JDBC笔记记录及错误记录

【NVIDIA驱动的顽固问题】---- /dev/sdax:clean,xxx/xxx files,xxx/xxx blocks ---- 最全解决方法 本文的意义在于整理总结关于此问题的全部解决方法,希望能给大家节约时间。 阅读详情

JDBC笔记较少,故全整理在此处

本质

JDBC:JavaDataBase Connectivity(Java数据库连接)
本质上是一个接口,SUN公司编写制定。
由Oracle,MySQL等编写实现此接口的类,即为驱动。
Java程序员面向接口编程。

编程六步

1、注册驱动
2、获取连接
3、获取数据库对象
4、执行sql语句
5、对操作结果处理
6、关闭资源。

具体实现代码

1、注册驱动

Driver driver = DriverManager.registerDriver(new com.mysql.jdbc.Driver());
//一般不采用上面的,而是用下面的
Class.forName(com.mysql.jdbc.Driver);

2、获取连接

Connection conn = DriverManager.getConnection(url,user,password);

3、获取数据库对象

Statement stmt = conn.createStatement();

4、执行sql语句

String loginName = userLoginInfo.get("loginName");
String loginPwd = userLoginInfo.get("loginPwd");
String sql ="select * from t_user where loginName='"+loginName+"' and loginPwd='"+loginPwd+"'";
//使用上面的语句。
//会有SQL注入问题(不安全,用户输入的内容拼接在sql语句中
//能改变sql语句)。所以去掉第三步,使用下面的。
String sql ="select * from t_user where loginName = ? and loginPwd = ?";//使用?进行占位。
PreparedStatement ps = conn.prepareStatement(sql);
ps.setString(1,loginName);
ps.setString(2,loginPwd);

5、操作处理对象

ResultSet res = stmt.executeQuery(sql);
//返回ResultSet类型,表示查找的集

//stmt.executeUpdate(insert/delete/update);
//返回int类型,表示对几条数据进行了处理

6、关闭资源

需要在finally中进行由小到大进行关闭。

finally{
	//释放资源
	if(stmt != null)
		try{
			stmt.close();
		}catch(Exception e){
			e.printStackTrace();
		}
	if(conn != null)
		try{
			conn.close();
		}catch(Exception e){
			e.printStackTrace();
		}
}

完整代码

Connection conn = null;
Statement stmt = null;
try{
	//注册驱动
	Diver diver = DriverManager.registerDriver(new com.bjpowernode.jdbc.Driver());
	//获取连接
	Connection conn = DriverManager.getConnection(url,user,password);
	//获取数据库操作对象
	Statement stmt = conn.createStatement();
	//执行sql语句
	String sql = "";
	
}catch(SQLException e){
	e.printStackTrace();
}finally{
	//释放资源
	if(stmt != null)
		try{
			stmt.close();
		}catch(Exception e){
			e.printStackTrace();
		}
	if(conn != null)
		try{
			conn.close();
		}catch(Exception e){
			e.printStackTrace();
		}
}

对获取的数据集进行处理

通过stmt.executeQuery(sql);返回ResultSet类型.

ResultSet res = stmt.executeQuery(sql);

ResultSet中有next方法,返回boolean类型。表示当前行是否存在!

while(res.next()){
//数字123是列的下标
String empno = res.getString(1);
String ename = res.getString(2);
String sal = res.getString(3);
//也可以这样写(recommend)
//注意:括号里面的是返回数据集(res)中的名字。
String empno = res.getString("empno");
String ename = res.getString("ename");
String sal = res.getString("sal");
//除了String类型,也可以以特定类型取出,比如int、double等
Double sal = res.getDouble("sal");
}

并非Statement不可用,在需要SQL注入时可用。各有各的用途。
在这里插入图片描述

封装JDBC工具类

package com.bjpowernode.jdbc.util;

import java.sql.*;

public class DBUtil {
    private DBUtil(){}
    /**
     * 工具类中的构造方法都是私有的
     * 因为工具类的方法都是静态的,不需要new对象。
     */
    static {
        try {
            Class.forName("com.mysql.cj.jdbc.Driver");
        } catch (ClassNotFoundException e) {
            e.printStackTrace();
        }
    }
    //static静态代码块在类加载时可执行,执行一次。
    //注册驱动只需要注册一次即可
    
    public static Connection getConnection () throws SQLException {
            return DriverManager.getConnection("jdbc:mysql://localhost:3306/bjpowernode","root","200203300922CJY.");
    }
	//因为在调用时会catch SQLException错误,所以现在上抛错误即可
    public static void close(Connection conn, Statement ps, ResultSet rs){
        if (rs != null){
            try {
              rs.close();
            }catch (SQLException e){
                e.printStackTrace();
            }
        }

        if (ps != null){
            try {
                ps.close();
            }catch (SQLException e){
                e.printStackTrace();
            }
        }

        if (conn != null){
            try {
                conn.close();
            }catch (SQLException e){
                e.printStackTrace();
            }
        }
    }
}

行级锁(悲观锁)

在事务未结束之前,select语句后加 for updata。会自动锁定查询的数据。别线程访问不到。
例如:

String sql = “ select loginName from t_user where loginName = “abc” for updata”;

乐观锁:支持并发,事务也需要排队,只不过需要一个版本号。
事务1—读取到版本号1.1
事务2–读取到版本号1.1

事务一先修改了,并将版本号改为1.2
事务2后修改的,准备提交时,发现版本号是1.2,和最初版本不一致,回滚。在进行读取

遇到的错误

1、Unable to load authentication plugin ‘caching_sha2_password’
原因:mysql-connector-java版本的问题。下载8.0以上版本,重新将其导入IEDA即可。
下载链接mysql-connector-java.
步骤:

  • 点击Connector/J.
  • 选择Platform Independent。
  • 下载 Platform
    Independent(Architecture Independent), ZIP Archive

2、NullPointerException
有多种原因可以造成这种结果:

  • sql语句中的空格,标红处应当注意。
    在这里插入图片描述
  • 检查六步是否有问题,笔者忘记获取数据库对象,故出现了此问题。
基于MATLAB的语音声强度和响度分析及处理 综上所述,本文介绍了如何使用MATLAB进行语音信号的声强度和响度分析,并提供了相应的源代码。通过这些工具和方法,可以更好地理解和处理语音信号的声强度和响度特性,为语音信号处理和音频应用提供支持。声强度(Intensity)和响度(Loudness)是语音信号中常用的两个重要参数,用于描述声音的强度和感知响度。响度均衡化:可以通过对语音信号施加不同的加权滤波器,调整信号的频谱分布,从而改变声音的响度。除了分析语音信号的声强度和响度,MATLAB还提供了丰富的工具和函数,用于处理语音信号的声强度和响度。 阅读详情

相关推荐

5分钟搞定:用Ollama在MacBook上本地运行Qwen3大模型(附避坑指南)

本文详细介绍了如何在MacBook上使用Ollama快速部署和运行Qwen3大模型,包括安装步骤、性能优化技巧及常见问题解决方案。Ollama作为一款轻量级工具,特别适合M系列芯片的Mac用户,支持多种量化版本,显著降低资源消耗,提升推理速度。

sql99的博客 822

JDBC高级

BaseDao方法补充 为什么要提供该方法 完成一个查询返回值类型是Object[]。并且是存储于List集合中的一种方式,实际返回值类型是List<Object[]> 处理的是查询数据结果无法映射到类对象中,ORM。所有的数据按照查询结果字段顺序要求,从数据库中读取数据保存到Object数组,为了能满足多行数据查询要求,Object数组存储到List中 方法分...

weixin_42597414的博客 931

从零开始:Vivado中自定义串口通信IP核的完整实现

本文详细介绍了在Vivado中从零开始实现自定义串口通信IP核的完整流程,包括Verilog核心代码编写、仿真验证、IP核封装与参数化配置技巧。通过AXI-Lite总线实现动态配置,提升FPGA开发效率,适用于各种嵌入式系统通信需求。

weixin_29274969的博客 325

spring-jdbc模板连接数据库(增删改查)

学生类Student,定义事务类接口IStudentService 以及实现的接口StudentImpl ,StudentImpl中有dao的方法,定义dao层及实现的接口StudentDaoImpl插入sql语句控制表单,spring配置文件applcation.xml,测试类mytest mysql创建表单,加入mysql jar包以及  spring-jdbc-4.3.6.RELEASE.

怕秃头的潘s的博客 2441

Neo4j桌面版导入CVS文件

我们的relation.csv是这样的。

m0_53573725的博客 816

Vivado IP核综合失败别慌:除了打补丁,这个TCL命令也能救急(以Video Frame Buffer为例)

本文详细解析了Vivado IP核综合失败的排查方法,特别是针对Video Frame Buffer Read IP的常见问题。从补丁安装到深入分析DCP文件生成机制,再到使用强大的TCL命令`foreach ip_in_proj [get_ips] {compile_c [get_ips $ip_in_proj]}`强制重编译,提供了一套完整的解决方案。帮助开发者快速定位并解决IP核综合失败问题,确保项目顺利进行。

weixin_30892889的博客 423

@Test 运行 Method xxx should be void、Method xxx should have no parameters

Method test should have no parameters ... java.lang.Exception: Method test should have no parameters ... 报错如上,用Test 跑单元测试是要求方法不能有参数和返回类型的,改下测试的方法就行了。...

愿我如星君如月 ... 夜夜流光相皎洁 ... 1万+

以太网测试用例(光模块线缆、网卡类设备、交换类设备)

LeCroy力科网络测试相关的测试用例分享:光模块/DAC/ACC/AEC/AOC测试,网卡类产品测试/GPU/DPU/SmartNIC,交换类产品测试。涉及物理层的FEC,SKEW,Tx/Rx Taps和Layer23层的网络性能测试/吞吐量延迟抖动丢包率背靠背性能,以及RDMA带状况的网络协议分析。同步提供400G高速的以太网的损伤,提供定量,可重复的负面压力测试环境。

专注有线以太网性能测试--丹麦信雅纳网络(Xena Networks) 1991

异常报错汇总2--java.lang.Exception: Method basicSelect() should be void

java.lang.Exception: Method basicSelect() should be void at org.junit.runners.model.FrameworkMethod.validatePublicVoid(FrameworkMethod.java:99) at org.junit.runners.model.FrameworkMethod.validatePu...

shawnyang2019的博客 8095

新手必看!Stata工具变量分析中的三大陷阱:如何正确解读LM统计量、CDW检验和Hansen J值

本文深度解析Stata工具变量分析中的三大核心检验:不可识别检验、弱IV检验和过度识别检验,帮助新手避开常见陷阱。详细解读LM统计量、CDW检验和Hansen J值的正确使用方法,提供实战案例和Stata操作指南,确保研究结论的可靠性。

weixin_29231027的博客 571

深入理解Cornerstone3D.js渲染Stack影像数据

这个是调用的core\src下的init.ts的init方法,作用是:初始化cornerstone-core,检测客户端是否支持WebGL,默认情况下是支持中等GPU层级.另外一个重要的是实例化WebWorkManager.WebWorkManager类似于Java的线程池,是用来对Web Worker进行管理的管理器。使用DICOMwebClient获取影像文件的元数据,然后将它们缓存到imageLoader的metaDataManager中,在上面我们可以输出元数据看一下是什么。

wangwei19820517的博客 1492

之前一直能正常运行项目一直提示Unknown database ‘bills‘ !重新搭建数据库提示Access denied for user ‘root‘@‘localhost‘

前言: 之前本地使用springboot+mybatisplus+mysql写的项目都能正常运行,但今天跑起来一直提示找不到数据库,用navcat以及本地cmd都能正常登陆操作Mysql。检查了半天,还是找不到问题,重装数据库之后还是提示同样的错误。 问题描述: Caused by: java.sql.SQLException: Access denied for user 'root'@'localhost' (using password: YES) at com.mysql.cj.jdbc.exce

m0_37781149的博客 1193

爬虫法律风险与合规边界

爬虫技术的法律边界正在快速收紧。从2017年上海晟品案开启爬虫入刑先河,到2025年Cloudflare区块链溯源技术将违规行为与企业主体永久绑定,合规已从"可选项"变为"必选项"。技术团队需要建立三层防御体系法律合规层:法律适用判定、授权管理、合同审查、隐私政策;技术控制层:访问控制、数据加密、匿名化、审计日志、监控告警;组织管理层:DPO任命、培训体系、应急响应、合规审计、绩效考核。

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 1160

【喜加一】HBASE学习笔记

2018-12-21,周五,多云 今天在hbase的官方文档链接里找到mac设置standalone hadoop集群的官方文档,如下:https://wiki.apache.org/hadoop/Running_Hadoop_On_OS_X_10.5_64-bit_%28Single-Node_Cluster%29 早点看到这个,我昨天也不至于花大半天折腾ssh不到本机的坑…… hbase...

zhuyuanfu的专栏 686

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

jdbc数据库连接步骤

(笔记)连接数据库的几大步骤:     1.加载驱动  Class.forName(数据库驱动的名称);     2.创建连接 Connection conn =    Driver.getConnection([路径][用户名][密码][端口号]);     3.创建预编译对象 Statement stat = conn.createStatement();     4.执行语句 ...

qq_41950069的博客 839

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

JDBC常见错误及解决方案

JDBC常见错误及解决方案 1. ClassNotFoundException 分析:异常信息提示 类找不到,原因是oracle.jdbc.OracleDriver没有被加载到JVM中,可能是因为没有导入JDBC的驱动jar包,或是加载驱动的参数写错 解决:查看项目中是否导入JDBC的驱动jar包,或是查看加载驱动参数是否正确。 2. SQLException: No suitable dr...

百知_zmj的博客 7736

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【JDBC】JDBC连接mySQL数据库常见错误

正确的代码: package java_project_jdbc; import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; public class JDBC_demo { static { // 加载驱动 try { Class.forName("com.mysql.jdbc.Driver"); } catch (ClassNotFoundException

竹子的博客 1万+

JDBC超详细笔记

本文从基础到高级再到实战,由浅入深,把MySQL讲的清清楚楚,明明白白,这应该是我目前为止看到过最好的有关MySQL的学习笔记了,我相信如果你把这份笔记认真看完后,无论是工作中碰到的问题还是被面试官问到的问题都能迎刃而解!MySQL50道高频面试题整理:《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》点击传送门,即可获取!11.3 测试类// 当前系统时间//自定义一个时间//日期转换将字符串转为 java.util.Date。

2401_84091544的博客 975

springboot整合jdbc错误笔记

springboot整合mybatis&jdbc报错 新手小白初始建立一个简单的spring boot项目整合jdbc和mybatis后的调试出现几个错误。接下来以个人笔记的形式总结报错。 1、关于datasource的bean装载问题 报错如下所示: java.lang.IllegalStateException: Failed to load ApplicationContext Caused by: org.springframework.beans.factory.UnsatisfiedDe

server643的博客 980

JDBC之使用错误

url填写误No suitable driver found for指定了无效的 Oracle URL找不到连接的驱动,主机名前面的信息填写错误The Network Adapter could not establish the connection主机名或端口书写错误Listener refused the connection with the following error:ORA-1250

SwmIsMe的博客 6960

logstash使用JDBC连接MySQL错误(已经解决)

开始时候使用JDBC8.0.11 [2020-01-03T08:17:00,189][ERROR][logstash.inputs.jdbc ] Unable to connect to database. Tried 1 times {:error_message=>"Java::JavaSql::SQLNonTransientConnectionException: CLIENT...

weixin_42644062的博客 7236

JDBC操作Hive出现的错误

上一篇咱们说到用JDBC去操作Hive,这篇文章主要是将其中由于未添加某个jar包导致的错误罗列出来。 基本的错误都是没找到类:java.lang.ClassNotFoundException,只是出现的地方不同而已 一、org/apache/http/HttpRequestInterceptor 这是由于没有添加httpcore-4.4.jar 包导致的错误,详细错误如下: 二、o...

夏天小厨的博客 4422

MySQL之JDBC及常见错误

JDBC 本质 官方(Sun公司)定义的一套操作所有关系型数据库的规则,即接口(API) 各个数据库厂商去实现这套接口,提供数据库驱动jar包 我们可以使用这套接口(JDBC)编程,真正执行的代码是驱动jar包中的实现类 JDBC的好处 我们只需要会调用JDBC接口中的方法即可,使用简单 使用同一套Java代码,进行少量的修改就可以访问其他JDBC支持的数据库

weixin_47543906的博客 1043

flink错误本-错误记录

1,flink集群启动失败。 原因:从node1分发到其他节点,在node1上建立了到flink的软连接,使用软连接来操作。分发到其他服务器后,并没有建立软连接。导致集群启动失败,甚至影响了虚拟机的运行,导致虚拟机假死。 ...

epitomizelu的专栏 1万+

【Java基础】JDBC 学习笔记

JDBC 学习笔记 文章目录JDBC 学习笔记一、JDBC (Java Database Connectivity)1.1 JDBC数据库驱动1.2 JDBC API1.3 核心思想1.4 环境搭建二、JDBC开发步骤【重点】2.1 注册驱动2.2 连接数据库2.3 获取发送sql对象2.4 执行SQL语句2.5 处理结果2.6释放资源三、Result(结果集)3.1 接收结果集3.2 遍历ResultSet中的数据3.2.1 遍历方法四、常见错误五、PreparedStatement【重点】5.1 Pre

Tyou 316

jdbc错误记录

错误1(jdbc): java.sql.SQLException: Before start of result set at com.mysql.jdbc.SQLError.createSQLException(SQLError.java:1075) at com.mysql.jdbc.SQLError.createSQLException(SQLError.java:989) at com.mysql.jdbc.SQLError.createSQLException(SQL

zhuxh123的专栏 1169
上一篇: LeetCode_59螺旋矩阵II
下一篇: 找出n个自然数中取r个数的组合(递归)
folinggg
博客等级 码龄6年 20粉丝 53原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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