Spark SQL----ANSI Compliance

Spark SQL----ANSI Compliance

  • 一、算术运算
  • 二、Cast
    • 2.1 Rounding in cast
  • 三、存储分配
  • 四、Type coercion
    • 4.1 类型提升和优先级
    • 4.2 最不常见类型解析
  • 五、SQL函数
    • 5.1 函数调用
    • 5.2 具有不同行为的函数
  • 六、SQL操作符
  • 七、ANSI模式的有用函数
  • 八、SQL关键字(可选，默认禁用)

在Spark SQL中，有两个选项符合SQL标准：spark.sql.ansi.enabled和spark.sql.storeAssignmentPolicy（详细信息请参阅下表）。
当spark.sql.ansi.enabled设置为true时，Spark SQL使用符合ANSI的方言，而不是符合Hive的方言。例如，如果SQL运算符/函数的输入无效，Spark将在运行时抛出异常，而不是返回null结果。一些ANSI方言功能可能不是直接来自ANSI SQL标准，但它们的行为与ANSI SQL的风格一致。
此外，Spark SQL有一个独立的选项来控制在表中插入行时的隐式强制转换行为。类型转换行为在标准中被定义为存储分配规则。
当spark.sql.storeAssignmentPolicy设置为ANSI时，Spark SQL符合ANSI存储分配规则。这是一个单独的配置，因为它的默认值是ANSI，而默认情况下禁用配置spark.sql.ansi.enabled。

Property NameDefaultMeaningSince Version
spark.sql.ansi.enabledfalse当为true时，Spark会尝试遵守ANSI SQL规范：
1。Spark SQL会对无效操作抛出运行时异常，包括整数溢出错误、字符串解析错误等。
2。Spark将使用不同的类型强制规则来解决数据类型之间的冲突。规则始终基于数据类型优先级。		3.0.0
spark.sql.storeAssignmentPolicyANSI在不同数据类型的列中插入值时，Spark将执行类型转换。目前，Spark支持三种类型强制规则策略：ANSI、legacy和strict
1。使用ANSI策略，Spark根据ANSI SQL执行类型强制。在实践中，行为与PostgreSQL基本相同。它不允许某些不合理的类型转换，例如将字符串转换为int或将double转换为boolean。在插入数字类型列时，如果值超出目标数据类型的范围，则会引发溢出错误
2。对于遗留策略，Spark允许类型强制，只要它是有效的Cast，这是非常宽松的。例如，允许将string转换为int或将double转换为boolean。这也是仅在Spark2.x中的行为，并且与Hive兼容
3。通过严格的策略，Spark不允许在类型强制中出现任何可能的精度损失或数据截断，例如不允许将double转换为int或将decimal转换为double。		3.0.0

以下小节介绍了启用ANSI模式时算术运算、类型转换和SQL解析的行为变化。对于Spark SQL中的类型转换，有三种类型，本文将逐一介绍：强制转换、存储赋值和类型强制。

一、算术运算

在Spark SQL中，默认情况下不检查对数字类型(十进制除外)执行的算术操作是否溢出。这意味着，如果一个操作导致溢出，其结果与Java/Scala程序中的相应操作相同(例如，如果两个integers的总和大于可表示的最大值，则结果为负数)。另一方面，Spark SQL对于小数溢出返回null。当spark.sql.ansi.enabled设置为true并且在数字和间隔(interval)算术运算中发生溢出时，它会抛出一个算术异常。

-- `spark.sql.ansi.enabled=true`
SELECT 2147483647 + 1;
org.apache.spark.SparkArithmeticException: [ARITHMETIC_OVERFLOW] integer overflow. Use 'try_add' to tolerate overflow and return NULL instead. If necessary set spark.sql.ansi.enabled to "false" to bypass this error.
== SQL(line 1, position 8) ==
SELECT 2147483647 + 1^^^^^^^^^^^^^^SELECT abs(-2147483648);
org.apache.spark.SparkArithmeticException: [ARITHMETIC_OVERFLOW] integer overflow. If necessary set spark.sql.ansi.enabled to "false" to bypass this error.-- `spark.sql.ansi.enabled=false`
SELECT 2147483647 + 1;
+----------------+
|(2147483647 + 1)|
+----------------+
|     -2147483648|
+----------------+SELECT abs(-2147483648);
+----------------+
|abs(-2147483648)|
+----------------+
|     -2147483648|
+----------------+

二、Cast

当spark.sql.ansi.enabled设置为true时，CAST语法的显式强制转换将为标准中定义的非法强制转换patterns抛出运行时异常，例如从string强制转换为integer。此外，ANSI SQL模式不允许以下类型转换，它们在ANSI模式关闭时是允许的:

  • Numeric <=> Binary
  • Date <=> Boolean
  • Timestamp <=> Boolean
  • Date => Numeric

下表给出了CAST表达式中源数据类型和目标数据类型的有效组合。“Y”表示该组合在语法上不受限制地有效，“N”表示该组合无效。
此表格见这里。
在上表中，所有具有新语法的CAST都标记为红色Y：
CAST（Numeric AS Numeric）：如果值超出目标数据类型的范围，则引发溢出异常。
CAST（String AS (Numeric/Date/Timestamp/Timestamp_NTZ/Interval/Boolean)）：如果无法将值解析为目标数据类型，则引发运行时异常。
CAST（Timestamp AS Numeric）：如果自epoch以来的秒数超出目标数据类型的范围，则引发溢出异常。
CAST（Numeric AS Timestamp）：如果numeric值乘以1000000（微秒/秒）超出Long类型的范围，则引发溢出异常。
CAST（Array AS Array）：如果元素的转换中有异常，则引发异常。
CAST（Map AS Map）：如果在key和value的转换上有任何异常，则引发异常。
CAST（Struct AS Struct）：如果在struct字段的转换上存在异常，则引发异常。
CAST（Numeric AS String）：将十进制值强制转换为字符串时，始终使用纯字符串表示法，而不是在需要指数时使用科学表示法
CAST（Interval AS Numeric）：如果day-time interval的微秒数或year-month interval的月数超出目标数据类型的范围，则引发溢出异常。
CAST（Numeric AS Interval）：如果目标interval的结束单位的numeric时间超出Int类型（year-month intervals）或Long类型（day-time intervals）的范围，则引发溢出异常。

-- Examples of explicit casting-- `spark.sql.ansi.enabled=true`
SELECT CAST('a' AS INT);
org.apache.spark.SparkNumberFormatException: [CAST_INVALID_INPUT] The value 'a' of the type "STRING" cannot be cast to "INT" because it is malformed. Correct the value as per the syntax, or change its target type. Use `try_cast` to tolerate malformed input and return NULL instead. If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.
== SQL(line 1, position 8) ==
SELECT CAST('a' AS INT)^^^^^^^^^^^^^^^^SELECT CAST(2147483648L AS INT);
org.apache.spark.SparkArithmeticException: [CAST_OVERFLOW] The value 2147483648L of the type "BIGINT" cannot be cast to "INT" due to an overflow. Use `try_cast` to tolerate overflow and return NULL instead. If necessary set "spark.sql.ansi.enabled" to "false" to bypass this error.SELECT CAST(DATE'2020-01-01' AS INT);
org.apache.spark.sql.AnalysisException: cannot resolve 'CAST(DATE '2020-01-01' AS INT)' due to data type mismatch: cannot cast date to int.
To convert values from date to int, you can use function UNIX_DATE instead.-- `spark.sql.ansi.enabled=false` (This is a default behaviour)
SELECT CAST('a' AS INT);
+--------------+
|CAST(a AS INT)|
+--------------+
|          null|
+--------------+SELECT CAST(2147483648L AS INT);
+-----------------------+
|CAST(2147483648 AS INT)|
+-----------------------+
|            -2147483648|
+-----------------------+SELECT CAST(DATE'2020-01-01' AS INT)
+------------------------------+
|CAST(DATE '2020-01-01' AS INT)|
+------------------------------+
|                          null|
+------------------------------+-- Examples of store assignment rules
CREATE TABLE t (v INT);-- `spark.sql.storeAssignmentPolicy=ANSI`
INSERT INTO t VALUES ('1');
org.apache.spark.sql.AnalysisException: [INCOMPATIBLE_DATA_FOR_TABLE.CANNOT_SAFELY_CAST] Cannot write incompatible data for table `spark_catalog`.`default`.`t`: Cannot safely cast `v`: "STRING" to "INT".-- `spark.sql.storeAssignmentPolicy=LEGACY` (This is a legacy behaviour until Spark 2.x)
INSERT INTO t VALUES ('1');
SELECT * FROM t;
+---+
|  v|
+---+
|  1|
+---+

2.1 Rounding in cast

当将带有小数的十进制数转换为以SECOND作为结束单位的间隔类型(如INTERVAL HOUR TO SECOND)时，Spark将小数部分舍入到“nearest neighbor”，除非两个邻居距离相等，在这种情况下，四舍五入。

三、存储分配

如开头所述，当spark.sql.storeAssignmentPolicy被设置为ANSI(这是默认值)时，Spark SQL在表插入上遵循ANSI存储分配规则。下表给出了表插入中源数据类型和目标数据类型的有效组合。
此表格见这里。

  • Spark不支持interval类型的表列。
  • 对于Array/Map/Struct类型，数据类型检查规则递归地应用于其组件元素。

在插入表时，Spark会在数值溢出时抛出异常。

CREATE TABLE test(i INT);INSERT INTO test VALUES (2147483648L);
org.apache.spark.SparkArithmeticException: [CAST_OVERFLOW_IN_TABLE_INSERT] Fail to insert a value of "BIGINT" type into the "INT" type column `i` due to an overflow. Use `try_cast` on the input value to tolerate overflow and return NULL instead.

四、Type coercion

4.1 类型提升和优先级

当spark.sql.ansi.enabled设置为true时，Spark SQL使用一些规则来管理如何解决数据类型之间的冲突。这种冲突解决的核心是类型优先级列表，它定义了给定数据类型的值是否可以隐式地提升到另一个数据类型。

Data typeprecedence list(从最窄到最宽)
ByteByte -> Short -> Int -> Long -> Decimal -> Float* -> Double
ShortShort -> Int -> Long -> Decimal-> Float* -> Double
IntInt -> Long -> Decimal -> Float* -> Double
LongLong -> Decimal -> Float* -> Double
DecimalDecimal -> Float* -> Double
FloatFloat -> Double
DoubleDouble
DateDate -> Timestamp_NTZ -> Timestamp
TimestampTimestamp
StringString, Long -> Double, Date -> Timestamp_NTZ -> Timestamp , Boolean, Binary **
BinaryBinary
BooleanBoolean
IntervalInterval
MapMap***
ArrayArray***
StructStruct***
  • 对于最不常见的类型解析，float被跳过以避免精度损失。
  • 字符串可以提升为多种数据类型。请注意，Byte/Short/Int/Decimal/Float不在此precedent列表中。Byte/Short/Int和String之间最不常见的类型是Long, Decimal和Float之间最不常见的类型是Double。
  • 对于复杂类型，优先级规则递归地应用于其组成元素。特殊规则适用于未类型化的NULL。NULL可以被提升为任何其他类型。这是优先级列表作为有向树的图形描述:
    在这里插入图片描述

4.2 最不常见类型解析

一组类型中最不常见的类型是该组类型的所有元素从优先级列表中可访问的最窄（narrowest）类型。
最不常见的类型解析用于：

  • 派生函数的参数类型，这些函数需要多个参数的共享参数类型，例如coalesce、最小或最大。
  • 派生算术运算或比较等运算符的操作数类型。
  • 派生表达式（如大小写表达式）的结果类型。
  • 派生数组和映射构造函数的元素、键或值类型。如果最不常见的类型解析为FLOAT，则应用特殊规则。对于浮点类型值，如果任何类型是INT、BIGINT或DECIMAL，则最不常见的类型将被推到DOUBLE，以避免潜在的数字丢失。
-- The coalesce function accepts any set of argument types as long as they share a least common type. 
-- The result type is the least common type of the arguments.
> SET spark.sql.ansi.enabled=true;
> SELECT typeof(coalesce(1Y, 1L, NULL));
BIGINT
> SELECT typeof(coalesce(1, DATE'2020-01-01'));
Error: Incompatible types [INT, DATE]> SELECT typeof(coalesce(ARRAY(1Y), ARRAY(1L)));
ARRAY<BIGINT>
> SELECT typeof(coalesce(1, 1F));
DOUBLE
> SELECT typeof(coalesce(1L, 1F));
DOUBLE
> SELECT (typeof(coalesce(1BD, 1F)));
DOUBLE> SELECT typeof(coalesce(1, '2147483648'))
BIGINT
> SELECT typeof(coalesce(1.0, '2147483648'))
DOUBLE
> SELECT typeof(coalesce(DATE'2021-01-01', '2022-01-01'))
DATE

五、SQL函数

5.1 函数调用

在ANSI模式下（spark.sql.ansi.enabled=true），Spark SQL的函数调用：

  • 通常，它遵循存储分配规则，将输入值存储为SQL函数的声明参数类型
  • 特殊规则适用于非类型化的NULL。NULL可以升级为任何其他类型。
> SET spark.sql.ansi.enabled=true;
-- implicitly cast Int to String type
> SELECT concat('total number: ', 1);
total number: 1
-- implicitly cast Timestamp to Date type
> select datediff(now(), current_date);
0-- implicitly cast String to Double type
> SELECT ceil('0.1');
1
-- special rule: implicitly cast NULL to Date type
> SELECT year(null);
NULL> CREATE TABLE t(s string);
-- Can't store String column as Numeric types.
> SELECT ceil(s) from t;
Error in query: cannot resolve 'CEIL(spark_catalog.default.t.s)' due to data type mismatch
-- Can't store String column as Date type.
> select year(s) from t;
Error in query: cannot resolve 'year(spark_catalog.default.t.s)' due to data type mismatch

5.2 具有不同行为的函数

在ANSI模式下，某些SQL函数的行为可能会有所不同（spark.sql.ansi.enabled=true）。

  • size：输入为null，则此函数返回null。
  • element_at：如果使用无效索引，此函数将引发ArrayIndexOutOfBoundsException。
  • elt:如果使用无效索引，此函数将引发ArrayIndexOutOfBoundsException。
  • parse_url:如果输入字符串不是有效的url，此函数将抛出IllegalArgumentException。
  • to_date：如果输入字符串无法解析，或者pattern字符串无效，则此函数将失败并抛出异常。
  • to_timestamp：如果输入字符串无法解析，或者pattern字符串无效，则此函数将失败并抛出异常。
  • unix_timestamp：如果输入字符串无法解析，或者pattern字符串无效，则此函数将失败并抛出异常。
  • to_unix_timestamp：如果输入字符串无法解析，或者pattern字符串无效，则此函数将失败并抛出异常。
  • make_date：如果结果日期无效，则此函数应失败并抛出异常。
  • make_timestamp：如果结果时间戳无效，此函数将失败并抛出异常。
  • make_interval：如果结果间隔无效，此函数将失败并抛出异常。
  • next_day：如果输入不是有效的星期几，则此函数引发IllegalArgumentException。

六、SQL操作符

在ANSI模式下，某些SQL操作符的行为可能会有所不同(spark.sql.ansi.enabled=true)。

  • array_col[index]:如果使用无效的索引，将抛出ArrayIndexOutOfBoundsException。

七、ANSI模式的有用函数

当ANSI模式打开时，它会为无效操作抛出异常。你可以使用以下SQL函数来抑制此类异常。

  • try_cast：与cast相同，只是它在运行出错时返回NULL结果，而不是抛出异常。
  • try_add：与add运算符+相同，只是它在整数值溢出时返回NULL结果，而不是抛出异常。
  • try_subtract：与subtract运算符-相同，只是它在整数值溢出时返回NULL结果，而不是抛出异常。
  • try_multiply：与multiply运算符*相同，只是它在整数值溢出时返回NULL结果，而不是抛出异常。
  • try_divide：与除法运算符/相同，只是它在除0时返回NULL结果，而不是抛出异常。
  • try_sum：与函数sum相同，只是它在integral/decimal/interval值溢出时返回NULL结果，而不是抛出异常。
  • try_avg：与函数avg相同，只是它在decimal/interval值溢出时返回NULL结果，而不是抛出异常。
  • try_element_at：与函数element_at相同，只是它在数组的索引越界时返回NULL结果，而不是抛出异常。
  • try_to_timestamp：与函数to_timestamp相同，只是它在字符串解析错误时返回NULL结果，而不是抛出异常。

八、SQL关键字(可选，默认禁用)

当spark.sql.ansi.enabled和spark.sql.ansi.enforceReservedKeywords都为true时，Spark SQL将使用ANSI模式解析器。
使用ANSI模式解析器，Spark SQL有两种关键字：

  • 非保留关键字：仅在特定上下文中具有特殊含义，并可在其他上下文中用作标识符的关键字。例如，EXPLAIN SELECT …是一个命令，但EXPLAIN可以在其他地方用作标识符。
  • 保留关键字：保留的关键字不能用作表、视图、列、函数、别名等的标识符。
    使用默认的解析器，Spark SQL有两种关键字：
  • 非保留关键字：与启用ANSI模式时的定义相同。
  • 严格非保留关键字：比非保留关键字的更严格，不能用作表别名。
    默认情况下，spark.sql.ansi.enabled和spark.sql.ansi.enforceReservedKeywords均为false。
    后面的链接是Spark SQL中所有关键字的列表。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/38348.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

浪子易支付最新增加订单投诉版源码

浪子易支付最新增加订单投诉版源码

此版本增加了订单投诉功能&#xff0c;和一个好看的二次元模板。
阅读更多...
【Python实战因果推断】9_元学习器4

【Python实战因果推断】9_元学习器4

目录 Double/Debiased Machine Learning Double/Debiased Machine Learning Double/Debiased ML 或 R-learner 可以看作是 FrischWaugh-Lovell 定理的改进版。其思路非常简单--在构建结果和治疗残差时使用 ML 模型 结果和干预残差&#xff1a; , 预估&#xff0c;预估 由于 …
阅读更多...
Python28-4 KNN近邻算法

Python28-4 KNN近邻算法

KNN&#xff08;K-Nearest Neighbors&#xff09;算法是一种常用的机器学习算法&#xff0c;主要用于分类和回归问题。 1. KNN算法的基本概念 KNN算法是一种基于实例的学习算法&#xff0c;也称为惰性学习&#xff08;Lazy Learning&#xff09;算法&#xff0c;因为它在训练…
阅读更多...
51单片机第17步_外部中断

51单片机第17步_外部中断

本章重点学习外部中断。 1、外部中断0框图&#xff1a; 2、外部中断1框图&#xff1a; 3、Keil C51中有一些关键字&#xff0c;需要牢记&#xff1a; interrupt 0&#xff1a;指定当前函数为外部中断0&#xff1b; interrupt 1&#xff1a;指定当前函数为定时器0中断&#x…
阅读更多...
2 z变换与离散时间傅里叶变换

2 z变换与离散时间傅里叶变换

目录 序列的z变换 z变换的定义 常用典型序列的z变换 序列类型与z变换的收敛域 序列的分类 X(z)的极点与收敛域 单边序列 双边序列 z变换的性质 线性 序列移位 单边序列 双边序列 z域尺度变换 序列乘以n 复共轭序列的z变换 初值定理 终值定理 时域卷积定理 …
阅读更多...
Spring事务及其传播机制（二）

Spring事务及其传播机制（二）

目录 1.Transcational详解 1.1 rollbackFor 2事务隔离级别 2.1MySQL事务隔离级别回顾 2.2Spring事务隔离级别 3.Spring事务传播机制 3.1什么是事务传播机制 3.2事务的传播机制有哪些 3.3 Spring 事务传播机制使用和各种场景演示 3.3.1 REQUIRED(加入事务) 3.3.2 REQ…
阅读更多...
Apache ZooKeeper 简介

Apache ZooKeeper 简介

介绍 Apache ZooKeeper 是一种分布式协调服务&#xff0c;旨在管理和同步大量分布式应用程序。ZooKeeper 是 Apache 软件基金会下的一个开源项目&#xff0c;它解决了维护分布式应用程序的配置信息、命名、分布式同步和组服务的复杂性。本文探讨了 ZooKeeper 的架构、功能、应…
阅读更多...
商标字体的选择：企业和个人申请注册商标攻略！

商标字体的选择：企业和个人申请注册商标攻略！

对于汉字商标&#xff0c;就会涉及到字体的选择&#xff0c;普推商标老杨也经常看到企业因为文字商标字体侵权收到相关字体公司的律师函&#xff0c;所以商标字体选择上要特别注意。 建议选择可以商用的免费字体&#xff0c;常见的有黑体、宋体等&#xff0c;如果这些字体前面…
阅读更多...
基于matlab的可乐标签模板匹配

基于matlab的可乐标签模板匹配

1 建模思路 1.图像预处理&#xff1a; 如果目标图像和模板图像是彩色的&#xff08;即RGB图像&#xff09;&#xff0c;则将它们转换为灰度图像&#xff0c;以便在单通道上进行匹配。使用rgb2gray函数进行灰度化。 2.获取模板大小&#xff1a; 使用size函数获取模板图像的高…
阅读更多...
2000-2022年上市公司数字化转型与绿色创新质量匹配数据（含控制变量）

2000-2022年上市公司数字化转型与绿色创新质量匹配数据（含控制变量）

2000-2022年上市公司数字化转型与绿色创新质量匹配数据&#xff08;含控制变量&#xff09;https://download.csdn.net/download/a519573917/89501000 目录 上市公司数字化转型与绿色创新质量匹配的实证研究 一、引言 二、文献综述 三、实证模型 四、数据来源与描述性统计 …
阅读更多...
tomcat8.5在windows下运行出现日志中文乱码

tomcat8.5在windows下运行出现日志中文乱码

更多ruoyi-nbcio功能请看演示系统 gitee源代码地址 前后端代码&#xff1a; https://gitee.com/nbacheng/ruoyi-nbcio 演示地址&#xff1a;RuoYi-Nbcio后台管理系统 http://218.75.87.38:9666/ 更多nbcio-boot功能请看演示系统 gitee源代码地址 后端代码&#xff1a; h…
阅读更多...
Linux 2-Vim使用

Linux 2-Vim使用

1 什么是vi及vim&#xff1f; vi是文本编辑器&#xff1b;vim是程序开发工具。 2 vi的几种模式 1 一般模式&#xff1a;vi <fileName> 就进入命令模式&#xff0c;可以删除或者复制粘贴 2 编辑模式&#xff1a;修改内容 3 命令行模式&#xff1a;最下面一行&#xf…
阅读更多...
NetSuite Amount正负符号在Saved Search和DataSet中的不同含义

NetSuite Amount正负符号在Saved Search和DataSet中的不同含义

近期在一个项目中碰到Amount取值的Bug&#xff0c;原因是我们的代码中数据源从Saved Search转为了DataSet&#xff0c;由于这个转换导致了Amount的正负值混乱。今天记录一下。 正负号原则 • Saved Search&#xff0c; Amount的正负需要考虑科目类型。 Amount字段根据科目类型…
阅读更多...
昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐

昇思25天学习打卡营第10天 | 基于MindNLP+MusicGen生成自己的个性化音乐

基于MindNLPMusicGen生成自己的个性化音乐 MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型&#xff08;LM&#xff09;的音乐生成模型&#xff0c;能够根据文本描述或音频提示生成高质量的音乐样本&#xff0c;相关研究成果参考论文《Simple and Controllable …
阅读更多...
远程过程调用PRC

远程过程调用PRC

简介 远程过程调用&#xff08;Remote Procedure Call, RPC)&#xff0c;是一个计算机通信协议。该协议允许运行于一台计算机的程序调用另一个地址空间的子程序&#xff0c;且不需要考虑交互作用的细节。 RPC是一种服务器&#xff0c;客户端模式&#xff0c;是一个通过发送请…
阅读更多...
【效率提升】新一代效率工具平台utools

【效率提升】新一代效率工具平台utools

下载地址&#xff1a;utools uTools这款软件&#xff0c;是一款功能强大且高度可定制的效率神器&#xff0c;使用快捷键alt space(空格) 随时调用&#xff0c;支持调用系统应用、用户安装应用和市场插件等。 utools可以调用系统设置和内置应用&#xff0c;这样可以方便快捷的…
阅读更多...
KV260视觉AI套件--PYNQ-DPU

KV260视觉AI套件--PYNQ-DPU

目录 1. 简介 2. DPU 原理介绍 2.1 基本原理 2.2 增强型用法 3. DPU 开发流程 3.1 添加 DPU IP 3.2 在 BD 中调用 3.3 配置 DPU 参数 3.4 DPU 与 Zynq MPSoC互联 3.5 分配地址 3.6 生成 Bitstream 3.7 生成 BOOT.BIN 4. 总结 1. 简介 在《Vitis AI 环境搭建 &…
阅读更多...
深入理解TCP协议格式（WireShark分析）

深入理解TCP协议格式（WireShark分析）

传输控制协议&#xff08;TCP&#xff09;是互联网中最为关键的通信协议之一。了解TCP协议的细节不仅对于网络工程师至关重要&#xff0c;对于任何涉及网络通信的软件开发人员而言都是必备的知识。本文旨在深入探讨TCP协议&#xff0c;从协议的基本概述到其工作机制&#xff0c…
阅读更多...
【sqlite3】联系人管理系统

【sqlite3】联系人管理系统

SQLite3实现简单的联系人管理系统 有关sqlite3的基础知识请点击&#xff1a;SQLite3的使用 效果展示&#xff1a; 创建一个名为contacts.db的数据库 首先&#xff0c;我们需要创建一个名为contacts.db的数据库&#xff0c;并建立一个名为"contact"的表&#xff0…
阅读更多...
一篇文章理解堆栈溢出

一篇文章理解堆栈溢出

一篇文章理解堆栈溢出 引言栈溢出ret2text答案 ret2shellcode答案 ret2syscall答案 栈迁移答案 堆溢出 unlink - UAF堆结构小提示 向前合并/向后合并堆溢出题答案 引言 让新手快速理解堆栈溢出&#xff0c;尽可能写的简单一些。 栈溢出 代码执行到进入函数之前都会记录返回地…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023