- 综合排序
- 最热优先
- 最新优先
MyBatis：编织数据之美的艺术
在数据库交互的舞台上，MyBatis就如同一位出色的编码艺术家，通过其独特的姿态和技巧，将数据库操作变得既优雅又高效。 MyBatis简介：编码的诗篇MyBatis是一款优秀的持久层框架，它通过XML或注解的方式，将数据库操作与Java代码解耦，提供了灵活且强大的数据库访问能力。 MyBatis的独到之处在于其简单而直观的操作方式，让数据库操作就如同编写诗篇一般自然。环境搭建：打开数据库之门在开始使用MyBatis之前，我们首先需要搭建好相应的开发环境。 数据库操作：编码的艺术之旅1. 实体类定义首先，我们需要定义一个与数据库表对应的实体类。 这个简单的例子展示了如何使用MyBatis进行数据库操作，将数据库的数据映射到Java实体类中，通过Mapper接口和Service层进行数据操作，最终在控制层提供API接口供前端调用。
30710编辑于 2024-01-19- 来自专栏数据猿
ETL的痛，Denodo数据编织都懂！
正是这样的背景下，数据虚拟化和数据编织技术应运而生，它们提供了一种全新的数据管理方式。 那么，数据虚拟化、数据编织，作为一种全新的数据管理方式，有哪些特性，能够解决哪些问题呢？ 从早期的关系数据库到现代的数据虚拟化和数据编织，每一步都是为了解决不断变化的数据需求和管理挑战。为了搞清楚数据编织的变革意义，我们有必要回顾一下数据管理技术的演进历程。 例如，Denodo的数据编织平台，可以支持理论上一切物理分布的数据源。 第二，更强的实时数据分析能力。数据编织在实时数据分析方面的优势，源于其对数据访问方式的根本性改变。 Denodo作为数据虚拟化和数据编织技术的先行者，一直致力于通过数据编织生态的建设，来推动技术的创新和应用的拓展。 One More Thing 为了更好挖掘数据编织技术的应用价值，Denodo与数十家全球头部企业客户携手合作，撰写了一本详尽的案例集，带来了制造、高科技、零售、能源等行业头部客户的数据编织最佳实践，深入分析了数据编织在数据自助服务
89610编辑于 2024-05-30 - 来自专栏开源心路
数据编织 (Data Fabric) vs 数据网格 (Data Mesh)
数据编织是一个设计概念，表示数据和连接进程的集成层。 数据编织 Forrester 分析师 Noel Yuhanna 是最早在 200 年代中期定义数据编织的人之一。 Google Cloud 还通过其新的 Dataplex 产品支持数据编织方法。数据编织中各种组件之间的集成通常通过 API 和通用 JSON 数据格式进行处理。 “数据编织和数据网格都提供了跨多种技术和平台访问数据的架构，但数据编织以技术为中心，而数据网格则专注于组织变革，”塞拉在 6 月的博客文章中写道。 参考 https://www.datanami.com/2021/10/25/data-mesh-vs-data-fabric-understanding-the-differences/
2.7K10编辑于 2023-06-30 - 来自专栏数据猿
以数据编织，重构数据管理新范式
为什么是数据编织？ 数据编织是什么？为什么会在近几年异军突起，受到业界的广泛关注？ 张博认为：“数据编织不是一种产品而是一种治理理念，或者说是一种数据架构、治理理念和落地软件的结合体。” 数据编织能提供自动编织、动态集成的能力，兼容各种数据集成方式，实现对数据的统一化、集约化、合规化管理。同时，数据编织还有一个核心能力，就是“数据虚拟化”。 而通过ETL的方式进行拓展成本将不堪重负，我们可以用数据编织来改善这一现状。 数据编织超越了传统的ETL技术逻辑。 数据编织能够在所有环境（包括混合云和多云平台、本地平台）中设计、部署和利用数据。可以说，数据编织生于多云环境，也服务于多云环境。 大模型与数据编织，互相成就和需要 如开头所言，数据处理是人工智能发展的重要一环，而数据编织同样与人工智能紧密相关。一方面，数据编织的诞生就是为了促进人工智能的发展。
46710编辑于 2024-07-16 - 来自专栏Niuery的技术日记
IL编织器 --- Fody
介绍 这个项目的名称“Fody”来源于属于织巢鸟科（Ploceidae）的小鸟（Fody），本身意义为编织。 属性是可选的，具体取决于所使用的编织器。 不需要部署运行时依赖项。 插件 从介绍就可以看出，理论上只要你想要，基于这个库基本上能做任何事情。 所以基于该库，诞生了非常非常多的插件库，下面简单介绍部分插件： 插件 描述 Github URL 「Fody」 编织.net程序集的可扩展工具 https://github.com/Fody/Fody public class AutoPropertiesInterceptor { [Fact] public void Run() { Assert.Equal(10 Rougamo是一个静态代码织入的AOP组件，类似Postsharp的一个组件，具有 「MethodDecorator.Fody」的功能，但功能更加强大，我个人觉得最为突出，优秀的两个功能点： 匹配 编织
1.3K10编辑于 2023-10-22 数据编织平台实现AI代理自助数据访问
数据编织初创公司实现AI代理自助数据访问数据管理初创公司某机构宣布对其即时数据编织平台进行重大更新，使其兼容"代理式"人工智能，实现真正的"大规模自助数据访问"。 该公司开发了获得专利的数据剖析技术，重新构想了数据分析方式。该技术专为缺乏数据基础设施和查询语言知识的人员设计，帮助他们挖掘公司数据集中隐藏的重要洞察。 与其他解决方案相比，某机构的即时数据编织产品无需首先通过提取、转换和加载流程集中数据，也无需预构建模型或创建报告。用公司自己的话说，"数据在原始位置即可访问，无需移动"，因此没有冗长的实施过程。 用户连接数据源后几分钟内即可获得数据驱动的决策。AI代理的数据访问最新版本的即时数据编织平台据称可扩展自助数据访问，同时避免数据重复或创建新管道的风险。 这是在AI时代数据交付和消费方式的基础性变革。"某机构首席执行官表示，新的即时数据编织平台旨在帮助企业跟上代理式AI发展的步伐。
28310编辑于 2025-10-06- 来自专栏数据D江湖
如何利用已有数据平台构建Data Fabric(数据编织） 架构
来源：denodo 公众号后台回复： 报告 获取源文件 欢迎添加本站微信：datajh （可上下滑动或点单个图片放大左右滑动查看） 知识星球历史已上传相关资料概览： 报告已同步至知识星球，需要源文件请公众号后台回复：报告 报告仅做分享交流，文章开头已注明来源，如有侵权，请联系删除；
79510编辑于 2022-09-01 - 来自专栏大数据学习与分享
数据编织与数据中台、数据湖、数据治理、DataOps的关系
【摘要】“数据编织”一词高频出现，似乎已经进入落地阶段，本文介绍了数据编织产生的背景及其定义，详细分析了数据编织与数据中台、数据治理、DataOps的关系，以及未来数据编织发展的方向和需要关注的问题。 最近在日常的工作和跟客户的交流中，频繁谈及“数据编织”这个词，笔者开始关注数据编织是源于对主动式数据治理和数据编排的研究，从现在的趋势来看，数据编织显然已经进入落地阶段。 数据集成层：集成和整合是数据编织的核心，数据编织提供自动编织、动态集成的能力，兼容各种数据集成方式，包括但不限于 ETL、流式传输、复制、消息传递和数据虚拟化或数据微服务等。 数据编织可以看作是数据中台和DataOps的结合，它关注数据整合和数据流程的灵活性和效率。数据治理则是数据编织和数据中台的基础，通过确保数据质量和合规性，为数据编织和数据中台提供可信的基础。 七、数据编织将如何发展？ Data Fabric是近两年在国外备受追捧的概念，而在国内刚刚起步。之前IT技术从概念到落地大概需要10年左右的时间，近些年这个时间已经大大缩短。
1.3K10编辑于 2024-07-15 SpringMVC的数据响应：编织美妙的返回乐章
在Web开发的舞台上，数据响应就如同一场美妙的音乐演奏，而SpringMVC作为这场音乐的指挥者，如何优雅地将数据传递给前端，引发了无尽的思考和探索。 本篇博客将带你走进SpringMVC的数据响应世界，解开其中的奥秘，感受这场编织美妙的返回乐章。 Model：数据的魔法师在SpringMVC的数据传递中，Model起到了一个重要的角色，它是一个接口，代表了模型数据的容器。控制器方法的参数中使用Model，就可以向前端传递数据。 响应JSON：数据的轻盈旋律除了传递HTML页面，SpringMVC还能轻松应对前后端分离的场景，以JSON的形式返回数据。 结语SpringMVC的数据响应，就如同一场千变万化的音乐会，通过ModelAndView、Model、JSON、响应状态码、异常处理、静态资源处理、跨域请求处理等组件，为开发者提供了丰富而灵活的数据传递方式
68340编辑于 2024-01-15- 来自专栏超级架构师
【数据编制架构】什么是数据编织(Data fabric)？ 完整指南
分析公司 Gartner 将“数据编织”列为“2021 年十大数据和分析技术趋势”之一，并预测到 2024 年，25% 的数据管理供应商将为数据编织提供完整的框架——高于目前的 5%。 本文通过引用数据编织的定义、目的、架构、挑战、最佳实践、优势、供应商以及数据编织功能清单来解决数据编织的内容、原因、方式和对象。 数据网格架构很容易使用数据编织实现。 可以实时管理、准备和交付数据的数据编织创建了理想的数据网格核心。 全面的数据管理 使用管理管理工具、直观的可视化工作室和 Web 管理工具配置、监控和管理数据 优化拥有成本 依靠商用硬件上的内存性能、完整的线性可扩展性和无风险集成 第 10 章 Data Fabric 数据团队不希望有一种数据编织解决方案用于数据分析，另一种用于运营智能。他们希望两者都有一个单一的数据编织。 理想的数据编织优化了每个业务实体（客户、产品、订单等）的视野和理解深度。
15.4K27编辑于 2022-05-16 数据语义编织：企业级 Data Agent 的必备基建
经过 3 年的技术打磨与产品验证，Aloudata 成功打通了“明细级数据 - 语义建模与智能加速 - 智能分析”的工程路径，这就是我们今天要系统介绍的 NoETL 数据语义编织（Semantic Fabric 语义编织（Semantic Fabric）：企业级智能问数的必备基建如前所述，让大模型驾驭大数据，核心需要具备三个条件：● 标准的语义知识库，对齐业务和数据，避免幻觉；● 自动化的 ETL 工程，实现 而 Aloudata Agent 实现 NL2MQL2SQL 技术路径的基础则是我们的核心技术——NoETL 数据语义编织（Semantic Fabric）引擎。 通过语义编织，Aloudata Agent 实现了面向 AI 的数据语义就绪、操作就绪和治理就绪，在此基础上交付真正可信的决策智能。 用户只需提问，无需关心数据从哪里来、如何计算。NoETL 语义编织的智能物化（预计算）不再是由数据工程师手动发起、为固定需求服务的开发活动，而是转变为由平台智能管理的一种性能服务。
46110编辑于 2025-12-10基于 NoETL 语义编织技术构建 AI-Ready 数据底座
摘要：本文面向数据架构师与技术决策者，探讨在AI时代大型企业数据平台选型的核心范式转移。 文章提出，构建基于NoETL语义编织技术的统一语义层是筑牢技术壁垒的关键，并详细拆解了从业务对齐、性能成本平衡到生态AI适配的三步评估法，旨在帮助企业构建一个高效、可信、低成本的AI-Ready数据底座 在AI成为核心数据消费者的时代，大型企业数据平台选型的核心矛盾已从比拼工具功能，转向对下一代架构范式的战略抉择。 Q2:引入语义编织技术，对我们现有的数仓和BI工具需要推倒重来吗？完全不需要。 价值可量化：成功的选型应带来效率10倍提升、成本降低30%-50%、AI问数准确率超过92%等回报。平滑落地路径：通过“存量挂载、增量原生、存量替旧”策略，可渐进式构建AI-Ready数据底座。
9810编辑于 2026-04-16- 来自专栏蔡坨坨的测试笔记
财富编织：Beancount复式记账指南
我给出的理由是： 大多数GUI记账软件的数据都是存储在三方，无法直接看到或操作他们的数据，必须通过软件来操作 文本记账的折腾成本低，比如GnuCash，如果你要给它折腾一个手机、PC的多端记账方案，你就得研究它的数据库和接口 ，而文本记账，只用打印文本就行了 一旦软件停止更新，用户的数据就危在旦夕，难以导出和复用，很难跨平台或跨设备同步 为什么选择Beancount？ CMB:1234 -7.00 CNY Equity:Tickets:KFC -3.00 CNY ;假设有个3元的优惠券 ;借方：资产增加，贷方：收入增加 2024-03-10 ：交通费用增加 Assets:Bank:CMB:1234 -84.68 CNY ;贷方：资产减少 支持单个账户的自动补全 2024-03-01 * "KFC" "10 Equity:OpenBalance 用于初始化 Equity:HistoryIncome 开始复式记账前的部分收入 Equity:Round 四舍五入操作 Equity:UFO 无法追溯的差额 10
1.8K20编辑于 2024-03-25 - 来自专栏大数据杂货铺
数据架构的三大纠缠趋势：数据网格、数据编织和混合架构
我们还将建议客户可以采取的一条路径，从他们所在的地方到他们想要使用他们的数据架构的地方。 首先，我们描述了数据网格和数据编织如何相关联。 数据编织的定义 实现数据网格的一种方法是在数据编织框架内进行技术选择。Data Fabric 是一组技术，用于随时随地（在本地或云中）摄取、存储、处理和管理数据。数据网格是关于人、流程和技术的。 数据编织可以看作是数据网格的技术部分。数据网格中的概念映射到数据编织实现中的真实世界工件。 图 3. 映射到数据编织实体的数据网格概念 图 2 中数据网格实现的相应数据编织示例如图 4 所示。 图 4. 对应于图 2 中数据网格示例的数据编织实现 在数据编织实现中，数据网格中的概念映射到数据架构中的真实世界工件。
2.3K10编辑于 2022-12-02 - 来自专栏finclip小程序ide
科技改变未来 代码编织世界
IDE全名集成开发环境（Integrated Development Environment ），它是用于提供程序开发环境的应用程序，一般包括代码编辑器、编译器、调试器和图形用户界面等工具。集成了代码编写功能、分析功能、编译功能、调试功能等一体化的开发软件服务套。
58350编辑于 2022-08-01 - 来自专栏繁依Fanyi 的专栏
【Spring 篇】MyBatis多表操作：编织数据的交响乐
在这个充满交响乐的舞台上，我们将探索如何巧妙地编织多个数据表的数据，创造出一场旋律动听的数据交响曲。无需繁琐的SQL拼接，MyBatis让多表操作变得优雅而简单。 让我们一起进入这个音乐殿堂，感受数据之间的和谐共振。 关联查询：数据之间的邂逅 在多表操作中，关联查询是我们的第一首交响曲。 嵌套查询：数据的层层深入 嵌套查询是多表操作中的另一项绝技，让我们能够在查询结果中包含更深层次的数据。假设我们需要查询用户信息以及每个用户最近的订单信息。 多表插入：数据的奏响 在多表操作中，插入数据同样是一项需要注意的技能。假设我们有用户表和订单表，我们希望同时插入一个新用户和与之关联的订单。 小结：数据的和谐旋律 通过MyBatis多表操作，我们能够在数据的交响曲中编织出丰富的旋律。关联查询、嵌套查询、多表插入、多表更新和删除等技术，让我们能够灵活地应对不同的业务需求。
35210编辑于 2024-01-22 - 来自专栏马超的博客
Neo4j如何使用Data Fabric技术编织万亿图数据
@[TOC]Here's the table of contents: • 一、数据编织（Data Fabric） • 二、Neo4j Fabric简介 • 三、Fabric数据建模 • 3.1 数据建模 • 3.2 数据联邦 • 3.3 数据分片 • 四、使用 Fabric Cypher 查询数据 • 4.1 跨数据分片查询 • 4.2 数据联邦和数据分片同时并行查询 • 五、总结 Neo4j 如何使用Data Fabric技术编织万亿图数据 一、数据编织（Data Fabric） 为了解决超级大图数据存储的问题，我们必须寻找一个分布式的解决方案。 世界领先的图数据库Neo4j[1]支持存储超大规模图数据，为了实现这一操作，Neo4j从4.0开始引入了数据编织理念（Data Fabric[2]）。 Fabric是在Neo4j 4.0版本中引入的一种在多个数据库存储和检索数据的方法。无论这些数据库是在同一个Neo4j数据库管理系统上还是在多个数据库管理系统中，均使用单个Cypher进行查询。
1.7K20编辑于 2022-09-02 数据工程新范式：NoETL 语义编织如何激活海量埋点数据价值？
本文首发于 Aloudata 官方技术博客：《如何低成本激活海量用户行为数据价值？NoETL 语义编织实践指南》转载请注明出处。 本文提出通过引入 NoETL 语义编织架构，构建统一语义层、实现自动化查询与智能物化，从而打破“不可能三角”，实现秒级自助分析与 AI-Ready 数据底座建设，为数据工程与指标平台实践提供系统指南。 激活海量用户行为数据价值的关键，在于一场从“过程驱动”到“语义驱动”的范式重构——引入 NoETL 语义编织架构。 案例印证：某头部券商引入 NoETL 语义编织平台后，在一条核心业务线上，IT 仅需维护 10 张公共层模型和 100 个原子指标，即可支撑业务人员使用超过 300 个维度进行灵活组合分析，将指标开发交付周期从两周以上缩短到分钟级 Q3: 引入 NoETL 语义编织，对现有数据团队有什么影响？这是积极的角色转型。
19310编辑于 2026-01-28数据工程新范式：基于 NoETL 语义编织实现自助下钻分析
摘要：本文探讨了数据分析师如何摆脱对 IT 和物理宽表的依赖，实现自助式任意维度下钻分析。通过引入基于 NoETL 语义编织的指标平台，将业务逻辑定义与物理实现解耦。 NoETL 语义编织通过构建统一、虚拟的语义层，将业务逻辑定义与物理数据实现彻底解耦，为任意维度的灵活下钻提供了全新的架构基础。 三步实践法：数据分析师的自助下钻分析路径基于 NoETL 语义编织平台，数据分析师可以通过以下三个标准化步骤，实现高效、灵活的自助分析，彻底摆脱对 IT 的依赖。 衡量与推广：在试点场景验证价值（如分析效率提升 10 倍），召开由业务负责人“现身说法”的内部分享会，逐步按业务优先级推广至其他领域。 常见问题 (FAQ)Q1: 不依赖 IT 做自助下钻，数据口径如何保证一致？ 通过 NoETL 语义编织，所有指标在统一的语义层中进行声明式定义和强校验。
13600编辑于 2026-01-27数据工程指南：指标平台选型避坑与 NoETL 语义编织技术解析
重点解析 Aloudata CAN 如何通过 NoETL 语义编织技术构建统一语义层，实现“定义即开发、定义即治理、定义即服务”，从而根治传统顽疾，并提供一套结合量化成效的选型决策评估框架。 根据 IT之家对数据治理平台的测评，企业核心痛点聚焦于“数据割裂、数据不可信、数据难复用”。映射到指标平台领域，则具体表现为以下三类短板，其隐性成本远超软件采购费用本身。 参考案例显示，指标开发效率可提升 10 倍以上，基础设施成本节约可达 50%。Q4: 指标平台如何支持未来的 AI 应用和大模型？Aloudata CAN 原生具备 AI-Ready 能力。 Aloudata CAN 的 NoETL 语义编织技术，通过构建与存储解耦的统一语义层，实现了指标的逻辑定义与物理执行的分离。 三位一体价值：通过“定义即开发、定义即治理、定义即服务”的核心理念，同步解决口径乱（100%一致）、响应慢（效率提升10倍）、成本贵（TCO降低50%）三大核心短板，打破“数据分析不可能三角”。
16510编辑于 2026-02-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号