MySQL基本语句(三)

MySQL (三) : 基本的SELECT语句 总目录: MySQL学习 第03章_基本的SELECT语句 1. SQL概述 1.1 SQL背景知识 1946 年,世界上第一台电脑诞生,如今,借由这台电脑发展起来的互联网已经自成江湖。在这几十年里,无数的技术、产业在这片江湖里沉浮,有的方兴未艾,有的已经几幕兴衰。但在这片浩荡的波动里,有一门技术从未消失,甚至“老当益壮”,那就是 SQL。 45 年前,也就是 1974 年,IBM 研究员发布了一篇揭开数据库技术的论文《SEQUEL:一门结构化的英语查询语言》,直到今天这门结构化的查询语言并没有. 阅读详情

 

目录

 

约束

1.创建表时候加约束

2.修改表时添加约束

3.标识列

事务

索引

视图

1.建立视图

2.修改视图

3.删除视图

4.查看视图

5.更新视图

delete和truncate

视图和表的区别

变量


约束

1.创建表时候加约束

 

USE test;
DROP TABLE IF EXISTS major;
CREATE TABLE major(
	id  INT PRIMARY KEY,
	majorName VARCHAR(20)
);



#列级约束
DROP TABLE IF EXISTS stuinfo;
CREATE TABLE stuinfo(
	id INT PRIMARY KEY,
	stuName VARCHAR(20) NOT NULL,
	seat INT UNIQUE,
	age INT DEFAULT 18,
	majorId INT
);

#表级约束
DROP TABLE IF EXISTS stuinfo;
CREATE TABLE stuinfo (
			id INT,
			stuname  VARCHAR(20),
			gender char(1),
			seat INT,
			age INT,
			majorid INT,
			PRIMARY KEY(id),
			CONSTRAINT uq UNIQUE(seat),      #命名为uq
			CONSTRAINT fk FOREIGN KEY(majorid) REFERENCES major(id)
);
SHOW INDEX FROM stuinfo;

六大约束:

主键key和唯一unique唯一键和外键的异同:

相同:主键和唯一键都是唯一的,可以有组合主键和组合唯一键。

i

不同:主键不可以为空,唯一键可以插入多个为null 的值,

一个表中只能由一个主键,可以有多个唯一键

外键:  1.要求再从表设置外键关系。

             2.从表的外键列的类型和主表的关联列的类型要求一致或者兼容,名称无要求。

          3.主表的关联列必须是一个键(一般是主键或者唯一,几乎没有外键)

           4.插入数据时先插入主表,删除数据时先删除从表。

2.修改表时添加约束

#列级约束格式:
alter table stuinfo modify column stuname varchar(20) not null;  
alter table stuinfo modify column age int default 18;
alter table stuinfo modify column id int primary key;
alter table stuinfo modify column seat int unique;
 
#表级约束:
alter table stuinfo add unique(seat);
alter table stuinfo add primary key(id);

#外键:
alter table stuinfo add foreign key(majorid) references major(id)

 

修改表时删除约束:

只要不写约束就行,相当于再重新建一次表。额外的有删除主键时:

alter table stuinfo drop primary key;

删除唯一键:

alter table stuinfo drop index seat;

 

3.标识列

create table tab_identity(        #标识列,又称为自增长列,可以不用手动插入值系统提供默认序列值。默认起始值是1.
    id int primary key auto_increment,  
    name varchar(20)
);

可以通过

SHOW VARIABLES LIKE '%auto_increment%';
set auto_increment_increment = 3;
SHOW VARIABLES LIKE '%auto_increment%';#可以通过show来查看初始值和步长,初始值不能改,步长可以改。改是对所有表的更改

#如果想改变起始值就在插入第一个数据的时候插入值。后面插入的数据这一列不插入值。
insert into tab_identity(id,name)values(10,John);
insert into tab_identity(id,name)values(null,Lina);

事务

事务的属性:原子性,一致性,隔离性,持久性。

可以设置savepoint a1;

只有DML语句(Insert delete update)会放到缓存才有事务回滚什么的

Create 直接操作文件,不会有回滚的。

事务的隔离级别:

第一级别:读未提交(read uncommitted)当前事务可以读取到对方未提交的数据操作(读的不是内存中的是缓存中的)。会产生脏读,不可重复读,幻读。

第二级别:读已提交(read committed)对方事务提交之后的数据我方可以读取到会产生:不可重复读,幻读。(我的事件一直没关,然后对方修改了数据,修改提交了。我方读出来的数据不一样了)

第三级别:可重复读(repeatable read)会出现幻读(对方把数据都删了,我这还读出原先有的数据)

第四级别:串行化 解决了三个问题,但是效率低,需要事务排队

Oracle默认的隔离级别是读已提交。

MySQL默认的隔离级别是可重复读。

MySQL的事务默认情况是自动提交的。

(自动提交就是:只要执行一次DML语句就提交一次)要想演示事务,就先关闭自动提交

jdbc中:持久化:把数据保存到可掉电存储设备中员工以后使用。

模式一:提交会执行两个update

模式二:回滚 不会执行两个update

索引

creat index student_index on student(name);

drop index student_index on student;

视图

1.建立视图

2.修改视图

3.删除视图

drop view myv1,myv2;

4.查看视图

desc myv3;
show create view myv3;     #第一个常用

5.更新视图

对视图的增删改可以对原来的表数据的增删改,但是以下类型不能更新。

常量视图不能更新。

delete和truncate

delete可以回滚,不执行操作

truncate就算回滚了数据也删除了。

视图和表的区别

变量

 

mysql基本语句大全 MySQL基本语句学习。 立即下载

相关推荐

5分钟搞定PaddleOCR PP-OCRv5环境搭建:从安装到第一个识别Demo

本文提供了一份详细的PaddleOCR PP-OCRv5环境搭建与快速入门指南。通过清晰的步骤,指导读者在5分钟内完成从创建Python虚拟环境、安装PaddlePaddle框架和PaddleOCR库,到编写并运行第一个OCR识别Demo的全过程,帮助开发者快速体验最新的PP-OCRv5模型的文字识别能力。

sprite的博客 1267

【Oracle】day01_数据类型_DDL语句_DML语句

【Oracle】day01_数据类型_DDL语句_DML语句 1.数据类型: ->字符型   CHAR(n),NCHAR(n)           --固定长度     VARCHAR2(n1),NVARCHAR2(n2)   --可变长度   n1   ->数值型   NUMBER(p,s)     p--总位数     s--小数点后的位数

龙腾四海365的专栏 652

从FOC到你的无人机:深入浅出讲透Clark/Park变换在无刷电机控制中的核心作用

本文深入解析Clark变换与Park变换在无刷电机控制中的核心作用,揭示其如何将三相交流电转换为旋转坐标系下的直流量,实现无人机电机的高效精准控制。通过STM32硬件加速和工程实践案例,展示这对数学变换如何成为FOC算法的神经中枢,大幅提升系统响应速度和能效表现。

weixin_42628941的博客 169

MYSQL中insert into和replace into以及insert ignore的区别

mysql中常用的三种插入数据的语句: insert into表示插入数据,数据库会检查主键(PrimaryKey),如果出现重复会报错; replace into表示插入替换数据,需求表中有PrimaryKey,或者unique索引的话,如果数据库已经存在数据,则用新数据替换,如果没有数据效果则和insert into一样; REPLACE语句会返回一个数,来指示受影响

3360

AI训练加速30%!用numactl玩转多显卡绑核的隐藏技巧

本文深入探讨了如何利用Linux系统的numactl工具,通过精确的NUMA绑核策略优化多GPU AI训练性能。文章详细解析了NUMA架构对性能的影响,提供了从拓扑探查、命令实战到多卡脚本化部署的完整指南,并分享了性能验证与常见陷阱,帮助开发者实现高达30%的训练加速。

web99的专栏 448

十、Teigha.Net示例的源代码下载链接,以及英文的chm说明文件和相关案例

目录官方案例demo下载Teigha.net 英文版手册下载Teigha.net Entity实体中文翻译Teigha4.0 解决闪烁问题demo下载Teigha4.0 收录demo案例类似CAD看图王软件无AutoCAD环境下操作显示CAD文件的功能源码,整个示例模块源码 官方案例demo下载 在之前找到的官方案例3_03版本中包含32位与64位dll 其中的chm的说明文件内容也不完全,后面有更为详细的英文版的chm; 示例项目中,主要包括一个winfrom程序与控制台程序,OdWriteExMgd

... 3519

MySql的三种语句

MySql基本语法

sadnjkjn的博客 336

AE(自动曝光)调试策略:曝光曲线设计与过曝控制

自动曝光(AE, Auto Exposure)系统是图像质量控制链路中的核心模块之一,其性能直接决定了成像亮度是否稳定、细节是否完整、场景切换是否自然。在现代移动终端影像系统中,AE 不仅需要适应不同光照强度和复杂环境,还需兼顾人脸优先、HDR触发、视频帧率控制等多目标优化需求。本文基于高通 Snapdragon 和 MTK Dimensity 等主流平台的调试经验,系统梳理了 AE 模型设计原则、曝光曲线配置、测光策略选择与过曝抑制机制,并结合典型实战案例,提供可复制的工程落地路径。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 3094

mysql基本语句_MySQL 基本语句三

继续进阶学习!按照特定列进行大小排序:desc 降序 asc 升序select *from products order by price desc; *按照价格降序排列select * from products order by quantity asc;*按照数量升序排列select * from products order by price desc limit 3; 按照价格降序排列前...

weixin_39628271的博客 149

12、控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示

控件使用之录入英文、阿拉伯数字删除增加功能及二维码显示1、用到的控件2、添加控件2.1、添加【文本录入】控件2.1、添加【文本显示】控件2.1、添加【QR 二维码】控件3、保存工程及生成文件4、下载文件 1、用到的控件   需要用的显示控件为【文本显示】控件和【QR二维码】控件,以及触控控件【文本录入】控件。 2、添加控件 2.1、添加【文本录入】控件   【文本录入】控件也叫【ASCI 文本录入】,是用来录入ASCI 字符,打开 DGUS 软件,点击【触控控件】—【文本录入】,用鼠标框选一个区域,即可在右

嵌入式羊圈 626

YOLOv11【第三章:高阶应用与落地篇·第7节】多任务联合训练(Multi-Task Learning):检测+分割+关键点三头并进!

🏆 本文收录于专栏 《YOLOv11实战:从入门到深度优化》。本专栏围绕 YOLOv11 的改进、训练、部署与工程优化 展开,系统梳理并复现当前主流的 YOLOv11 实战案例与优化方案,内容目前已覆盖 分类、检测、分割、追踪、关键点、OBB 检测 等多个方向。

**My Coding Family** 730

MySQL对数据的基本操作三:UPDATE语句

注:(1)内连接可以不使用ON或者WHERE;外连接必须使用ON子句,否则会报错!!! (2)UPDATE确定数据源头(或者说,UPDATE子句确定“待操作数据集”),WHERE子句:对“待操作数据集”做二次筛选。 目录 一:UPDATE语句简介 二:案例:不涉及表连接 的案例(这部分不难) 三:案例:涉及表连接 一:UPDATE语句简介 ●UPDATE子句,选择要修改的表;UPDATE子句只执行一次; ●IGNORE关键字可写可不写,作用是在写入数据的时候,如果遇到冲突...

小枯林的博客 4万+

【Linux0.11代码分析】之 系列文章链接汇总(全)

【Linux0.11代码分析】00 之 系列文章链接汇总(全)

|~~~热爱生活、努力学习的小伙汁~~~| 1449

MySQL(三)基本的SELECT语句

使用通配符虽然可以节省输入查询语句的时间,但是获取不需要的列数据通常会降低查询和所使用的应用程序的效率。通配符的优势是,当不知道所需要的列的名称时,可以通过通配符来获取所有列。MySQL中的SQL语句是不区分大小写的,因此SELECT和select的作用是相同的,但是,许多开发人员习惯将关键字大写、数据列和表名小写,更容易后期的阅读和维护。SELECT查询还可以对常数进行查询,目的是增加一列常数列,使得查询结果每一条数据都增加一个常数属性,这个常数属性不是来自数据库表中的。在生产环境下,不推荐直接使用。..

筱寒小记 696

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

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")

MySQL基础(三)基本的SELECT语句

1946 年,世界上第一台电脑诞生,如今,借由这台电脑发展起来的互联网已经自成江湖。在这几十年里,无数的技术、产业在这片江湖里沉浮,有的方兴未艾,有的已经几幕兴衰。但在这片浩荡的波动里,有一门技术从未消失,甚至“老当益壮”,那就是 SQL。45 年前,也就是 1974 年,IBM 研究员发布了一篇揭开数据库技术的论文《SEQUEL:一门结构化的英语查询语言》,直到今天这门结构化的查询语言并没有太大的变化,相比于其他语言,SQL 的半衰期可以说是非常长了。

zhufei463738313的博客 1850

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

MySQL深入学习(三):基本的SELECT语句

基本的SELECT语句:SQL概述、基本规则、基本的SELECT语句、显示表结构、过滤数据

学习记录和总结 569

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

三、MySQL系列:SQL语句常用类型和基本语句操作

一、MySQL数据类型: 1、数值类型:TINYINT、SMALLINT、MEDIUMINT、INT或INTEGER、BIGNT、FLOAT、DOUBLE、DECIMAL 2、日期和时间类型:DATE、TIME、YEAR、DATETIME、TIMESTAMP 3、字符串类型 : CHAR、VARCHAR… 二、用SQL语句创建表: 创建email表: mysql&gt; create table ...

weixin_41675201的博客 331

MySQL和SQL Server基本语句总结(三)

这一节主要总结一下在PHP中使用Mysql进行数据库的编程。 使用MYSQL: 常用函数 1.mysql_connect(服务器名称,用户名,密码) // 判断连接 错误则使用 mysql_error 函数 2.mysql_select_db()//选择数据库 3.mysql_query() //执行语句 返回结果集 或者返回BOOL值 4.对结果集的...

weixin_30338497的博客 212

MySQL(三)之SQL语句分类、基本操作、三大范式

一、SQL语句的分类 DML(Data Manipulation Langauge,数据操纵/管理语言) (insert,delete,update,select) DDL(Data Definition Language,数据定义语言) (create,drop,alter) DCL(Data Control Language,数据控制语言) grant(...

a878787877的专栏 145

mysql候选关键字_MySQL(三)之SQL语句分类、基本操作、三大范式

一、SQL语句的分类DML(Data Manipulation Langauge,数据操纵/管理语言) (insert,delete,update,select)DDL(Data Definition Language,数据定义语言) (create,drop,alter)DCL(Data Control Language,数据控制语言) grant(授权),revoke(撤销权限)TCL(Tra...

weixin_39639568的博客 337

MySQL数据库中SQL语句的基本使用(三)

本次主要讲解的是SQL语句的DQL(数据查询语言)操作,该操作不会该表数据表的数据和结构,而是返回客户端要求的数据集。查询数据的关键字为select。1.SELECT(查询操作)的基本介绍select的基本语法为:SELECT [ALL | DISTINCT | DISTINCTROW ] [HIGH_PRIORITY] [STRAIGHT_JOIN] [

taotao19900601的博客 1019

Mysql数据库基本操作之CUD语句(三)

mysql数据库增删改操作属于 DML 和 DQL 两大类语句中的 DML

xiaotu的博客 295

【MYSQL】基础SQL语句总结(三)筛选记录基本用法

【SQL语句】 - 查 本文主要介绍一些基本的关于SQL语句中查询方面的一些语句和关键字。 查询语句基本语法: SELECT * FROM tablename [WHERE CONDITION]; 查询最简单的方式就是将表中的所有记录都查询出来。 select * from emp;星号*就代表要将所有的字段都筛选出来,也可以用字段名加上逗号分隔的方式查询想要查询的字段,如: s

流影 2989

MYSQL增删改查基本语句(三)--- select语句

本文介绍查询数据的语句–select. 在查询数据之前,同样需要考虑三个问题:1)查哪张表?2)查哪几列数据?3)查哪几行的数据? select 列1,列2.. from 表名 where expr; 比如说我们要查询class表里的姓名,公司,和薪水这三列,查id=6的这一行,就可以用下面的语句实现。 select sname,company,salary from class whe...

zhangpp0607的博客 430

MySql学习 (一) —— 基本数据库操作语句、三大列类型

目录 一、MySql的基本操作命令 二、基本SQL语句 1.插入语句:  2.查询语句: 3.修改表 4.批量导出数据: 三、MySql三大列类型 1.数值型 2.字符串型 3.日期时间类型  四、MySql建表   注:该MySql系列博客仅为个人学习笔记。   在使用MySql的时候,基本都是用图形化工具,如navicat。最近发现连最基本的创建表...

cauchy8389的专栏 269
上一篇: MySQL基本语句(二)
下一篇: 数据库基础复习(四)
Renaissance14th
博客等级 码龄9年 39粉丝 72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