首页 > 其他分享 >click简介以及简单使用

click简介以及简单使用

时间：2022-10-21 14:01:14浏览次数：80  
标签：sku 00 01 06 简介 id 2020 简单 click

ck 官网： ​​https://clickhouse.com/​​

docker 安装ck参考： ​​https://hub.docker.com/r/clickhouse/clickhouse-server/​​

1. 简介

1. 简单介绍

ClickHouse 是俄罗斯的Yandex于2016 年开源的列式存储数据库(DBMS: Database Management System), 使用c++ 语言编写，主要用于在线分析处理查询(OLAP: Online Analytical Processing)。

ck覆盖了标准sql的大部分语法，包括DDM和DML，以及配套的各种函数，用户管理及权限管理，数据的备份与恢复。

ck和MySQL 类似，把表级的存储引擎插件化，根据表的不同需求可以设定不同的存储引擎。目前包括合并树、日志、接口等20多种。

2. 特点

  1. 列式存储

以下面的表格为例：

id

name

age

1

张三

18

2

李四

17

3

王五

20

1》采用行式存储时，数据在磁盘的存储结构可能如下：

好处是查询某个人的所有属性时，可以通过一次磁盘查找加顺序读取就可以。但是想查所有人的年龄时，就需要不停的找，或者全表扫描才行。

2》采用列式存储时，数据在磁盘上的组织结构为：

这时想查所有人的年龄只需把年龄那一列查出来就可以了。

3》 列式存储优点

对于列的聚合、计数、求和等统计操作原因优于行式存储

由于某一列的数据类型是相同的，对数据存储上更容易压缩；节省空间，对cache 也有更好

4》 高吞吐写入能力

ck 采用类似LSMTree(Log Structured Merge Tree, 是一种分层，有序，面向磁盘的数据结构，其核心思想是充分了利用了，磁盘批量的顺序写要远比随机写性能高出很多) 的结构， 数据写入后定期在后台Compaction。 通过类LSM Tree的结构，CK在数据导入时全部是顺序append 写，写入后数据段不可更改，在后台compaction后也是多个段merge sort后顺序写回磁盘。

5》数据分区与线程级并行

ck将数据划分为多个partition，每个partition 再进一步划分为多个index granularity(索引粒度)， 然后通过多个CPU 核心分别处理其中的一部分来实现并行数据处理。在这种设计下，单条query就能利用整机所有CPU。 极致的并行处理能力，极大的降低了查询延时。

所以，ck 即使对于大量数据的查询也能够化整为零平行处理。 但是有一个弊端就是对于单条查询使用多CPU， 就不利于同时并发多条查询。 所以对于高qps的查询业务，ck 并不是强项。

2. 安装

基于docker 直接安装

1》 安装clickhouse-server

docker run -d --name clickhouse-server1 --ulimit nofile=262144:262144 clickhouse/clickhouse-server

2》进入容器

docker exec -it clickhouse-server1 bash

3》在容器内部进行测试: 连接到服务之后查看数据库

root@25f56c441b1a:/# clickhouse-client 
ClickHouse client version 21.12.3.32 (official build).
Connecting to localhost:9000 as user default.
Connected to ClickHouse server version 21.12.3 revision 54452.

25f56c441b1a :) show databases;

SHOW DATABASES

Query id: 3fa99c37-25c1-44a9-b372-f4b5995965b7

┌─name───────────────┐
│ INFORMATION_SCHEMA │
│ default            │
│ information_schema │
│ system             │
└────────────────────┘

4 rows in set. Elapsed: 0.001 sec. 

25f56c441b1a :) select 1-1

SELECT 1 - 1

Query id: d3351080-3fe1-4023-bb56-8d2842385ce8

┌─minus(1, 1)─┐
│           0 │
└─────────────┘

1 rows in set. Elapsed: 0.001 sec.

3. 数据类型

  1. 整型

固定长度的整型，包括有符号整型和无符号整型。

整型范围： -2^(n-1) ~ 2^(n-1)-1

Int8、Int16、Int32、Int64

无符号整型范围：(o ~ 2^n-1)

UInt8、UInt16、UInt32、UInt64

  1. 浮点型

Float32 - float

Float64 - double

  1. 布尔类型

没有单独的类型来存储布尔值，建议使用UInt8， 取值限制为[0 | 1]

  1. Decimal

有符号的浮点数，可在加减乘除算法中保持精度。有如下三种声明：

Decimal(P,S), Decimal32(S), Decimal64(S), Decimal128(S)
P - 精度。有效范围：[1:38]，决定可以有多少个十进制数字（包括分数）
S - 规模。有效范围：[0：P]，决定数字的小数部分中包含的小数位数。
  1. 字符串

1.String 字符串可以任意长度的。它可以包含任意的字节集，包含空字节。因此，字符串类型可以代替其他 DBMSs 中的 VARCHAR、BLOB、CLOB 等类型。

2.FixedString(N) ：定长字符串，类似于mysql的char 类型。不同的是：

  • 如果字符串包含的字节数少于`N’,将对字符串末尾进行空字节填充。 mysql是填空格，且查询时删除空格。当做数据查询时，ClickHouse不会删除字符串末尾的空字节。 如果使用WHERE子句，则须要手动添加空字节以匹配FixedString的值。

SELECT * FROM FixedStringTable WHERE a = 'b\0' # 我们存的定长2的单个b，匹配需要自己加空字节

  • 如果字符串包含的字节数大于​​N​​​,将抛出​​Too large value for FixedString(N)​​异常。
  1. 枚举类型

包括Enum8 和 Enum16 类型。 Enum 保存 'string'= integer 的对应关系。在 ClickHouse 中，尽管用户使用的是字符串常量，但所有含有 Enum 数据类型的操作都是按照包含整数的值来执行。这在性能方面比使用 String 数据类型更有效。

Enum8 用 'String'= Int8 对描述。

Enum16 用 'String'= Int16 对描述。

--- 建表
CREATE TABLE t_enum
(
    x Enum8('hello' = 1, 'world' = 2)
)
ENGINE = TinyLog
--- 插入
INSERT INTO t_enum VALUES ('hello'), ('world'), ('hello')
--- 查询
SELECT * FROM t_enum

┌─x─────┐
│ hello │
│ world │
│ hello │
└───────┘
--- 查询转为int
SELECT CAST(x, 'Int8') FROM t_enum

┌─CAST(x, 'Int8')─┐
│               1 │
│               2 │
│               1 │
└─────────────────┘

---查询中创建枚举值
SELECT toTypeName(CAST('a', 'Enum8(\'a\' = 1, \'b\' = 2)'))

┌─toTypeName(CAST('a', 'Enum8(\'a\' = 1, \'b\' = 2)'))─┐
│ Enum8('a' = 1, 'b' = 2)                              │
└──────────────────────────────────────────────────────┘
  1. uuid 类型

要生成UUID值，ClickHouse提供了 generateuidv4 函数。 如果插入时不指定UUID值，UUID值将用零填充(00000000-0000-0000-0000-000000000000)

CREATE TABLE t_uuid (x UUID, y String) ENGINE=TinyLog
INSERT INTO t_uuid SELECT generateUUIDv4(), 'Example 1'
8. 日期和时间

Date 日期：用两个字节存储，表示从 1970-01-01 (无符号) 到当前的日期值。值的范围: [1970-01-01, 2149-06-06]。

Datetime： 接收年月日 时分秒的字符串

Datetime64 接收年月日时分秒亚秒的字符串， 比如： 的字符串比如‘2019-12-16 20:50:10.66

  1. 其他

其他还有数组类型、Map类型、Geo、Tuple元组类型。

4.表引擎

表引擎决定了如何存储表的数据。包括：

  • 数据的存储方式和位置，写到哪里以及从哪里读取数据
  • 支持那些查询以及如何支持
  • 并发数据访问
  • 索引的使用
  • 是否可以执行多线程请求
  • 数据复制参数

必须显示地在创建表时定义该表使用的引擎，以及引擎使用的相关参数。

1. TinyLog

以文件的形式保存在磁盘上，不支持索引，没有并发控制。一般保存少量数据的小表，生产环境上作用优先。可以用于平时练习测试：

25f56c441b1a :) create table t_tinylog ( id String, name String) engine=TinyLog;

CREATE TABLE t_tinylog
(
    `id` String,
    `name` String
)
ENGINE = TinyLog

Query id: d4ac3598-dfa7-483b-9f08-b31514d7071d

Connecting to localhost:9000 as user default.
Connected to ClickHouse server version 21.12.3 revision 54452.

Ok.

0 rows in set. Elapsed: 0.006 sec. 

25f56c441b1a :) show create table t_tinylog;

SHOW CREATE TABLE t_tinylog

Query id: 1085fc7f-b8f9-4b9c-8f6c-587d6b78f839

┌─statement─────────────────────────────────────────────────────────────────────────┐
│ CREATE TABLE default.t_tinylog
(
    `id` String,
    `name` String
)
ENGINE = TinyLog │
└───────────────────────────────────────────────────────────────────────────────────┘

1 rows in set. Elapsed: 0.002 sec.

2. memory

内存引擎，数据以未压缩的形式直接保存在内存当中，服务器重启数据就会消失。读写操作不会相互阻塞，不支持索引。简单查询下有非常高的性能表现(超过10G/S)。

3. MergeTree(合并树)

ck中最强大的引擎就是MergeTree以及该系列中的其他引擎。支持索引和分区，低位相当于mysql的innodb。

MergeTree 其实还有很多参数(绝大多数使用默认值即可)，但是三个参数是更加重要的。

  1. 建表语句
create table t_order_mt(
id UInt32,
sku_id String,
total_amount Decimal(16,2),
create_time Datetime
) engine MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id,sku_id)
  1. 插入语句
insert into t_order_mt values
(101,'sku_001',1000.00,'2020 06 01 12:00:00') ,
(102,'sku_002',2000.00,'2020 06 01 11:00:00'),
(102,'sku_004',2500.00,'2020 06 01 12:00:00'),
(102,'sku_002',2000.00,'2020 06 01 13:00:00')
(102,'sku_002',12000.00,'2020 06 01 13:00:00')
(102,'sku_002',600.00,'2020 06 02 12:00:00')
  1. 查询
ac9033c7171a :) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: 12fcf25a-b344-48b1-879c-21f9380e9272

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

6 rows in set. Elapsed: 0.002 sec.

1. partition by 分区(可选)

1》作用：降低扫描的范围，优化查询速度

2》默认：使用一个分区

3》分区目录：MergeTree 是以列文件+索引文件+表定义文件组成的，但是如果设定了分区那么文件会保存到不同的分区目录中

4》并行：分区后，面对涉及跨分区的查询统计，ck会以分区为单位并行出咯

5》数据写入与分区合并：任何一个批次的数据写入都会产生一个临时分区，不会纳入任何一个已有的分区。写入后的某个时刻(大概10-15分钟后)，ck会自动执行合并操作(当然可以手动通过optimize 执行)，把临时分区的数据合并到已有分区

optimize table xxx final;

测试：

再次插入数据：

insert into t_order_mt values
(101,'sku_001',1000.00,'2020 06 01 12:00:00') ,
(102,'sku_002',2000.00,'2020 06 01 11:00:00'),
(102,'sku_004',2500.00,'2020 06 01 12:00:00'),
(102,'sku_002',2000.00,'2020 06 01 13:00:00')
(102,'sku_002',12000.00,'2020 06 01 13:00:00')
(102,'sku_002',600.00,'2020 06 02 12:00:00')

再次查询：(发现没有进入分区)

ac9033c7171a :) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: 25dff719-964c-4416-827c-cbb8e9f42754

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.004 sec.

optimize 后再次查询

ac9033c7171a :) optimize table t_order_mt final;

OPTIMIZE TABLE t_order_mt FINAL

Query id: ef8da207-8575-4806-a14e-584d94456de1

Ok.

0 rows in set. Elapsed: 0.003 sec. 

ac9033c7171a :) select * from t_order_mt;

SELECT *
FROM t_order_mt

Query id: a92090be-36c3-4e7c-b727-cc46929897e3

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_002 │         2000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

12 rows in set. Elapsed: 0.002 sec.

2. primary key 主键(可选)

ck的主键和其他数据库不太已有，只提供了数据的一级索引，但是却不是唯一约束。意味着可以存在相同primary key的数据。

主键的设定主要依据是查询语句中的where条件。

根据条件通过对主键进行某种形式的二分查找，能够定位到对应的index granularity(索引粒度，指在稀疏索引中两个相邻索引对应数据的建个，ck默认的mergeTree是8192)，避免了全表扫描。

稀疏索引：简单的说就是间接性的建立索引。 比如1,2,3,4,5,6 建立索引1,3,6。好处就是可以用很少的索引数据，定位更多的数据，代价就是只能定位到索引粒度的第一行，然后再进行点扫描。

3. order by (必选)

order by 设定了分区内的数据按照哪些字段顺序进行有序保存。是MergeTree 中唯一必选项，用户不设置主键情况下，很多处理会依照order by 的字段进行处理(比如去重和汇总)。

要求：主键必须是order by字段的前缀字段。比如order by字段是(id, sku_id), 那么主键必须是id 或者 (id, sku_id)

4. 数据ttl

time to live，MergeTree 提供了可以管理数据表或者列的生命周期的功能。

(1)列级别TTL

1》创建测试表

create table t_order_mt3(
id UInt32,
sku_id String,
total_amount Decimal(16,2) TTL create_time+interval 10 SECOND,
create_time Datetime
) engine =MergeTree
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id, sku_id)

2》插入数据

insert into t_order_mt3 values
(106,'sku_001',1000.00,'2022 08 05 07:20:30'),
(107,'sku_002',2000.00,'2022 08 05 07:20:30'),
(110,'sku_003',600.00,'2022 08 06 19:20:30')

3》手动合并

optimize table t_order_mt3 final;

4》查询

查询后106、107 两行的total_amount 属性变为0

5》表级TTL

alter table t_order_mt4 modify ttl create_time + interval 10 second

涉及判断的字段必须是Date 或者Datetime 类型，推荐使用分区的日期字段。

插入数据:

insert into t_order_mt3 values
(106,'sku_001',1000.00,'2022 08 05 11:29:30')

查询： 当超过创建时间10s后，整条数据消失

4. ReplacingMergeTree

ReplacingMergeTree是MergeTree 的一个变种，它存储特性完全继承MergeTree，只是多了去重功能。MergeTree对主键不做唯一约束，这个是可以做到基于主键去重。会根据ORDER BY所声明的表达式去重

  1. 去重时机：只会出现在合并的过程中。
  2. 去重范围：如果经过了分区，只会在分区内部去重，不会跨分区(也就是只能保证通分区没有重复数据)
  3. 测试：

1》建表

create table t_order_rmt(
id UInt32,
sku_id String,
total_amount Decimal(16,2) ,
create_time Datetime
) engine ReplacingMergeTree(create_time)
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id, sku_id)

ReplacingMergeTree传入的参数为版本字段，重复数据保留版本字段值最大的。不填版本字段，默认按插入顺序保留最后一条。

2》插入数据

insert into t_order_rmt values
(101,'sku_001',1000.00,'2020 06 01 12:00:00') ,
(102,'sku_002',2000.00,'2020 06 01 11:00:00'),
(102,'sku_004',2500.00,'2020 06 01 12:00:00'),
(102,'sku_002',2000.00,'2020 06 01 13:00:00')
(102,'sku_002',12000.00,'2020 06 01 13:00:00')
(102,'sku_002',600.00,'2020 06 02 12:00:00')

3》查询

ac9033c7171a :) select * from t_order_rmt

SELECT *
FROM t_order_rmt

Query id: da9a22da-6d49-4ecc-b279-b6e9bf023c3e

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002 │        12000 │ 2020-06-01 13:00:00 │
│ 102 │ sku_004 │         2500 │ 2020-06-01 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘

4 rows in set. Elapsed: 0.002 sec.

5. SummingMergeTree

对于不查询明细，只关心以维度进行汇总聚合结果的场景可以用该引擎。可以理解为预聚合。会根据ORDER BY所声明的表达式对指定字段sum

也是只针对当前分区进行聚合，且SummingMergeTree 支持多个字段。

测试：

1》建表

create table t_order_smt(
id UInt32,
sku_id String,
total_amount Decimal(16,2) ,
create_time Datetime
) engine SummingMergeTree(total_amount)
partition by toYYYYMMDD(create_time)
primary key (id)
order by (id,sku_id )

2》插入数据

insert into t_order_smt values
(101,'sku_ 001',1000.00,'2020 06 01 12:00:00')
(102,'sku_002',2000.00,'2020 06 01 11:00:00'),
(102,'sku_004',2500.00,'2020 06 01 12:00:00'),
(102,'sku_002',2000.00,'2020 06 01 13:00:00')
(102,'sku_002',12000.00,'2020 06 01 13:00:00')
(102,'sku_002',600.00,'2020 06 02 12:00:00')

3》执行查询

ac9033c7171a :) select * from t_order_smt;

SELECT *
FROM t_order_smt

Query id: 5f4f0695-93a5-4393-8fec-0523f4374dc8

┌──id─┬─sku_id──┬─total_amount─┬─────────create_time─┐
│ 102 │ sku_002 │          600 │ 2020-06-02 12:00:00 │
└─────┴─────────┴──────────────┴─────────────────────┘
┌──id─┬─sku_id───┬─total_amount─┬─────────create_time─┐
│ 101 │ sku_ 001 │         1000 │ 2020-06-01 12:00:00 │
│ 102 │ sku_002  │        16000 │ 2020-06-01 11:00:00 │
│ 102 │ sku_004  │         2500 │ 2020-06-01 12:00:00 │
└─────┴──────────┴──────────────┴─────────────────────┘

补充： OLAP和OLTP区别

联机事务处理（On-Line Transaction Processing，OLTP） - 传统的关系型数据库的主要应用，主要是基本的、日常的事务处理，记录即时的增、删、改、查，比如在银行存取一笔款，就是一个事务交易
联机分析处理（On-Line Analytical Processing，OLAP） - OLAP即联机分析处理，是数据仓库的核心部心，支持复杂的分析操作，侧重决策支持，并且提供直观易懂的查询结果

【当你用心写完每一篇博客之后,你会发现它比你用代码实现功能更有成就感!】



标签：sku,00,01,06,简介,id,2020,简单,click
From： https://blog.51cto.com/u_12826294/5782618

相关文章

  • scrapy爬虫简单使用&python执行cmd命令程序
    1.安装pipinstallscrapy2.scrapy简单运行以及架构1.项目创建以及运行创建项目aaa@localhostpyspace%scrapystartprojectdemo1NewScrapyproject'demo1',using......
  • 获取百度百科简介
    #!/usr/bin/envpython#-*-coding:utf-8-*-frombs4importBeautifulSoupimporturllib.requestimporturllib.parseimportrequestsimportredefremove_s......
  • Py之lulu：lulu库的简介、安装、案例应用之详细攻略
    Py之lulu：lulu库的简介、安装、案例应用之详细攻略目录​​lulu库的简介​​​​1、支持的站点​​​​lulu库的装​​​​lulu库的案例应用​​​​1、下载音乐​​​​2、......
  • 设计模式之一：Java中的简单工厂模式
    Java中的简单工厂模式简单工厂模式（SimpleFactoryPattern），又称静态工厂模式（StaticFactoryPattern）。举两个例子以快速明白Java中的简单工厂模式：女娲抟土造人话说：“......
  • 一个简单的 JS 抽取随机数源代码
    一个简单的JS抽取随机数源代码自己写了一个JS抽取随机数的例子。供自己以后参考，也希望可以方便到大家。源代码如下：<html><head><metahttp-equ......
  • dremio 存储插件之StoragePluginRulesFactory 类简单说明
    StoragePluginRulesFactory是dremio为了分离每个插件的规则，我们存储插件可以包含自己的规则工厂，具体使用到StoragePluginRulesFactory的包含了CatalogServiceImpl，SqlHa......
  • 一个简单的实现不同权限的用户登录后看到不同的菜单设计的数据库表清单
     实现不同权限的用户登录后看到不同的菜单（菜单分两级），二级菜单显示内容根据一级菜单提供 一.menu菜单表id(主键),menu_name(菜单名),parent_menu_id(父菜单id),l......
  • 反编译工具jad简单用法
      反编译工具jad简单用法  以下假设jad.exe在c:/java目录下一、基本用法Usage:   jad[option(s)]<filename(s)>直接输入类文件名，且支持通配符，如下所示。c:/ja......
  • ISP（图像信号处理）之Bayer Raw 简介
    ISP（图像信号处理）之BayerRaw简介ISP（图像信号处理）之BayerRaw简介_乐正倩彦的博客-CSDN博客_bayerraw 置顶乐正倩彦于 2019-11-0519:33:58 发布10176 收藏......
  • JMETER入门-简介和安装
    ApacheJMeter是Apache组织基于Java开发的压力测试工具，用于对软件做压力测试。一、什么是JMETER?    JMeter最初被设计用于Web应用测试，但后来扩展到了其......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99