Hibernate查询缓存全面分析

本文深入解析了一级缓存和二级缓存的区别与使用场景,并详细介绍了Hibernate查询缓存的工作原理及如何结合二级缓存提高查询效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

缓存分类:

  ◆一级缓存Session级

  ◆二级缓存SessionFactory级别 JVM级别

  Hibernate查询缓存不固定(根据生命周期 来说 不固定)

  生命周期:

  ◆一级缓存 是和 session 会话一直 产生一直消失

  ◆二级缓存 是和 sessionFacotry 一致

  Hibernate查询缓存 生命周期不固定 ,当数据库 表发生改变的使用Hibernate查询缓存马上消失

  使用方法:

  ◆一级缓存:这个就不用说了

  ◆二级缓存:首先拷贝 使用Hibernate查询缓存类别.xml到 classpath目录下面,然后 到hibernate.cfg.xml里面配置。开启二级缓存(默认开启),定义要使用二级缓存的实体类,然后 就是在程序中要显示的指定session。

  使用二级缓存的类别 有三种,Normal,GET,PUT默认使用的是 Normal即可以写也可以读取二级缓存(这里读写是指的会话Session)

  Hibernate查询缓存:首先也是到hibernate配置文件中去开启Hibernate查询缓存,然后程序中也 要显示的调用方法来开启Hibernate查询缓存eg:query.setCachemodel(true);

  缓存的保存对象:

  ◆一级缓存:缓存的是 实体

  ◆二级缓存 缓存的也是实体

  Hibernate查询缓存缓存的是 查询出来的 实体的部分属性结果集 和 实体的ID (注意这里不是实体)

  缓存的使用对象:

  ◆一级缓存:

  Load(Lazy加载) 使用一级缓存当load的使用 首先查找把序列号去和一级缓存匹配是否有,就直接取出来如果没有 就发出SQL语句。

  Get也使用一级缓存。

  List接口 query.list() 不使用 一级缓存每次 都要发出SQL eg:(select * from tudent)。Iterator 接口 query.iterate();使用一级缓存 首先是要发出一条SQL 来取得ID,eg: select。id from student; 然后 把ID 拿到缓存中去匹配 如果有 就直接取 如果没有,就要再发出SQL如果 都没有 将发出N+1条SQL这就是N+1问题

  ◆二级缓存: 都使用了二级缓存

  Hibernate查询缓存:看到名字 顾名思义就知道 是查询 那么就是对List 和Iterator接口起作用

  但是Hibernate查询缓存对Iterator不起作用,只对List起作用。

  下面我们这种介绍把二级缓存 和 Hibernate查询缓存 结合使用

  当只是用Hibernate查询缓存 而关闭 二级缓存的时候:

  第一:如果查询的是部分属性结果集:

  那么当第二次查询的时候 就不会发出SQL 直接从Hibernate查询缓存中取数据 第二:如果查询的是 实体结果集eg(from Student) 这个HQL 那么 查询出来的实体,首先Hibernate查询缓存 存放实体的ID ,

  第二次查询的时候 就到Hibernate查询缓存中取出ID 一条一条的到数据库查询 这样 将发出N 条SQL造成了SQL泛滥

  当都开启Hibernate查询缓存和二级缓存的时候

  第一:如果查询的是部分属性结果集: 这个和上面只是用Hibernate查询缓存 而关闭 二级缓存的时候,一致 因为不涉及实体 不会用到二级缓存

  第二:如果查询的是 实体结果集eg(from Student) 这个HQL 那么 查询出来的实体,首先Hibernate查询缓存 存放实体的ID,第二次查询,的时候 就到Hibernate查询缓存中取出ID,拿到二级缓存区找数据,如果有数据 就不会发出SQL 如果都有 一条SQL 都不会发出 直接从二级缓存中取数据。
内容概要:本文系统介绍了基于C#(VS2022+.NET Core)与HALCON 24.11的工业视觉测量拟合技术,涵盖边缘提取、几何拟合、精度优化及工业部署全流程。文中详细解析了亚像素边缘提取、Tukey抗噪算法、SVD平面拟合等核心技术,并提供了汽车零件孔径测量、PCB焊点共面性检测等典型应用场景的完整代码示例。通过GPU加速、EtherCAT同步等优化策略,实现了±0.01mm级测量精度,满足ISO 1101标准。此外,文章还探讨了深度学习、量子启发式算法等前沿技术的应用前景。 适合人群:具备一定编程基础,尤其是熟悉C#和HALCON的工程师或研究人员,以及从事工业视觉测量与自动化检测领域的技术人员。 使用场景及目标:①学习如何使用C#和HALCON实现高精度工业视觉测量系统的开发;②掌握边缘提取、抗差拟合、3D点云处理等核心技术的具体实现方法;③了解工业部署中的关键技术,如GPU加速、EtherCAT同步控制、实时数据看板等;④探索基于深度学习和量子计算的前沿技术在工业视觉中的应用。 其他说明:本文不仅提供了详细的理论分析和技术实现,还附有完整的代码示例和实验数据,帮助读者更好地理解和实践。同时,文中提到的硬件选型、校准方法、精度验证等内容,为实际项目实施提供了重要参考。文章最后还给出了未来的技术演进方向和开发者行动建议,如量子-经典混合计算、自监督学习等,以及参与HALCON官方认证和开源社区的建议。
内容概要:本文介绍了基于WOA-GRU-Attention模型的时序数据分类预测项目,旨在提升时序数据分类准确率,实现智能优化,并提供强泛化能力的分类框架。项目背景指出传统机器学习方法难以处理时序数据的复杂特性,而GRU、注意力机制和WOA的结合能有效应对这些问题。文章详细描述了项目的目标与意义,包括提升分类准确率、实现智能优化、推动元启发式算法的应用等。同时,文中列出了项目面临的挑战及解决方案,如高维数据特征复杂、超参数调优难度大等。项目模型架构由WOA、GRU和注意力机制三部分组成,通过Python代码示例展示了模型的具体实现,包括模型定义、训练过程和WOA优化算法的核心步骤。; 适合人群:具备一定编程基础,尤其是对深度学习、时序数据分析感兴趣的开发者和研究人员。; 使用场景及目标:① 提升时序数据分类准确率,特别是在金融、医疗、智能制造等领域;② 实现模型训练过程的智能优化,避免传统调参的局限;③ 提供具备强泛化能力的时序数据分类框架,支持多行业多场景应用;④ 推动高性能时序模型的工业应用落地,提高智能系统的响应速度和决策质量。; 其他说明:项目不仅实现了工程应用,还在理论层面对GRU结构与注意力机制的融合进行了系统分析,结合WOA优化过程对模型训练动力学展开研究,促进了深度学习与优化算法交叉研究领域的发展。读者可以通过提供的代码示例和链接进一步了解项目的具体实现和应用场景。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值