【新功能】MaxCompoute禁止Full Scan功能开放

简介: 2018年1月10日,MaxCompute禁止Full Scan功能开放。对于新创建的project默认情况下执行sql时,针对该project里的分区表不允许全表扫描,必须有分区条件指定需要扫描的分区。

[发布功能]:

2018年1月10日,MaxCompute禁止Full scan功能开放。

对于新project(注意:是新project,老用户创建的新project也适用该功能),默认情况下执行sql时,针对该project里的分区表不允许全表扫描,必须有分区条件指定需要扫描的分区。由此减少sql的不必要I/O,从而减少计算资源的浪费,同时也减少了不必要的后付费模式的计算费用(后付费模式中,数据输入量是计量计费参数之一)。

若有强需求需要sql里对某张分区表进行全表扫描,支持在sql语句前加一个set语句“ set odps.sql.allow.fullscan=true; ” ,执行的时候set语句和sql语句一起提交执行既可。

总体来说该功能对于新project,不仅可以避免资源浪费、控制计算成本,还能灵活应对例外的“全表扫描分区表”的需求。

[适用客户]:

适合大数据的管理者和开发者。管理者在对资源、成本控制时需要考虑这个分区表全表扫描的情况,开发者在做大数据开发时控制全表扫描是sql优化手段之一。

每月产品新功能,可访问 MaxCompute 最新产品动态
如需更多咨询,欢迎加入“数加·MaxCompute购买咨询”钉钉群进行咨询。群号11782920,群二维码

12345

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
目录
相关文章
真正解决办法:FTP 执行命令时500 Illegal PORT command
真正解决办法:FTP 执行命令时500 Illegal PORT command
3717 0
|
安全 Java 应用服务中间件
WebLogic Server 远程代码执行漏洞(CVE-2023-21839/CNVD-2023-04389)
WebLogic Server 存在远程代码执行漏洞,攻击者通过特定Payload对目标服务器进行恶意利用从而获取服务器控制权限,进一步操作。
1114 1
|
2月前
|
人工智能 缓存 自然语言处理
Qwen3.7-Max:阿里最新千问模型,面向智能体(Agent)设计,超过Kimi-K2.6、DeepSeek-v4-pro、GLM-5.1等模型
阿里云百炼推出Qwen3.7-Max——面向智能体的旗舰大模型,具备长周期自主执行能力,可独立完成数百步复杂任务;编程、办公自动化表现卓越,在SWE-bench Pro达60.6分;限时5折+100万Tokens免费试用,大幅降低AI落地成本。快速体验:https://t.aliyun.com/U/fPVHqY
1028 2
|
人工智能 运维 Serverless
OpenManus:开源版 Manus,无需邀请码,5 分钟极速体验!
OpenManus 是一款基于多智能体协作的开源自动化系统,能将复杂任务拆解为可执行子流程。通过多智能体机制分解任务、协调工具调用,实现代码执行、文件处理、网络搜索等复杂操作。本方案基于函数计算 FunctionAI 开发平台和阿里云百炼模型服务,提供一键部署方案,让企业无需过多运维投入即可获得灵活透明的智能任务处理能力。方案具备三大核心优势:Serverless 架构降本、实时反馈与透明化、模块化自由组合,支持快速接入多种功能模块。用户可通过简单步骤获取 API-KEY 并完成部署,体验 AI 自动化任务处理。
|
7月前
|
数据采集 缓存 NoSQL
天眼查 item_get - 获取企业详情接口对接全攻略:从入门到精通
天眼查item_get接口(baseinfoV2)通过企业名称、信用代码等关键字,获取企业工商信息、联系方式、经营状态及变更记录等结构化数据,广泛应用于征信、风控、供应商管理。接口基于HTTPS+Token认证,数据源自权威渠道,字段完整、更新实时。本指南涵盖权限申请、Python对接、调试排错与生产优化,提供全链路实操支持,助力企业高效稳定集成。
|
人工智能 运维 安全
更低成本、更高效、更安全!阿里云与钉钉联合推出协同办公AI解决方案
阿里云与钉钉携手推出了全新的“钉钉·AI Stack一体机”,以“低成本、高安全、零门槛”为核心,为用户提供基于钉钉,从模型部署到全员落地的AI解决方案,开启智能化办公的“一键加速”。
2241 1
|
存储 自然语言处理 文字识别
开放应用架构,建设全新可精细化运营的百炼
本文介绍了阿里云智能集团在百炼大模型应用中的技术实践和运营经验。主要内容包括:1) RAG技术的背景及其在落地时面临的挑战;2) 多模态多语言RAG技术的研发与应用;3) 多模态多元embedding和rank模型的训练;4) 基于千问大模型的embedding和rank模型;5) 开源社区推出的GT千问系列模型;6) 模型应用中的可运营实践;7) AI运营的具体方法论和实践经验。通过这些内容,展示了如何解决实际应用中的复杂需求,提升系统的准确性和用户体验。
|
机器学习/深度学习 人工智能 自然语言处理
【AI大模型】ChatGPT模型原理介绍(上)
【AI大模型】ChatGPT模型原理介绍(上)
element Carousel 走马灯 一次轮播3张图片(整理)
element Carousel 走马灯 一次轮播3张图片(整理)
element Carousel 走马灯 一次轮播3张图片(整理)

热门文章

最新文章