大批量插入数据（sql insert）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.6w累计阅读 1.7w+平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

原创最新推荐文章于 2026-06-30 18:02:21 发布 1.6w 阅读 AI 写同款· GEO 优化 ›

oracle SQL语句大批量增加数据 declare --声明语法 maxnumber constant int := 20000; – 设置要生成的数据量 i int := 1; – 设定初始值 begin for i in 1 … maxnumber loop – 开始循环 insert into T_TEST_INFO( – 数据库字段 ID, REQUEST_NO, REQUEST_SYSTEM, REQUEST_DATE, TRADE_DATE, TRADE_AMT, CCY, BIZ_TYPE ) values ( – 阅读详情

这是今天做测试的时候需要批量insert到一张表中20万条数据时使用到的测试脚本，记录一下：

declare @i varchar(max) --声明一个变量作为循环条件--
set @i=1  
while @i<1000001 --执行100000次 insert--
begin
insert INTO
表名(id,name,time) values('12345678'+@i,'小明','13527748096')
set @i=@i+1
end

欢迎关注我的个人微信公众号，查看专业的客户端/服务端开发知识、笔试面试题目、程序员职场经验与心得分享。
在这里插入图片描述

收录于

数据库

当前文章被收录于：

数据库

4 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#sql server #insert #批量插入

从零到一：在K210上实现YOLO模型在线训练与部署全流程本文详细介绍了在K210芯片上实现YOLO模型在线训练与部署的全流程，涵盖数据采集、模型优化、量化转换及内存管理等关键环节。通过实战案例和代码示例，帮助开发者高效利用K210的超低功耗特性与YOLO模型的实时检测能力，适用于边缘计算和物联网应用场景。阅读详情

相关推荐

GD32F4系列Keil工程模板搭建全攻略（手把手教学版）

本文提供了一份详细的GD32F4系列Keil工程模板搭建指南。从软件安装、固件库获取、目录规划，到Keil工程创建、文件添加、关键配置（如编译器选项、头文件路径、时钟设置），再到代码定制与常见问题排查，手把手教你构建一个标准化、模块化的开发基础。文章重点介绍了如何利用官方固件库和代码模板，快速建立稳定高效的开发环境，适用于GD32F407等Cortex-M4内核芯片的入门与项目开发。

weixin_29159995的博客 429

PLSQL如何将千万数据快速插入到另一张表中_数据库基础知识整理

数据库数据库事务的 4 个特性是：原子性、一致性、持续性、隔离性原子性：事务是数据库的逻辑工作单位，它对数据库的修改要么全部执行，要么全部不执行。一致性：事务前后，数据库的状态都满足所有的完整性约束。隔离性：并发执行的事务是隔离的，一个不影响一个。如果有两个事务，运行在相同的时间内，执行相同的功能，同一时间仅有一个请求用于同一数据。设置数据库的隔离级别，可以达到不同的隔离效果。持久性：在事务完成以...

weixin_39686634的博客 1299

SAP采购订单行项目增强实战：用BADI ME_GUI_PO_CUST添加自定义字段（避坑指南）

本文详细解析了如何通过BADI ME_GUI_PO_CUST在SAP采购订单行项目中添加自定义字段，包括技术架构理解、字段扩展步骤、自定义函数组创建及BADI实现。文章特别强调了避开官方文档未提及的陷阱，如字段映射限制和屏幕显示问题，并提供了高级优化技巧和性能建议。

weixin_30402343的博客 594

PLSQL如何将千万数据快速插入到另一张表中_数据库常见的面试题

今天武哥跟大家分享数据库常见的面试题的知识。1 基本概念1.主键、外键、超键、候选键超键：在关系中能唯一标识元组的属性集称为关系模式的超键。一个属性可以为作为一个超键，多个属性组合在一起也可以作为一个超键。超键包含候选键和主键。候选键：是最小超键，即没有冗余元素的超键。主键：数据库表中对储存数据对象予以唯一和完整标识的数据列或属性的组合。一个数据列只能有一个主键，且主键的取值不能缺失，即...

weixin_39634237的博客 881

解决Windows 10更新失败错误代码0x80070643

在Windows 10操作系统的更新过程中，用户时常会遇到各类错误代码，这些代码通常成为顺利完成更新的绊脚石。其中，错误代码0x80070643是一个较为常见的更新失败提示，它可能导致系统更新停滞不前。面对这一挑战，本文将详细介绍如何有效解决这一错误，帮助用户顺利完成Windows 10的更新。

nntxthml的博客 1828

STM32H7 Flash擦除后数据读取异常的缓存问题解析

本文深入分析了STM32H7系列芯片在Flash擦除后数据读取异常的缓存问题，揭示了由于数据缓存(D-Cache)和指令缓存(I-Cache)导致的数据一致性问题。通过详细的解决方案，包括手动维护缓存一致性和操作期间禁用缓存，帮助开发者有效解决这一常见但棘手的嵌入式开发难题。

weixin_29158413的博客 392

大数据分析工程师入门3--SQL基础

导语本文为《大数据分析师入门课程》系列的第3篇，主要讲解大数据分析师必须了解的SQL基础知识。如果对本课程不了解的，建议可以先读一下《大数据分析工程师入门--0.开篇词》...

大数据与人工智能 623

sql百万数量级查询并插入数据

sql百万数量级查询并插入数据这几天在做一个从数据库中查询数据并添加到新表的程序，记录一下自己遇到的问题，和关于这个过程学习体会。起初，在自己的电脑运行测试少量数据时候并没有太大的感受。之后放到服务器上运行时候，6个小时后代码还是没有结束。这就看出来自己的代码的问题了，所以我果断放弃原先代码，Ctrl+C,停止重新编写。之前在优快云,百度都查找过sql的查询优化，大多是理论，没有实践操作，作为小白的我还是不太懂，只是利用了索引进行了一部分优化。下面是我的改良操作过程。以一个代码为例： INSERT

yunlong_G的博客 1141

R语言分类变量的统计描述

三篇介绍了连续变量的统计描述的R语言相关函数，计算数值的相关统计指标。本文介绍分类变量的统计描述及如何在R语言中实现。不同于连续变量，分类变量的统计描述主要是汇总分类变量各类别例数及百分比。 1、table()函数 ...

zsc943290710的博客 1万+

Allegro17.4原理图-PCB双向联动技巧：从网表生成到同步高亮

本文深入解析了Cadence Allegro 17.4中原理图与PCB的深度双向联动技巧。核心在于通过精准的网表生成与管理、实时的跨窗口交互高亮与信号追踪，以及元件与封装的智能匹配更新，构建高效协同设计工作流。掌握这些技巧能显著提升高速、高密度电路设计的效率与准确性，实现从逻辑设计到物理实现的无缝衔接。

weixin_29178069的博客 358

sqlserver批量添加

在这两种方法中，可以一次性插入多条记录，从而实现批量添加数据到表中。需要注意的是，批量插入数据时应该考虑数据的完整性和唯一性约束，以避免插入重复数据或者破坏数据完整性。在 SQL Server 中，可以使用 INSERT INTO 语句来批量添加数据到表中。3.复制表结果和数据到新表，新表可以是临时表和物理表，表2必须存在，表1不存在。

qq_41942413的博客 4700

麒麟v10系统安装

喜文BLOG 1万+

PHP大批量插入数据库的3种方法和速度对比

第一种方法：使用insert into 插入，代码如下： 1 2 3 4 5 6 7 $params = array(‘value'=>'50′); set_time_limit(0); echo date(“H:i:s”); for($i=0;$i<2000000;$i++){ ...

sql521hawk的博客 6932

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候提示IE WebControls 不通过，这个工具可以欺骗u8的检查。跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

MySQL—SQL优化：插入数据（insert、大批量插入）、主键优化（数据组织方式、页分裂、页合并、索引设计）、order by 、group by 、limit 、count 、update 优化

在之前的测试中，我们发现，如果数据量很大，在执行count操作时，是非常耗时的。MyISAM 引擎把一个表的总行数存在了磁盘上，因此执行 count(*) 的时候会直接返回这个数，效率很高；但是如果是带条件的count，MyISAM也慢。nnoDB 引擎就麻烦了，它执行 count(*) 的时候，需要把数据一行一行地从引擎里面读出来，然后累积计数。

放下华子我只抽RuiKe5的博客 8213

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")

php网页批量写入数据库卡密_PHP大批量插入数据库的3种方法和速度对比

这篇文章主要介绍了PHP大批量插入数据库的3种方法和速度对比,3种方法分别使用普通insert语句、insert into语句和事务提交,需要的朋友可以参考下第一种方法：使用insert into 插入，代码如下：$params = array(‘value'=>'50′);set_time_limit(0);echo date(“H:i:s”);for($i=0;$i<2000000...

weixin_39631899的博客 153

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

mysql 优化配置 大批量数据插入_MySQL 数据库优化全攻略

SUM服务器监控软件可以对所有常见数据库进行监控，比如：SQL Server性能监控、DB2数据库监控、Sybase数据库性能监控、Proficy Historian实时数据库监控、IH监控、PI监控、实时历史数据库、人大金仓数据库监控、达梦数据库监控、MySQL监控、MySQL数据库监控软件、Oracle监控、Oracle数据库监控对SQL Server监控，MSSQL监控，SQL Server...

weixin_36280648的博客 476

insert into select 优化_盘点开发中那些常用的MySQL优化

作者：jianwww.cnblogs.com/jian0110/p/9410981.html1、大批量插入数据优化(1)对于MyISAM存储引擎的表，可以使用：DISABLE KEYS 和 ENABLE KEYS 用来打开或者关闭 MyISAM 表非唯一索引的更新。ALTER TABLE tbl_name DISABLE KEYS;loading the dataALTER TABLE tbl_n...

weixin_39722921的博客 531

mysql中添加数据的sql语句

sql语句中，添加记录的语法为：insert into 表名（col1，col2…coln）values(value1,value2…valuen)；其中，如果你插入的每一列都是顺序插入，无一缺漏的话，（col1，col2…coln）可以省略。也就是上式也可以简化为：insert into 表名 values(value1,value2…valuen)；看了你写的sql代码，问题出在ins...

别抢我蓝buff 3691

php配合mysql程序_卓象程序员：PHP配合MYSQL大批量数据导入

假如说我有这样一个表，我想往这个表里面插入大量数据CREATE TABLE IF NOT EXISTS `user_info` (`id` int(11) NOT NULL AUTO_INCREMENT COMMENT '自增主键',`name` varchar(255) NOT NULL default '' COMMENT '姓名',`age` int(11) NOT NULL default...

weixin_36221923的博客 181

Mysql 插入大批量数据调优方法

使用PreparedStatement接口允许数据库预编译SQL语句，以后只需传入参数，避免了数据库每次都编译SQL语句，因此性能更好。使用多值插入SQL，SQL语句的总长度减少，即减少了网络IO，同时也降低了连接次数，数据库一次SQL解析，能够插入多条数据。多值插入SQL：INSERT INTO TBL_TEST (id) VALUES (1), (2), (3)从这里可以看出来，真正耗时的不是操作，而是链接，解析的过程。插入index （10% * Index的数目）插入操作（10% * 词条数目）

Chen_sj的博客 1202

PHP MySQL 插入多条数据

对于大批量数据，推荐使用事务批处理（方法 2）或拼接 SQL（方法 3），但需根据实际需求选择，注意字符集设置和性能优化。两者结合可以实现动态网站的数据存储和处理。插入多条数据通常使用 SQL 的 INSERT INTO 语句，研究表明，PHP 通过 MySQLi 或 PDO 提供了多种方式来高效执行此操作，确保灵活性和性能。本报告基于权威教程和文档，详细探讨 PHP 如何使用 MySQLi 和 PDO 扩展向 MySQL 数据库插入多条数据，涵盖语法规则、实现方法和优化策略，旨在为开发者提供全面的指导。

likuoelie的博客 823

sql语法-批量插入

【代码】sql语法-批量插入。

hanker的博客 34

【MySQL高级】SQL优化

5.1 大批量插入数据当使用load 命令导入数据的时候，适当的设置可以提高导入的效率。对于 InnoDB 类型的表，有以下几种方式可以提高导入的效率：1）主键顺序插入因为InnoDB类型的表是按照主键的顺序保存的，所以将导入的数据按照主键的顺序排列，可以有效的提高导入数据的效率。如果InnoDB表没有主键，那么系统会自动默认创建一个内部列作为主键，所以如果可以给表创建一个主键，将可以利用这点，来提高导入数据的效率。插入ID顺序排列数据：：【LOAD DATA语法上传数据】具体解法见【