第174页，共322页。 显示 3,215 条结果 (0.043 秒)
关系数据源-连接Kerberos认证的Hadoop_Hive数据源
image2021-4-6_15-3-40.png Linux环境路径：/etc/hosts （2）打开hosts文件，添加所有Hive集群节点服务器、kerberos认证服务器的IP跟主机名映射关系。 image2021-8-10_10-48-59.png 2.2 Kerberos认证文件 联系hive集群管理员获取krb5,conf文件、keytab文件，并上传到全部Smartbi服务器上。 1）注意：需要确保smartbi服务器时间和hive集群的时间同步。 2.3 配置自定义驱动包 添加jdbc驱动依赖包，下图的jar包仅供参考 image2022-3-10_11-6-29.png 说明： 建议把hive集群的beeline客户端lib关系数据源-连接Kerberos认证的Spark SQL数据源
Linux环境路径：/etc/hosts （2）打开hosts文件，添加所有Hive集群节点服务器，sparksql集群节点服务器、kerberos认证服务器的IP跟主机名映射关系。 image2021-8-10_10-48-59.png 2.2 Kerberos认证文件 联系hive集群管理员获取Krb5文件、KeyTab文件，并上传到Smartbi的服务器上。 1）注意：需要确保smartbi服务器时间和spark sql集群的时间同步。 2.3 配置自定义驱动包 添加jdbc驱动依赖包，下图的jar包仅供参考。 image2022-3-10_11-44-41.png 说明： 建议把hive集群的beeline【仪表盘】延时移除组件样式
' } portlet.appendCss(container, content) // 这里添加延时是为了展示添加样式和移除样式的效果 setTimeout(() => { // 直接调用接口可以移除样式 portlet.removeCss() }, 3000空白组件
概述 空白组件是一个用于占用位置的组件，通过它可以更好地控制其他组件的位置和大小，调整仪表盘的整体布局，使仪表盘的布局更加美观好看。 入口 图例 image2022-2-19_16-42-1.png 未添加空白组件之前，如下图所示： image2019-8-21 15_39_30.png 在筛选器的右侧添加一个空白组件，使得筛选器组件不会显的太长不美观，效果如下图： image2019-7-24 17_56_2.png 示例 1、在仪表盘中设计一个“各区域产品销售分析”仪表盘， “发货区域”、 “发货省份”、 “发货城市”筛选器置于图形的上方显示，效果如下图所示高速缓存库数据权限
授权包含自助数据集的license文件。 2）进入到“设置数据权限[自助数据集]”界面，选中“自助数据集”，右键 > 设置 ，如下图： image2019-11-19 15:22:0.png 3）点击 添加 按钮，添加一条数据权限。 image2022-2-22_19-46-59.png 4）进行如下图的数据【仪表盘】点击图标弹出提示
: IStaticTextPortlet) { // 获取富文本组件的dom let dom = portlet.getHtmlContent() dom.innerHTML = '通过宏添加的自定义图标，点击弹出提示：' // 创建一个图标，并添加点击事件插入到富文本组件中 let icon电子表格⬝ 回写图片到数据库
： 1、在回写的数据源连接字符串中需要添加“&useServerPrepStmts=true”，例如上面例子中将数据回写进northwind数据库中，则需要在northwind的连接字符串中添加“&useServerPrepStmts=true”，如下分享管理
全部、正常、失效。 分享开始时间/分享结束时间：筛选指定分享时间内的分享记录。 重置 重置筛选条件。 刷新 手动刷新列表。 操作 取消分享：分享的状态变为失效，同时用户会收到分享失效的消息。 删除分享：分享的状态变为失效，删除站内分享管理中的分享记录，同时在删除记录中添加一条记录 … 看分享的资源。 取消分享：分享的状态变为失效，同时用户会收到分享失效的消息。 删除分享：分享的状态变为失效，删除站内分享管理中的分享记录，同时在删除记录中添加一条记录。 删除记录 删除记录中包含了站内分享和外链分享的删除信息。 image2021-1-22_15-7-56.png 设置项说明如何在作业流中执行抽取的数据模型？
1 概述 1)作业流和数据模型的抽取是独立分开进行的，但是数据模型的数据依赖于作业流即作业流先抽完，数据模型才能开始抽数，否则会出现数据不正确； 2)作业流执行完了之后数据模型再抽取数据，需要自定义任务(写代码)才能实现，而且非常复杂，耗时耗力； 而在V10.5.8，作业流可以通过拖、拉、拽轻松设置数据模型与ETL执行的先后顺序，无需写代码、轻轻松松确保生产安全！ 未命名文件 (5).png 2 示例 指标模型通过作业流的"指标模型"节点直接抽取数据. 1、添加ETL节点 新建作业流，在作业流中增加ETL节点，如下图： 01.png 2、添加”指标模型“ 左侧资源树上增加了“指标模型”、“数据集如何在作业流中检查数据挖掘实验评估节点？
预测，实验流程如下图所示。 image2023-12-8_11-29-36.png 1.2 建立模型自学习资源 基于上述建立的银行客户流失预测实验，点击工具栏中设置模型自学习按钮，建立模型自学习。 image2023-12-8_11-34-10.png 2、配置作业流 2.1 添加开始节点 拖入开始节点：运行作业流必须要以该节点作为起始节点。 2.2 添加检查挖掘评估 拖入检查挖掘评估节点：检查评估节点的某一评估指标是否满足指定条件，如果不满足条件，将触发相应的模型自学习，更新后的模型如果满足了指定条件则运行成功，否则执行失败。如图所示在执行检查挖掘评估节点时，首先检测银行客户流失批量预测的评估结果是否满足设置
