Apache Quickstep 技术文档
2024-12-23 07:49:58作者:傅爽业Veleda
1. 安装指南
1.1 克隆代码
首先,从 Apache 的代码库中克隆 Quickstep 代码:
git clone https://git-wip-us.apache.org/repos/asf/incubator-quickstep.git quickstep
1.2 初始化依赖
进入代码目录,并初始化子模块依赖:
cd quickstep
git submodule init
1.3 检出依赖
检出所有依赖项并应用必要的补丁:
git submodule update
cd third_party && ./download_and_patch_prerequisites.sh && cd ..
1.4 编译
进入构建目录,创建 Makefile 并编译:
cd build
cmake -D CMAKE_BUILD_TYPE=Release ..
make -j4
注:-j4 参数可根据你的 CPU 核心数进行调整。
2. 使用说明
启动 Quickstep CLI Shell 并初始化数据库:
./quickstep_cli_shell --initialize_db=true
此时,你可以开始执行 SQL 查询。要退出 Quickstep,可以输入:
quit;
初始化后,数据库文件将存储在 qsstor 目录下。下次启动时,可以省略 --initialize_db 参数,直接使用:
./quickstep_cli_shell
3. 项目API使用文档
Quickstep 目前支持的 SQL 表面较小,但会随着时间的推移而增长。目前支持的包括基本的 CREATE TABLE 和 SELECT 语句。支持的数据类型包括:INTEGER、FLOAT、DOUBLE、VARCHAR、CHAR、DATE 和 DATETIME。Quickstep 尚不支持 NULL 值或键。
以下是一些示例 SQL 语句:
3.1 创建表
CREATE TABLE Weather (cid INTEGER, recordDate DATE, highTemperature FLOAT, lowTemperature FLOAT);
CREATE TABLE City (cid INTEGER, name VARCHAR(80), state CHAR(2));
3.2 插入数据
INSERT INTO City VALUES (1, 'Madison', 'WI');
INSERT INTO City VALUES (2, 'Palo Alto', 'CA');
INSERT INTO Weather VALUES (1, '2015-11-1', 50, 30);
INSERT INTO Weather VALUES (1, '2015-11-2', 51, 32);
INSERT INTO Weather VALUES (2, '2015-11-1', 60, 50);
3.3 查询
3.3.1 查询所有加州的天气记录
SELECT * FROM Weather W, City C WHERE C.cid = W.cid AND C.state = 'CA';
3.3.2 查询每个城市的最高和最低温度
SELECT cid, MIN(lowTemperature), MAX(highTemperature) FROM Weather GROUP BY cid;
3.3.3 使用嵌套查询查询每个城市的最高和最低温度,并打印城市名称
SELECT * FROM City C, (SELECT cid, MIN(lowTemperature), MAX(highTemperature) FROM Weather GROUP BY cid) AS T WHERE C.cid = T.cid;
3.4 数据导入
Quickstep 还支持 COPY TABLE 命令。以下是一个示例:
首先,在一个单独的 shell 文件中创建数据文件:
echo "3|2015-11-3|49|29" > /tmp/tmp.tbl
echo "3|2015-11-4|48|28" >> /tmp/tmp.tbl
echo "3|2015-11-5|47|27" >> /tmp/tmp.tbl
然后,在 Quickstep shell 中加载数据:
COPY Weather FROM '/tmp/tmp.tbl' WITH (DELIMITER '|');
现在,Weather 表中已加载更多数据,可以再次执行上述 SQL 查询。
4. 安装方式
请参考以下文档以获取更多关于构建和开发的信息:
Quickstep 使用 Apache License, Version 2.0 许可。有关完整许可文本,请见 LICENSE。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
414
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
Ascend Extension for PyTorch
Python
229
259
暂无简介
Dart
680
160
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
326
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
493