakehouse提供了一体化的数据集成、开发、运维和治理平台，这使得开发和管理变得更加容易，无需复杂的方案集成。
-* **数据源支持**： 云器Lakehouse支持多种数据源和格式，包括结构化和半结构化数据，大多数情况下仅用SQL就可完成BI和AI应用的开发。
-* **数据集成**： 云器Lakehouse内置的数据集成功能支持广泛的数据源，使数据加载和准备变得更加容易，从而便于进行分析。
-  总体而言，迁移到云器Lakehouse可以帮助您节省时间和金钱，并使您能够更轻松、更有效地处理和分析数据。
-
-## 实施步骤
-
-### 数据抽取（E）
-
-#### 将房价销售数据从Redshift卸载到S3
-
-Redshift UNLOAD 命令：使用 Amazon S3 服务器端加密 (SSE-S3) 将查询结果卸载到 Amazon S3 上的一个或多个文本、JSON 或 Apache Parquet 文件。
-
-```SQL
-UNLOAD ('select-statement')
-TO 's3://object-path/name-prefix'
-authorization
-[ option, ...] 
-
-where authorization is
-IAM_ROLE { default | 'arn:aws:iam::<AWS account-id-1>:role/<role-name>[,arn:aws:iam::<AWS account-id-2>:role/<role-name>][,...]' }
-            
-where option is
-| [ FORMAT [ AS ] ] CSV | PARQUET | JSON
-| PARTITION BY ( column_name [, ... ] ) [ INCLUDE ]
-| MANIFEST [ VERBOSE ]
-| HEADER
-| DELIMITER [ AS ] 'delimiter-char'
-| FIXEDWIDTH [ AS ] 'fixedwidth-spec'
-| ENCRYPTED [ AUTO ]
-| BZIP2
-| GZIP
-| ZSTD
-| ADDQUOTES
-| NULL [ AS ] 'null-string'
-| ESCAPE
-| ALLOWOVERWRITE
-| CLEANPATH
-| PARALLEL [ { ON | TRUE } | { OFF | FALSE } ]
-| MAXFILESIZE [AS] max-size [ MB | GB ]
-| ROWGROUPSIZE [AS] size [ MB | GB ]
-| REGION [AS] 'aws-region' }
-| EXTENSION 'extension-name'
-```
-
-#### 数据湖数据探索：通过云器Lakehouse探索AWS S3上的Parquet数据
-
-查看总共有多少行数据（需要提前创建好云器Lakehouse的 `STORAGE CONNECTION` 和 `EXTERNAL VOLUME`）：
-
-![](.topwrite/assets/image_1718933981338.png)
-
-预览数据
-
-```SQL
-select 
-        *
-    from volume hz_qiliang_csv_volume(
-    price  int,
-    date  int,
-    postcode1  binary,
-    postcode2  binary,
-    type  binary,
-    is_new  int,
-    duration  binary,
-    addr1  binary,
-    addr2  binary,
-    street  binary,
-    locality  binary,
-    town  binary,
-    district  binary,
-    county  binary
-) USING parquet
-regexp '/house_prices_iceberg/data/000.*.parquet'
-limit 10;
-```
-
-在云器Lakehouse执行上述查询，结果如下：
-
-![](.topwrite/assets/image_1718933998640.png)
-
-### 数据入仓：将数据从S3加载（L）到云器Lakehouse并进行数据转换（T）
-
-```SQL
-use schema public_datasets;
-create table if not exists house_prices_paid_from_oss_parquet as
-select price,
-        cast(date*24*3600 as timestamp) as date,
-        cast(postcode1 as string) as postcode1,
-        cast(postcode2 as string) as postcode2,
-        cast(type as string) as type,
-        is_new,
-        cast(duration as string) as duration,
-        cast(addr1 as string) as addr1,
-        cast(addr2 as string) as addr2,
-        cast(street as string) as street,
-        cast(locality as string) as locality,
-        cast(town as string) as town,
-        cast(district as string) as district,
-        cast(county as string) as county
-    from volume public.hz_qiliang_csv_volume(
-    price  int,
-    date  int,
-    postcode1  binary,
-    postcode2  binary,
-    type  binary,
-    is_new  int,
-    duration  binary,
-    addr1  binary,
-    addr2  binary,
-    street  binary,
-    locality  binary,
-    town  binary,
-    district  binary,
-    county  binary
-) USING parquet
-regexp '/house_prices_iceberg/data/000.*.parquet'
-order by date,county,price;
-```
-
-验证入仓的数据行数：
-
-![](.topwrite/assets/image_1718934039921.png)
-
-对仓内数据用SQL进行探查：
-
-![](.topwrite/assets/image_1718934046872.png)
-
-### BI应用：通过Metabase探索和分析云器Lakehouse里的数据
-
-#### 在Metabase中创建到云器Lakehouse的数据库连接
-
-![](.topwrite/assets/image_1718934063007.png)
-
-#### 通过Metabase探索和分析数据（仅需点击两次鼠标——没错，就是两次！）
-
-##### 选择数据库与表：
-
-![](.topwrite/assets/image_1718934072740.png)
-
-![](.topwrite/assets/image_1718934080762.png)
-
-##### 通过Metabase浏览和分析数据
-
-![](.topwrite/assets/image_1718934087952.png)
-
-#### 通过Metabase探索与分析数据：
-
-![](.topwrite/assets/image_1718934094905.png)
-
-### AI应用：通过MindsDB对房价进行预测分析（Only SQL）
-
-本节的数据流程：Zeppelin -> MindsDB -> 云器Lakehouse。
-
-* Zeppelin通过MySQL JDBC Driver创建新的Interpreter连接到MindsDB
-* mindsdb通过clickzetta handler（基于python SQLAlchemy）连接到云器Lakehouse
-
-### 在云器Lakehouse里构建模型训练数据
-
-```SQL
-drop table if exists house_prices_paid_grouped_by_features;
-create table if not exists house_prices_paid_grouped_by_features as 
-SELECT
-  postcode1,
-  postcode2,
-  TYPE,
-  is_new,
-  duration,
-  street,
-  town,
-  district,
-  county,
-  round(max(price)) as max_price,
-  round(min(price)) as min_price,
-  round(avg(price)) as avg_price,
-  count(*) as paid_times,
-FROM
-  house_prices_paid_from_oss_parquet
-WHERE  postcode1 !='' and  postcode2 !=''
-GROUP BY 1,2,3,4,5,6,7,8,9
-ORDER BY 9,1,2,3,4,5,6,7,8
-LIMIT 10000;
-```
-
-### 创建Zeppelin的Interpreter，通过MySQL JDBC连接MindsDB
-
-![](.topwrite/assets/image_1718934120805.png)
-
-#### 在Zeppelin里创建一个新的Notebook
-
-MindsDB连接云器Lakehouse，将云器Lakehouse作为数据源
-
-![](.topwrite/assets/image_1718934127523.png)
-
-```SQL
---MindsDB连接云器Lakehouse
-CREATE DATABASE if not exists clickzetta_uat_public_datasets    --- display name for database.
-WITH ENGINE = 'clickzetta',                                     --- name of the mindsdb handler
-PARAMETERS = {
-    "service": "<region_id>.api.clickzetta.com",                        --- ClickZetta Lakehouse service address.
-    "workspace": "********",                                       --- ClickZetta workspace.
-    "instance": "********",                                     --- account instance id.
-    "vcluster": "default",                                      --- vcluster
-    "username": "********",                                      --- your usename.
-    "password": "********",                                    --- Your password.
-    "schema": "public_datasets"                                 --- common schema PUBLIC.
-};
-```
-
-### 创建模型
-
-创建预测模型，用于预测 `paid_times`，即房屋的销售次数。
-
-![](.topwrite/assets/image_1718934140448.png)
-
-```SQL
---创建预测模型
-CREATE MODEL IF NOT EXISTS
-  clickzetta.uk_house_prices_grouped_by_features_model_avg_price
-FROM clickzetta_uat_public_datasets  (SELECT * FROM house_prices_paid_grouped_by_features)
-PREDICT avg_price;
---查看模型状态
-DESCRIBE clickzetta.uk_house_prices_grouped_by_features_model_avg_price;
-```
-
-#### 房价预测
-
-![](.topwrite/assets/image_1718934147927.png)
-
-```SQL
---MAKE A PREDICTION
-SELECT avg_price, 
-       avg_price_explain 
-FROM clickzetta.uk_house_prices_grouped_by_features_model_avg_price
-WHERE postcode1 = 'BS32'
-AND postcode2= '9DF'
-AND type= 'terraced'
-AND is_new =1
-AND duration= 'freehold'
-AND street= 'FERNDENE'
-AND town= 'BRISTOL'
-AND district= 'NORTHAVON'
-AND county= 'AVON';
-```
-
-预测结果：
-
-```SQL
-avg_price        avg_price_explain
-1306        {"predicted_value": 1306, "confidence": 0.97, "anomaly": null, "truth": null, "confidence_lower_bound": 0, "confidence_upper_bound": 7654}
-```
-
-#### 批量房价预测
-
-![](.topwrite/assets/image_1718934160811.png)
-
-```SQL
--- Bulk predictions by joining a table with your model:
-SELECT t.*, m.avg_price as predicted_avg_price,m.avg_price_explain
-FROM clickzetta_uat_public_datasets.house_prices_paid_grouped_by_features as t 
-JOIN clickzetta.uk_house_prices_grouped_by_features_model_avg_price as m
-LIMIT 100;
-```
-
-## 附录
-
-### Metabase、MindsDB、Zeppelin的环境安装部署指南
-
-* [Metabase](metabase.md) with Lakehouse Driver on Docker
-* [MindsDB](mindsdb.md) with Lakehouse Connector on Docker
-* [Zeppelin](eco_integration/Zeppelin.md) with Lakehouse JDBC Driver
-
-### 通过Python代码预览Parquet文件的schema和数据,并生成云器Lakehouse的SQL代码
-
-```Python
-import os
-import pyarrow.parquet as pq
-
-def print_parquet_file_head(file_path, num_rows=10):
-    # Open the Parquet file
-    parquet_file = pq.ParquetFile(file_path)
-    
-    # Read the first few rows of the Parquet file into a pandas DataFrame
-    table = parquet_file.read_row_group(0, columns=None, use_threads=True)
-    df = table.to_pandas()
-
-    # Truncate the DataFrame to the desired number of rows
-    if len(df) > num_rows:
-        df = df.head(num_rows)
-
-    # Print DataFrame with headers
-    print(df)
-
-def print_parquet_schema(file_path):
-    # Open the Parquet file
-    parquet_file = pq.ParquetFile(file_path)
-    
-    # Get schema information and build SQL fragment
-    schema = parquet_file.schema.to_arrow_schema()
-    sql_parts = []
-    for field in schema:
-        field_name = field.name
-        field_type = str(field.type)
-        sql_parts.append(f"    {field_name}  {field_type}")
-
-    # Combine the list of fields into an SQL string
-    sql_fields = ",\n".join(sql_parts)
-    file_name = os.path.basename(file_path)
-
-    # Print the final SQL statement format
-    print(f"""-- Schema for {file_name}
-select * from volume hz_qiliang_csv_volume(
-{sql_fields}
-) USING parquet
-files('/amazon_reviews/{file_name}');
-""")
-
-# Update the directory path as needed
-local_directory = "/Users/liangmo/Documents/yqgithub/qiliang_py"
-
-# List all relevant Parquet files in the given directory
-parquet_files = [f for f in os.listdir(local_directory) if f.endswith('.parquet') and f.startswith('000')]
-
-# Print the schema and head for each Parquet file
-for file_name in parquet_files:
-    file_path = os.path.join(local_directory, file_name)
-    try:
-        print_parquet_schema(file_path)
-        print_parquet_file_head(file_path)  # Function call to print the top rows
-    except Exception as e:
-        print(f"Error processing {file_path}: {e}")
-```
-
-输入样例：
-
-![](.topwrite/assets/image_1718934180299.png)

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

@@ -1,26 +0,0 @@
-# 申请列表
-
-通过申请记录功能，您可以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复制操作。
-
-## 前提条件
-
-已申请资源权限，相关操作说明请参见**权限申请**。
-
-## 操作步骤
-
-点击左侧菜单栏的**审批 > 申请**，进入**申请记录**页面。
-
-![](.topwrite/assets/image_1736245885982.png)
-
-可执行以下操作：
-![](.topwrite/assets/image_1736245926683.png)
-
-* **查看工单详情**：单击列表中的某个**工单ID**，在弹出的侧拉窗口中，可以查看该工单的详情，包括申请详情、申请资源、审批情况等。
-
-* **撤回**：对审批中的工单，可执行撤回操作。
-
-  * 单击列表中某条信息的**操作**列或工单详情页面的**撤回**按钮，在弹出的确认撤销对话框中，单击**确定**按钮，可以撤销对应资源的申请。撤销时会撤回工单内的所有在途资源申请，工单内已审批通过的资源则不受影响。
-
-* **复制**：单击列表中某条信息的**操作**列或工单详情页面的**复制**按钮，可将当前审批的信息全部复制，可按需修改相关信息后提交申请。
-
-^

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

@@ -1 +0,0 @@
-

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

@@ -1,61 +0,0 @@
-# 审批工单
-
-根据各资源审批流的设置情况，作为对象权限负责人、工作空间或Catalog负责人、实例管理员，您可能会收到相关权限审批通知，并需对工单进行审批操作。本文为您介绍如何手动审批工单。
-
-## 约束限制
-
-* 在审批流中，只有成为审批节点的审批人，才可审批工单。
-* 只有实例管理员才可以访问并修改审批流。
-
-## 审批
-
-### 我的待办
-
-当用户点击申请权限功能后，系统会基于申请对象所属的审批流自动创建一个审批工单进行流转审批。申请用户可在「审批 > 申请」中，查看自己申请的信息及审批状态。
-
-![](.topwrite/assets/image_1736245807432.png)
-
-当审批人员收到审批消息后，可在「审批 > 审批」下看到待审批的工单。具体操作如下：
-
-* 点击左侧菜单栏「审批 > 审批」，进入「待我审批」标签页。
-
-* 审批页面支持卡片操作形式和列表操作形式。
-  ![](.topwrite/assets/image_1736245843874.png)
-
-* 筛选条件：设置关键字或工单ID、申请人、数据对象类型、申请时间、升降序等搜索条件，可以查询符合条件的待审批工单列表。当设置多个搜索条件时，会取各个条件的交集进行查询。
-
-**1. 查看工单**
-
-*   **卡片形式**：点击左侧某具体工单的卡片，可在右侧查看该工单的申请详情页面。
-*   **列表形式**：点击列表中的ID列，弹出当前审批工单的详情信息。
-
-详情包括：
-
-* 申请对象、申请的权限点、授权用户、授权时间、申请理由、审批记录
-
-**2. 审批工单**
-
-在“待我审批”页面，审批人可执行以下审批操作：
-
-*   **通过**
-    *   单击工单列表中某条信息**操作**列的**通过**按钮，或工单申请详情页面的**通过**按钮，或卡片形式页面右上角的**通过**按钮，在弹出的窗口中，单击**确定**按钮，即可通过该申请。
-  * 勾选一个或多个选项后，单击列表下方的**通过**按钮，在弹出的窗口中，单击**确定**按钮可批量通过申请。
-
-*   **拒绝**
-    *   单击工单列表中某条信息**操作**列的**拒绝**按钮，或工单申请详情页面的**拒绝**按钮，或卡片形式页面右上角的**拒绝**按钮，在弹出的窗口中，填写拒绝原因后，单击**确定**按钮，即可驳回该申请。
-  * 勾选一个或多个选项后，单击列表下方的**拒绝**按钮，在弹出的窗口中，单击**确定**按钮可批量拒绝申请。
-
-*   **加签**：指当前审批人通过后，依然需要加签人员参与审批。
-    *   单击工单列表中某条信息**操作**列的**加签**按钮，或工单申请详情页面的**加签**按钮，或卡片形式页面右上角的**加签**按钮，在弹出的**加签**窗口中，设置加签信息后，单击**确定**按钮，即可完成对该申请的加签审批。
-  * 勾选一个或多个选项后，单击列表下方的**加签**按钮，在弹出的窗口中，设置加签信息后，单击**确定**按钮完成批量加签。
-
-**注意：**
-
-*   当审批人点击加签操作时，系统会自动判断当前审批人已执行了通过操作；
-* 当审批工单里存在多个审批信息时，审批的操作是对所有申请生效的，即只允许一次性全部通过或全部拒绝。
-
-### 已办
-
-点击审批功能下的「已办」标签页，可查看当前实例中由我操作过的、以及审批流程中需要我操作的所有已办审批工单。
-
-![](https://tq2pllvokz.feishu.cn/space/api/box/stream/download/asynccode/?code=YmU2MjVkZTA4OWU3NDlkYWZmOGI1ZTZlOTFlZmY4MWVfZHAwaE94eWpkUzB2S2NWSGppcFd3NWsxekw3QmlFN3ZfVG9rZW46UWl5QWJ1SmZnb0pkZ1h4NDJUWmNGMUpJbjZmXzE3Mjk4MjU3MDQ6MTcyOTgyOTMwNF9WNA)

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

@@ -1,49 +0,0 @@
-# BIGINT
-
-`BIGINT` 是一种数据类型，用于表示 8 字节的带符号整数。它的数值范围为 -9,223,372,036,854,775,808 到 9,223,372,036,854,775,807。这种类型通常用于存储非常大的整数值。
-
-## 语法
-
-```
-BIGINT [ + | - ] digit [ ... ] [L]
-```
-
-- `digit`：表示 0 到 9 的任意数字。
-- `L`：表示字面量后缀，用于指示这是一个 `BIGINT` 类型的数值。如果数值不在 `INT` 范围内，即使没有 `L` 后缀，也会自动转换为 `BIGINT` 类型。
-
-## 使用示例
-
-1. 插入一个正数 `BIGINT` 值：
-
-```
-INSERT INTO my_table (my_column) VALUES (+1L);
-```
-
-2. 插入一个负数 `BIGINT` 值：
-
-```
-INSERT INTO my_table (my_column) VALUES (-1L);
-```
-
-3. 插入一个不带 `L` 后缀的 `BIGINT` 值（如果数值在 `INT` 范围内，会隐式转换为 `INT` 类型）：
-
-```
-INSERT INTO my_table (my_column) VALUES (123456789);
-```
-
-4. 在查询中使用 `BIGINT` 类型的数值进行比较：
-
-```
-SELECT * FROM my_table WHERE my_column = 9223372036854775807;
-```
-
-5. 使用 `CAST` 函数将其他类型的数值转换为 `BIGINT`：
-
-```
-SELECT CAST(123.456 AS BIGINT);
-```
-
-## 注意事项
-
-- 当使用 `BIGINT` 类型存储数值时，请确保数值在允许的范围内，否则可能会导致溢出错误。
-- 在进行数值比较或计算时，需要注意数据类型之间的隐式转换，以免出现意外的结果。

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

@@ -1,104 +0,0 @@
-# 二进制类型（BINARY）
-
-## 概述
-
-在 Lakehouse 中，BINARY 类型用于存储二进制数据，适用于存储图像、音频、视频以及其他二进制文件。BINARY 类型能够确保数据的完整性和一致性，适用于各种场景。最大写入长度限制为 16 MB。批量、实时导入时会对字段进行长度校验。如果您导入的数据超过 16 MB，可以修改表的属性（Properties）来调整限制，例如将 BINARY 长度设置为 32 MB：
-```
-ALTER TABLE table_name SET PROPERTIES("cz.storage.write.max.binary.bytes"="33554432");
-```
-
-
-
-## 语法
-
-BINARY 类型的声明非常简单，只需在数据类型前加上关键字 `BINARY` 即可。例如：
-
-```sql
-CREATE TABLE binary_table (
-  id INT,
-  data BINARY
-);
-```
-
-## BINARY 常量值
-
-在 SQL 语句中，可以使用 `X` 前缀来构造 BINARY 常量值。例如：
-
-```sql
-SELECT X'4';
-```
-
-上述语句将返回一个字节序列 `[4]`。`X` 后跟的 `num` 是一个或多个十六进制字符，范围从 0 到 F，支持大写或小写。例如：
-
-```sql
-SELECT X'A413F';
-```
-
-将返回 `[0a 41 3f]`。
-
-## 转换函数
-
-Lakehouse 提供了多种函数来处理 BINARY 类型的数据，包括：
-
-1. `CAST()` 函数：将其他类型的数据转换为 BINARY 类型。
-2. `BASE64()` 函数：将二进制数据转换为 BASE64 编码的字符串。
-3. `UNBASE64()` 函数：将 BASE64 编码的字符串转换为二进制数据。
-4. `BINARY()` 函数：将字符串转换为 BINARY 类型的字节流。
-
-## 约束限制
-* BINARY 类型最大存储长度为 16 MB。
-
-## 示例
-
-以下是一些使用 BINARY 类型和相关函数的示例：
-
-1. 创建一个包含 BINARY 类型列的表：
-
-```sql
-CREATE TABLE binary_table (
-  id INT,
-  data BINARY
-);
-```
-
-2. 向表中插入数据：
-
-```sql
-INSERT INTO binary_table (id, data) VALUES (1, X'1');
-```
-
-3. 将字符串转换为 BINARY 类型并插入到表中：
-
-```sql
-INSERT INTO binary_table (id, data)
-SELECT col1, BINARY(col2)
-FROM values(1, 'guan') AS data(col1, col2);
-```
-
-4. 查询表中的数据：
-
-```sql
-SELECT data FROM binary_table;
-```
-
-5. 使用 `CAST()` 函数将字符串转换为 BINARY 类型：
-
-```sql
-SELECT CAST('ClickZetta' AS BINARY);
-```
-
-将返回 `[43 6c 69 63 6b 5a 65 74 74 61]`。
-
-6. 使用 `base64()` 和 `unbase64()` 函数进行编码和解码：
-
-```sql
-SELECT base64('ClickZetta');
-```
-
-将返回 `Q2xpY2taZXR0YQ==`，然后使用 `unbase64()` 函数进行解码：
-
-```sql
-SELECT cast(unbase64('Q2xpY2taZXR0YQ==') as string);
-```
-
-将返回原始字符串 `ClickZetta`。

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

@@ -1,47 +0,0 @@
-# BOOLEAN
-`BOOLEAN` 类型用于表示逻辑值，即真或假。在 SQL 语句中，布尔类型常用于条件判断和逻辑运算。
-
-## 语法
-```
-BOOLEAN
-```
-
-## 常量值
-```
-TRUE | FALSE
-```
-
-## 示例
-```
--- 使用布尔类型进行条件查询
-SELECT 
-    employee_id,
-    last_name,
-    email,
-    commission_pct
-FROM 
-    employees
-WHERE 
-    commission_pct IS NOT NULL AND commission_pct > 0.1;
-
--- 使用布尔类型进行逻辑运算
-SELECT 
-    last_name,
-    commission_pct
-FROM 
-    employees
-WHERE 
-    commission_pct = 0.2 OR (commission_pct IS NOT NULL AND commission_pct < 0.3);
-
--- 将其他类型的值转换为布尔类型
-SELECT 
-    last_name,
-    commission_pct,
-    CASE 
-        WHEN commission_pct IS NOT NULL THEN TRUE
-        ELSE FALSE
-    END AS has_commission
-FROM 
-    employees;
-```
-