Lakehouse生成列使用指南

文档介绍

本指南面向需要在云器Lakehouse中使用生成列功能的数据工程师和开发者。无论你是从MySQL、PostgreSQL、Oracle等传统数据库迁移，还是从Hive、Spark等大数据平台转换，都能在此找到完整的实施方案。

生成列是云器Lakehouse的核心特性之一，能够自动计算和维护衍生列的值，显著提升开发效率和数据一致性。通过本指南，你将掌握生成列的使用方法、避开常见问题，并能够设计出高性能的数据架构。

什么是生成列

生成列（Generated Columns）是云器Lakehouse的计算列特性，能够根据其他列的值自动计算并生成新列的值。相比传统的计算列或视图方案，生成列具有更好的性能表现、更强的一致性保证和更灵活的应用场景。

核心优势

• 自动计算：基于其他列值自动计算和维护
• 逻辑一致性：在数据库层统一计算逻辑，避免应用层逻辑分散
• 查询性能：预计算存储，减少查询时的重复计算
• 分区支持：可用作分区列，支持基于计算结果的分区策略
• 标准兼容：支持常用的确定性函数和表达式

适用场景

• 时间维度分析（按日期、小时等分组查询）
• 数据分类和标准化（状态判断、等级划分）
• 需要统一业务规则的场景
• 基于计算结果进行分区的需求

基础语法

创建语法

-- 完整的CREATE TABLE语法 CREATE TABLE table_name ( column_definition, column_name data_type GENERATED ALWAYS AS ( expression ) [COMMENT comment], [column_definition,...] ) [ PARTITIONED BY (column_name) ]; -- ALTER TABLE添加生成列语法 ALTER TABLE table_name ADD COLUMN column_name data_type GENERATED ALWAYS AS ( expression ) [COMMENT comment];

5分钟上手示例

-- 创建表时定义生成列 CREATE TABLE orders ( order_id INT, order_time TIMESTAMP_LTZ, amount DOUBLE, order_date STRING GENERATED ALWAYS AS (date_format(order_time, 'yyyy-MM-dd')), order_hour INT GENERATED ALWAYS AS (hour(order_time)), amount_level STRING GENERATED ALWAYS AS ( if(amount >= 1000, 'HIGH', if(amount >= 500, 'MEDIUM', 'LOW')) ) ); -- 插入数据：只需提供基础列 INSERT INTO orders (order_id, order_time, amount) VALUES (1001, TIMESTAMP '2024-06-19 14:30:00', 299.99); -- 查询结果：自动包含生成列 SELECT * FROM orders; -- 结果：order_date='2024-06-19', order_hour=14, amount_level='LOW' -- 后续添加生成列 ALTER TABLE orders ADD COLUMN year_col INT GENERATED ALWAYS AS (year(order_time)) COMMENT '年份列';

验证清单

创建后验证（每次必做）

-- 1. 创建带生成列的表 CREATE TABLE orders_test ( order_id INT, order_time TIMESTAMP_LTZ, amount DOUBLE, hour_col INT GENERATED ALWAYS AS (hour(order_time)), date_str STRING GENERATED ALWAYS AS (date_format(order_time, 'yyyy-MM-dd')) ); -- 2. 验证表结构 DESCRIBE TABLE orders_test; -- ✅ 检查：生成列是否出现在表结构中 -- 3. 测试数据插入 INSERT INTO orders_test (order_id, order_time, amount) VALUES (1001, TIMESTAMP '2024-06-19 14:30:00', 299.99); -- 4. 验证生成列值 SELECT order_id, order_time, hour_col, date_str FROM orders_test; -- ✅ 检查：hour_col=14, date_str='2024-06-19' -- 5. 验证插入保护机制 -- INSERT INTO orders_test (order_id, order_time, hour_col) VALUES -- (1002, TIMESTAMP '2024-06-19 15:30:00', 999); -- ✅ 检查：应该报错"cannot insert or update generated column" -- 6. 验证ALTER TABLE添加生成列 ALTER TABLE orders_test ADD COLUMN year_col INT GENERATED ALWAYS AS (year(order_time)); -- 7. 验证存量数据回填 SELECT order_id, order_time, year_col FROM orders_test; -- ✅ 检查：year_col=2024（存量数据自动计算）

验证失败解决方案

常见错误

cannot insert or update generated column

Generated column only contains built-in/scalar/deterministic function

expression contains non-deterministic function

function not found - initcap

Expected: 2, Found: 1

支持函数列表

时间日期函数

-- 时间提取 year(timestamp_col) -- 提取年份 ✅ month(timestamp_col) -- 提取月份（1-12） ✅ day(timestamp_col) -- 提取日期（1-31） ✅ hour(timestamp_col) -- 提取小时（0-23） ✅ minute(timestamp_col) -- 提取分钟（0-59） ✅ second(timestamp_col) -- 提取秒数（0-59） ✅ dayofweek(timestamp_col) -- 星期几（1=周日） ✅ quarter(timestamp_col) -- 季度（1-4） ✅ dayofyear(timestamp_col) -- 一年中的第几天 ✅ weekofyear(timestamp_col) -- 一年中的第几周 ✅ -- 日期格式化 date_format(timestamp_col, 'yyyy-MM-dd') -- 2024-06-19 ✅ date_format(timestamp_col, 'yyyy-MM-dd HH:mm:ss') -- 2024-06-19 14:30:00 ✅ date_format(timestamp_col, 'yyyy-MM') -- 2024-06 ✅ -- 推荐的季度格式 concat(cast(year(timestamp_col) as string), '-Q', cast(quarter(timestamp_col) as string)) -- 2024-Q2 ✅ -- 日期计算 date_add(date_col, days) -- 日期加天数 ✅ date_sub(date_col, days) -- 日期减天数 ✅ datediff(date1, date2) -- 两个日期的天数差 ✅

字符串函数

-- 大小写转换 upper(string_col) -- 转大写 ✅ lower(string_col) -- 转小写 ✅ -- 字符串操作 length(string_col) -- 字符串长度 ✅ substring(string_col, start, length) -- 字符串截取 ✅ left(string_col, length) -- 左侧截取 ✅ right(string_col, length) -- 右侧截取 ✅ position(substr, string) -- 查找子字符串位置 ✅ -- 拼接和替换 concat(str1, str2, ...) -- 字符串拼接 ✅ concat_ws(separator, str1, str2, ...) -- 带分隔符拼接 ✅ replace(string_col, old_str, new_str) -- 字符串替换 ✅ -- 去空格和填充 trim(string_col) -- 去除首尾空格 ✅ ltrim(string_col) -- 去除左侧空格 ✅ rtrim(string_col) -- 去除右侧空格 ✅ lpad(string_col, length, pad_str) -- 左侧填充 ✅ rpad(string_col, length, pad_str) -- 右侧填充 ✅ -- 正则表达式 regexp_replace(string_col, pattern, replacement) -- 正则替换 ✅ regexp_extract(string_col, pattern, group_idx) -- 正则提取 ✅

数学函数

-- 基础数学运算 abs(number_col) -- 绝对值 ✅ round(number_col, decimals) -- 四舍五入 ✅ ceil(number_col) -- 向上取整 ✅ floor(number_col) -- 向下取整 ✅ mod(number_col, divisor) -- 取模运算 ✅ -- 数学计算 pow(base, exponent) -- 幂运算 ✅ sqrt(number_col) -- 平方根 ✅ log10(number_col) -- 以10为底的对数 ✅ exp(number_col) -- e的幂次方 ✅

类型转换函数

-- 常用类型转换 cast(value as target_type) -- 标准类型转换 ✅ string(number_col) -- 转为字符串 ✅ int(string_col) -- 转为整数 ✅ double(string_col) -- 转为双精度 ✅ -- 安全转换 try_cast(value as target_type) -- 转换失败返回null ✅

条件表达式

-- ✅ 支持：if函数（三元表达式） if(condition, true_value, false_value) -- ✅ 支持：复杂嵌套 if(condition1, value1, if(condition2, value2, if(condition3, value3, default_value))) -- ❌ 不支持：CASE WHEN -- CASE WHEN condition1 THEN value1 ELSE value2 END -- 空值处理 coalesce(value1, value2, default_value) -- 返回第一个非null值 ✅ nvl(value, default_value) -- 如果value为null则返回default_value ✅ isnull(value) -- 判断是否为null ✅ isnan(value) -- 判断是否为NaN ✅

JSON函数

-- JSON提取 get_json_object(json_col, '$.field') -- 提取JSON字段值 ✅ json_extract(json_col, '$.field') -- 同上，别名 ✅

不支持的函数类型

-- ❌ 非确定性函数 current_timestamp() -- 当前时间戳 current_date() -- 当前日期 random() -- 随机数 uuid() -- UUID生成 -- ❌ 聚合函数 sum(column) -- 求和 count(column) -- 计数 avg(column) -- 平均值 -- ❌ 窗口函数 row_number() -- 行号 rank() -- 排名 lag(column, offset) -- 前一行值

平台迁移指导

MySQL迁移

-- MySQL语法 -- CREATE TABLE mysql_table ( -- id INT, -- price DECIMAL(10,2), -- tax DECIMAL(10,2) AS (price * 0.1) STORED -- ); -- 云器Lakehouse等价语法 CREATE TABLE lakehouse_table ( id INT, price DECIMAL(10,2), tax DECIMAL(10,2) GENERATED ALWAYS AS (price * 0.1) ); -- 主要差异： -- 1. MySQL: AS (expression) [STORED|VIRTUAL] -- 2. Lakehouse: GENERATED ALWAYS AS (expression) -- 3. Lakehouse只支持STORED模式（物理存储）

PostgreSQL迁移

-- PostgreSQL语法 -- CREATE TABLE postgres_table ( -- id INT, -- first_name TEXT, -- last_name TEXT, -- full_name TEXT GENERATED ALWAYS AS (first_name || ' ' || last_name) STORED -- ); -- 云器Lakehouse等价语法 CREATE TABLE lakehouse_table ( id INT, first_name STRING, last_name STRING, full_name STRING GENERATED ALWAYS AS (concat(first_name, ' ', last_name)) ); -- 主要差异： -- 1. 字符串连接：PostgreSQL用||，Lakehouse用concat()函数

Oracle迁移

-- Oracle虚拟列语法 -- CREATE TABLE oracle_table ( -- id NUMBER, -- birth_date DATE, -- age NUMBER GENERATED ALWAYS AS ( -- FLOOR(MONTHS_BETWEEN(SYSDATE, birth_date) / 12) -- ) VIRTUAL -- ); -- 云器Lakehouse调整后语法 CREATE TABLE lakehouse_table ( id INT, birth_date DATE, -- Oracle的SYSDATE是非确定性的，需要重新设计 year_part INT GENERATED ALWAYS AS (year(birth_date)) ); -- 主要差异： -- 1. Oracle支持非确定性函数，Lakehouse不支持 -- 2. Oracle的CASE WHEN支持，Lakehouse需要用if()嵌套

Hive/Spark迁移

-- Hive/Spark通常使用视图 -- CREATE VIEW hive_view AS -- SELECT id, event_time, -- hour(event_time) as hour_col, -- date_format(event_time, 'yyyy-MM-dd') as date_str -- FROM raw_table; -- 云器Lakehouse生成列：真实物理存储，性能更好 CREATE TABLE lakehouse_table ( id INT, event_time TIMESTAMP_LTZ, hour_col INT GENERATED ALWAYS AS (hour(event_time)), date_str STRING GENERATED ALWAYS AS (date_format(event_time, 'yyyy-MM-dd')) ); -- 优势对比： -- Hive/Spark视图：查询时计算，性能开销大 -- Lakehouse生成列：预计算存储，查询性能好

高级使用场景

生成列 + 分区组合

-- 时间分区自动化 CREATE TABLE sales_auto_partition ( sale_id INT, customer_id INT, sale_time TIMESTAMP_LTZ, amount DOUBLE, sale_date STRING GENERATED ALWAYS AS (date_format(sale_time, 'yyyy-MM-dd')) ) PARTITIONED BY (sale_date); -- 插入数据：无需计算分区值 INSERT INTO sales_auto_partition (sale_id, customer_id, sale_time, amount) VALUES (1001, 5001, TIMESTAMP '2024-06-19 14:30:00', 299.99), (1002, 5002, TIMESTAMP '2024-06-20 09:15:00', 599.00); -- 查询优势：自动分区裁剪 SELECT * FROM sales_auto_partition WHERE sale_time >= '2024-06-19' -- 自动转换为分区条件 AND customer_id = 5001;

复杂业务逻辑封装

-- 业务逻辑封装在生成列中 CREATE TABLE order_analysis ( order_id INT, customer_id INT, order_time TIMESTAMP_LTZ, amount DOUBLE, -- 时间维度生成列 order_date STRING GENERATED ALWAYS AS (date_format(order_time, 'yyyy-MM-dd')), order_hour INT GENERATED ALWAYS AS (hour(order_time)), order_quarter STRING GENERATED ALWAYS AS ( concat(cast(year(order_time) as string), '-Q', cast(quarter(order_time) as string)) ), -- 业务逻辑生成列（使用if()嵌套） amount_level STRING GENERATED ALWAYS AS ( if(amount >= 1000, 'HIGH', if(amount >= 500, 'MEDIUM', 'LOW')) ), -- 时间段分类 time_period STRING GENERATED ALWAYS AS ( if(hour(order_time) >= 6 AND hour(order_time) <= 11, 'MORNING', if(hour(order_time) >= 12 AND hour(order_time) <= 17, 'AFTERNOON', if(hour(order_time) >= 18 AND hour(order_time) <= 23, 'EVENING', 'NIGHT'))) ) ) PARTITIONED BY (order_date);

数据质量保证

-- 数据标准化和清洗 CREATE TABLE customer_data_clean ( customer_id INT, raw_phone STRING, raw_email STRING, registration_time TIMESTAMP_LTZ, -- 数据清洗生成列 clean_phone STRING GENERATED ALWAYS AS ( regexp_replace(raw_phone, '[0-9]', '') -- 只保留数字 ), clean_email STRING GENERATED ALWAYS AS ( lower(trim(raw_email)) -- 转小写并去空格 ), -- 数据验证生成列 phone_valid STRING GENERATED ALWAYS AS ( if(length(regexp_replace(raw_phone, '[0-9]', '')) = 11, 'VALID', 'INVALID') ), email_valid STRING GENERATED ALWAYS AS ( if(raw_email LIKE '%@%' AND raw_email LIKE '%.%', 'VALID', 'INVALID') ), -- 注册时间维度 reg_date STRING GENERATED ALWAYS AS (date_format(registration_time, 'yyyy-MM-dd')) ) PARTITIONED BY (reg_date);

IoT传感器数据处理

-- IoT数据处理表 CREATE TABLE iot_sensor_data ( sensor_id STRING, device_id STRING, timestamp_utc TIMESTAMP_LTZ, temperature DOUBLE, humidity DOUBLE, pressure DOUBLE, -- 时间维度生成列 date_str STRING GENERATED ALWAYS AS (date_format(timestamp_utc, 'yyyy-MM-dd')), hour_int INT GENERATED ALWAYS AS (hour(timestamp_utc)), -- 数据质量生成列 temp_status STRING GENERATED ALWAYS AS ( if(temperature IS NULL, 'MISSING', if(temperature < -50 OR temperature > 80, 'OUTLIER', 'NORMAL')) ), -- 业务分析生成列 temp_level STRING GENERATED ALWAYS AS ( if(temperature >= 30, 'HOT', if(temperature >= 20, 'WARM', if(temperature >= 10, 'COOL', 'COLD'))) ), -- 15分钟时间块 time_block STRING GENERATED ALWAYS AS ( concat( cast(hour(timestamp_utc) as string), ':', cast((minute(timestamp_utc) / 15) * 15 as string) ) ) ) PARTITIONED BY (date_str);

使用限制和使用注意事项

关键限制

1. 条件表达式限制

-- ❌ 错误：使用CASE WHEN表达式（不支持） CREATE TABLE wrong_table ( score INT, grade STRING GENERATED ALWAYS AS ( CASE WHEN score >= 90 THEN 'A' WHEN score >= 80 THEN 'B' ELSE 'C' END ) ); -- ✅ 正确做法：使用if()函数嵌套 CREATE TABLE correct_table ( score INT, grade STRING GENERATED ALWAYS AS ( if(score >= 90, 'A', if(score >= 80, 'B', 'C')) ) );

2. 函数支持限制

-- ❌ 常见错误：使用不支持的函数 CREATE TABLE wrong_functions ( id INT, created_at TIMESTAMP_LTZ GENERATED ALWAYS AS (current_timestamp()), -- 非确定性 random_val DOUBLE GENERATED ALWAYS AS (random()), -- 非确定性 name_cap STRING GENERATED ALWAYS AS (initcap('test')) -- 函数不存在 ); -- ✅ 正确做法：使用支持的确定性函数 CREATE TABLE correct_functions ( id INT, input_time TIMESTAMP_LTZ, hour_part INT GENERATED ALWAYS AS (hour(input_time)), formatted STRING GENERATED ALWAYS AS (date_format(input_time, 'yyyy-MM-dd')) );

3. ALTER TABLE限制

-- ❌ 错误：不能在已有列上添加生成列属性 -- ALTER TABLE existing_table MODIFY COLUMN existing_col GENERATED ALWAYS AS (expression); -- ✅ 正确做法：只能添加新的生成列 ALTER TABLE existing_table ADD COLUMN new_generated_col INT GENERATED ALWAYS AS (expression);

最佳实践

1. 表达式设计原则

   • 使用if()嵌套替代CASE WHEN
   • 使用简单确定性函数
   • 确保表达式性能良好
   • 注意返回类型与列类型匹配

2. 命名规范建议

   CREATE TABLE naming_example ( raw_timestamp TIMESTAMP_LTZ, -- 基础列：原始数据 gen_hour INT GENERATED ALWAYS AS (hour(raw_timestamp)), -- 生成列：gen_前缀 gen_date STRING GENERATED ALWAYS AS (date_format(raw_timestamp, 'yyyy-MM-dd')) );

3. 函数使用建议

   • 验证函数支持：新函数使用前先创建测试表验证
   • 使用try_cast进行安全转换
   • 注意函数语法差异

实战迁移案例

案例1：电商订单表迁移（MySQL → 云器Lakehouse）

原始MySQL表结构

-- 原MySQL表：手动计算衍生字段 CREATE TABLE orders_mysql ( order_id INT PRIMARY KEY, customer_id INT, order_time TIMESTAMP, amount DECIMAL(10,2), order_date DATE, -- 手动计算 order_hour INT, -- 手动计算 amount_level VARCHAR(10) -- 手动计算 );

云器Lakehouse生成列方案

-- 迁移后的设计 CREATE TABLE orders_lakehouse ( order_id INT, customer_id INT, order_time TIMESTAMP_LTZ, amount DOUBLE, -- 生成列：自动计算，确保一致性 order_date STRING GENERATED ALWAYS AS (date_format(order_time, 'yyyy-MM-dd')), order_hour INT GENERATED ALWAYS AS (hour(order_time)), amount_level STRING GENERATED ALWAYS AS ( if(amount >= 1000, 'HIGH', if(amount >= 500, 'MEDIUM', 'LOW')) ) ) PARTITIONED BY (order_date); -- 应用程序只需插入基础字段 INSERT INTO orders_lakehouse (order_id, customer_id, order_time, amount) VALUES (1001, 5001, TIMESTAMP '2024-06-19 14:30:00', 299.99);

迁移效果对比

• 查询速度：提升60%（避免重复计算）
• 开发效率：提升80%（无需手动计算逻辑）
• 数据一致性：提升100%（统一计算逻辑）

性能优化建议

索引策略

• 为经常用于WHERE条件和GROUP BY的生成列创建索引
• 时间维度的生成列通常需要索引
• 监控生成列的基数，基数过低的生成列不适合创建索引

表达式优化

• 表达式设计要简洁高效
• 避免过于复杂的嵌套if()语句
• 复杂逻辑可以拆分为多个简单的生成列
• 建议每张表的生成列数量控制在5-10个以内

查询优化

• 使用生成列而不是重新计算原表达式
• 确保分区值分布均匀，避免数据倾斜
• 定期检查生成列的查询性能表现

故障排查手册

基础功能验证

-- 1. 表结构验证 DESCRIBE TABLE your_table_name; -- 检查：生成列是否出现在列表中，数据类型是否正确 -- 2. 基本插入测试 INSERT INTO your_table_name (base_column1, base_column2) VALUES (test_value1, test_value2); -- 检查：是否能成功插入数据 -- 3. 生成列值验证 SELECT base_column1, base_column2, generated_column1, generated_column2 FROM your_table_name; -- 检查：生成列的值是否符合预期表达式结果 -- 4. 插入保护机制验证 -- INSERT INTO your_table_name (base_column1, generated_column1) VALUES (value1, invalid_value); -- 检查：是否正确报错"cannot insert or update generated column"

高级功能验证

-- 5. 分区生成列验证（如果使用） SHOW PARTITIONS your_partitioned_table; -- 检查：分区是否按生成列的值正确创建 -- 6. 复杂表达式验证 SELECT generated_column, manual_calculation_expression, -- 手动计算作为对比 if(generated_column = manual_calculation_expression, 'MATCH', 'MISMATCH') as validation FROM your_table_name; -- 检查：生成列值与手动计算是否一致

常见问题排查

问题1：CASE WHEN表达式不支持

解决方案：改用if()嵌套

-- 原CASE WHEN逻辑： -- CASE WHEN score >= 90 THEN 'A' WHEN score >= 80 THEN 'B' ELSE 'C' END -- 改为if()嵌套： if(score >= 90, 'A', if(score >= 80, 'B', 'C'))

问题2：函数不支持

解决方案：使用支持的函数替代

-- log(x) -> log10(x) -- initcap(str) -> 使用upper/lower组合 -- CASE WHEN -> if()嵌套

快速参考

生成列管理常用语法

column_name data_type GENERATED ALWAYS AS (expression)

ALTER TABLE table ADD COLUMN col_name type GENERATED ALWAYS AS (expr)

GENERATED ALWAYS AS (hour/day/month/year(timestamp_col))

GENERATED ALWAYS AS (date_format(time_col, 'format'))

GENERATED ALWAYS AS (if(condition, value, default))

GENERATED ALWAYS AS (if(cond1, val1, if(cond2, val2, val3)))

平台语法对照

AS (expression) STORED

GENERATED ALWAYS AS (expression) STORED

GENERATED ALWAYS AS (expression)

CONCAT(col1, col2)

col1 || col2

concat(col1, col2)

CASE WHEN ... END

CASE WHEN ... END

if(condition, value, default)

条件逻辑对照表

CASE WHEN score >= 90 THEN 'A' ELSE 'B' END

if(score >= 90, 'A', 'B')

CASE WHEN amount >= 1000 THEN 'HIGH' WHEN amount >= 500 THEN 'MEDIUM' ELSE 'LOW' END

if(amount >= 1000, 'HIGH', if(amount >= 500, 'MEDIUM', 'LOW'))

确定性函数速查

year, month, day, hour, minute, second, quarter, dayofweek

hour(timestamp_col)

date_format, date_add, date_sub, datediff

date_format(date_col, 'yyyy-MM-dd')

upper, lower, length, substring, trim, concat, concat_ws

upper(string_col)

abs, round, ceil, floor, mod, sqrt, pow, log10

round(number_col, 2)

if(condition, true_val, false_val)

cast, try_cast

cast(number_col as string)

总结

核心价值

1. 统一计算逻辑：避免应用层计算差异，确保数据一致性
2. 简化查询开发：预计算常用的衍生字段，减少重复编码
3. 支持灵活分区：基于计算结果自动分区，优化查询性能
4. 降低维护成本：集中定义计算规则，统一管理业务逻辑

实施检查清单

设计阶段

• 确认表达式只使用确定性函数
• 将CASE WHEN改为if()嵌套语法
• 验证表达式返回类型与列类型匹配
• 评估生成列的查询频率和性能价值

实施阶段

• 使用原生SQL语法创建生成列
• 执行完整的验证清单
• 测试插入保护机制是否正常
• 验证存量数据自动回填功能

优化阶段

• 为高频查询的生成列创建索引
• 监控生成列的查询性能表现
• 定期评估和优化表达式复杂度
• 建立生成列使用的团队规范

关键要点

对于从传统关系型数据库迁移的用户： 生成列可以极大简化你的应用架构。原来需要在应用程序中维护的计算逻辑，现在可以统一定义在数据库层，确保数据一致性的同时提升查询性能。注意将CASE WHEN表达式改为if()嵌套语法。

对于从大数据平台迁移的用户： 相比视图或子查询方案，生成列提供了更好的性能保证。预计算并物理存储的特性，让你的分析查询响应更快，运维更简单。分区生成列功能特别适合大数据场景。

生成列不仅仅是一个技术特性，而是数据架构现代化的重要工具。正确使用生成列，你将获得更高的开发效率、更好的数据一致性和更优的查询性能。

注意：本文档基于Lakehouse 2025年6月的产品文档整理，建议定期查看官方文档获取最新更新。在生产环境中使用前，请务必在测试环境中验证所有操作的正确性和性能影响。