溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
這篇文章主要介紹“FlinkSQL API怎么調(diào)用”，在日常操作中，相信很多人在FlinkSQL API怎么調(diào)用問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”FlinkSQL API怎么調(diào)用”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！
Flink SQL 是 Flink 實時計算為簡化計算模型，降低用戶使用實時計算門檻而設(shè)計的一套符合標(biāo)準(zhǔn) SQL 語義的開發(fā)語言。
Flink SQL 是面向用戶的 API 層，在我們傳統(tǒng)的流式計算領(lǐng)域，比如 Storm、Spark Streaming 都會提供一些 Function 或者 Datastream API，用戶通過 Java 或 Scala 寫業(yè)務(wù)邏輯，這種方式雖然靈活，但有一些不足，比如具備一定門檻且調(diào)優(yōu)較難，隨著版本的不斷更新，API 也出現(xiàn)了很多不兼容的地方。
在這個背景下，毫無疑問，SQL 就成了我們最佳選擇，之所以選擇將 SQL 作為核心 API，是因為其具有幾個非常重要的特點：
SQL 屬于設(shè)定式語言，用戶只要表達(dá)清楚需求即可，不需要了解具體做法；
SQL 可優(yōu)化，內(nèi)置多種查詢優(yōu)化器，這些查詢優(yōu)化器可為 SQL 翻譯出最優(yōu)執(zhí)行計劃；
SQL 易于理解，不同行業(yè)和領(lǐng)域的人都懂，學(xué)習(xí)成本較低；
SQL 非常穩(wěn)定，在數(shù)據(jù)庫 30 多年的歷史中，SQL 本身變化較少；
流與批的統(tǒng)一，F(xiàn)link 底層 Runtime 本身就是一個流與批統(tǒng)一的引擎，而 SQL 可以做到 API 層的流與批統(tǒng)一。
Flink本身是批流統(tǒng)一的處理框架，所以Table API和SQL，就是批流統(tǒng)一的上層處理API。目前功能尚未完善，處于活躍的開發(fā)階段。
Table API是一套內(nèi)嵌在Java和Scala語言中的查詢API，它允許我們以非常直觀的方式，組合來自一些關(guān)系運算符的查詢（比如select、filter和join）。而對于Flink SQL，就是直接可以在代碼中寫SQL，來實現(xiàn)一些查詢（Query）操作。Flink的SQL支持，基于實現(xiàn)了SQL標(biāo)準(zhǔn)的Apache Calcite（Apache開源SQL解析工具）。
無論輸入是批輸入還是流式輸入，在這兩套API中，指定的查詢都具有相同的語義，得到相同的結(jié)果。
Table API 和 SQL 需要引入的依賴有兩個：planner 和 bridge
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-planner_2.11</artifactId><version>1.10.0</version></dependency><dependency><groupId>org.apache.flink</groupId><artifactId>flink-table-api-scala-bridge_2.11</artifactId><version>1.10.0</version></dependency>
其中：
flink-table-planner：planner計劃器，是table API最主要的部分，提供了運行時環(huán)境和生成程序執(zhí)行計劃的planner；
flink-table-api-scala-bridge：bridge橋接器，主要負(fù)責(zé)table API和 DataStream/DataSet API的連接支持，按照語言分java和scala；
這里的兩個依賴，是IDE環(huán)境下運行需要添加的；如果是生產(chǎn)環(huán)境，lib目錄下默認(rèn)已經(jīng)有了planner，就只需要有bridge就可以了。
當(dāng)然，如果想使用用戶自定義函數(shù)，或是跟 kafka 做連接，需要有一個SQL client，這個包含在 flink-table-common 里。
1、批流統(tǒng)一：Blink將批處理作業(yè)，視為流式處理的特殊情況。所以，blink不支持表和DataSet之間的轉(zhuǎn)換，批處理作業(yè)將不轉(zhuǎn)換為DataSet應(yīng)用程序，而是跟流處理一樣，轉(zhuǎn)換為DataStream程序來處理。
2、因為批流統(tǒng)一，Blink planner也不支持BatchTableSource，而使用有界的StreamTableSource代替。
3、Blink planner只支持全新的目錄，不支持已棄用的ExternalCatalog。
4、舊 planner 和 Blink planner 的FilterableTableSource實現(xiàn)不兼容。舊的planner會把PlannerExpressions下推到filterableTableSource中，而blink planner則會把Expressions下推。
5、基于字符串的鍵值配置選項僅適用于Blink planner。
6、PlannerConfig在兩個planner中的實現(xiàn)不同。
7、Blink planner會將多個sink優(yōu)化在一個DAG中（僅在TableEnvironment上受支持，而在StreamTableEnvironment上不受支持）。而舊 planner 的優(yōu)化總是將每一個sink放在一個新的DAG中，其中所有DAG彼此獨立。
8、舊的planner不支持目錄統(tǒng)計，而Blink planner支持。
Table API 和 SQL 的程序結(jié)構(gòu)，與流式處理的程序結(jié)構(gòu)類似；也可以近似地認(rèn)為有這么幾步：首先創(chuàng)建執(zhí)行環(huán)境，然后定義source、transform和sink。
具體操作流程如下：
val tableEnv = ... // 創(chuàng)建表的執(zhí)行環(huán)境// 創(chuàng)建一張表，用于讀取數(shù)據(jù)tableEnv.connect(...).createTemporaryTable("inputTable")// 注冊一張表，用于把計算結(jié)果輸出tableEnv.connect(...).createTemporaryTable("outputTable")// 通過 Table API 查詢算子，得到一張結(jié)果表val result = tableEnv.from("inputTable").select(...)// 通過 SQL查詢語句，得到一張結(jié)果表val sqlResult = tableEnv.sqlQuery("SELECT ... FROM inputTable ...")// 將結(jié)果表寫入輸出表中result.insertInto("outputTable")創(chuàng)建表環(huán)境最簡單的方式，就是基于流處理執(zhí)行環(huán)境，調(diào)create方法直接創(chuàng)建：
val tableEnv = StreamTableEnvironment.create(env)
表環(huán)境（TableEnvironment）是flink中集成 Table API & SQL 的核心概念。它負(fù)責(zé):
注冊catalog
在內(nèi)部 catalog 中注冊表
執(zhí)行 SQL 查詢
注冊用戶自定義函數(shù)
將 DataStream 或 DataSet 轉(zhuǎn)換為表
保存對 ExecutionEnvironment 或 StreamExecutionEnvironment 的引用
在創(chuàng)建TableEnv的時候，可以多傳入一個EnvironmentSettings 或者 TableConfig 參數(shù)，可以用來配置 TableEnvironment 的一些特性。
比如，配置老版本的流式查詢（Flink-Streaming-Query）：
val settings = EnvironmentSettings.newInstance() .useOldPlanner() // 使用老版本planner .inStreamingMode() // 流處理模式 .build()val tableEnv = StreamTableEnvironment.create(env, settings)
基于老版本的批處理環(huán)境（Flink-Batch-Query）：
val batchEnv = ExecutionEnvironment.getExecutionEnvironmentval batchTableEnv = BatchTableEnvironment.create(batchEnv)
基于 blink 版本的流處理環(huán)境（Blink-Streaming-Query）：
val bsSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inStreamingMode().build()val bsTableEnv = StreamTableEnvironment.create(env, bsSettings)
基于blink版本的批處理環(huán)境（Blink-Batch-Query）：
val bbSettings = EnvironmentSettings.newInstance().useBlinkPlanner().inBatchMode().build()val bbTableEnv = TableEnvironment.create(bbSettings)
TableEnvironment 可以注冊目錄 Catalog ，并可以基于Catalog注冊表。它會維護(hù)一個 Catalog-Table 表之間的map。
表（Table）是由一個“標(biāo)識符”來指定的，由3部分組成：Catalog名、數(shù)據(jù)庫（database）名和對象名（表名）。如果沒有指定目錄或數(shù)據(jù)庫，就使用當(dāng)前的默認(rèn)值。
表可以是常規(guī)的（Table，表），或者虛擬的（View，視圖）。常規(guī)表（Table）一般可以用來描述外部數(shù)據(jù)，比如文件、數(shù)據(jù)庫表或消息隊列的數(shù)據(jù)，也可以直接從 DataStream轉(zhuǎn)換而來。視圖可以從現(xiàn)有的表中創(chuàng)建，通常是 table API 或者SQL查詢的一個結(jié)果。
連接外部系統(tǒng)在Catalog中注冊表，直接調(diào)用 tableEnv.connect() 就可以，里面參數(shù)要傳入一個 ConnectorDescriptor ，也就是connector描述器。對于文件系統(tǒng)的 connector 而言，flink內(nèi)部已經(jīng)提供了，就叫做FileSystem()。
代碼如下：
tableEnv.connect( new FileSystem().path("sensor.txt")) // 定義表數(shù)據(jù)來源，外部連接
.withFormat(new OldCsv()) // 定義從外部系統(tǒng)讀取數(shù)據(jù)之后的格式化方法
.withSchema( new Schema().field("id", DataTypes.STRING()).field("timestamp", DataTypes.BIGINT()).field("temperature", DataTypes.DOUBLE())
) // 定義表結(jié)構(gòu)
.createTemporaryTable("inputTable") // 創(chuàng)建臨時表這是舊版本的csv格式描述器。由于它是非標(biāo)的，跟外部系統(tǒng)對接并不通用，所以將被棄用，以后會被一個符合RFC-4180標(biāo)準(zhǔn)的新format描述器取代。新的描述器就叫Csv()，但flink沒有直接提供，需要引入依賴flink-csv：
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-csv</artifactId><version>1.10.0</version></dependency>
代碼非常類似，只需要把 withFormat 里的 OldCsv 改成Csv就可以了。
kafka的連接器 flink-kafka-connector 中，1.10 版本的已經(jīng)提供了 Table API 的支持。我們可以在 connect方法中直接傳入一個叫做Kafka的類，這就是kafka連接器的描述器ConnectorDescriptor。
tableEnv.connect(
new Kafka().version("0.11") // 定義kafka的版本.topic("sensor") // 定義主題.property("zookeeper.connect", "localhost:2181") .property("bootstrap.servers", "localhost:9092"))
.withFormat(new Csv())
.withSchema(new Schema()
.field("id", DataTypes.STRING())
.field("timestamp", DataTypes.BIGINT())
.field("temperature", DataTypes.DOUBLE()))
.createTemporaryTable("kafkaInputTable")當(dāng)然也可以連接到 ElasticSearch、MySql、HBase、Hive等外部系統(tǒng)，實現(xiàn)方式基本上是類似的。感興趣的 小伙伴可以自行去研究，這里就不詳細(xì)贅述了。
通過上面的學(xué)習(xí)，我們已經(jīng)利用外部系統(tǒng)的連接器connector，我們可以讀寫數(shù)據(jù)，并在環(huán)境的Catalog中注冊表。接下來就可以對表做查詢轉(zhuǎn)換了。
Flink給我們提供了兩種查詢方式：Table API和 SQL。
Table API是集成在Scala和Java語言內(nèi)的查詢API。與SQL不同，Table API的查詢不會用字符串表示，而是在宿主語言中一步一步調(diào)用完成的。
Table API基于代表一張“表”的Table類，并提供一整套操作處理的方法API。這些方法會返回一個新的Table對象，這個對象就表示對輸入表應(yīng)用轉(zhuǎn)換操作的結(jié)果。有些關(guān)系型轉(zhuǎn)換操作，可以由多個方法調(diào)用組成，構(gòu)成鏈?zhǔn)秸{(diào)用結(jié)構(gòu)。例如table.select(…).filter(…)，其中 select（…）表示選擇表中指定的字段，filter(…)表示篩選條件。
代碼中的實現(xiàn)如下：
val sensorTable: Table = tableEnv.from("inputTable")val resultTable: Table = senorTable.select("id, temperature").filter("id ='sensor_1'")Flink的SQL集成，基于的是ApacheCalcite，它實現(xiàn)了SQL標(biāo)準(zhǔn)。在Flink中，用常規(guī)字符串來定義SQL查詢語句。SQL 查詢的結(jié)果，是一個新的 Table。
代碼實現(xiàn)如下：
val resultSqlTable: Table = tableEnv.sqlQuery("select id, temperature from inputTable where id ='sensor_1'")或者：
val resultSqlTable: Table = tableEnv.sqlQuery( """ |select id, temperature |from inputTable |where id = 'sensor_1' """.stripMargin)
當(dāng)然，也可以加上聚合操作，比如我們統(tǒng)計每個sensor溫度數(shù)據(jù)出現(xiàn)的個數(shù)，做個count統(tǒng)計：
val aggResultTable = sensorTable.groupBy('id).select('id, 'id.count as 'count)SQL的實現(xiàn)：
val aggResultSqlTable = tableEnv.sqlQuery("select id, count(id) as cnt from inputTable group by id")這里Table API里指定的字段，前面加了一個單引號’，這是Table API中定義的Expression類型的寫法，可以很方便地表示一個表中的字段。
字段可以直接全部用雙引號引起來，也可以用半邊單引號+字段名的方式。以后的代碼中，一般都用后一種形式。
Flink允許我們把Table和DataStream做轉(zhuǎn)換：我們可以基于一個DataStream，先流式地讀取數(shù)據(jù)源，然后map成樣例類，再把它轉(zhuǎn)成Table。Table的列字段（column fields），就是樣例類里的字段，這樣就不用再麻煩地定義schema了。
代碼中實現(xiàn)非常簡單，直接用 tableEnv.fromDataStream() 就可以了。默認(rèn)轉(zhuǎn)換后的 Table schema 和 DataStream 中的字段定義一一對應(yīng)，也可以單獨指定出來。
這就允許我們更換字段的順序、重命名，或者只選取某些字段出來，相當(dāng)于做了一次map操作（或者Table API的 select操作）。
代碼具體如下：
val inputStream: DataStream[String] = env.readTextFile("sensor.txt")val dataStream: DataStream[SensorReading] = inputStream .map(data => {
val dataArray = data.split(",")SensorReading(dataArray(0), dataArray(1).toLong, dataArray(2).toDouble)
})val sensorTable: Table = tableEnv.fromDataStreama(datStream)val sensorTable2 = tableEnv.fromDataStream(dataStream, 'id, 'timestamp as 'ts)在上節(jié)的例子中，DataStream 中的數(shù)據(jù)類型，與表的 Schema 之間的對應(yīng)關(guān)系，是按照樣例類中的字段名來對應(yīng)的（name-based mapping），所以還可以用as做重命名。
另外一種對應(yīng)方式是，直接按照字段的位置來對應(yīng)（position-based mapping），對應(yīng)的過程中，就可以直接指定新的字段名了。
基于名稱的對應(yīng)：
val sensorTable = tableEnv.fromDataStream(dataStream, 'timestamp as 'ts, 'id as 'myId, 'temperature)
基于位置的對應(yīng)：
val sensorTable = tableEnv.fromDataStream(dataStream, 'myId, 'ts)
Flink的 DataStream 和 DataSet API 支持多種類型。
組合類型，比如元組（內(nèi)置Scala和Java元組）、POJO、Scala case類和Flink的Row類型等，允許具有多個字段的嵌套數(shù)據(jù)結(jié)構(gòu)，這些字段可以在Table的表達(dá)式中訪問。其他類型，則被視為原子類型。
元組類型和原子類型，一般用位置對應(yīng)會好一些；如果非要用名稱對應(yīng)，也是可以的：元組類型，默認(rèn)的名稱是 “_1”, “_2”；而原子類型，默認(rèn)名稱是 ”f0”。
創(chuàng)建臨時視圖的第一種方式，就是直接從DataStream轉(zhuǎn)換而來。同樣，可以直接對應(yīng)字段轉(zhuǎn)換；也可以在轉(zhuǎn)換的時候，指定相應(yīng)的字段。
代碼如下：
tableEnv.createTemporaryView("sensorView", dataStream)tableEnv.createTemporaryView("sensorView", dataStream, 'id, 'temperature, 'timestamp as 'ts)另外，當(dāng)然還可以基于Table創(chuàng)建視圖：
tableEnv.createTemporaryView("sensorView", sensorTable)View和Table的Schema完全相同。事實上，在Table API中，可以認(rèn)為View 和 Table 是等價的。
表的輸出，是通過將數(shù)據(jù)寫入 TableSink 來實現(xiàn)的。TableSink 是一個通用接口，可以支持不同的文件格式、存儲數(shù)據(jù)庫和消息隊列。
具體實現(xiàn)，輸出表最直接的方法，就是通過 Table.insertInto() 方法將一個 Table 寫入注冊過的 TableSink 中。
代碼如下：
// 注冊輸出表tableEnv.connect(
new FileSystem().path("…\\resources\\out.txt")) // 定義到文件系統(tǒng)的連接
.withFormat(new Csv()) // 定義格式化方法，Csv格式
.withSchema(new Schema()
.field("id", DataTypes.STRING())
.field("temp", DataTypes.DOUBLE())) // 定義表結(jié)構(gòu)
.createTemporaryTable("outputTable") // 創(chuàng)建臨時表resultSqlTable.insertInto("outputTable")在流處理過程中，表的處理并不像傳統(tǒng)定義的那樣簡單。
對于流式查詢（Streaming Queries），需要聲明如何在（動態(tài)）表和外部連接器之間執(zhí)行轉(zhuǎn)換。與外部系統(tǒng)交換的消息類型，由更新模式（update mode）指定。
Flink Table API中的更新模式有以下三種：
追加模式（Append Mode）
在追加模式下，表（動態(tài)表）和外部連接器只交換插入（Insert）消息。
撤回模式（Retract Mode）
在撤回模式下，表和外部連接器交換的是：添加（Add）和撤回（Retract）消息。
其中：
插入（Insert）會被編碼為添加消息；
刪除（Delete）則編碼為撤回消息；
更新（Update）則會編碼為，已更新行（上一行）的撤回消息，和更新行（新行）的添加消息。
在此模式下，不能定義key，這一點跟upsert模式完全不同。
Upsert（更新插入）模式
在Upsert模式下，動態(tài)表和外部連接器交換Upsert和Delete消息。
這個模式需要一個唯一的key，通過這個key可以傳遞更新消息。為了正確應(yīng)用消息，外部連接器需要知道這個唯一key的屬性。
插入（Insert）和更新（Update）都被編碼為Upsert消息；
刪除（Delete）編碼為Delete信息
這種模式和 Retract 模式的主要區(qū)別在于，Update操作是用單個消息編碼的，所以效率會更高。
除了輸出到文件，也可以輸出到Kafka。我們可以結(jié)合前面Kafka作為輸入數(shù)據(jù)，構(gòu)建數(shù)據(jù)管道，kafka進(jìn)，kafka出。
代碼如下：
// 輸出到 kafkatableEnv.connect(
new Kafka().version("0.11").topic("sinkTest").property("zookeeper.connect", "localhost:2181").property("bootstrap.servers", "localhost:9092"))
.withFormat( new Csv() )
.withSchema( new Schema().field("id", DataTypes.STRING()).field("temp", DataTypes.DOUBLE())
)
.createTemporaryTable("kafkaOutputTable")resultTable.insertInto("kafkaOutputTable")ElasticSearch的connector可以在upsert（update+insert，更新插入）模式下操作，這樣就可以使用Query定義的鍵（key）與外部系統(tǒng)交換UPSERT/DELETE消息。
另外，對于“僅追加”（append-only）的查詢，connector還可以在 append 模式下操作，這樣就可以與外部系統(tǒng)只交換 insert 消息。
es目前支持的數(shù)據(jù)格式，只有Json，而 flink 本身并沒有對應(yīng)的支持，所以還需要引入依賴：
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-json</artifactId><version>1.10.0</version></dependency>
代碼實現(xiàn)如下：
// 輸出到estableEnv.connect(
new Elasticsearch().version("6").host("localhost", 9200, "http").index("sensor").documentType("temp"))
.inUpsertMode() // 指定是 Upsert 模式
.withFormat(new Json())
.withSchema( new Schema().field("id", DataTypes.STRING()).field("count", DataTypes.BIGINT())
)
.createTemporaryTable("esOutputTable")aggResultTable.insertInto("esOutputTable")Flink專門為Table API的jdbc連接提供了flink-jdbc連接器，我們需要先引入依賴：
<dependency><groupId>org.apache.flink</groupId><artifactId>flink-jdbc_2.11</artifactId><version>1.10.0</version></dependency>
jdbc連接的代碼實現(xiàn)比較特殊，因為沒有對應(yīng)的java/scala類實現(xiàn) ConnectorDescriptor，所以不能直接 tableEnv.connect()。不過Flink SQL留下了執(zhí)行DDL的接口：tableEnv.sqlUpdate()
對于jdbc的創(chuàng)建表操作，天生就適合直接寫DDL來實現(xiàn)，所以我們的代碼可以這樣寫：
// 輸出到 Mysqlval sinkDDL: String =
"""
|create table jdbcOutputTable (
| id varchar(20) not null,
| cnt bigint not null
|) with (
| 'connector.type' = 'jdbc',
| 'connector.url' = 'jdbc:mysql://localhost:3306/test',
| 'connector.table' = 'sensor_count',
| 'connector.driver' = 'com.mysql.jdbc.Driver',
| 'connector.username' = 'root',
| 'connector.password' = '123456'
|)
""".stripMargin
tableEnv.sqlUpdate(sinkDDL)aggResultSqlTable.insertInto("jdbcOutputTable")表可以轉(zhuǎn)換為DataStream或DataSet。這樣，自定義流處理或批處理程序就可以繼續(xù)在 Table API或SQL查詢的結(jié)果上運行了。
將表轉(zhuǎn)換為DataStream或DataSet時，需要指定生成的數(shù)據(jù)類型，即要將表的每一行轉(zhuǎn)換成的數(shù)據(jù)類型。通常，最方便的轉(zhuǎn)換類型就是Row。當(dāng)然，因為結(jié)果的所有字段類型都是明確的，我們也經(jīng)常會用元組類型來表示。
表作為流式查詢的結(jié)果，是動態(tài)更新的。所以，將這種動態(tài)查詢轉(zhuǎn)換成的數(shù)據(jù)流，同樣需要對表的更新操作進(jìn)行編碼，進(jìn)而有不同的轉(zhuǎn)換模式。
Table API 中表到 DataStream 有兩種模式：
追加模式（Append Mode）
用于表只會被插入（Insert）操作更改的場景
撤回模式（Retract Mode）
用于任何場景。有些類似于更新模式中Retract模式，它只有 Insert 和 Delete 兩類操作。
得到的數(shù)據(jù)會增加一個Boolean類型的標(biāo)識位（返回的第一個字段），用它來表示到底是新增的數(shù)據(jù)（Insert），還是被刪除的數(shù)據(jù)（老數(shù)據(jù)， Delete）。
代碼實現(xiàn)如下：
val resultStream: DataStream[Row] = tableEnv.toAppendStream[Row](resultTable)val aggResultStream: DataStream[(Boolean, (String, Long))] = tableEnv.toRetractStream[(String, Long)](aggResultTable)resultStream.print("result")aggResultStream.print("aggResult") 所以，沒有經(jīng)過groupby之類聚合操作，可以直接用 toAppendStream 來轉(zhuǎn)換；而如果經(jīng)過了聚合，有更新操作，一般就必須用 toRetractDstream。
Table API提供了一種機(jī)制來解釋（Explain）計算表的邏輯和優(yōu)化查詢計劃。這是通過TableEnvironment.explain（table）方法或TableEnvironment.explain（）方法完成的。
explain方法會返回一個字符串，描述三個計劃：
未優(yōu)化的邏輯查詢計劃
優(yōu)化后的邏輯查詢計劃
實際執(zhí)行計劃
我們可以在代碼中查看執(zhí)行計劃：
val explaination: String = tableEnv.explain(resultTable)println(explaination)
Query的解釋和執(zhí)行過程，老planner和 blink planner 大體是一致的，又有所不同。整體來講，Query都會表示成一個邏輯查詢計劃，然后分兩步解釋：
優(yōu)化查詢計劃
解釋成 DataStream 或者 DataSet程序
而 Blink 版本是批流統(tǒng)一的，所以所有的Query，只會被解釋成DataStream程序；另外在批處理環(huán)境 TableEnvironment 下，Blink版本要到 tableEnv.execute() 執(zhí)行調(diào)用才開始解釋。
到此，關(guān)于“FlinkSQL API怎么調(diào)用”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點不代表本網(wǎng)站立場，如果涉及侵權(quán)請聯(lián)系站長郵箱：is@yisu.com進(jìn)行舉報，并提供相關(guān)證據(jù)，一經(jīng)查實，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號
手機(jī)網(wǎng)站二維碼