一、 整數數據類型
整數數據類型是最常用的數據類型之一。
1、INT （INTEGER）
INT （或INTEGER）數據類型存儲從-2的31次方 （-2 ，147 ，483 ，648） 到2的31次方-1 （2 ，147 ，483，647） 之間的所有正負整數。每個INT 類型的數據按4 個位元組存儲，其中1 位表示整數值的正負號，其它31 位表示整數值的長度和大小。
2、SMALLINT
SMALLINT 數據類型存儲從-2的15次方（ -32， 768） 到2的15次方-1（ 32 ，767 ）之間的所有正負整數。每個SMALLINT 類型的數據佔用2 個位元組的存儲空間，其中1 位表示整數值的正負號，其它15 位表示整數值的長度和大小。
3、TINYINT
TINYINT數據類型存儲從0 到255 之間的所有正整數。每個TINYINT類型的數據佔用1 個位元組的存儲空間。
4、BIGINT
BIGINT 數據類型存儲從-2^63 （-9 ，223， 372， 036， 854， 775， 807） 到2^63-1（ 9， 223， 372， 036 ，854 ，775， 807） 之間的所有正負整數。每個BIGINT 類型的數據佔用8個位元組的存儲空間。
二、 浮點數據類型
浮點數據類型用於存儲十進制小數。浮點數值的數據在SQL Server 中採用上舍入（Round up 或稱為只入不舍）方式進行存儲。所謂上舍入是指，當（且僅當）要舍入的數是一個非零數時，對其保留數字部分的最低有效位上的數值加1 ，並進行必要的進位。若一個數是上舍入數，其絕對值不會減少。如：對3.14159265358979 分別進行2 位和12位舍入，結果為3.15 和3.141592653590。
1、REAL 數據類型
REAL數據類型可精確到第7 位小數，其范圍為從-3.40E -38 到3.40E +38。 每個REAL類型的數據佔用4 個位元組的存儲空間。
2、FLOAT
FLOAT數據類型可精確到第15 位小數，其范圍為從-1.79E -308 到1.79E +308。 每個FLOAT 類型的數據佔用8 個位元組的存儲空間。 FLOAT數據類型可寫為FLOAT[ n ]的形式。n 指定FLOAT 數據的精度。n 為1到15 之間的整數值。當n 取1 到7 時，實際上是定義了一個REAL 類型的數據，系統用4 個位元組存儲它；當n 取8 到15 時，系統認為其是FLOAT 類型，用8 個位元組存儲它。
3、DECIMAL
DECIMAL數據類型可以提供小數所需要的實際存儲空間，但也有一定的限制，您可以用2 到17 個位元組來存儲從-10的38次方-1 到10的38次方-1 之間的數值。可將其寫為DECIMAL[ p [s] ]的形式，p 和s 確定了精確的比例和數位。其中p 表示可供存儲的值的總位數（不包括小數點），預設值為18； s 表示小數點後的位數，預設值為0。 例如：decimal （15 5），表示共有15 位數，其中整數10 位，小數5。 位表4-3 列出了各精確度所需的位元組數之間的關系。
② Apache Flink現在在大數據處理方面能夠和Apache Spark分庭抗禮么
我們是否還需要另外一個新的數據處理引擎？當我第一次聽到flink的時候這是我是非常懷疑的。在大數據領域，現在已經不缺少數據處理框架了，但是沒有一個框架能夠完全滿足不同的處理需求。自從Apache spark出現後，貌似已經成為當今把大部分的問題解決得最好的框架了，所以我對另外一款解決類似問題的框架持有很強烈的懷疑態度。
不過因為好奇，我花費了數個星期在嘗試了解flink。一開始仔細看了flink的幾個例子，感覺和spark非常類似，心理就傾向於認為flink又是一個模仿spark的框架。但是隨著了解的深入，這些API體現了一些flink的新奇的思路，這些思路還是和spark有著比較明顯的區別的。我對這些思路有些著迷了，所以花費了更多的時間在這上面。
flink中的很多思路，例如內存管理，dataset API都已經出現在spark中並且已經證明 這些思路是非常靠譜的。所以，深入了解flink也許可以幫助我們分布式數據處理的未來之路是怎樣的
在後面的文章里，我會把自己作為一個spark開發者對flink的第一感受寫出來。因為我已經在spark上幹了2年多了，但是只在flink上接觸了2到3周，所以必然存在一些bias，所以大家也帶著懷疑和批判的角度來看這篇文章吧。
Apache Flink是什麼
flink是一款新的大數據處理引擎，目標是統一不同來源的數據處理。這個目標看起來和spark和類似。沒錯，flink也在嘗試解決spark在解決的問題。這兩套系統都在嘗試建立一個統一的平台可以運行批量，流式，互動式，圖處理，機器學習等應用。所以，flink和spark的目標差別並不大，他們最主要的區別在於實現的細節。
後面我會重點從不同的角度對比這兩者。
Apache Spark vs Apache Flink
1.抽象 Abstraction
spark中，對於批處理我們有RDD,對於流式，我們有DStream，不過內部實際還是RDD.所以所有的數據表示本質上還是RDD抽象。
後面我會重點從不同的角度對比這兩者。在flink中，對於批處理有DataSet，對於流式我們有DataStreams。看起來和spark類似，他們的不同點在於：
一）DataSet在運行時是表現為運行計劃(runtime plans)的
在spark中，RDD在運行時是表現為java objects的。通過引入Tungsten，這塊有了些許的改變。但是在flink中是被表現為logical plan(邏輯計劃)的，聽起來很熟悉？沒錯，就是類似於spark中的dataframes。所以在flink中你使用的類Dataframe api是被作為第一優先順序來優化的。但是相對來說在spark RDD中就沒有了這塊的優化了。
flink中的Dataset，對標spark中的Dataframe，在運行前會經過優化。
在spark 1.6，dataset API已經被引入spark了，也許最終會取代RDD 抽象。
二）Dataset和DataStream是獨立的API
在spark中，所有不同的API，例如DStream，Dataframe都是基於RDD抽象的。但是在flink中，Dataset和DataStream是同一個公用的引擎之上兩個獨立的抽象。所以你不能把這兩者的行為合並在一起操作，當然，flink社區目前在朝這個方向努力(https://issues.apache.org/jira/browse/FLINK-2320)，但是目前還不能輕易斷言最後的結果。
2.內存管理
一直到1.5版本，spark都是試用java的內存管理來做數據緩存，明顯很容易導致OOM或者gc。所以從1.5開始，spark開始轉向精確的控制內存的使用，這就是tungsten項目了
flink從第一天開始就堅持自己控制內存試用。這個也是啟發了spark走這條路的原因之一。flink除了把數據存在自己管理的內存以外，還直接操作二進制數據。在spark中，從1.5開始，所有的dataframe操作都是直接作用在tungsten的二進制數據上。
3.語言實現
spark是用scala來實現的，它提供了Java，Python和R的編程介面。
flink是java實現的，當然同樣提供了Scala API
所以從語言的角度來看，spark要更豐富一些。因為我已經轉移到scala很久了，所以不太清楚這兩者的java api實現情況。
4.API
spark和flink都在模仿scala的collection API.所以從表面看起來，兩者都很類似。下面是分別用RDD和DataSet API實現的word count
// Spark wordcount
object WordCount {
def main(args: Array[String]) {
val env = new SparkContext("local","wordCount")
val data = List("hi","how are you","hi")
val dataSet = env.parallelize(data)
val words = dataSet.flatMap(value => value.split("\\s+"))
val mappedWords = words.map(value => (value,1))
val sum = mappedWords.receByKey(_+_)
println(sum.collect())
}
}
// Flink wordcount
object WordCount {
def main(args: Array[String]) {
val env = ExecutionEnvironment.getExecutionEnvironment
val data = List("hi","how are you","hi")
val dataSet = env.fromCollection(data)
val words = dataSet.flatMap(value => value.split("\\s+"))
val mappedWords = words.map(value => (value,1))
val grouped = mappedWords.groupBy(0)
val sum = grouped.sum(1)
println(sum.collect())
}
}
不知道是偶然還是故意的，API都長得很像，這樣很方便開發者從一個引擎切換到另外一個引擎。我感覺以後這種Collection API會成為寫data pipeline的標配。
Steaming
spark把streaming看成是更快的批處理，而flink把批處理看成streaming的special case。這裡面的思路決定了各自的方向，其中兩者的差異點有如下這些：
實時 vs 近實時的角度
flink提供了基於每個事件的流式處理機制，所以可以被認為是一個真正的流式計算。它非常像storm的model。
而spark，不是基於事件的粒度，而是用小批量來模擬流式，也就是多個事件的集合。所以spark被認為是近實時的處理系統。
Spark streaming 是更快的批處理，而Flink Batch是有限數據的流式計算。
雖然大部分應用對准實時是可以接受的，但是也還是有很多應用需要event level的流式計算。這些應用更願意選擇storm而非spark streaming，現在，flink也許是一個更好的選擇。
流式計算和批處理計算的表示
spark對於批處理和流式計算，都是用的相同的抽象：RDD，這樣很方便這兩種計算合並起來表示。而flink這兩者分為了DataSet和DataStream，相比spark，這個設計算是一個糟糕的設計。
對 windowing 的支持
因為spark的小批量機制，spark對於windowing的支持非常有限。只能基於process time，且只能對batches來做window。
而Flink對window的支持非常到位，且Flink對windowing API的支持是相當給力的，允許基於process time,data time,record 來做windowing。
我不太確定spark是否能引入這些API，不過到目前為止，Flink的windowing支持是要比spark好的。
Steaming這部分flink勝
SQL interface
目前spark-sql是spark裡面最活躍的組件之一，Spark提供了類似Hive的sql和Dataframe這種DSL來查詢結構化數據，API很成熟，在流式計算中使用很廣，預計在流式計算中也會發展得很快。
至於flink，到目前為止，Flink Table API只支持類似DataFrame這種DSL，並且還是處於beta狀態，社區有計劃增加SQL 的interface，但是目前還不確定什麼時候才能在框架中用上。
所以這個部分，spark勝出。
Data source Integration
Spark的數據源 API是整個框架中最好的，支持的數據源包括NoSql db,parquet,ORC等，並且支持一些高級的操作，例如predicate push down
Flink目前還依賴map/rece InputFormat來做數據源聚合。
這一場spark勝
Iterative processing
spark對機器學習的支持較好，因為可以在spark中利用內存cache來加速機器學習演算法。
但是大部分機器學習演算法其實是一個有環的數據流，但是在spark中，實際是用無環圖來表示的，一般的分布式處理引擎都是不鼓勵試用有環圖的。
但是flink這里又有點不一樣，flink支持在runtime中的有環數據流，這樣表示機器學習演算法更有效而且更有效率。
這一點flink勝出。
Stream as platform vs Batch as Platform
Spark誕生在Map/Rece的時代，數據都是以文件的形式保存在磁碟中，這樣非常方便做容錯處理。
Flink把純流式數據計算引入大數據時代，無疑給業界帶來了一股清新的空氣。這個idea非常類似akka-streams這種。
成熟度
目前的確有一部分吃螃蟹的用戶已經在生產環境中使用flink了，不過從我的眼光來看，Flink還在發展中，還需要時間來成熟。
結論
目前Spark相比Flink是一個更為成熟的計算框架，但是Flink的很多思路很不錯，Spark社區也意識到了這一點，並且逐漸在採用Flink中的好的設計思路，所以學習一下Flink能讓你了解一下Streaming這方面的更迷人的思路。
③ sql資料庫有哪幾種類型,其拓展名和作用
一、 整數數據類型
整數數據類型是最常用的數據類型之一。
1、INT （INTEGER）
INT （或INTEGER）數據類型存儲從-2的31次方 （-2 ，147 ，483 ，648） 到2的31次方-1 （2 ，147 ，483，647） 之間的所有正負整數。每個INT 類型的數據按4 個位元組存儲，其中1 位表示整數值的正負號，其它31 位表示整數值的長度和大小。
2、SMALLINT
SMALLINT 數據類型存儲從-2的15次方（ -32， 768） 到2的15次方-1（ 32 ，767 ）之間的所有正負整數。每個SMALLINT 類型的數據佔用2 個位元組的存儲空間，其中1 位表示整數值的正負號，其它15 位表示整數值的長度和大小。
3、TINYINT
TINYINT數據類型存儲從0 到255 之間的所有正整數。每個TINYINT類型的數據佔用1 個位元組的存儲空間。
4、BIGINT
BIGINT 數據類型存儲從-2^63 （-9 ，223， 372， 036， 854， 775， 807） 到2^63-1（ 9， 223， 372， 036 ，854 ，775， 807） 之間的所有正負整數。每個BIGINT 類型的數據佔用8個位元組的存儲空間。
二、 浮點數據類型
浮點數據類型用於存儲十進制小數。浮點數值的數據在SQL Server 中採用上舍入（Round up 或稱為只入不舍）方式進行存儲。所謂上舍入是指，當（且僅當）要舍入的數是一個非零數時，對其保留數字部分的最低有效位上的數值加1 ，並進行必要的進位。若一個數是上舍入數，其絕對值不會減少。如：對3.14159265358979 分別進行2 位和12位舍入，結果為3.15 和3.141592653590。
1、REAL 數據類型
REAL數據類型可精確到第7 位小數，其范圍為從-3.40E -38 到3.40E +38。 每個REAL類型的數據佔用4 個位元組的存儲空間。
2、FLOAT
FLOAT數據類型可精確到第15 位小數，其范圍為從-1.79E -308 到1.79E +308。 每個FLOAT 類型的數據佔用8 個位元組的存儲空間。 FLOAT數據類型可寫為FLOAT[ n ]的形式。n 指定FLOAT 數據的精度。n 為1到15 之間的整數值。當n 取1 到7 時，實際上是定義了一個REAL 類型的數據，系統用4 個位元組存儲它；當n 取8 到15 時，系統認為其是FLOAT 類型，用8 個位元組存儲它。
3、DECIMAL
DECIMAL數據類型可以提供小數所需要的實際存儲空間，但也有一定的限制，您可以用2 到17 個位元組來存儲從-10的38次方-1 到10的38次方-1 之間的數值。可將其寫為DECIMAL[ p [s] ]的形式，p 和s 確定了精確的比例和數位。其中p 表示可供存儲的值的總位數（不包括小數點），預設值為18； s 表示小數點後的位數，預設值為0。 例如：decimal （15 5），表示共有15 位數，其中整數10 位，小數5。 位表4-3 列出了各精確度所需的位元組數之間的關系。
4、NUMERIC
NUMERIC數據類型與DECIMAL數據類型完全相同。
注意：SQL Server 為了和前端的開發工具配合，其所支持的數據精度默認最大為28位。
三、 二進制數據類型
1、BINARY
BINARY 數據類型用於存儲二進制數據。其定義形式為BINARY（ n）， n 表示數據的長度，取值為1 到8000 。在使用時必須指定BINARY 類型數據的大小，至少應為1 個位元組。BINARY 類型數據佔用n+4 個位元組的存儲空間。在輸入數據時必須在數據前加上字元「0X」 作為二進制標識，如：要輸入「abc 」則應輸入「0xabc 」。若輸入的數據過長將會截掉其超出部分。若輸入的數據位數為奇數，則會在起始符號「0X 」後添加一個0，如上述的「0xabc 」會被系統自動變為「0x0abc」。
2、VARBINARY
VARBINARY數據類型的定義形式為VARBINARY（n）。 它與BINARY 類型相似，n 的取值也為1 到8000， 若輸入的數據過長，將會截掉其超出部分。不同的是VARBINARY數據類型具有變動長度的特性，因為VARBINARY數據類型的存儲長度為實際數值長度+4個位元組。當BINARY數據類型允許NULL 值時，將被視為VARBINARY數據類型。
一般情況下，由於BINARY 數據類型長度固定，因此它比VARBINARY 類型的處理速度快。
四、 邏輯數據類型
BIT： BIT數據類型佔用1 個位元組的存儲空間，其值為0 或1 。如果輸入0 或1 以外的值，將被視為1。 BIT 類型不能定義為NULL 值（所謂NULL 值是指空值或無意義的值）。
五、 字元數據類型
字元數據類型是使用最多的數據類型。它可以用來存儲各種字母、數字元號、特殊符號。一般情況下，使用字元類型數據時須在其前後加上單引號』或雙引號」 。
1 CHAR
CHAR 數據類型的定義形式為CHAR[ （n） ]。 以CHAR 類型存儲的每個字元和符號佔一個位元組的存儲空間。n 表示所有字元所佔的存儲空間，n 的取值為1 到8000， 即可容納8000 個ANSI 字元。若不指定n 值，則系統默認值為1。 若輸入數據的字元數小於n，則系統自動在其後添加空格來填滿設定好的空間。若輸入的數據過長，將會截掉其超出部分。
2、NCHAR
NCHAR數據類型的定義形式為NCHAR[ （n） ]。 它與CHAR 類型相似。不同的是NCHAR數據類型n 的取值為1 到4000。 因為NCHAR 類型採用UNICODE 標准字元集（CharacterSet）。 UNICODE 標准規定每個字元佔用兩個位元組的存儲空間，所以它比非UNICODE 標準的數據類型多佔用一倍的存儲空間。使用UNICODE 標準的好處是因其使用兩個位元組做存儲單位，其一個存儲單位的容納量就大大增加了，可以將全世界的語言文字都囊括在內，在一個數據列中就可以同時出現中文、英文、法文、德文等，而不會出現編碼沖突。
3、VARCHAR
VARCHAR數據類型的定義形式為VARCHAR [ （n） ]。 它與CHAR 類型相似，n 的取值也為1 到8000， 若輸入的數據過長，將會截掉其超出部分。不同的是，VARCHAR數據類型具有變動長度的特性，因為VARCHAR數據類型的存儲長度為實際數值長度，若輸入數據的字元數小於n ，則系統不會在其後添加空格來填滿設定好的空間。
一般情況下，由於CHAR 數據類型長度固定，因此它比VARCHAR 類型的處理速度快。
4、NVARCHAR
NVARCHAR數據類型的定義形式為NVARCHAR[ （n） ]。 它與VARCHAR 類型相似。不同的是，NVARCHAR數據類型採用UNICODE 標准字元集（Character Set）， n 的取值為1 到4000。
六、文本和圖形數據類型
這類數據類型用於存儲大量的字元或二進制數據。
1、TEXT
TEXT數據類型用於存儲大量文本數據，其容量理論上為1 到2的31次方-1 （2， 147， 483， 647）個位元組，在實際應用時需要視硬碟的存儲空間而定。
SQL Server 2000 以前的版本中，資料庫中一個TEXT 對象存儲的實際上是一個指針，它指向一個個以8KB （8192 個位元組）為單位的數據頁（Data Page）。 這些數據頁是動態增加並被邏輯鏈接起來的。在SQL Server 2000 中，則將TEXT 和IMAGE 類型的數據直接存放到表的數據行中，而不是存放到不同的數據頁中。 這就減少了用於存儲TEXT 和IMA- GE 類型的空間，並相應減少了磁碟處理這類數據的I/O 數量。
2 NTEXT
NTEXT數據類型與TEXT.類型相似不同的,是NTEXT 類型採用UNICODE 標准字元集(Character Set), 因此其理論容量為230-1(1, 073, 741, 823)個位元組。
3 IMAGE
IMAGE數據類型用於存儲大量的二進制數據Binary Data。 其理論容量為2的31次方-1(2,147,483,647)個位元組。其存儲數據的模式與TEXT 數據類型相同。通常用來存儲圖形等OLE Object Linking and Embedding，對象連接和嵌入）對象。在輸入數據時同BINARY數據類型一樣，必須在數據前加上字元「0X」作為二進制標識
七、日期和時間數據類型
1 DATETIME
DATETIME 數據類型用於存儲日期和時間的結合體。它可以存儲從公元1753 年1 月1 日零時起到公元9999 年12 月31 日23 時59 分59 秒之間的所有日期和時間，其精確度可達三百分之一秒，即3.33 毫秒。DATETIME 數據類型所佔用的存儲空間為8 個位元組。其中前4 個位元組用於存儲1900 年1 月1 日以前或以後的天數，數值分正負，正數表示在此日期之後的日期，負數表示在此日期之前的日期。後4 個位元組用於存儲從此日零時起所指定的時間經過的毫秒數。如果在輸入數據時省略了時間部分，則系統將12:00:00:000AM作為時間預設值：如果省略了日期部分，則系統將1900 年1 月1 日作為日期預設值。
2 SMALLDATETIME
SMALLDATETIME 數據類型與DATETIME 數據類型相似，但其日期時間范圍較小，為從1900 年1 月1 日到2079 年6 月6：日精度較低，只能精確到分鍾，其分鍾個位上為根據秒數四捨五入的值,即以30 秒為界四捨五入。如：DATETIME 時間為14:38:30.283時SMALLDATETIME 認為是14:39:00 SMALLDATETIME 數據類型使用4 個位元組存儲數據。其中前2 個位元組存儲從基礎日期1900 年1 月1 日以來的天數，後兩個位元組存儲此日零時起所指定的時間經過的分鍾數。
八、 貨幣數據類型
貨幣數據類型用於存儲貨幣值。在使用貨幣數據類型時，應在數據前加上貨幣符號，系統才能辨識其為哪國的貨幣，如果不加貨幣符號，則默認為「￥」。各貨幣符號如圖4-2所示。
1 MONEY
MONEY 數據類型的數據是一個有4 位小數的DECIMAL 值，其取值從-2的63次方（-922，337，203，685，477.5808到2的63次方-1（+922，337，203，685，477.5807），數據精度為萬分之一貨幣單位。MONEY 數據類型使用8個位元組存儲。
2 SMALLMONEY
SMALLMONEY數據類型類似於MONEY 類型，但其存儲的貨幣值范圍比MONEY數據類型小,其取值從-214,748.3648到+214,748.3647,存儲空間為4 個位元組。
九、 特定數據類型
SQL Server 中包含了一些用於數據存儲的特殊數據類型。
1 TIMESTAMP
TIMESTAMP數據類型提供資料庫范圍內的惟一值此類型相當於BINARY8或VARBINARY（8），但當它所定義的列在更新或插入數據行時，此列的值會被自動更新，一個計數值將自動地添加到此TIMESTAMP數據列中。每個資料庫表中只能有一個TIMESTAMP數據列。如果建立一個名為「TIMESTAMP」的列，則該列的類型將被自動設為TIMESTAMP數據類型。
2 UNIQUEIDENTIFIER
UNIQUEIDENTIFIER 數據類型存儲一個16 位的二進制數字。此數字稱為（GUIDGlobally Unique Identifier ，即全球惟一鑒別號）。此數字由SQLServer 的NEWID函數產生的全球惟一的編碼，在全球各地的計算機經由此函數產生的數字不會相同。
十、 用戶自定義數據類型
SYSNAME SYSNAME 數據類型是系統提供給用戶的，便於用戶自定義數據類型。它被定義為NVARCHAR（128），即它可存儲128個UNICODE字元或256個一般字元。
以表格形式說明：
欄位類型 描述
bit 0或1的整型數字
int 從-2^31(-2,147,483,648)到2^31(2,147,483,647)的整型數字
smallint 從-2^15(-32,768)到2^15(32,767)的整型數字
tinyint 從0到255的整型數字
decimal 從-10^38到10^38-1的定精度與有效位數的數字
numeric decimal的同義詞
money 從-2^63(-922,337,203,685,477.5808)到2^63-1(922,337,203,685,477.5807)的貨幣數據，最小貨幣單位千分之十
smallmoney 從-214,748.3648到214,748.3647的貨幣數據，最小貨幣單位千分之十
float 從-1.79E+308到1.79E+308可變精度的數字
real 從-3.04E+38到3.04E+38可變精度的數字
datetime 從1753年1月1日到9999年12日31的日期和時間數據，最小時間單位為百分之三秒或3.33毫秒
smalldatetime 從1900年1月1日到2079年6月6日的日期和時間數據，最小時間單位為分鍾
timestamp 時間戳，一個資料庫寬度的唯一數字
uniqueidentifier 全球唯一標識符GUID
char 定長非Unicode的字元型數據，最大長度為8000
varchar 變長非Unicode的字元型數據，最大長度為8000
text 變長非Unicode的字元型數據，最大長度為2^31-1(2G)
nchar 定長Unicode的字元型數據，最大長度為8000
nvarchar 變長Unicode的字元型數據，最大長度為8000
ntext 變長Unicode的字元型數據，最大長度為2^31-1(2G)
binary 定長二進制數據，最大長度為8000
varbinary 變長二進制數據，最大長度為8000
image 變長二進制數據，最大長度為2^31-1(2G)
④ sql各種數據類型的含義
bit整型bit 數據類型是整型，其值只能是0、1或空值。這種數據類型用於存儲只有兩種可能值的數據，如Yes 或No、True 或Fa lse 、On 或Offint整型int 數據類型可以存儲從- 231(-2147483648)到231 (2147483 647)之間的整數。存儲到資料庫的幾乎所有數值型的數據都可以用這種數據類型。這種數據類型在資料庫里佔用4個位元組smallint整型smallint 數據類型可以存儲從- 215(-32768)到215(32767)之間的整數。這種數據類型對存儲一些常限定在特定范圍內的數值型數據非常有用。這種數據類型在資料庫里佔用2 位元組空間tinyint整型tinyint 數據類型能存儲從0到255 之間的整數。它在你只打算存儲有限數目的數值時很有用。 這種數據類型在資料庫中佔用1 個位元組numeric精確數值型numeric數據類型與decimal 型相同decimal精確數值型decimal 數據類型能用來存儲從-1038-1到1038-1的固定精度和范圍的數值型數據。使用這種數據類型時，必須指定范圍和精度。 范圍是小數點左右所能存儲的數字的總位數。精度是小數點右邊存儲的數字的位數money貨幣型money 數據類型用來表示錢和貨幣值。這種數據類型能存儲從-9220億到9220 億之間的數據，精確到貨幣單位的萬分之一smallmoney貨幣型smallmoney 數據類型用來表示錢和貨幣值。這種數據類型能存儲從-214748.3648 到214748.3647 之間的數據，精確到貨幣單位的萬分之一float近似數值型float 數據類型是一種近似數值類型，供浮點數使用。說浮點數是近似的，是因為在其范圍內不是所有的數都能精確表示。浮點數可以是從-1.79E+308到1.79E+308 之間的任意數real近似數值型real 數據類型像浮點數一樣，是近似數值類型。它可以表示數值在-3.40E+38到3.40E+38之間的浮點數datetime日期時間型datetime數據類型用來表示日期和時間。這種數據類型存儲從1753年1月1日到9999年12月3 1日間所有的日期和時間數據， 精確到三百分之一秒或3.33毫秒Smalldatetime日期時間型smalldatetime 數據類型用來表示從1900年1月1日到2079年6月6日間的日期和時間，精確到一分鍾cursor特殊數據型cursor 數據類型是一種特殊的數據類型，它包含一個對游標的引用。這種數據類型用在存儲過程中，而且創建表時不能用timestamp特殊數據型timestamp 數據類型是一種特殊的數據類型，用來創建一個資料庫范圍內的唯一數碼。 一個表中只能有一個timestamp列。每次插入或修改一行時，timestamp列的值都會改變。盡管它的名字中有「time」， 但timestamp列不是人們可識別的日期。在一個資料庫里，timestamp值是唯一的Uniqueidentifier特殊數據型Uniqueidentifier數據類型用來存儲一個全局唯一標識符，即GUID。GUID確實是全局唯一的。這個數幾乎沒有機會在另一個系統中被重建。可以使用NEWID 函數或轉換一個字元串為唯一標識符來初始化具有唯一標識符的列char字元型char數據類型用來存儲指定長度的定長非統一編碼型的數據。當定義一列為此類型時，你必須指定列長。當你總能知道要存儲的數據的長度時，此數據類型很有用。例如，當你按郵政編碼加4個字元格式來存儲數據時，你知道總要用到10個字元。此數據類型的列寬最大為8000 個字元varchar字元型varchar數據類型，同char類型一樣，用來存儲非統一編碼型字元數據。與char 型不一樣，此數據類型為變長。當定義一列為該數據類型時，你要指定該列的最大長度。 它與char數據類型最大的區別是，存儲的長度不是列長，而是數據的長度text字元型text 數據類型用來存儲大量的非統一編碼型字元數據。這種數據類型最多可以有231-1或20億個字元nchar統一編碼字元型nchar 數據類型用來存儲定長統一編碼字元型數據。統一編碼用雙位元組結構來存儲每個字元，而不是用單位元組(普通文本中的情況)。它允許大量的擴展字元。此數據類型能存儲4000種字元，使用的位元組空間上增加了一倍nvarchar統一編碼字元型nvarchar 數據類型用作變長的統一編碼字元型數據。此數據類型能存儲4000種字元，使用的位元組空間增加了一倍ntext統一編碼字元型ntext 數據類型用來存儲大量的統一編碼字元型數據。這種數據類型能存儲230 -1或將近10億個字元，且使用的位元組空間增加了一倍binary二進制數據類型binary數據類型用來存儲可達8000 位元組長的定長的二進制數據。當輸入表的內容接近相同的長度時，你應該使用這種數據類型varbinary二進制數據類型varbinary 數據類型用來存儲可達8000 位元組長的變長的二進制數據。當輸入表的內容大小可變時，你應該使用這種數據類型image二進制數據類型image 數據類型用來存儲變長的二進制數據，最大可達231-1或大約20億位元組
⑤ flinksql自定義topN函數的代碼
摘要 當前 Flink 有如下幾種函數：
⑥ flink 1.10 1.12區別
flink 1.10 1.12區別在於Flink 1.12 支持了 Flink SQL Kafka upsert connector 。
因為在 Flink 1.10 中，當前這類任務開發對於用戶來說，還是不夠友好，需要很多代碼，同時也會造成 Flink SQL 冗長。
Flink 1.12 SQL Connector 支持 Kafka Upsert Connector，這也是我們公司內部業務方對實時平台提出的需求。
收益：便利用戶有這種需要從 kafka 取最新記錄操作的實時任務開發，比如這種 binlog -> kafka，然後用戶聚合操作，這種場景還是非常多的，這能提升實時作業開發效率，同時 1.12 做了優化，性能會比單純的 last_value 性能要好。
Flink Yarn 作業 On k8s 的生產級別能力是：
Flink Jar 作業已經全部 K8s 化，Flink SQL 作業由於是推廣初期，還是在 Yarn 上面進行運行，為了將實時計算 Flink 全部K8s化。
所以我們 Flink SQL 作業也需要遷移到 K8s，目前 Flink 1.12 已經滿足生產級別的 Flink k8s 功能，所以 Flink SQL K8s 化，打算直接使用社區的 On k8s 能力。
風險：雖然和社區的人溝通，Flink 1.12 on k8s 沒有什麼問題，但是具體功能還是需要先 POC 驗證一下，同時可能社區 Flink on k8s 的能力。
可能會限制我們這邊一些 k8s 功能使用，比如 hostpath volome 以及 Ingress 的使用，這里可能需要改底層源碼來進行快速支持（社區有相關 JIRA 要做）。
⑦ sql資料庫中常用的數據類型有什麼
一、整數數據類型：整數數據類型是最常用的數據類型之一。
1、INT（INTEGER）
INT （或INTEGER）數據類型存儲從-2的31次方 （-2 ，147 ，483 ，648） 到2的31次方-1 （2 ，147 ，483，647） 之間的所有正負整數。每個INT 類型的數據按4 個位元組存儲，其中1 位表示整數值的正負號，其它31 位表示整數值的長度和大小。
2、SMALLINT
SMALLINT 數據類型存儲從-2的15次方（ -32， 768） 到2的15次方-1（ 32 ，767 ）之間的所有正負整數。每個SMALLINT 類型的數據佔用2 個位元組的存儲空間，其中1 位表示整數值的正負號，其它15 位表示整數值的長度和大小。
二、浮點數據類型：浮點數據類型用於存儲十進制小數。浮點數值的數據在SQL Server 中採用上舍入（Round up 或稱為只入不舍）方式進行存儲。
1、REAL數據類型
REAL數據類型可精確到第7 位小數，其范圍為從-3.40E -38 到3.40E +38。 每個REAL類型的數據佔用4 個位元組的存儲空間。
2、FLOAT
FLOAT數據類型可精確到第15 位小數，其范圍為從-1.79E -308 到1.79E +308。 每個FLOAT 類型的數據佔用8 個位元組的存儲空間。 FLOAT數據類型可寫為FLOAT[ n ]的形式。n 指定FLOAT 數據的精度。n 為1到15 之間的整數值。
當n 取1 到7 時，實際上是定義了一個REAL 類型的數據，系統用4 個位元組存儲它；當n 取8 到15 時，系統認為其是FLOAT 類型，用8 個位元組存儲它。
三、二進制數據類型
1、BINARY
BINARY 數據類型用於存儲二進制數據。其定義形式為BINARY（ n）， n 表示數據的長度，取值為1 到8000 。在使用時必須指定BINARY 類型數據的大小，至少應為1 個位元組。BINARY 類型數據佔用n+4 個位元組的存儲空間。
在輸入數據時必須在數據前加上字元「0X」 作為二進制標識，如：要輸入「abc 」則應輸入「0xabc 」。若輸入的數據過長將會截掉其超出部分。若輸入的數據位數為奇數，則會在起始符號「0X 」後添加一個0，如上述的「0xabc 」會被系統自動變為「0x0abc」。
2、VARBINARY
VARBINARY數據類型的定義形式為VARBINARY（n）。 它與BINARY 類型相似，n 的取值也為1 到8000， 若輸入的數據過長，將會截掉其超出部分。
不同的是VARBINARY數據類型具有變動長度的特性，因為VARBINARY數據類型的存儲長度為實際數值長度+4個位元組。當BINARY數據類型允許NULL 值時，將被視為VARBINARY數據類型。
四、邏輯數據類型
1、BIT：BIT數據類型佔用1 個位元組的存儲空間，其值為0 或1 。如果輸入0 或1 以外的值，將被視為1。 BIT 類型不能定義為NULL 值（所謂NULL 值是指空值或無意義的值）。
五、字元數據類型：字元數據類型是使用最多的數據類型。它可以用來存儲各種字母、數字元號、特殊符號。一般情況下，使用字元類型數據時須在其前後加上單引號』或雙引號」 。
1、CHAR
CHAR 數據類型的定義形式為CHAR[ （n） ]。 以CHAR 類型存儲的每個字元和符號佔一個位元組的存儲空間。n 表示所有字元所佔的存儲空間，n 的取值為1 到8000， 即可容納8000 個ANSI 字元。
若不指定n 值，則系統默認值為1。 若輸入數據的字元數小於n，則系統自動在其後添加空格來填滿設定好的空間。若輸入的數據過長，將會截掉其超出部分。
(7)flinksql支持的sql類型擴展閱讀：
SQL包括了所有對資料庫的操作，主要是由4個部分組成：
1、數據定義：這一部分又稱為「SQL DDL」，定義資料庫的邏輯結構，包括定義資料庫、基本表、視圖和索引4部分。
2、數據操縱：這一部分又稱為「SQL DML」，其中包括數據查詢和數據更新兩大類操作，其中數據更新又包括插入、刪除和更新三種操作。
3、數據控制：對用戶訪問數據的控制有基本表和視圖的授權、完整性規則的描述，事務控制語句等。
4、嵌入式SQL語言的使用規定：規定SQL語句在宿主語言的程序中使用的規則。
⑧ apache flink支持sql嗎
org.apache.jsp.check_005flinkcard_jsp._jspService(org.apache.jsp.check_005flinkcard_jsp:102)可以看出你寫的jsp在運行期遇到空指針錯誤，如果是tomcat可以到apache-tomcat-6.0.16\work\Catalina\localhost\testhttps\org\apache\jsp地方找到check_005flinkcard_jsp.java的102行，查看jsp編譯成java文件的源碼
⑨ sql是針對什麼類型的資料庫
你說的SQL全名叫做「結構話查詢語言」 ，用來對資料庫進行各種查詢，操作，SQL語言也分為好幾種，比如MSSQLSERVER用的是T-SQL,ORACLE用的是PL/SQL，ACCESS用的叫JET-SQL，FOXPRO不支持SQL語言，幾種SQL語言大概相似，但是細節是有不同的
⑩ SQL中,最常用的數據類型是那幾種!詳細數據請一一列出來!謝謝!
整數
bigint
從 -2^63 (-9223372036854775808) 到 2^63-1 (9223372036854775807) 的整型數據（所有數字）。
int
從 -2^31 (-2,147,483,648) 到 2^31 - 1 (2,147,483,647) 的整型數據（所有數字）。
smallint
從 -2^15 (-32,768) 到 2^15 - 1 (32,767) 的整數數據。
tinyint
從 0 到 255 的整數數據。
bit
bit
1 或 0 的整數數據。
decimal 和 numeric
decimal
從 -10^38 +1 到 10^38 –1 的固定精度和小數位的數字數據。
numeric
功能上等同於 decimal。
money 和 smallmoney
money
貨幣數據值介於 -2^63 (-922,337,203,685,477.5808) 與 2^63 - 1 (+922,337,203,685,477.5807) 之間，精確到貨幣單位的千分之十。
smallmoney
貨幣數據值介於 -214,748.3648 與 +214,748.3647 之間，精確到貨幣單位的千分之十。
近似數字
float
從 -1.79E + 308 到 1.79E + 308 的浮點精度數字。
real
從 -3.40E + 38 到 3.40E + 38 的浮點精度數字。
datetime 和 smalldatetime
datetime
從 1753 年 1 月 1 日到 9999 年 12 月 31 日的日期和時間數據，精確到百分之三秒（或 3.33 毫秒）。
smalldatetime
從 1900 年 1 月 1 日到 2079 年 6 月 6 日的日期和時間數據，精確到分鍾。
字元串
char
固定長度的非 Unicode 字元數據，最大長度為 8,000 個字元。
varchar
可變長度的非 Unicode 數據，最長為 8,000 個字元。
text
可變長度的非 Unicode 數據，最大長度為 2^31 - 1 (2,147,483,647) 個字元。
Unicode 字元串
nchar
固定長度的 Unicode 數據，最大長度為 4,000 個字元。
nvarchar
可變長度 Unicode 數據，其最大長度為 4,000 字元。sysname 是系統提供用戶定義的數據類型，在功能上等同於 nvarchar(128)，用於引用資料庫對象名。
ntext
可變長度 Unicode 數據，其最大長度為 2^30 - 1 (1,073,741,823) 個字元。
二進制字元串
binary
固定長度的二進制數據，其最大長度為 8,000 個位元組。
varbinary
可變長度的二進制數據，其最大長度為 8,000 個位元組。
image
可變長度的二進制數據，其最大長度為 2^31 - 1 (2,147,483,647) 個位元組。
其它數據類型
cursor
游標的引用。
sql_variant
一種存儲 SQL Server 支持的各種數據類型（text、ntext、timestamp 和 sql_variant 除外）值的數據類型。
table
一種特殊的數據類型，存儲供以後處理的結果集。
timestamp
資料庫范圍的唯一數字，每次更新行時也進行更新。
uniqueidentifier
全局唯一標識符 (GUID)。
你可以查看sql server 幫助，獲取更為詳細的幫助！