CN110765236A - 一种非结构化海量数据的预处理方法及系统 - Google Patents

一种非结构化海量数据的预处理方法及系统 Download PDF

Info

Publication number
CN110765236A
CN110765236A CN201910955858.6A CN201910955858A CN110765236A CN 110765236 A CN110765236 A CN 110765236A CN 201910955858 A CN201910955858 A CN 201910955858A CN 110765236 A CN110765236 A CN 110765236A
Authority
CN
China
Prior art keywords
data
module
file
preprocessing
field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910955858.6A
Other languages
English (en)
Inventor
李振汉
汪永益
李阳
施凡
沈传宝
郭徽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910955858.6A priority Critical patent/CN110765236A/zh
Publication of CN110765236A publication Critical patent/CN110765236A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3334—Selection or weighting of terms from queries, including natural language queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/31—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/3332—Query translation
    • G06F16/3335—Syntactic pre-processing, e.g. stopword elimination, stemming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提出一种非结构化海量数据的预处理方法及系统，包括源数据文件类型判断，数据读取，模式识别，数据分割；然后进行内容识别，添加主键值以及其它字段；根据数据文件类型将数据导入相应数据库。本发明能够较好的解决非结构化数据难以快速预处理的问题，能够具备快速高效去除污染数据的能力。

Description

一种非结构化海量数据的预处理方法及系统
技术领域
本发明属于大数据技术领域，主要用于非结构化海量数据的清洗、去重、内容判定以及选择合适的方式进行存储的预处理。具体涉及一种大数据的处理分析系统和方法。
背景技术
随着大数据技术的快速发展，海量数据的分析能力越来越强，方法也越来越多，但大数据分析处理的各种技术和方法须基于一个前提：即海量数据信息是有效的，无效的数据可能导致结果偏离预期，最终难以得到一个满意的结果。也就是说，海量数据在正式开始处理分析之前的预处理工作非常重要。
本发明主要针对于互联网用户信息的预处理，同样适用于其他和互联网用户信息特点相似度高的数据集。
海量互联网用户数据主要存在两个特点：一是非结构化或半结构化。互联网不同的应用场景对互联网用户要求不同，例如，购物网站可能需要用户提供手机号、地址等信息，交友婚恋网站可能更关心用户的年龄、性别、工作、情感状态等，因此，不同应用的互联网用户数据存在结构上的差异。二是数据污染。不同来源的数据往往存在字段缺失、重复数据、异常数据、内容污染等问题。基于这两个特点，大数据分析技术难以直接对海量互联网用户信息开展数据处理分析，从而导致数据丧失其潜在商业价值。
现有的大数据预处理方法在处理存在数据污染的非结构化数据方面还处在研究实验阶段，目前主流的预处理技术模式较为固定，难以有效适应结构化复杂的数据，在海量互联网用户信息类数据预处理过程中存在自适应能力差、效率低和纠错能力差等问题，预处理结果数据质量难以得到有效保证。
发明内容
为解决上述技术问题，本发明公开了一种非结构化海量数据的预处理系统，该系统包括:数据导入模块、数据处理模块和数据导出模块；
其中，数据导入模块包括源数据文件识别分类模块、文件数据导入模块；
源数据文件识别分类模块判断源数据文件类型；
文件数据导入模块读取源数据文件的数据，将读取后的数据送至数据处理模块；
所述数据处理模块包括：模式识别模块、内容识别模块、数据分割模块、数据字段增加模块、数据字段删除模块；
模式识别模块识别文本文件中数据的分隔符；
内容识别模块识别出数据各字段的含义；
数据分割模块在识别了数据内容和数据分隔符后，将一整条数据切分为多个字段值；
数据字段删除模块删除无效字段；
数据字段增加模块添加数据主键值以及其它字段，并为其赋值；
所述数据导出模块，根据主键值进行数据去重，然后存储到相应的数据文件。
根据本发明的系统，优选的，所述模式识别模块通过正则表达式和统计学方法实现分隔符识别。
根据本发明的系统，优选的，所述内容识别模块采用正则表达式识别和信息特征库识别。
根据本发明的系统，优选的，所述主键值采用提取源数据的特征，加上来源字段值，进行拼接，将拼接后的数据字段进行hash处理方法。
根据本发明的系统，优选的，所述数据处理模块还包括数据丢弃模块和数据保留模块。
根据本发明的系统，优选的，所述数据丢弃模块去除掺杂的无效数据；所述数据保留模块用于保留后续可能会产生一定价值的数据。
为解决上述技术问题，本发明公开了一种非结构化海量数据的预处理方法，该方法包括以下步骤：
步骤一、源数据文件类型判断，如果是文本文件，进行文本类数据读取，模式识别，数据分割；如果是数据库文件，写入到数据库中将数据还原出来，进行数据库类数据读取；
步骤二、进行内容识别，识别出数据各字段的含义；
如果为有效数据，将无效字段删除，然后添加主键值以及其它字段；
步骤三、根据主键值进行数据去重，按照数据文件类型将数据导入相应数据库。
根据本发明的方法，优选的，所述步骤一中模式识别通过正则表达式和统计学方法实现分隔符识别。
根据本发明的方法，优选的，所述所述步骤二中内容识别采用正则表达式识别和信息特征库识别。
根据本发明的方法，优选的，所述步骤二中主键值为提取源数据的特征，加上来源字段值，进行拼接，将拼接后的数据字段进行hash处理。
本发明公开了一种非结构化海量数据的预处理系统和方法，能够较好的解决非结构化数据难以快速预处理的问题，能够具备快速高效去除污染数据的能力。
有益效果：
(1)模块化设计
数据预处理是一项繁杂的任务，将任务分解成为多个子任务，为每一个子任务设计一个功能较为单一的模块，从而有效降低任务复杂度，减少源数据预处理过程中的异常，通过不同功能模块的组合配对，能够有效增强对不同结构、不同类型的数据适应能力，实现源数据流水线式的处理，提高数据预处理效率。
(2)识别技术
对源数据文件和内容采用分隔符识别分类，标记识别，数据自动化分割、删除、内容判定等数据预处理工作，最后是生成数据唯一特征识别值，依据识别内容构建字段，存储到非结构化数据库中。能够将识别出的完整有效的数据通过构建数据特征作为其唯一识别值，实现快速去重和非结构化存储。实现不同类型的文件和不同格式的数据的快速预处理，提高非结构化海量数据处理的自适应能力和效率。
(3)数据去重设计
通过设计非结构化数据库的主键值，实现无效数据和重复数据的识别清除，提高大数据预处理过程中的纠错能力，实现高效快速的数据去重，防止污染数据影响数据整体质量。预处理后的数据信息，能够较好的保证其有效性，为后续的大数据分析处理奠定良好的基础。
附图说明
图1为本发明一种非结构化海量数据的预处理系统模块化功能组件构成图；
图2为本发明一种非结构化海量数据的预处理系统模式识别流程图；
图3为本发明一种非结构化海量数据的预处理系统数据内容识别流程图；
图4为本发明一种非结构化海量数据的预处理系统数据去重流程图；
图5为本发明一种非结构化海量数据的预处理方法的流程图
具体实施方式
以下结合附图对本发明的具体实施方式作出详细说明。
为有效提高非结构化海量数据质量，本发明对源数据进行如下处理：首先是源数据文件和内容识别分类，标记识别后的模式，导入到预处理管道中，其次是进行数据分割、删除、内容判定等数据预处理工作，最后是生成数据唯一特征识别值，依据识别内容构建字段，存储到非结构化数据库中。
一、实施例1：一种非结构化海量数据的预处理系统，包括以下模块:
(一)数据导入模块
数据导入模块完成源数据文件类型判断，文件内容读取，然后导入数据处理模块中。具体包括源数据文件识别分类模块、文件数据导入模块。
源数据文件识别分类模块：判断源数据文件类型是文本类型还是数据库类型。
文件数据导入模块：如果是文本文件，进行文本类数据读取；如果是数据库文件，写入到数据库中将数据还原出来，进行数据库类数据读取。
(二)数据处理模块
该模块主要包括文本文件数据分割，字段标记，内容识别，无效字段删除，数据对应字段内容有效性判定等工作，对于判定为无效性数据直接丢弃，或者放入保留模块备用，对于有效性数据则流转到数据字段增加模块，为其添加来源字段。
主要包括：模式识别模块、内容识别模块、数据分割模块、数据字段删除模块、数据字段增加模块、数据丢弃模块、数据保留模块。
1、模式识别模块：
模式识别模块的主要作用是识别出文本文件中数据的分隔符，数据大多采用的分隔符有“:”、“|”、“,”等特殊符号，通过正则表达式和统计学方法实现分隔符识别。具体处理过程如图2所示：①正则表达式识别。设计特殊字符识别的正则表达式规则，能够简单、快速、有效的识别大多数分隔符，准确得到数据各字段信息；②字符统计识别。对于未能正确识别的分隔符，采取字符数据统计的方法加以识别，统计文件中前1000行数据的特殊字符数量，数量最高的特殊字符认定为分隔符。通过正则匹配和数据统计的方法能够快速识别出分隔符。
2、内容识别模块：
内容识别模块的主要作用是识别出数据各字段的含义。如"12345678@qq.com|1234567890|zhongguo"这样一条数据，通过内容识别模块能够快速识别出第一个字段为邮箱字段，第二个为密码字段，第三个为用户名字段。数据内容识别关键技术主要包含两种方法：正则表达式识别和信息特征库识别。具体做法如图3所示：①对于特征较为明显的互联网用户信息部分字段内容，例如邮箱字段，通过设计正则表达式规则进行识别匹配；②对于难以通过具体内容进行识别标记的字段，通过收集不同来源数据的特征信息(如某公开查询网站中，会注明来源数据包含哪些字段信息，如来源于天涯论坛的数据包含用户名、密码、邮箱三个字段)，构建信息特征库，将所有收集的不同来源数据添加来源字段，再将待处理数据与信息特征库进行快速匹配，从而得出数据各字段的正确解析结果。
对于成百上千不同来源的数据，通过人工的方式识别其数据内容，将耗费大量的时间成本和人力成本，利用数据内容自动化识别方法能够快速识别出数据，有效提高海量数据预处理效率。
3、数据分割模块：
在正确识别了数据内容和数据分隔符后，通过该模块将一整条数据切分为多个字段值，如"12345678@qq.com|1234567890|zhongguo"该条数据，通过该模块将变成"邮箱:12345678@qq.com"、"密码:1234567890"、"用户名:zhongguo"这三个字段值。
4、数据字段删除模块：
数据字段删除模块主要是应用于数据字段多，且部分数据字段价值不高的情况下使用的。如某数据包含20个字段，但有高价值的仅有15个字段，在这种情况下，利用该模块，可将剩余5个字段删除。
5、数据字段增加模块：
数据字段增加模块的作用主要是添加主键值等一些有意义的字段，并为其赋值，如某数据来源于126邮箱网站，而数据本身并不会包含来源信息，因此需要添加一个来源字段，并将该字段值设为“126邮箱”。
主键值设计基于以下两方面因素考虑：一是能够全面表征该条数据主要特性，从而确保该条数据和该字段值的唯一性；二是能够将单一来源数据较为均衡分布到分布式数据库各节点上。具体的做法如图4所示：①提取不同来源数据的不同特征，加上来源字段值，进行有效拼接，②将拼接后的数据字段进行hash(任意长度的输入通过散列算法变换成固定长度的输出，该输出就是散列值)处理，生成统一长度，但较为分散的数值，作为该条数据的主键值。
6、数据丢弃模块：
数据丢弃模块主要应用于去除某些掺杂的无效数据，如某数据文件中包含100万条数据，99万条都包含“邮箱”“用户名”“密码”字段，但还有1万条数据只包含“用户名”一个字段，这时就认为这1万条数据为无效数据，将这些数据丢弃。
7、数据保留模块：
数据保留模块主要应用于在当前场景下可能价值不高，但后续可能会产生一定价值的数据。
(三)数据导出模块
数据导出并存储。该过程主要利用数据导出模块实现数据库字段与数据字段相匹配，依据预处理后的数据结构(文本或数据库)，存储到相应的数据文件，并将唯一特征识别字段作为数据库数据主键值，依据主键值去除重复数据，实现数据的高效存储。该部分内容在数据处理模块执行完毕后进行。
在数据导入数据库时，数据库依据主键值相同判定数据重复，直接删除。通过该方法，能够较好解决数据去重的效率问题，同时能够解决数据过于集中存储的问题。
二、实施例2：一种非结构化海量数据的预处理方法，包括以下步骤：
步骤一、源数据文件类型判断，如果是文本文件，进行文本类数据读取，模式识别，数据分割；如果是数据库文件，写入到数据库中将数据还原出来，进行数据库类数据读取。
文本类数据的模式识别、数据分割同系统所述。
步骤二、进行内容识别
识别出数据各字段的含义。数据内容识别关键技术主要包含两种方法：正则表达式识别和信息特征库识别。具体做法如图3所示，详见系统所述。
如果为无效数据，若在当前场景下可能价值不高，但后续可能会产生一定价值的数据，进行数据保留；否则删除。
如果为有效数据，将无效字段删除，然后添加主键值和其它有价值的字段，
步骤三、根据主键值去重，按照数据文件类型将数据导入相应数据库。
对于本领域技术人员而言，显然本发明实施例不限于上述示范性实施例的细节，而且在不背离本发明实施例的精神或基本特征的情况下，能够以其他的具体形式实现本发明实施例。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明实施例的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施方式仅用以说明本发明实施例的技术方案而非限制，尽管参照以上较佳实施方式对本发明实施例进行了详细说明，本领域的普通技术人员应当理解，可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。

Claims (10)

1.一种非结构化海量数据的预处理系统，其特征在于，包括:数据导入模块、数据处理模块和数据导出模块；
其中，数据导入模块包括源数据文件识别分类模块、文件数据导入模块；
源数据文件识别分类模块判断源数据文件类型；
文件数据导入模块读取源数据文件的数据，将读取后的数据送至数据处理模块；
所述数据处理模块包括：模式识别模块、内容识别模块、数据分割模块、数据字段增加模块、数据字段删除模块；
模式识别模块识别文本文件中数据的分隔符；
内容识别模块识别出数据各字段的含义；
数据分割模块在识别了数据内容和数据分隔符后，将一整条数据切分为多个字段值；
数据字段删除模块删除无效字段；
数据字段增加模块添加数据主键值以及其它字段，并为其赋值；
所述数据导出模块，根据主键值进行数据去重，然后存储到相应的数据文件。
2.如权利要求1所述的一种非结构化海量数据的预处理系统，其特征在于，所述模式识别模块通过正则表达式和统计学方法实现分隔符识别。
3.如权利要求1所述的一种非结构化海量数据的预处理系统，其特征在于，所述内容识别模块采用正则表达式识别和信息特征库识别。
4.如权利要求1所述的一种非结构化海量数据的预处理系统，其特征在于，所述主键值采用提取源数据的特征，加上来源字段值，进行拼接，将拼接后的数据字段进行hash处理方法。
5.如权利要求1所述的一种非结构化海量数据的预处理系统，其特征在于，所述数据处理模块还包括数据丢弃模块和数据保留模块。
6.如权利要求5所述的一种非结构化海量数据的预处理系统，其特征在于，所述数据丢弃模块去除掺杂的无效数据；所述数据保留模块用于保留后续可能会产生一定价值的数据。
7.一种非结构化海量数据的预处理方法，其特征在于，包括以下步骤：
步骤一、源数据文件类型判断，如果是文本文件，进行文本类数据读取，模式识别，数据分割；如果是数据库文件，写入到数据库中将数据还原出来，进行数据库类数据读取；
步骤二、进行内容识别，识别出数据各字段的含义；
如果为有效数据，将无效字段删除，然后添加主键值以及其它字段；
步骤三、根据主键值进行数据去重，按照数据文件类型将数据导入相应数据库。
8.如权利要求7所述的一种非结构化海量数据的预处理方法，其特征在于，所述步骤一中模式识别通过正则表达式和统计学方法实现分隔符识别。
9.如权利要求7所述的一种非结构化海量数据的预处理方法，其特征在于，所述所述步骤二中内容识别采用正则表达式识别和信息特征库识别。
10.如权利要求7所述的一种非结构化海量数据的预处理方法，其特征在于，所述步骤二中主键值为提取源数据的特征，加上来源字段值，进行拼接，将拼接后的数据字段进行hash处理。
CN201910955858.6A 2019-10-09 2019-10-09 一种非结构化海量数据的预处理方法及系统 Pending CN110765236A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910955858.6A CN110765236A (zh) 2019-10-09 2019-10-09 一种非结构化海量数据的预处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910955858.6A CN110765236A (zh) 2019-10-09 2019-10-09 一种非结构化海量数据的预处理方法及系统

Publications (1)

Publication Number Publication Date
CN110765236A true CN110765236A (zh) 2020-02-07

Family

ID=69331410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910955858.6A Pending CN110765236A (zh) 2019-10-09 2019-10-09 一种非结构化海量数据的预处理方法及系统

Country Status (1)

Country Link
CN (1) CN110765236A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111352929A (zh) * 2020-04-13 2020-06-30 猫岐智能科技（上海）有限公司 一种数据处理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407407A (zh) * 2016-09-22 2017-02-15 江苏通付盾科技有限公司 一种文件标注系统及方法
CN107590169A (zh) * 2017-04-14 2018-01-16 南方科技大学 一种运营商网关数据的预处理方法及系统
US20190034767A1 (en) * 2017-07-31 2019-01-31 Splunk Inc. Automated data preprocessing for machine learning
CN109376152A (zh) * 2018-09-13 2019-02-22 广州帷策智能科技有限公司 大数据系统文件数据准备方法和系统
CN110019169A (zh) * 2017-12-29 2019-07-16 中国移动通信集团陕西有限公司 一种数据处理的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407407A (zh) * 2016-09-22 2017-02-15 江苏通付盾科技有限公司 一种文件标注系统及方法
CN107590169A (zh) * 2017-04-14 2018-01-16 南方科技大学 一种运营商网关数据的预处理方法及系统
US20190034767A1 (en) * 2017-07-31 2019-01-31 Splunk Inc. Automated data preprocessing for machine learning
CN110019169A (zh) * 2017-12-29 2019-07-16 中国移动通信集团陕西有限公司 一种数据处理的方法及装置
CN109376152A (zh) * 2018-09-13 2019-02-22 广州帷策智能科技有限公司 大数据系统文件数据准备方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘世成等: "非结构化机器数据范式化处理的研究", 《现代信息科技》 *
范春晓等: "《Web数据分析关键技术及解决方案》", 31 October 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111352929A (zh) * 2020-04-13 2020-06-30 猫岐智能科技（上海）有限公司 一种数据处理方法

Similar Documents

Publication Publication Date Title
Nguyen et al. Automatic image filtering on social networks using deep learning and perceptual hashing during crises
CN106982150B (zh) 一种基于Hadoop的移动互联网用户行为分析方法
CN106650799B (zh) 一种电子证据分类提取方法及系统
CN111324784A (zh) 一种字符串处理方法及装置
CN112434168B (zh) 基于图书馆的知识图谱构建方法、碎片化知识生成方法
CN106844553B (zh) 基于样本数据的数据探测和扩充方法及装置
CN114707003B (zh) 一种论文作者姓名消歧的方法、设备及储存介质
CN117150050A (zh) 一种基于大语言模型的知识图谱构建方法及系统
CN110008701B (zh) 基于elf文件特征的静态检测规则提取方法及检测方法
CN115098440A (zh) 电子档案查询方法、装置、存储介质和设备
CN112883704B (zh) 一种大数据相似文本去重预处理方法、装置及终端设备
CN110765236A (zh) 一种非结构化海量数据的预处理方法及系统
CN113761137B (zh) 一种提取地址信息的方法及装置
CN111488464B (zh) 实体属性处理方法、装置、设备及介质
CN116956930A (zh) 一种融合规则和学习模型的短文本信息提取方法及系统
CN111026940A (zh) 一种面向电网电磁环境的网络舆情及风险信息监测系统、电子设备
CN107992538B (zh) 报文日志生成方法、装置、查询方法及信息处理系统
CN107291952B (zh) 一种提取有意义串的方法及装置
CN116303379A (zh) 一种数据处理方法、系统及计算机储存介质
CN115438645A (zh) 一种序列标注任务的文本数据增强方法及系统
CN112686029B (zh) 用于数据库审计系统的sql新语句识别方法及装置
CN114706948A (zh) 新闻处理方法、装置、存储介质以及电子设备
CN111563123A (zh) 一种hive仓库元数据实时同步方法
CN112445939A (zh) 一种社交网络群体发现系统、方法及存储介质
CN114115825B (zh) 一种兼容软件的前后端数据校验方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200207

RJ01 Rejection of invention patent application after publication