- 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。 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。 编写Service层创建一个Service层，用于处理业务逻辑。 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。
36410编辑于 2024-01-19- 来自专栏数据猿
ETL的痛，Denodo数据编织都懂！
具体来看，这一核心逻辑的实现，依赖于两个关键的技术组件： 逻辑抽象层：数据虚拟化通过逻辑抽象层，将不同数据源的元数据和结构信息进行统一，形成一个统一的、逻辑上的数据模型。 此外，Denodo的逻辑数据编织技术与AWS的生成式AI相结合，释放了AI的潜力，提高了企业运营效率和客户体验。这一合作为企业数字化转型提供了强有力的支持，开启了数据驱动的新时代。 这家企业由西班牙拉科鲁尼亚大学的教授Angel Viña（他被誉为“数据虚拟化之父”和“逻辑数据编织之父”）创立，其初衷是通过数据虚拟化技术，实现不同数据源的实时集成和访问，而无需物理地移动数据。 在数据管理方面，DEP通过逻辑数据编织架构，为企业提供了统一的数据视图，简化了业务方对多个数据系统的访问。DEP的集中式数据安全和治理层确保了数据按预定义语义和治理规则交付，支持细粒度的访问控制。 在实践中 用数据编织给客户带来真实的价值 在企业追求数据驱动决策和数字化转型的当下，全局逻辑数据管理的重要性日益凸显。然而，这不仅是一个技术挑战，更是一个需要深厚实战经验积累的过程。
1.1K10编辑于 2024-05-30 AI依赖数据编织实现商业价值
文章正文markdown格式数据AI需要强大的数据编织来交付商业价值现代数据编织能够将现有企业知识转化为可信的AI基础。 该首席产品官指出，为了提供上下文，企业需要一个精心设计的数据编织——它能做的远不止数据集成。 不要整合，要集成正在兴起的解决方案是数据编织：一个跨越基础设施、架构和逻辑组织的抽象层。对于代理型AI，数据编织成为主要接口，使智能体能够与业务知识交互，而非与原始存储系统交互。 知识图谱在其中扮演核心角色，使智能体能够使用自然语言和业务逻辑查询企业数据。 多年的运营数据、主数据、工作流和策略逻辑已存在于业务应用程序中——企业只需使其可访问。
18210编辑于 2026-05-01- 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。 Dehghani 在她 2019 年 5 月的报告“如何超越单体数据湖到分布式数据网格”中阐述了数据网格的许多原则和概念，随后她在 2020 年 12 月发布了题为“数据网格原则和逻辑架构”的报告。” “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/
3K10编辑于 2023-06-30 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。
37810编辑于 2025-10-06- 来自专栏数据猿
以数据编织，重构数据管理新范式
人工智能的技术逻辑颇有一种“暴力美学”，它依托于海量大数据和超高算力的训练和推理，进而实现智能分析、“智慧涌现”。 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”。 从技术逻辑的角度看，数据编织改变了传统的数据管理模式，能够把正确的数据，在精准的时间，传递给正确的人，把传统模式下的人找数据变成了数据找人。 数据编织技术的出现不是偶然。 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。 孙军远形象地指出，基于数据编织，企业就好像站在山顶上俯瞰山脚下的各个楼宇，每个楼宇就像一个数据的原始系统，站在山顶的企业能把所有楼宇尽收眼底，站在顶楼构建整个逻辑视图，为不同的应用人员、决策人员或者数据科学家
54410编辑于 2024-07-16 - 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；
84010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。
1.6K10编辑于 2024-07-15 数据语义编织：企业级 Data Agent 的必备基建
在传统数据消费模式中，数据分析师扮演了“知识与数据耦合器”的角色：他们既理解业务逻辑（知识），又熟悉数据口径（语义）与数据库结构（数据），把业务需求翻译成数据需求，ETL 工程师则基于数据分析师的翻译完成基础数据准备 具体而言，企业级方案必须实现：● 口径一致性：通过语义层统一定义，确保无论由谁、在何场景下查询，指标的计算逻辑唯一，避免“数据打架”。 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。
71410编辑于 2025-12-10- 来自专栏智能时刻
【数据编制架构】什么是数据编织(Data fabric)？ 完整指南
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。 数据结构逻辑访问层需要允许数据消费，无论数据存储或分布在何处、如何存储，因此无需深入了解底层数据源。 分发 Data Fabric 应可部署在多云、本地或混合环境中。 不支持 SQL，需要专业技能 为了支持数据查询，需要预定义索引，或者需要内置复杂的应用逻辑，阻碍了上市时间和敏捷性 Data 编制完整的 SQL 支持 分布式数据存储架构，支持线性扩展 高并发支持 Data Fabric 为企业提供的运营优势包括： 简化数据编排 集成外部数据库、业务逻辑、屏蔽、解析和流式处理的算子 自动化测试数据管理 从生产系统生成数据，然后向测试团队提供高质量的测试数据 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
16.2K27编辑于 2022-05-16 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
84340编辑于 2024-01-15- 来自专栏测试游记
10-逻辑控制器
默认勾选： 条件结果为true才会执行子取样器 需要使用{__jexl3(,)}和{__groovy(,)}进行逻辑判断 ${__jexl3("${var1}"=="value",)} 如果（if）控制器 假如有3个变量：user_1,user_2,user_3 填写 之后使用${dr}就可以使用这个变量了 for i in range(5) 循环内容被循环完之后不再继续打印 使用场景 jdbc协议，从数据库中 ，获取数据，进行循环使用 仅一次控制器 每个用户都只执行一次 仅一次控制器 临界部分控制器 把jmeter脚本的并行执行，强制变成串行执行 固定锁，强制把多用户并行执行，变成单通道串行执行 动态锁，锁名称修改为 CSV文件 文本文件，是用英文逗号分隔的文本文件 CSV数据文件设置 这个方法，是使用人数最多的数据驱动性能测试方法 但是，这个不是最优的数据驱性能测试方法 文件名：必传，文本文件（txt，csv，xls ） 推荐用txt，是操作系统默认的文本文件格式 txt默认编码是utf8 csv文件，保存采用默认编码，不是utf8 csv文件打开比txt消耗大 csv数据文件设置
1.4K30发布于 2021-04-29 - 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。
2.6K10编辑于 2022-12-02 基于 NoETL 语义编织技术构建 AI-Ready 数据底座
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 1.逻辑关联声明：构建虚拟业务事实网络真正的语义层应能直接在DWD明细数据层上，通过声明式策略建立业务实体间的逻辑关联（Join）。 跨行计算与半累加度量：处理留存率、比率等特殊逻辑指标。3.权威背书：客户验证数据实践是检验真理的唯一标准。 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。
25210编辑于 2026-04-16- 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。
1.9K20编辑于 2022-09-02 - 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。
42010编辑于 2024-01-22 - 来自专栏Java Life
程序员逻辑测试题(10)
程序员逻辑测试题(10) 李明、王冰、马云三位股民对股票A和股票B分别作了如下预测:李明:只有股票A不上涨,股票B才不上涨。 王冰:股票A和股票B至少有一种不上涨。 写在后面 作为一名合格的“程序猿”，逻辑思维能力怎能泛泛，因此为了锻炼在座包括我在内的“程序员”的逻辑思维能力，小编特意找了一些关于逻辑思维的题目。 逻辑推理能力强大后对我们的生活是很有帮助的，因为生活中随时随地都可能要用到的，能够让我们做事情逻辑性很强、很严密。 逻辑推理是在把握了事物与事物之间的内在的必然联系的基础上展开的，所以，逻辑推理能力强能从多角度认识事物的习惯，全面地认识事物的内部与外部之间、某事物同他事物之间的多种多样的联系。 逻辑推理能力强代表逻辑思维能力也强，逻辑思维能力是指正确、合理思考的能力。即对事物进行观察、比较、分析、综合、抽象、概括、判断、推理的能力,采用科学的逻辑方法,准确而有条理地表达自己思维过程的能力。
72420发布于 2019-09-12 数据工程新范式：NoETL 语义编织如何激活海量埋点数据价值？
然而，指标逻辑被硬编码在分散的 ETL 脚本和物理宽表中，微小的逻辑差异导致报表间“数据打架”成为常态。性能与成本：数据团队需要在有限的预算内保障查询秒级响应。 第一步：架构重构——引入 NoETL 语义编织层解决问题的起点，是将 “业务语义” 与 “物理底表” 彻底解耦。这类似于软件开发从汇编语言（直接操作硬件）演进到高级语言（声明业务逻辑）。 避坑指南：甄别“真伪”NoETL 语义编织平台市场概念纷杂，选型时请重点考察以下四个维度：计算内核：是“静态逻辑目录”还是“动态计算引擎”？ 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 Key Takeaways（核心要点）范式革新：NoETL 语义编织通过 “逻辑与物理解耦”，构建统一语义层，是解决传统数据供给“不可能三角”的根本性架构革新。
29510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。 存量替旧：逐步识别并下线高成本、高维护的旧宽表，用语义层逻辑替代。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。
22600编辑于 2026-01-27doris数据分片逻辑
Apache Doris 的数据分片逻辑采用多级分区策略，通过分区(Partition)+分桶(Bucket) 的复合机制实现数据高效管理与查询优化，具体逻辑如下： 一、分层逻辑架构 分区 (Partition) 作用：按业务场景划分数据范围，支持时间范围分区（如按天/月）或 枚举值分区（如按地区/类型） 优势：通过分区剪枝减少查询扫描范围，例如查询某时段数据时仅需扫描对应分区 RANGE(date) (PARTITION p202305 VALUES [('2023-05-01'), ('2023-06-01'))) 分桶 (Bucket) 作用：在分区内进一步将数据划分为逻辑分桶 Tablet 定义：分桶后的最小物理存储单元，每个分桶对应多个 Tablet 特性：支持多副本存储（默认3副本），保障数据可靠性和查询高可用性 二、数据分布策略 横向扩展：分区支持动态增删 ，适应时间序列数据增长需求 纵向切分：分桶数量和字段可配置，优化不同查询模式（如高频点查选择高基数列分桶） 负载均衡：数据自动均匀分布到集群节点，避免热点问题 三、典型应用场景
35510编辑于 2025-12-23
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