开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

何时在事务性写入中计算nextval？

在事务性写入中，"nextval" 是指序列号生成器的下一个值。序列号生成器是一种用于生成唯一标识符的数据库对象。当在事务中进行写入操作时，计算"nextval" 的时机取决于使用的数据库系统和操作的具体情况。

在常见的关系型数据库中，例如 PostgreSQL、MySQL 和 Oracle，计算"nextval" 通常发生在插入操作之前。这是因为序列号生成器的目的是为了在插入记录时提供一个唯一的标识符。在这些数据库中，可以使用相关的语法来直接获取和使用序列号生成器的下一个值。

对于非关系型数据库，例如 MongoDB，一般没有内置的序列号生成器。在这种情况下，开发人员通常需要自己实现唯一标识符的生成逻辑。可以在插入操作之前计算并分配一个唯一的标识符，或者在插入操作时使用某种算法来生成。

总结起来，计算"nextval" 的时机主要取决于数据库系统和具体的操作。在关系型数据库中，它通常在事务性写入中的插入操作之前计算。在非关系型数据库中，计算"nextval" 的具体时机可能需要根据需求进行定制开发。

腾讯云相关产品推荐：

腾讯云数据库 PostgreSQL：https://cloud.tencent.com/product/postgres
腾讯云数据库 MySQL：https://cloud.tencent.com/product/cdb_mysql
腾讯云数据库 MongoDB：https://cloud.tencent.com/product/cosmosdb_mongodb

相关搜索:在非事务性文件系统中实现原子文件写入计算表中的值何时更改检测用户何时停止/暂停在TextField - SwiftUI中写入使用start with nextval('old_seq')在PostgreSQL中创建序列在Oracle中执行脚本时，nextval不起作用在JPA应用程序中检索Nextval时出现问题何时在Android中关闭光标？在ngZone中何时触发onTurnDone 何时在活动中调用findViewById 在Vala中，何时需要`new`在MailWizz中重试发送事务性电子邮件何时使用ref以及在C#中何时不需要检测何时在amCharts中单击Max 何时在Haskell中利用类型推断？在Windows CMD中何时使用/或\？在Kotlin中，什么是“何时复制”？verticle何时在vertx中取消部署何时在android webview中调用shouldInterceptRequest()如何使用nextval函数在pg-promise的多行插入中插入整数 deepToString中的此条件何时会计算为true？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

使用Storm处理事务型实时计算需求时的几处难点

比流量或者订单淘宝可以把我们甩出几条大街。淘宝的兄弟可以自豪地说他们的实时应用已经承受住了双十一全世界范围内最大的单日数据流的冲击。而阿里巴巴中文站的流量和订单与淘宝相比则少的可怜。同时B2B自身业务又存在不同的特点，我们的客单价和笔单价要高得多，因此对于实时数据的误差是零容忍的（比如丢了一个几百万的单子，那实时数据就没有参考价值了）。所以中文站的实时应用的特点是零误差，事务性，故障可恢复。在开发实时应用的过程中，我发现当实时计算需要保证数据完全不出错的时候，逻辑就变得复杂起来。效率和精度本身就是不

07

「Kafka技术」Apache Kafka中的事务

在之前的一篇博客文章中，我们介绍了Apache Kafka®的一次语义。这篇文章介绍了各种消息传递语义，介绍了幂等生成器、事务和Kafka流的一次处理语义。现在，我们将继续上一节的内容，深入探讨Apache Kafka中的事务。该文档的目标是让读者熟悉有效使用Apache Kafka中的事务API所需的主要概念。我们将讨论设计事务API的主要用例、Kafka的事务语义、用于Java客户端的事务API的细节、实现的有趣方面，以及在使用API时的重要注意事项。这篇博客文章并不是关于使用事务细节的教程，我们也

04

Flink Exactly-Once 投递实现浅析

随着近来越来越多的业务迁移到 Flink 上，对 Flink 作业的准确性要求也随之进一步提高，其中最为关键的是如何在不同业务场景下保证 exactly-once 的投递语义。虽然不少实时系统（e.g. 实时计算/消息队列）都宣称支持 exactly-once，exactly-once 投递似乎是一个已被解决的问题，但是其实它们更多是针对内部模块之间的信息投递，比如 Kafka 生产（producer 到 Kafka broker）和消费（broker 到 consumer）的 exactly-once。而 Flink 作为实时计算引擎，在实际场景业务会涉及到很多不同组件，由于组件特性和定位的不同，Flink 并不是对所有组件都支持 exactly-once（见[1]），而且不同组件实现 exactly-once 的方法也有所差异，有些实现或许会带来副作用或者用法上的局限性，因此深入了解 Flink exactly-once 的实现机制对于设计稳定可靠的架构有十分重要的意义。

02

MySQL二进制日志（binary log）总结

今天无意中发现了一个云栖社区举行的MySQL“第一季：挑战玄惭之慢SQL性能优化赛”，在测试服务器上执行其测试脚本写入数据的时候报错提示如下， Multi-statement transaction required more than 'max_binlog_cache_size' bytes of storage,increase this mysqld variable and try agagin

01

「事件驱动架构」Apache Kafka中的事务

在之前的一篇博客文章中，我们介绍了Apache Kafka®的一次语义。这篇文章介绍了各种消息传递语义，介绍了幂等生成器、事务和Kafka流的一次处理语义。现在，我们将继续上一节的内容，深入探讨Apache Kafka中的事务。该文档的目标是让读者熟悉有效使用Apache Kafka中的事务API所需的主要概念。

02

Apache ZooKeeper - 集群中 Observer 的作用以及与 Follow 的区别

在 ZooKeeper 集群服务运行的过程中，Follow 服务器主要负责处理来自客户端的非事务性请求，其中大部分是处理客户端发起的查询会话等请求。而在 ZooKeeper 集群中，Leader 服务器失效时，会在 Follow 集群服务器之间发起投票，最终选举出一个 Follow 服务器作为新的 Leader 服务器。

02

「企业事件枢纽」Apache Kafka中的事务

在之前的一篇博客文章中，我们介绍了Apache Kafka®的一次语义。这篇文章介绍了各种消息传递语义，介绍了幂等生成器、事务和Kafka流的一次处理语义。现在，我们将继续上一节的内容，深入探讨Apache Kafka中的事务。该文档的目标是让读者熟悉有效使用Apache Kafka中的事务API所需的主要概念。

02

基于 TiDB + Flink 实现的滑动窗口实时累计指标算法

在不少的支付分析场景里，大部分累计值指标可以通过 T+n 的方式计算得到。随着行业大环境由增量市场转为存量市场，产品的运营要求更加精细化、更快速反应，这对各项数据指标的实时性要求已经越来越高。产品如果能实时把握应用的整体运行情况或特征用户的状态，就可以及时安排合理的市场营销活动，这对改善用户的体验和促进收益的增长有明显的帮助。

03

Flink 2PC 一致性语义

XA（eXtended Architecture）是指由X/Open 组织提出的分布式交易处理的规范。XA 是一个分布式事务协议，由Tuxedo 提出，所以分布式事务也称为XA 事务。XA 协议主要定义了事务管理器TM（Transaction Manager，协调者）和资源管理器RM（Resource Manager，参与者）之间的接口。其中，资源管理器往往由数据库实现，如Oracle、DB2、MySQL，这些商业数据库都实现了XA 接口，而事务管理器作为全局的调度者，负责各个本地资源的提交和回滚。XA 事务是基于两阶段提交（Two-phaseCommit，2PC）协议实现的，可以保证数据的强一致性，许多分布式关系型数据管理系统都采用此协议来完成分布式。阶段一为准备阶段，即所有的参与者准备执行事务并锁住需要的资源。当参与者Ready时，向TM 汇报自己已经准备好。阶段二为提交阶段。当TM 确认所有参与者都Ready 后，向所有参与者发送COMMIT 命令。

03

[SQLServer大对象]——FileTable初体验

在我接触FileTable之前，存储文件都是存储文件的链接和扩展名到数据，其实并没有实际的把文件存储到数据库。 FileTable不同于一般的表，他可以存储非结构数据和元数据（如：文件、文档），存储的文件可以像普通的文件一样通过一个路径被访问，而且不必对客户端程序修改。 FileTable 不支持内存映射文件。 “记事本”和“画图”是两个常见的使用内存映射文件的示例应用程序。不能在 SQL Server 所在的计算机上使用这些应用程序来打开存储在 FileTable 中的文件。但是，可以从远程计算机使用

06

13道Flink企业级高频面试题

相信小伙伴们对于Flink一定不会感到陌生，作为连续三年蝉联第一，荣膺全球最活跃的 Apache 开源项目，Flink在中国的热度也一直是居高不下。近几年，在社区的推动下，Flink 技术栈在越来越多的公司开始得到应用，因此在大数据的求职招聘中，对于Flink的着重考察也变得越来越重要。本期文章，菌哥就带大家来总结一下，在面试过程中，Flink常被问到的知识点有哪些？如果本文对你有帮助，记得在看完之后，一键三连(✧◡✧)

01

分布式缓存有哪些坑

在toC的系统之中，解决高并发场景下低延迟的问题，缓存是很重要的解决手段。多级缓存，数据异构，数据预处理都是相关的高性能方法论，那么使用分布式缓存会有哪些坑呢？

04

【日更计划104】数字IC基础题【验证部分】

单端口RAM只有一个读和写端口。因此，它只能在任何给定的时间点进行读或写操作。其他需要考虑验证的设计规范包括RAM大小、地址和数据总线的宽度。基于此，以下是一些需要验证的场景:

02

Kafka Exactly-Once 之事务性实现

这篇文章主要讲述 Kafka 事务性的实现，这部分的实现要比幂等性的实现复杂一些，幂等性实现是事务性实现的基础，幂等性提供了单会话单 Partition Exactly-Once 语义的实现，正是因为 Idempotent Producer 不提供跨多个 Partition 和跨会话场景下的保证，因此，我们是需要一种更强的事务保证，能够原子处理多个 Partition 的写入操作，数据要么全部写入成功，要么全部失败，不期望出现中间状态。这就是 Kafka Transactions 希望解决的问题，简单来说就是能够实现 atomic writes across partitions，本文以 Apache Kafka 2.0.0 代码实现为例，深入分析一下 Kafka 是如何实现这一机制的。

03

干货 | 13道精选Flink面试题

相信小伙伴们对于Flink一定不会感到陌生，作为连续三年蝉联第一，荣膺全球最活跃的 Apache 开源项目，Flink在中国的热度也一直是居高不下。近几年，在社区的推动下，Flink 技术栈在越来越多的公司开始得到应用，因此在大数据的求职招聘中，对于Flink的着重考察也变得越来越重要。本期文章，菌哥就带大家来总结一下，在面试过程中，Flink常被问到的知识点有哪些？如果本文对你有帮助，记得在看完之后，一键三连(✧◡✧)

02

两阶段提交(2PC)及其在Flink Exactly-once中的应用

场景描述：两阶段提交（two-phase commit, 2PC）是最基础的分布式一致性协议，应用广泛。本文来介绍它的相关细节以及它在Flink中的典型应用场景。。

02

高吞吐实时事务数仓方案调研 flink kudu+impala hbase等

腾讯云数据仓库PostgreSql TDSQL，PingCAP的TiDB，阿里的OceanBase，华为云DWS，都是HTAP的业内常用数仓，可以一站式解决需求。

08

Spring之事务管理

事务管理数据库事务(Database Transaction) ，是指作为单个逻辑工作单元执行的一系列操作，要么完全地执行，要么完全地不执行。事务处理可以确保除非事务性单元内的所有操作都成功完成，否则不会永久更新面向数据的资源。通过将一组相关操作组合为一个要么全部成功要么全部失败的单元，可以简化错误恢复并使应用程序更加可靠。一个逻辑工作单元要成为事务，必须满足所谓的ACID（原子性、一致性、隔离性和持久性）属性。事务是数据库运行中的逻辑工作单位，由DBMS中的事务管理子系统负责事务的处理。案例准

04

一文读懂数据库优化之分库分表

作者：tayroctang，腾讯 PCG 后台开发工程师本文从 5W1H 角度介绍了分库分表手段，其在解决如 IO 瓶颈、读写性能、物理存储瓶颈、内存瓶颈、单机故障影响面等问题的同时也带来如事务性、主键冲突、跨库 join、跨库聚合查询等问题。anyway，在综合业务场景考虑，正如缓存的使用一样，本着非必须勿使用原则。如数据库确实成为性能瓶颈时，在设计分库分表方案时也应充分考虑方案的扩展性，或者考虑采用成熟热门的分布式数据库解决方案，如 TiDB。阅读此文你将了解：什么是分库分表以及为什么分库分表如

05

SQL Server 2005的负载均衡

SQL Server 2005仍然不直接地支持负载均衡——但是它为以前SQL Server版本中可用的所有负载均衡方法提供了令人激动的改善和支持。目录 1、端到端拓扑的事务性复制 2、表分割 3、备份和重新存储上的改善(片段式重新存储) 4、数据库镜像和快照端到端拓扑的事务性复制 SQL Server 2005对端到端(P2P)的拓扑结构上的事务性的复制加强了支持。 SQL Server 2000支持双向的复制，这就可以让两台服务器同时对彼此发布和订阅数据。服务器可以更新同一个共享数据，但是在这样的

Apache Hudi PMC畅谈Hudi未来演进之路

上图展示了大部分用户使用Hudi的场景。通常用Flink或者Spark或者Hudi内置工具DeltaStreamer读取数据源，写入原始表。这些表可以被不同的查询引擎读取，做常规的数据湖分析，或者做批处理。同时用Hudi提供的库可以搭建增量ETL管道，写入衍生表中。Hudi促进形成了一套生态系统，包含众多管理数据的功能，可以有效地分离高度优化的数据层和其上面搭建的查询层。

04

Kafka 的事务到底长啥样？

这篇文章主要讲述 Kafka 事务性相关原理，从 Kafka EOS 语义、幂等性、事务性等几个方面阐述。

01

Kafka设计解析（八）- Exactly Once语义与事务机制原理

写在前面的话本文所有Kafka原理性的描述除特殊说明外均基于Kafka 1.0.0版本。为什么要提供事务机制 Kafka事务机制的实现主要是为了支持 Exactly Once即正好一次语义操作的原子性有状态操作的可恢复性 Exactly Once 《Kafka背景及架构介绍》一文中有说明Kafka在0.11.0.0之前的版本中只支持At Least Once和At Most Once语义，尚不支持Exactly Once语义。但是在很多要求严格的场景下，如使用Kafka处理交易数据，Exactl

03

Hbase二级索引

二级索引与索引Join是多数业务系统要求存储引擎提供的基本特性，RDBMS早已支持，NOSQL阵营也在摸索着符合自身特点的最佳解决方案。这篇文章会以Hbase做为对象来讨论如何基于Hbase构建二级索引与实现索引join。文末同时会列出目前已知的包括0.19.3版secondary index, ITHbase, Facebook方案和官方Coprocessor的介绍。理论目标在HBase中实现二级索引与索引Join需要考虑三个目标：1，高性能的范围检索。2，数据的低冗余（存储所占的数据量）。3，数据的

04

【说站】mysql读写分离是什么

1、是让主数据库处理事务性增、改、删操作，而从数据库处理SELECT查询操作。数据库复制被用来把事务性操作导致的变更同步到集群中的从数据库。一般来说都是通过主从复制的方式来同步数据，再通过读写分离提升数据库的并发负载能力这样的方案来进行部署与实施的。

03

Kafka笔记—可靠性、幂等性和事务

Kafka只对“已提交”的消息（committed message）做有限度的持久化保证。

02

sqlite wal模式

WAL的全称是Write Ahead Logging，它是很多数据库中用于实现原子事务的一种机制，SQLite在3.7.0版本引入了该特性。

02

消息队列消息丢失和消息重复发送的处理策略

来源：https://www.jianshu.com/p/533fc6fc0963 分布式事务什么是分布式事务我们的服务器从单机发展到拥有多台机器的分布式系统，各个系统之前需要借助于网络进行通信，原有单机中相对可靠的方法调用以及进程间通信方式已经没有办法使用，同时网络环境也是不稳定的，造成了我们多个机器之间的数据同步问题，这就是典型的分布式事务问题。在分布式事务中事务的参与者、支持事务的服务器、资源服务器以及事务管理器分别位于不同的分布式系统的不同节点之上。分布式事务就是要保证不同节点之间的数据一致性

02

【Kafka专栏 13】Kafka的消息确认机制：不是所有的“收到”都叫“确认”！

在大数据和流处理领域，Apache Kafka已经成为了一个非常重要的组件。Kafka不仅提供了高吞吐、低延迟的消息传递功能，还通过其独特的设计和机制确保了消息的可靠传输。其中，消息确认机制是Kafka确保消息可靠传递的关键环节。本文将深入探讨Kafka的消息确认机制，包括其工作原理、相关配置以及对系统性能的影响。

02

Kafka笔记—可靠性、幂等性和事务

这几天很忙，但是我现在给我的要求是一周至少要出一篇文章，所以先拿这篇笔记来做开胃菜，源码分析估计明后两天应该能写一篇。给自己加油~，即使没什么人看。

02

Kafka Exactly Once实现原理

上面3种EOS语义有着不同的应用范围，幂等producr只能保证单分区上无重复消息；事务可以保证多分区写入消息的完整性；而流处理EOS保证的是端到端(E2E)消息处理的EOS。用户在使用过程中需要根据自己的需求选择不同的EOS。以下是启用方法：

04

万字长文干货 | Kafka 事务性之幂等性实现

Apache Kafka 从 0.11.0 开始，支持了一个非常大的 feature，就是对事务性的支持，在 Kafka 中关于事务性，是有三种层面上的含义：一是幂等性的支持；二是事务性的支持；三是 Kafka Streams 的 exactly once 的实现，关于 Kafka 事务性系列的文章我们只重点关注前两种层面上的事务性，与 Kafka Streams 相关的内容暂时不做讨论。社区从开始讨论事务性，前后持续近半年时间，相关的设计文档有六十几页（参考 Exactly Once Delivery and Transactional Messaging in Kafka）。事务性这部分的实现也是非常复杂的，之前 Producer 端的代码实现其实是非常简单的，增加事务性的逻辑之后，这部分代码复杂度提高了很多，本篇及后面几篇关于事务性的文章会以 2.0.0 版的代码实现为例，对这部分做了一下分析：

01

SQLite读写同步之WAL机制

在数据库读写操作中，经常会有人问到数据库读写同步的问题，即在数据库操作中，数据正处于写状态，此时要读取的数据为空状态，问怎么操作。其实，说到这就不得不提到数据库的一个重要的机制WAL，不管是后端的PostSql还是前端的SqlLite，都会涉及到WAL机制。

03

快速数据管道设计：通过交换表更新各个事件决策

在 VoltDB（这是一种数据库）经常使用到的术语，快速数据管道（Fast data pipeline），这是一种全新的现代应用程序 —— 这种应用程序将流式传输（或者说 “快速数据”）与大数据紧密结合在了一起。

08

HBase学习—高表与宽表的选择

转自：https://yq.aliyun.com/articles/213705?utm_content=m_31236 hbase中的宽表是指很多列较少行，即列多行少的表，一行中的数据量较大，行数

05

phoenix二级索引

二级索引二级索引是从主键访问数据的正交方式。Hbase中有一个按照字典排序的主键Rowkey作为单一的索引。不按照Rowkey去读取记录都要遍历整张表，然后按照你指定的过滤条件过滤。通过二级索引，索引的列或表达式形成一个备用行键，以允许沿着这个新轴进行点查找和范围扫描。 1 覆盖索引（Covered Indexes） Phoenix特别强大，因为它提供了覆盖索引。一旦找到索引的条目，不需要返回主表。相反，把我么关心的数据绑定到索引行，节省了读取的时间开销。例如，以下内容将在v1和v2列上创建一个

09

Flink高频面试题，附答案解析

Checkpoint容错机制是Flink可靠性的基石，可以保证Flink集群在某个算子因为某些原因(如异常退出)出现故障时，能够将整个应用流图的状态恢复到故障之前的某一状态，保证应用流图状态的一致性。Flink的Checkpoint机制原理来自“Chandy-Lamport algorithm”算法。

02

浅谈分布式计算的开发与实现(一)

分布式计算简单来说，是把一个大计算任务拆分成多个小计算任务分布到若干台机器上去计算，然后再进行结果汇总。目的在于分析计算海量的数据，从雷达监测的海量历史信号中分析异常信号(外星文明)，淘宝双十一实时计算各地区的消费习惯等。

02

深入理解MySQL变量：探索更新相关参数

在日常的数据库运维和开发过程中，了解和正确配置MySQL的系统变量是非常重要的，它们能够影响到数据库的性能和稳定性。在本文中，我们将深入探讨与更新操作相关的MySQL系统变量，帮助读者更好地理解它们的作用及如何合理配置以优化数据库性能。

02

kafka 事务介绍

kafka 的事务是从0.11 版本开始支持的，kafka 的事务是基于 Exactly Once 语义的，它能保证生产或消费消息在跨分区和会话的情况下要么全部成功要么全部失败

01

八股必备｜Kafka幂等性原理深入解析

在正常情况下，Producer向Broker投递消息，Broker将消息追加写到对应的流（即某一Topic的某一Partition）中，并向Producer返回ACK信号，表示确认收到。

02

迁移Postgres的Sequence（序列）

序列（Sequence）的当前值（Currval）无法通过pg_dump导出，又不能对源实例做修改，得这么办才行。

04

浅谈分布式计算的开发与实现(一)

阅读目录: 介绍利用分片算法利用消息队列 Hadoop简介 MapReduce 离线计算介绍分布式计算简单来说，是把一个大计算任务拆分成多个小计算任务分布到若干台机器上去计算，然后再进行结果汇总。目的在于分析计算海量的数据，从雷达监测的海量历史信号中分析异常信号(外星文明)，淘宝双十一实时计算各地区的消费习惯等。海量计算最开始的方案是提高单机计算性能，如大型机，后来由于数据的爆发式增长、单机性能却跟不上，才有分布式计算这种妥协方案。因为计算一旦拆分，问题会变得非常复杂，像一致性、数据完整、通信

07

浅谈分布式计算的开发与实现(一)

分布式计算简单来说，是把一个大计算任务拆分成多个小计算任务分布到若干台机器上去计算，然后再进行结果汇总。目的在于分析计算海量的数据，从雷达监测的海量历史信号中分析异常信号(外星文明)，淘宝双十一实时计算各地区的消费习惯等。

03

数据库事务、隔离级别和锁ACID的真实含义隔离级别和并发控制MySQL和PostgreSQL对比如何写代码

这是个令大多数后端同学头疼的问题。部分是因为不同的文章、文档充斥着不相容的概念。高层抽象和底层实现混到一起令人傻傻的分不清楚。此外还有一部分是SQL标准和实现压根就不一致。本文期望在众多文献中找到一条容易理解知识线，帮助大家在实际工作中更加容易明白到底怎么使用数据库的事务、隔离级别和锁。 ACID的真实含义一般都会用ACID来表达事务的特性。A、C、I、D分别代表“原子性”，“一致性”，“隔离性”和“持久性“。这是1983年（恰好是我出生的年份）ACM的一篇期刊文章Principles of Transa

Flume快速入门系列(11) | Flume知识点总结(持续更新)

增加Source个数（使用Tair Dir Source时可增加FileGroups个数）可以增大Source的读取数据的能力。例如：当某一个目录产生的文件过多时需要将这个文件目录拆分成多个文件目录，同时配置好多个Source 以保证Source有足够的能力获取到新产生的数据。 batchSize参数决定Source一次批量运输到Channel的event条数，适当调大这个参数可以提高Source搬运Event到Channel时的性能。

02

消息架构的设计难题以及应对之道

在微服务开发中我们经常会引入消息中间件实现业务解耦，执行异步操作，现在让我们来看看使用消息中间件的好处和弊端。

01

Apache Beam 架构原理及应用实践

导读：大家好，很荣幸跟大家分享 Apache Beam 架构原理及应用实践。讲这门课之前大家可以想想，从进入 IT 行业以来，不停的搬运数据，不管职务为前端，还是后台服务器端开发。随着这两年科技的发展，各种数据库，数据源，应运而生，大数据组件，框架也是千变万化，从 Hadoop 到现在的 Spark、Flink，数据库从先前的 oracle、MySQL 到现在的 NOSQL，不断延伸。那么有没有统一的框架，统一的数据源搬砖工具呢？

02

Oracle数据中的序列、索引、视图、事务操作详解以及rowid 和 rownum的简单介绍

例如: 分页查询员工信息, 按工资降序排序. 用 page 表示当前页数, size 表示每页显示的记录数, 则分页查询语句为:

01

flink exactly-once系列之最终一致性

一、两阶段提交概述二、两阶段提交实现分析三、StreamingFileSink分析四、事务性输出实现五、最终一致性实现

04

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭