npm - @clickzetta/cz-cli-darwin-x64 - Versions diffs - 0.3.76 → 0.3.80 - Mend

@clickzetta/cz-cli-darwin-x64 0.3.76 → 0.3.80

This diff represents the content of publicly available package versions that have been released to one of the supported registries. The information contained in this diff is provided for informational purposes only and reflects changes between package versions as they appear in their respective public registries.

Files changed (1236) hide show

package/bin/skills/lakehouse-doc/references/Refactor_ELT_practice.md DELETED Viewed

@@ -1,241 +0,0 @@
-# 重新定义ELT：通过云器Lakehouse实现ELT新方式
-## 问题与挑战
-在很多数据项目中，特别是与ML、AI关系比较紧密的数据项目中，往往需要通过Python、SQL混合的方式进行开发实现，比如通过Jupyter Notebook进行Python代码的开发，用DBeaver、VS Code等数据管理和开发工具进行SQL代码的开发。在这种方案中，经常容易发生版本管理缺失、缺少统一的调度服务等问题，从而使开发和运维变得复杂且困难。
-随着现代化数据栈的发展，Metabase、MindsDB等新一代BI、AI分析产品也得到飞速发展。数据平台如何紧密融入现代化数据栈，提供完整的解决方案，也变得至关重要。
-对于日趋增多的半结构化数据以及向量数据（如CSV、JSON），如果依赖客户端解析会严重影响整体处理速度，这就要求数据平台能够同时高性能地处理表格中的结构化数据以及JSON数据、向量数据。比如GH Archive提供的GitHub每小时的事件归档数据集，就是以JSON格式提供的。
-在数据清洗和转换的数据工程工作中，往往需要开发很多中间表才能得到最终的目标表。如何提高这一环节的效率，也成为提升数据工程师生产力的一个重要课题。
-## 通过云器Lakehouse实现ELT的新方式
-今天笔者尝试使用云器Lakehouse，从以下三个方面寻找以上问题的新解法。
-![](.topwrite/assets/image_1734348544459.png)
-### 统一数据任务开发和调度
-通过云器Lakehouse简化数据任务开发和运维环境，实现统一的任务版本管理：
-* [Python任务开发](Python_Task.md)：从Jupyter Notebook开发到云器Lakehouse Studio的Python任务开发。
-* [SQL任务开发](taskdevelop.md)：从DBV SQL任务开发到云器Lakehouse Studio的SQL任务开发。
-* [ML/AI任务开发](jdbc_task.md)：从MindsDB Web IDE到云器Lakehouse Studio的JDBC任务开发。
-* [任务调度和运维](task-instance-maintenance.md)：从Airflow到云器Lakehouse Studio任务调度和运维。
-  ![](.topwrite/assets/image_1734348698701.png =460)
-### [多数据类型支持](data-type.md)
-云器Lakehouse支持以下数据类型的高效存储和访问：
-* Table里常见的基本数据类型
-* Table里常见的复杂数据类型
-* JSON
-* Vector
-* 文本倒排索引
-  ![](.topwrite/assets/image_1734348746004.png =380)
-### [动态表Dynamic Table](dynamic-table.md)
-云器提供的动态表（Dynamic Table），具备以下典型特性：
-* 声明性编程：用声明性 SQL 定义管道结果，不用再考虑中间表逻辑，降低复杂度。
-* 透明编排：通过将动态表、普通表链接在一起，管理刷新编排调度。
-* 增量处理：适合增量工作负载，动态表性能优。
-* 轻松切换：单命令实现批处理到流式处理过渡，平衡成本与新鲜度。
-* 可观测：动态表可通过云器Lakehouse Web控制台Studio管理，提高可观测性。
-  ![](.topwrite/assets/image_1734348809529.png =450)
-^
-## 应用案例：GHArchive数据ELT流程实现
-![](.topwrite/assets/image_1734348838607.png)
-### 数据源介绍：[GHArchive](http://www.gharchive.org/)
-全球范围内的开源开发者正在从事数以百万计的项目，涵盖诸如编写代码和文档、修复错误以及提交等工作。[GH Archive](http://www.gharchive.org/) 这一项目会对公共GitHub的事件数据予以记录，该项目提供了自2011年2月12日起始，长达13年多的GitHub事件数据存档，并使数据更易于访问，为进一步分析创造便利条件。
-GitHub有15种以上事件类型，例如新提交（Push）、分叉仓库（Fork）、新建Issue、评论以及为项目添加成员等。这些事件会汇总到每小时的归档文件里，用任何HTTP客户端都能访问这些归档文件，每个归档文件里都以JSON编码GitHub API报告的事件。用户可以下载原始数据自行处理，例如编写自定义聚合脚本、将其导入数据库等。
-GitHub 的事件数据示例如下：
-```
-{"id":"44809399421","type":"CreateEvent","actor":{"id":81469924,"login":"temperature48","display_login":"temperature48","gravatar_id":"","url":"https://api.github.com/users/temperature48","avatar_url":"https://avatars.githubusercontent.com/u/81469924?"},"repo":{"id":903968841,"name":"temperature48/SmashVat","url":"https://api.github.com/repos/temperature48/SmashVat"},"payload":{"ref":null,"ref_type":"repository","master_branch":"master","description":null,"pusher_type":"user"},"public":true,"created_at":"2024-12-16T02:00:00Z"}
-```
-^
-### 开发任务：数据抽取（**E**xtract）
-接下来我们通过云器Lakehouse Studio开发一个Python任务，将数据从GH Archive网站抽取到数据湖存储（本方案采用阿里云OSS）中。
-![](.topwrite/assets/image_1734348912514.png)
-^
-```py
-import os,io
-import subprocess
-from datetime import datetime, timedelta
-import oss2
-# 阿里云OSS配置
-ACCESS_KEY_ID = '${ak}'
-ACCESS_KEY_SECRET = '${sk}'
-BUCKET_NAME = 'OSS上的Bucket名字'
-ENDPOINT = '阿里云OSS的Endpoint'
-ROOT_PATH = 'ghachive，替换为Bucket下的真实的根目录'
-# 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
-    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()
-```
-^
-### 开发任务：数据加载任务（**L**oad）
-云器Lakehouse Studio支持通过离线同步任务，将数据从数据湖加载到Lakehouse的Table里，以优化的格式进行存储，并且便于细粒度的权限管理。
-![](.topwrite/assets/image_1734348942887.png)
-^
-### 开发任务：数据清洗与转换（**T**ransform）
-云器Lakehouse动态表（Dynamic Table）是一种支持仅处理增量变化数据的表，具备增量刷新优化能力。与传统的ETL任务相比，动态表无需进行全量数据计算，也无需指定增量逻辑（如按分区对齐或使用max(system/event_time)）。用户只需直接声明定义业务逻辑，动态表即可自动进行增量计算优化。
-本文使用动态表进行数据清洗和转化。
-![](.topwrite/assets/image_1734348956194.png)
-^
-#### 即席数据分析（Ad Hoc）
-云器Lakehouse 内置了便捷的SQL查询界面，可以自由编写SQL代码、使用变量、选择集群，进行灵活的即席数据分析（Ad Hoc）。也便于进行调试运行。
-![](.topwrite/assets/image_1734348969154.png)
-^
-#### 开发任务：AI/ML增强分析
-基于Lakehouse Studio提供的JDBC任务节点，可以便捷地连接到MindsDB，进行增强的数据分析。
-![](.topwrite/assets/image_1734348988810.png)
-^
-### 增量同步任务调度
-对刚才开发好的ELT任务进行调度定时和依赖关系配置，确保任务按小时周期运行，提交并发布任务，这样就可以从GHArchive按小时同步到一小时前的GitHub事件数据，并进行清洗和转换。
-![](.topwrite/assets/image_1734349005883.png)
-^
-### 补全量数据
-对于补数据任务，在云器Lakehouse Studio里，可以与增量任务完全复用，只需要按照全量数据的开始和结束日期配置并执行补数任务即可，来回刷写历史存量数据。
-以GHArchive的数据为例，其网站（http://www.gharchive.org/）的数据开始日期为2011年2月12日，则按下图配置补数任务并运行即可实现全量数据的同步，补全量任务可以与增量数据同步任务同时进行，也无需开发新的全量同步任务。
-![](.topwrite/assets/image_1734349021555.png)
-^
-^
-### 任务运维
-云器Lakehouse Studio也提供了完善的运维操作界面，比如展示任务的上下游DAG关系，运行状态，进行重跑等运维操作。
-^
-![](.topwrite/assets/image_1734349033926.png)
-^
-^
-## 总结
-本文讨论了在数据项目中，特别是与ML、AI关系紧密的数据项目中，传统开发方式存在的问题与挑战，以及如何通过云器Lakehouse实现GHArchive ELT的新方式，进行统一的开发、调度和运维，显著精简方案中的产品组件，有助于大幅提升效率并节约管理成本。关键要点包括：
-* **统一数据任务开发和调度**：简化开发和运维环境，实现一致的任务版本管理，涵盖 Python、SQL、ML/AI 任务开发，以及统一的任务调度编排和运维管控。
-* **多数据类型支持**：高效存储和访问常见基本数据类型、复杂数据类型、JSON、Vector、文本倒排索引等。
-* **动态表 Dynamic Table**：具有声明性编程、透明编排、增量处理、轻松切换、可观测等特性。
-* **应用案例**：以 GHArchive 数据为例，展示了数据抽取、加载、清洗与转换、即席数据分析、AI/ML 增强分析、增量同步任务调度、补全量数据和任务运维等环节。
-## 参考
-* [云器Lakehouse动态表](dynamic_table_summary.md)
-* [云器Lakehouse Studio任务开发与调度](taskdevelop.md)
-* [补数任务](backfilling_data.md)
-* [云器Lakehouse JSON数据类型](JSON.md)
-* [云器Lakehouse向量数据类型](vector-type.md)
-^

package/bin/skills/lakehouse-doc/references/RemoteFunctionAsUDF.md DELETED Viewed

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

package/bin/skills/lakehouse-doc/references/RemoteFunctionBestPractice.md DELETED Viewed

@@ -1,350 +0,0 @@
-# 使用流程: External Function
-## 文档目标：
-通过本篇使用流程，您可以实现：
-* 调用JAVA NLP 的离线模型（详见[网址](https://github.com/Ruthwik/Sentiment-Analysis)），解析云器Lakehouse 表中字符串的情绪
-* 调用阿里云视觉智能开放平台服务（详见[网址](https://help.aliyun.com/document_detail/203520.htm?spm=a2c4g.601126.0.0.39de5a4eqBtLaC)），解析云器Lakehouse 表中 url 指向的图片数据
-（本篇最佳实践使用的环境为基于阿里云的云器 Lakehouse。）
-## 操作步骤:
-### Step0：准备工作（授权操作）
-本步骤目标是：允许云器 Lakehouse 集群访问客户侧的阿里云上的函数计算 FC、对象存储服务 (OSS)。为了完成这个目标，需要创建一个角色，让云器 Lakehouse 扮演这个角色去访问阿里云上的函数计算 FC 和 OSS 服务。
-#### 1. 阿里云控制台：在阿里云控制台**访问控制**(RAM)中创建权限策略 (如：CzUdfOssAccess )：
-* 进入阿里云 RAM 控制台
-* 左侧导航栏 **权限管理** -> **权限控制**，在**权限控制**界面选择**创建权限策略**
-* 在**创建权限策略**页面选择**脚本编辑**页签（将下面 [] 中的 bucket 名称替换）。
-```JSON
-{
-    "Version": "1",
-    "Statement": [
-        {
-            "Effect": "Allow",
-            "Action": [
-                "oss:GetObject",
-                "oss:PutObject",
-                "oss:DeleteObject"
-            ],
-            "Resource": [
-                "acs:oss:*:*: [bucket_name]/*",
-                "acs:oss:*:*:[bucket_name]/*"
-            ]
-        }
-    ]
-}
-```
-^
-#### 2. 阿里云控制台：在阿里云 RAM 中创建角色（如：CzUDFRole）：
-* 在RAM 控制台左侧导航栏 **身份管理** -> **角色**，点击**创建角色**
-* 在**创建角色**页面中，选择类型为**阿里云账号**，在配置角色中填写自定义**角色名称**（如 CzUDFRole），在**选择信任的云账号**中选择**其他云账号**，并写入：1384322691904283（云器 Lakehouse 上海的云主账号），点击**完成**。
-* 编辑**AliyunFCFullAccess 权限策略**，添加下面 "acs:Service": "fc.aliyuncs.com" 部分。
-```Properties
-{
-    "Version": "1",
-    "Statement": [
-        {
-            "Action": "fc:*",
-            "Resource": "*",
-            "Effect": "Allow"
-        },
-        {
-            "Action": "ram:PassRole",
-            "Resource": "*",
-            "Effect": "Allow",
-            "Condition": {
-                "StringEquals": {
-                    "acs:Service": "fc.aliyuncs.com"
-                }
-            }
-        }
-    ]
-}
-```
-* 创建完成之后，点击**为角色授权**:
-* 在**系统策略**中，将**AliyunFCFullAccess**策略授权给该角色 CzUDFRole。
-* 在**自定义策略**中，将刚创建的策略（**CzUdfOssAccess**）授权给该角色。
-#### 3. 在角色 CzUDFRole 详情页中，获取该角色的 RoleARN 信息：
-* 修改 CzUDFRole 的**信任策略**：
-```Python
-{
-  "Statement": [
-    {
-      "Action": "sts:AssumeRole",
-      "Effect": "Allow",
-      "Principal": {
-        "RAM": [
-          "acs:ram::1384322691904283:root"
-        ],
-        "Service": [
-          "fc.aliyuncs.com"
-        ]
-      }
-    }
-  ],
-  "Version": "1"
-}
-```
-***
-### 场景1: 调用JAVA NLP 的离线模型：
-#### &#x20;1. 编写代码
-* 基于 Hive UDF API 编写 UDF，以下是实现大小写转换的示例代码:
-```java
-package com.example;
-import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
-import org.apache.hadoop.hive.ql.metadata.HiveException;
-import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
-import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
-import org.apache.hadoop.hive.serde2.objectinspector.PrimitiveObjectInspector;
-import org.apache.hadoop.hive.serde2.objectinspector.PrimitiveObjectInspector.PrimitiveCategory;
-import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
-import java.util.Locale;
-public class GenericUdfUpper extends GenericUDF {
-  @Override
-  public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
-    checkArgsSize(arguments, 1, 1);
-    checkArgPrimitive(arguments, 0);
-    if (((PrimitiveObjectInspector) arguments[0]).getPrimitiveCategory() != PrimitiveCategory.STRING) {
-      throw new UDFArgumentException("argument 0 requires to be string rather than " + arguments[0].getTypeName());
-    }
-    return PrimitiveObjectInspectorFactory.javaStringObjectInspector;
-  }
-  @Override
-  public Object evaluate(DeferredObject[] arguments) throws HiveException {
-    Object arg = arguments[0].get();
-    if (arg == null) {
-      return null;
-    }
-    return ((String) arg).toUpperCase(Locale.ROOT);
-  }
-  @Override
-  public String getDisplayString(String[] children) {
-    return "upper";
-  }
-}
-```
-* 编译代码生成 Jar 包和其他依赖文件，打包成 zip 压缩包
-#### 2. 上传函数程序包到指定路径
-如： `oss://hz-oss-lakehouse/functions/sentiment/UDF_code/SentimentAnalysis.zip`
-函数主类：`com.clickzetta.nlp.GenericUDFSentiment`
-有两种方法上传文件到指定路径：
-* 通过 OSS 客户端直接上传&#x20;
-* 在Lakehouse JDBC 客户端（不支持Lakehouse Web UI 使用 PUT 命令上传）通过 [PUT 命令](PUT.md) 将程序包上传至 [Volume对象](datalake_volume.md)，并在创建函数 DDL 中引用 volume 路径。例如：
-```
--- 上传文件到命名为 fc_volume 的 Volume对象：
-PUT ./SentimentAnalysis.zip to volume fc_volume/udfs/SentimentAnalysis.zip;
--- 在创建函数时引用该 Volume 路径：
-create external function public.sentiment_demo_hz
-    AS 'com.clickzetta.nlp.GenericUDFSentiment'
-    USING ARCHIVE 'volume://fc_volume/udfs/SentimentAnalysis.zip'
-    CONNECTION udf_sentiment_bj
-    WITH
-    PROPERTIES (
-        'remote.udf.api' = 'java8.hive2.v0'
-);
-```
-您也可以指定内部 volume。虽然您可以使用内部 volume，但是在创建 API CONNECTION 中的 code_bucket 参数必须填写外部地址。
-* **User Volume 格式地址**:`volume:user://~/upper.jar`
-  * `user` 表示使用 User Volume 协议。
-  * `~` 表示当前用户，为固定值。
-  * `upper.jar` 表示目标文件名。
-* **Table Volume 格式地址**`volume:table://table_name/upper.jar`
-  * `table` 表示使用 Table Volume 协议。
-  * `table_name` 表示表名，需根据实际情况填写。
-  * `upper.jar` 表示目标文件名。
-#### 3. 新建连接（Connection）
-```SQL
-create api connection udf_sentiment_bj
-type cloud_function
-provider = 'aliyun'
-region = 'cn-beijing'
-role_arn = 'acs:ram::1222808864467016:role/czudfrole'
-namespace = 'default'
-code_bucket = 'derek-bj-oss';
-```
-**参数解释**：
-1. **api_connection**：创建 API 类型的 Connection，用于调用第三方的服务接口；
-2. **type**: 连接类型为云函数：cloud\_function，其中具体的属性为：
-* provider：云函数提供商，如 aliyun
-* region：云函数所在区域，如'cn-shanghai'
-* role\_arn：创建云函数所扮演的角色，如 acs\:ram::12228000000000000\:role/czudfrole
-* code\_bucket：云函数程序文件所在路径的对象存储 bucket 名称
-#### 4.在 Lakehouse 创建 External Function
-```SQL
-create external function public.sentiment_demo_hz
-as 'com.clickzetta.nlp.GenericUDFSentiment'
-using archive 'oss://hz-oss-lakehouse/functions/sentiment/UDF_code/SentimentAnalysis.zip'
-connection udf_sentiment_hz
-with properties (
- 'remote.udf.api' = 'java8.hive2.v0',
-);
-```
-**参数解释**：
-1. **as**：后面跟的是 Java 函数的主类名
-2. **using**：仅支持编译后的 Java 程序。后面需要接参数 **archive** 表示程序包为 zip 格式的文件；**jar** 表示 Java 程序的 jar 包文件。后面可直接引用文件的 OSS 路径；如果文件已通过[PUT 命令](PUT.md)上传至 [Volume对象](datalake_volume.md)，也可以通过 Volume 路径直接引用函数文件，例如：`USING ARCHIVE 'volume://fc_volume/udfs/SentimentAnalysis.zip' `
-3. **connection**：表示程序中使用的 connection 对象，如 udf\_sentiment\_bj；其中属性信息：
-* remote.udf.api：java UDF 请填写为 java8.hive2.v0
-#### 5. 执行语义情感分析：
-**构造测试数据**：
-```SQL
-create table tbl_wisdom_nlp(id int, qoute string);
-insert into tbl_wisdom_nlp values(1,"Honesty and diligence should be your eternal mates");
-insert into tbl_wisdom_nlp values(2,"If a man deceives me once, shame on him; if twice,shame on me");
-insert into tbl_wisdom_nlp values(3,"I am so damn happy");
-insert into tbl_wisdom_nlp values(4,"Today is Sunday");
-insert into tbl_wisdom_nlp values(5,"Today is Monday");
-```
-**执行语义分析**：
-```SQL
-set cz.sql.remote.udf.enabled = true;
-select qoute, public.sentiment_demo(qoute) as sentiment from tbl_wisdom_nlp;
-```
-## 场景2：Python UDF：调用第三方视觉处理平台 API 做图像解析
-#### 1. 代码文件为 video\_contents.py：
-```Python
-from alibabacloud_imagerecog20190930.client import Client
-from alibabacloud_imagerecog20190930.models import RecognizeFoodRequest
-from alibabacloud_tea_openapi.models import Config
-from alibabacloud_tea_util.models import RuntimeOptions
-from cz.udf import annotate
-@annotate("string->string")
-class image_to_text(object):
-    def evaluate(self,url):
-        if url is None:
-            return None
-        try:
-            config = Config(
-                access_key_id='xxxxx',
-                access_key_secret='xxxxxxxx',
-                endpoint='imagerecog.cn-shanghai.aliyuncs.com',
-                region_id='cn-shanghai'
-            )
-            # Initialize a request and set parameters
-            client = Client(config)
-            recognize_food_request = RecognizeFoodRequest(image_url=url)
-            runtime = RuntimeOptions()
-            response = client.recognize_food_with_options(recognize_food_request, runtime)
-            if len(str(response.body)) >= 1:
-                return str(response.body)
-            else:
-                return ""
-        except Exception as exc:
-            return "[error] " + exc.__str__()
-        finally:
-            pass
-#if __name__ == "__main__":
-#   import sys
-#    to_text = image_to_text()
-#    for url in sys.argv[1:]:
-#        print(f"{to_text.evaluate(url)}")
-```
-#### 2. 复用*场景一*中的 connection
-#### 3. 新建 External Function
-```Python
-create external function public.image_to_text
-as 'video_contents.image_to_text'    # 脚本名称 + 类名称
-using archive 'oss://derek-bj-oss/bj_remote_udf/image_to_text/image_to_text.zip'
-connection udf_sentiment_bj2
-with properties (
- 'remote.udf.api' = 'python3.mc.v0',
-);
-```
-**参数解释**:
-1. As 后面为python 模块名 + 主类名，如主程序文件为 video\_contents.py，主类名为 image\_to\_text，as 后的参数为`'video_contents.image_to_text'`
-2. **using archive / file**：py 文件需打包为 zip 格式的文件；同时支持单文件脚本，用 file 参数指定
-* **connection**：表示程序中使用的 connection 对象，如 udf\_sentiment\_bj；其中属性信息：
-  * remote.udf.api：Python 语言函数请填写 python3.mc.v0
-#### 4. 建测试数据验证
-将以下4个图片导入到 OSS 中，并生成 public url 存储到 Lakehouse 表中。可以直接用以下 SQL 构造测试表：
-```SQL
-create table tbl_images(id int, url string);
-insert into tbl_images values(1,'http://viapi-test.oss-cn-shanghai.aliyuncs.com/viapi-3.0domepic/imagerecog/RecognizeFood/RecognizeFood1.jpg');
-insert into tbl_images values(2,'http://viapi-test.oss-cn-shanghai.aliyuncs.com/viapi-3.0domepic/imagerecog/RecognizeFood/RecognizeFood2.jpg');
-insert into tbl_images values(3,'http://viapi-test.oss-cn-shanghai.aliyuncs.com/viapi-3.0domepic/imagerecog/RecognizeFood/RecognizeFood3.jpg');
-insert into tbl_images values(4,'http://viapi-test.oss-cn-shanghai.aliyuncs.com/viapi-3.0domepic/imagerecog/RecognizeFood/RecognizeFood4.jpg');
-```
-执行查询：
-```SQL
-set cz.sql.remote.udf.enabled = true;
-select id, public.image_to_text(url) from tbl_images;
-```
-***
-^