当前位置： 首页 > news >正文

Flink 系列之二十八- Flink SQL - 水位线和窗口

news 2025/6/13 17:33:45

之前做过数据平台，对于实时数据采集，使用了Flink。现在想想，在数据开发平台中，Flink的身影几乎无处不在，由于之前是边用边学，总体有点混乱，借此空隙，整理一下Flink的内容，算是一个知识积累，同时也分享给大家。

注意：由于框架不同版本改造会有些使用的不同，因此本次系列中使用基本框架是 Flink-1.19.x，Flink支持多种语言，这里的所有代码都是使用java，JDK版本使用的是19。
代码参考：https://github.com/forever1986/flink-study.git

目录

  • 1 水位线
    • 1.1 水位线 watermark
    • 1.2 处理时间的水位线
    • 1.2 事件时间的水位线
  • 2 窗口
    • 2.1 滚动窗口
      • 2.1.1 说明
      • 2.1.2 示例演示
    • 2.2 滑动窗口
      • 2.2.1 说明
      • 2.2.2 示例演示
    • 2.3 会话窗口
      • 2.3.1 说明
      • 2.3.2 示例演示
    • 2.4 累积窗口
      • 2.4.1 说明
      • 2.4.2 示例演示
  • 3 迟到数据策略

前面讲解了关于通过FlinkSQL实现中间算子的语法，本该继续讲解FlinkSQL相关的其它中间算子，但是后面的中间算子可能会涉及到水位线和窗口2个概念，因此这一章先讲解跟流有关的两个概念，这两个概念在Data Stream API中的《系列之十五 - 高级概念 - 窗口》和《系列之十七 - 高级概念 - 事件时间和水位线》讲过，这里主要演示在FlinkSQL中如何定义水位线和窗口。

1 水位线

在《系列之十七 - 高级概念 - 事件时间和水位线》中讲过 处理时间 和 事件时间 ，通过这些时间可以将其定义为 水位线（watermarks） 。 水位线（watermarks） 也是一个数据，也在Flink流中传输，让Flink可以通过它来定义窗口、启动检查点等功能。在FlinkSQL中，也有相应的语法来操作：

1.1 水位线 watermark

关于水位线的概念，这里就不多累述。如果不太记得的朋友，可以去先看看Data Stream API 的《系列之十七 - 高级概念 - 事件时间和水位线》。这里简单说明一下FlinkSQL中定义水位线watermark的语法：

WATERMARK FOR column_name AS column_name - INTERVAL '数字' 时间单位(SECOND/MINUTE/HOUR)

说明：

  • 1）其中column_name 就是指定哪个字段为水位线，必须是TIMESTAMP 列和 TIMESTAMP_LTZ 类型
  • 2）AS：后面可以设置延迟时间，也就是之前说的处理乱序数据时，可以设置一定延迟

1.2 处理时间的水位线

处理时间（Processing Time）：处理时间是指执行相应操作的机器的系统时间。简单来说，就数据到达Flink处理数据所在机器的系统时间。在FlinkSQL 中，定义处理时间语法如下：

CREATE TABLE user_actions (user_name STRING,data STRING,user_action_time AS PROCTIME(),WATERMARK FOR user_action_time AS user_action_time - INTERVAL '5' SECOND
) WITH (...
);

示例演示

示例说明，定义一个自动生成的log表，其ts字段为处理时间

1）定义log表：

CREATE TABLE log(id INT,cpu DOUBLE,ts AS PROCTIME()
) WITH ('connector' = 'datagen','rows-per-second'='1','fields.id.kind'='random','fields.id.min'='1','fields.id.max'='5','fields.cpu.kind'='random','fields.cpu.min'='1','fields.cpu.max'='100'
);
DESC log;

在这里插入图片描述

说明：在extras列中可以看到ts有一个标签为PROCTIME标识

2）查询表：

SET sql-client.execution.result-mode=TABLEAU; 
SELECT * FROM log;

在这里插入图片描述

1.2 事件时间的水位线

事件时间（Event time）：事件时间是每个单独事件在其产生设备上发生的时间。这个时间通常在数据进入Flink之前就嵌入到数据记录中，并且可以从每条数据记录中提取事件时间戳。简单来说，就是时间戳是在数据的某个字段，可以自定义选择某个字段作为事件时间。在FlinkSQL 中，定义处理时间语法如下：

CREATE TABLE user_actions (user_name STRING,data STRING,user_action_time TIMESTAMP(3),WATERMARK FOR user_action_time AS user_action_time - INTERVAL '5' SECOND
) WITH (...
);

示例演示

1）定义log表：

CREATE TABLE log(id INT,cpu DOUBLE,ts TIMESTAMP(3),WATERMARK FOR ts AS ts - INTERVAL '5' SECOND
) WITH ('connector' = 'print'
);
DESC log;

在这里插入图片描述

2）往log表插入数据：（注意：print是输出算子，无法使用select）

insert into log values(1,23.4,CURRENT_TIMESTAMP );

在这里插入图片描述

在这里插入图片描述

2 窗口

在前面《系列之十五 - 高级概念 - 窗口》中讲过窗口相关概念，其分类包括时间和计数，以及滚动、滑动和会话窗口等，这里就不累述这些概念。虽然《系列之二十七 - Flink SQL - 中间算子：OVER聚合》也能实现窗口功能，但是要实现滚动、滑动和会话窗口，FlinkSQL还是提供另外和Data Stream API 对应的语法。

注意：
1）在FlinkSQL中只提供时间类型的窗口，不支持计数类型的窗口
2）关于keyBy，对应的是FlinkSQL的group by（在《系列之二十六 - Flink SQL - 中间算子：普通聚合》中讲过），在FlinkSQL中就是加不加group by的问题，下面示例都是演示group by
2）Flink从1.13版本开始就提倡使用TVF方式的开窗替换Window Aggregation，因此本示例都是基于TVF方式演示。如果要了解Window Aggregation，其参考《官方文档》

2.1 滚动窗口

2.1.1 说明

滚动窗口：将数据按照时间或者计数方式划分为不重叠的窗口。每个窗口都有固定时间或者计数。

在这里插入图片描述

语法如下：

FROM TABLE(TUMBLE(TABLE data, DESCRIPTOR(timecol), size [, offset ])
) GROUP BY column_list;
  • data： 是一个表参数，可以是与 Time 属性列的任何关系。
  • timecol： 是一个列描述符，指示应将数据的哪些时间属性列映射到滚动窗口。
  • size： 是指定窗口宽度的持续时间。
  • offset： 是一个可选参数，用于指定窗口 start 将移动的偏移量。

2.1.2 示例演示

示例说明：以下窗口的实例，都是使用kafka来模拟数据进出。创建一个log的topic，然后使用一个sql-client客户端往log的topic中插入数据，使用另外一个sql-client客户端监听log的topic中数据。注意如果是单机版本的Flink，记得将taskmanager的numberOfTaskSlots改为大于1，这样可以同时跑多个任务
在这里插入图片描述

1）在kafka中创建topic：在kafka中创建log-tumble的topic

/opt/kafka/kafka_2.12-3.7.2/bin/./kafka-topics.sh --create \--bootstrap-server 172.18.4.10:9092 \--replication-factor 1 \--partitions 1 \--topic log-tumble

在这里插入图片描述

2）第一个sql-client客户端：在flink的客户端创建log_out：将使用kafka的连接器，创建log_out表，并同时使用滚动窗口监听数据；（注意在flink的lib中引入kafka的connector）

CREATE TABLE log_out (`id` STRING,`cpu` DOUBLE,`ts` TIMESTAMP(3),WATERMARK FOR ts AS ts - INTERVAL '2' SECOND
) WITH ('connector' = 'kafka','topic' = 'log-tumble','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
SET sql-client.execution.result-mode=TABLEAU; 
SELECT window_start, window_end, max(cpu) AS max_cpu, count(cpu) AS numFROM TABLE(TUMBLE(TABLE log_out, DESCRIPTOR(ts), INTERVAL '5' SECOND))GROUP BY window_start, window_end;

在这里插入图片描述

注意：这里使用水位线延迟2秒是支持数据水位线乱序

3）第二个sql-client客户端：在flink的客户端创建log_in：启动第二个sql-client窗口，创建log_in表，并插入数据

CREATE TABLE log_in (`id` STRING,`cpu` DOUBLE,`ts` STRING
) WITH ('connector' = 'kafka','topic' = 'log-tumble','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
insert into log_in(id,cpu,ts) values('server1',12.8,'2025-05-25 14:00:01');
insert into log_in(id,cpu,ts) values('server1',43.9,'2025-05-25 14:00:05');
insert into log_in(id,cpu,ts) values('server1',12.2,'2025-05-25 14:00:07');
insert into log_in(id,cpu,ts) values('server1',56.5,'2025-05-25 14:00:12');
insert into log_in(id,cpu,ts) values('server1',50.1,'2025-05-25 14:00:08');
insert into log_in(id,cpu,ts) values('server1',34.3,'2025-05-25 14:00:15');

在这里插入图片描述

4）在第一个sql-client客户端中查看结果：

在这里插入图片描述

说明：

  • 1）在 [0-5) 秒的窗口，只有1条数据，就是第1条，num=1，max_cpu=12.8（而且这个输出是你在输入第3条数据，也就是7秒的数据之后才输出的，因为watermark延迟2秒）
  • 2）在 [5-10) 秒的窗口，有2条数据，也就是5秒和7秒，num=2，max_cpu=43.9（而且这个输出是你在输入第4条数据，也就是12秒的数据之后才输出的，因为watermark延迟2秒）
  • 3）由于数据中最大的时间是15秒，而watermark延迟2秒，因此 [10-15) 秒的窗口还没有输出，同时有一条8秒的迟到数据也被丢弃了

2.2 滑动窗口

2.2.1 说明

滑动窗口也称为跳跃窗口。
滑动窗口：将数据按照设定的时间或者计数+步长的方式划分窗口，每个窗口都有固定时间或者计数，但是窗口跟窗口之间存在一定重叠数据。

在这里插入图片描述

语法如下：

FROM TABLE(HOP(TABLE data, DESCRIPTOR(timecol), slide, size [, offset ])
) GROUP BY column_list;
  • data： 是一个表参数，可以是与 Time 属性列的任何关系。
  • timecol： 是一个列描述符，指示应将数据的哪些 Time Attributes 列映射到跳跃窗口。
  • slide：是一个持续时间，用于指定顺序跳跃窗口开始之间的持续时间。也就是步长。
  • size： 是指定跳跃窗口宽度的持续时间。也就是窗口大小。注意：窗口大小size必须是slide步长的整倍数
  • offset： 是一个可选参数，用于指定窗口 start 将移动的偏移量。

2.2.2 示例演示

示例说明：以下窗口的实例，都是使用kafka来模拟数据进出。创建一个log的topic，然后使用一个sql-client客户端往log的topic中插入数据，使用另外一个sql-client客户端监听log的topic中数据。注意如果是单机版本的Flink，记得将taskmanager的numberOfTaskSlots改为大于1，这样可以同时跑多个任务
在这里插入图片描述

1）在kafka中创建topic：在kafka中创建log-hop的topic

/opt/kafka/kafka_2.12-3.7.2/bin/./kafka-topics.sh --create \--bootstrap-server 172.18.4.10:9092 \--replication-factor 1 \--partitions 1 \--topic log-hop

在这里插入图片描述

2）第一个sql-client客户端：在flink的客户端创建log_out：将使用kafka的连接器，创建log_out表，并同时使用滚动窗口监听数据；（注意在flink的lib中引入kafka的connector）

CREATE TABLE log_out (`id` STRING,`cpu` DOUBLE,`ts` TIMESTAMP(3),WATERMARK FOR ts AS ts - INTERVAL '2' SECOND
) WITH ('connector' = 'kafka','topic' = 'log-hop','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
SET sql-client.execution.result-mode=TABLEAU; 
SELECT window_start, window_end, max(cpu) AS max_cpu, count(cpu) AS numFROM TABLE(HOP(TABLE log_out, DESCRIPTOR(ts), INTERVAL '2' SECOND, INTERVAL '4' SECOND))GROUP BY window_start, window_end;

在这里插入图片描述

注意：这里watermark延迟2秒钟。滑动窗口长度是4秒，步长为2秒

3）第二个sql-client客户端：在flink的客户端创建log_in：启动第二个sql-client窗口，创建log_in表，并插入数据

CREATE TABLE log_in (`id` STRING,`cpu` DOUBLE,`ts` STRING
) WITH ('connector' = 'kafka','topic' = 'log-hop','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
insert into log_in(id,cpu,ts) values('server1',12.8,'2025-05-25 14:00:02');
insert into log_in(id,cpu,ts) values('server1',43.9,'2025-05-25 14:00:01');
insert into log_in(id,cpu,ts) values('server1',12.2,'2025-05-25 14:00:04');
insert into log_in(id,cpu,ts) values('server1',56.5,'2025-05-25 14:00:06');
insert into log_in(id,cpu,ts) values('server1',50.1,'2025-05-25 14:00:07');
insert into log_in(id,cpu,ts) values('server1',34.3,'2025-05-25 14:00:08');

在这里插入图片描述

4）在第一个sql-client客户端中查看结果：

在这里插入图片描述

说明：

  • 1）在 [58-2) 秒的窗口，只有1条数据，就是第2条数据，num=1，max_cpu=43.9（而且这个输出是你在输入第3条数据，也就是4秒的数据之后才输出的，因为watermark延迟2秒）
  • 2）在 [0-4) 秒的窗口，有2条数据，也就是1秒和2秒，num=2，max_cpu=43.9（而且这个输出是你在输入第4条数据，也就是6秒的数据之后才输出的，因为watermark延迟2秒）
  • 3）在 [2-6) 秒的窗口，有2条数据，也就是2秒和4秒，num=2，max_cpu=12.8（而且这个输出是你在输入第6条数据，也就是8秒的数据之后才输出的，因为watermark延迟2秒）

2.3 会话窗口

2.3.1 说明

会话窗口：将数据按照规定多少时间内没有其它数据再进来，那么之前进来的数据归为一个窗口。每个窗口都没有固定时间，窗口与窗口之间数据不重复。

在这里插入图片描述

语法如下：

TABLE(SESSION(TABLE data [PARTITION BY(keycols, ...)], DESCRIPTOR(timecol), gap)
) GROUP BY window_start, window_end;
  • data： 是一个表参数，可以是与 Time 属性列的任何关系。
  • keycols：是一个列描述符，指示在会话窗口之前应该使用哪些列对数据进行分区。
  • timecol：是一个列描述符，指示应将数据的哪些 Time Attributes 列映射到会话窗口。
  • gap：是将两个事件视为同一会话窗口的一部分的最大时间间隔（以时间戳为单位）。

2.3.2 示例演示

示例说明：以下窗口的实例，都是使用kafka来模拟数据进出。创建一个log的topic，然后使用一个sql-client客户端往log的topic中插入数据，使用另外一个sql-client客户端监听log的topic中数据。注意如果是单机版本的Flink，记得将taskmanager的numberOfTaskSlots改为大于1，这样可以同时跑多个任务
在这里插入图片描述

1）在kafka中创建topic：在kafka中创建log-session的topic

/opt/kafka/kafka_2.12-3.7.2/bin/./kafka-topics.sh --create \--bootstrap-server 172.18.4.10:9092 \--replication-factor 1 \--partitions 1 \--topic log-session

在这里插入图片描述

2）第一个sql-client客户端：在flink的客户端创建log_out：将使用kafka的连接器，创建log_out表，并同时使用滚动窗口监听数据；（注意在flink的lib中引入kafka的connector）

CREATE TABLE log_out (`id` STRING,`cpu` DOUBLE,`ts` TIMESTAMP(3),WATERMARK FOR ts AS ts - INTERVAL '2' SECOND
) WITH ('connector' = 'kafka','topic' = 'log-session','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
SET sql-client.execution.result-mode=TABLEAU; 
SELECT window_start, window_end, max(cpu) AS max_cpu, count(cpu) AS numFROM TABLE(SESSION(TABLE log_out PARTITION BY id, DESCRIPTOR(ts), INTERVAL '5' SECOND))GROUP BY window_start, window_end;

在这里插入图片描述

注意：这里watermark延迟2秒钟。会话窗口间隔为5秒

3）第二个sql-client客户端：在flink的客户端创建log_in：启动第二个sql-client窗口，创建log_in表，并插入数据

CREATE TABLE log_in (`id` STRING,`cpu` DOUBLE,`ts` STRING
) WITH ('connector' = 'kafka','topic' = 'log-session','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);insert into log_in(id,cpu,ts) values('server1',12.8,'2025-05-25 14:00:01');
insert into log_in(id,cpu,ts) values('server1',43.9,'2025-05-25 14:00:03');
insert into log_in(id,cpu,ts) values('server1',12.2,'2025-05-25 14:00:02');
insert into log_in(id,cpu,ts) values('server1',56.5,'2025-05-25 14:00:08');
insert into log_in(id,cpu,ts) values('server1',50.1,'2025-05-25 14:00:15');

在这里插入图片描述

4）在第一个sql-client客户端中查看结果：

在这里插入图片描述

说明：

  • 1）在 输入前4条的的时候，会话窗口都没有输出任何结果。虽然第4条输入8秒，与watermark的差有5秒，但是由于watermark延迟2秒，因此8秒相当于6秒，没有输出数据。
  • 2）当输入第5条的时候，会话窗口输出结果，由于第5条的时间是15秒，watermark=13秒，与8秒相差大于等于5秒，因此输出。输出结果是一个回撤流的显示结果，把前四条的数据去了最终max_cpu=56.5

2.4 累积窗口

2.4.1 说明

累积窗口：这个窗口之前在Data Stream API 中没有，这个窗口有点像OVER函数。它的作用是固定的窗口间隔内，每个一定累积步长则触发的窗口输出。比如设置1个小时的窗口长度，累积步长是5分钟，那么每隔5分钟就会输出从0-5、0-10、0-15…的累积数据。

在这里插入图片描述

这种窗口在老版本写法中，一般通过参数来设置，但是由于VTF不支持以下参数，因此提供累积窗口：

  • set ‘table.exec.emit.allow-lateness’ = ‘true’;
  • set ‘table.exec.emit.early-fire.delay’ = ‘5000’;

语法如下：

TABLE(CUMULATE(TABLE data, DESCRIPTOR(timecol), step, size)
) GROUP BY window_start, window_end;
  • data： 是一个表参数，可以是与 Time 属性列的任何关系。
  • timecol：是一个列描述符，指示应将数据的哪些时间属性列映射到累积窗口。
  • step：是一个持续时间，也叫累积步长，用于指定在顺序累积窗口结束之间增加的窗口大小。
  • size： 是指定累积窗口的最大宽度的持续时间。 注意：累积窗口的最大宽度size必须是累积步长step的整倍数
  • offset： 是一个可选参数，用于指定窗口 start 将移动的偏移量。

2.4.2 示例演示

示例说明：以下窗口的实例，都是使用kafka来模拟数据进出。创建一个log的topic，然后使用一个sql-client客户端往log的topic中插入数据，使用另外一个sql-client客户端监听log的topic中数据。注意如果是单机版本的Flink，记得将taskmanager的numberOfTaskSlots改为大于1，这样可以同时跑多个任务
在这里插入图片描述

1）在kafka中创建topic：在kafka中创建log-cumulate的topic

/opt/kafka/kafka_2.12-3.7.2/bin/./kafka-topics.sh --create \--bootstrap-server 172.18.4.10:9092 \--replication-factor 1 \--partitions 1 \--topic log-cumulate

在这里插入图片描述

2）第一个sql-client客户端：在flink的客户端创建log_out：将使用kafka的连接器，创建log_out表，并同时使用滚动窗口监听数据；（注意在flink的lib中引入kafka的connector）

CREATE TABLE log_out (`id` STRING,`cpu` DOUBLE,`ts` TIMESTAMP(3),WATERMARK FOR ts AS ts - INTERVAL '2' SECOND
) WITH ('connector' = 'kafka','topic' = 'log-cumulate','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
SET sql-client.execution.result-mode=TABLEAU; 
SELECT window_start, window_end, max(cpu) AS max_cpu, count(cpu) AS numFROM TABLE(CUMULATE(TABLE log_out, DESCRIPTOR(ts), INTERVAL '2' SECOND, INTERVAL '6' SECOND))GROUP BY window_start, window_end;

在这里插入图片描述

注意：这里watermark延迟2秒钟。乐基窗口长度6秒，累积步长2秒

3）第二个sql-client客户端：在flink的客户端创建log_in：启动第二个sql-client窗口，创建log_in表，并插入数据

CREATE TABLE log_in (`id` STRING,`cpu` DOUBLE,`ts` STRING
) WITH ('connector' = 'kafka','topic' = 'log-cumulate','properties.bootstrap.servers' = '172.18.4.10:9092','properties.group.id' = 'testGroup','scan.startup.mode' = 'earliest-offset','sink.partitioner' = 'fixed','format' = 'json'
);
insert into log_in(id,cpu,ts) values('server1',12.8,'2025-05-25 14:00:02');
insert into log_in(id,cpu,ts) values('server1',43.9,'2025-05-25 14:00:01');
insert into log_in(id,cpu,ts) values('server1',12.2,'2025-05-25 14:00:03');
insert into log_in(id,cpu,ts) values('server1',56.5,'2025-05-25 14:00:04');
insert into log_in(id,cpu,ts) values('server1',50.1,'2025-05-25 14:00:06');
insert into log_in(id,cpu,ts) values('server1',34.3,'2025-05-25 14:00:08');

在这里插入图片描述

4）在第一个sql-client客户端中查看结果：

在这里插入图片描述

说明：

  • 1）在 输入前3条的的时候，累积窗口都没有输出任何结果。因为watermark延迟2秒，因此3秒相当于1秒，没有输出数据。
  • 2）当输入第4条的时候，累积窗口输出结果，由于第4条的时间是4秒，watermark延迟2秒，相当于现在的watermark=2秒，因此输出[0,2) 的数据
  • 3）当输入第5条的时候，累积窗口输出结果，由于第5条的时间是6秒，watermark延迟2秒，相当于现在的watermark=4秒，因此输出[0,4) 的数据
  • 4）当输入第6条的时候，累积窗口输出结果，由于第6条的时间是8秒，watermark延迟2秒，相当于现在的watermark=6秒，因此输出[0,6) 的数据

3 迟到数据策略

在《系列之十八 - 高级概念 - 水位线传递和策略》中提到对于迟到的数据，可以通过3种方式最终让迟到数据得到处理

  • 水位线延迟时间
  • 迟到时间
  • 侧输出流

但是很遗憾，除了水位线延迟时间之外，FlinkSQL并未直接提供窗口延迟关闭以及侧输出流。

结语：本章主要讲解了FlinkSQL中如何定义水位线和窗口，同时还比较了FlinkSQL与Data Stream API中的一些区别。下一章讲会将结合上一章的Top-N和Deduplication讲一下在窗口模式下的语法。

http://www.xdnf.cn/news/1012213.html

相关文章：

  • 【计算机组成原理 第5版】白、戴编著 第七章 总线系统 课后题总结
  • 为什么电流、电压相同，功率却不同
  • ETLCloud中数据脱敏规则的使用技巧
  • 【有源医疗器械检测的常见问题、整改方法、送检了解】
  • HALCON第六讲-＞测量和检测
  • leetcode0721. 账户合并-medium
  • 推荐一个 github加速器
  • 探索MCP Server Chart：AI赋能的统计图表自动生成工具
  • Docker｜简单入门
  • SAP BTP连接SAP，云连接器
  • 安装 LibreOffice
  • LangGraph高级教程：构建规划执行型智能体
  • 高动态范围成像
  • TSC TTP-244 打印机TSPL PUTBMP指令图片打印失败
  • 树莓派5实现串口通信教程
  • odoo 维护模块维护团队实践指南
  • Windows 操作系统 - 打开任务管理器的不同方式
  • 高保真组件库：获取验证码
  • C++中的RAII技术：资源获取即初始化
  • 3.4_1 流量控制、可靠传输与滑动窗口机制
  • COHERENT Chameleon™Ultra、Vision和Vision-S激光系统操作员手侧
  • pyhton基础【6】容器介绍一
  • 【Create my OS】0 前置知识
  • java事件处理机制
  • ESXi安装Home Assistant OS（HAOS）指南
  • 属于亚马逊WOOT的“特权”
  • C++中的（星号*、点 . 与箭头 -＞）
  • FIORI如何debug//Manager Fiori App
  • 【Linux系统编程】进程信号 - 信号产生
  • 什么是单细胞测序？