MySQL关于库的操作

告警不是闹钟:AI 如何把告警过滤成真正的“求救信号”? 阅读详情

1. 库的操作

1.1 创建数据库

语法:

CREATE DATABASE [IF NOT EXISTS] db_name [create_specification ...]

参数说明:

  • IF NOT EXISTS:可选项,如果要创建的数据库已存在,则不会报错,避免执行中断。

  • CHARACTER SET:指定数据库的字符集,决定了可以存储哪些字符(如中文、英文等)。

  • COLLATE:指定字符集的校验规则,决定了字符如何比较和排序(如是否区分大小写)。

1.2 创建数据库案例

案例1:创建默认数据库

create database db1;
  • 说明:未指定字符集和校验规则时,MySQL使用默认配置(通常是utf8字符集和utf8_general_ci校验规则)。

案例2:指定字符集

create database db2 charset=utf8;
  • 说明:明确指定使用utf8字符集,适用于需要存储中文等多语言字符的场景。

案例3:指定字符集和校验规则

create database db3 charset=utf8 collate utf8_general_ci;
  • 说明:既指定字符集为utf8,又指定校验规则为utf8_general_ci(不区分大小写)。

1.3 字符集和校验规则

1.3.1 查看系统默认字符集和校验规则

show variables like 'character_set_database';
show variables like 'collation_database';
  • 作用:查看当前数据库的默认字符集和校验规则。

1.3.2 查看数据库支持的字符集

show charset;
  • 作用:列出MySQL支持的所有字符集,如utf8、gbk、latin1等。

  • 说明:字符集决定了可以存储的字符范围,例如utf8支持中文,而latin1不支持。

1.3.3 查看数据库支持的校验规则

show collation;
  • 作用:列出所有可用的校验规则。

  • 说明:每个字符集对应多个校验规则,如utf8_general_ci(不区分大小写)、utf8_bin(二进制比较,区分大小写)。

1.3.4 校验规则对数据库的影响

不区分大小写的场景(utf8_general_ci):

create database test1 collate utf8_general_ci;
use test1;
create table person(name varchar(20));
insert into person values('a'), ('A'), ('b'), ('B');

查询结果:

select * from person where name='a';
-- 结果返回 'a' 和 'A',因为不区分大小写。

select * from person order by name;
-- 排序结果:a, A, b, B(不区分大小写时,a和A被视为相同)。

区分大小写的场景(utf8_bin):

create database test2 collate utf8_bin;
use test2;
create table person(name varchar(20));
insert into person values('a'), ('A'), ('b'), ('B');

查询结果:

select * from person where name='a';
-- 结果只返回 'a',因为区分大小写。

select * from person order by name;
-- 排序结果:A, B, a, b(按ASCII码排序,大写字母在小写字母之前)。

实际应用建议:

  • 用户名/邮箱登录校验:建议使用不区分大小写的校验规则,避免用户因大小写输入错误而无法登录。

  • 密码验证:密码应在应用层处理,数据库不直接比较密码原文。

  • 需要精确匹配的场景(如文件路径):建议使用区分大小写的校验规则。

1.4 操纵数据库

1.4.1 查看数据库

show databases;
  • 作用:列出MySQL服务器中的所有数据库。

1.4.2 显示创建语句

show create database 数据库名;

  • 作用:查看创建指定数据库的SQL语句。

  • 说明:
    MySQL 建议我们关键字使用大写,但是不是必须的。
    数据库名字的反引号``,是为了防止使用的数据库名刚好是关键字。
    /*!40100 default.... */ 这个不是注释,表示当前mysql版本大于4.01版本,就执行这句话。

1.4.3 修改数据库

语法:

ALTER DATABASE db_name [DEFAULT] CHARACTER SET charset_name [DEFAULT] COLLATE collation_name;

示例:

alter database mybase charset=gbk;

  • 说明:将mytest数据库的字符集修改为gbk。

  • 注意:修改字符集只会影响之后创建的表,不会改变已有表的字符集。

1.4.4 数据库删除

语法:

DROP DATABASE [IF EXISTS] db_name;

示例:

drop database if exists test1;

执行结果:

  • 数据库从show databases列表中消失。

  • 数据库对应的文件夹被删除。

  • 该数据库中的所有表和数据都会被永久删除(级联删除)。

1.4.5 ubuntu下查看MySQL创建的数据库和表的文件信息

MySQL存储所有数据库文件的根目录

mysql> select @@datadir;

or

mysql> show variables like 'datadir';

通过命令行查看文件结构

# 进入MySQL数据目录
sudo ls -l /var/lib/mysql/

# 查看特定数据库的文件(假设数据库名为mydb)
sudo ls -l /var/lib/mysql/mydb/

MySQL根据存储引擎的不同,会生成不同类型的物理文件

文件扩展名存储引擎作用
.frm所有引擎存储表的结构定义(列名、数据类型、索引等)
.ibdInnoDB存储表的数据和索引(每个表独立表空间)
.MYDMyISAM存储表的数据(MY Data)
.MYIMyISAM存储表的索引(MY Index)
ibdata1InnoDB系统表空间文件,存储共享的系统表和数据
ib_logfile0/1InnoDB事务日志文件(redo log)

重要警告:

  • 生产环境禁止随意删除数据库,操作前务必确认数据库名称。

  • 建议定期备份重要数据库。

1.4.6 备份和恢复

1.4.6.1 备份

语法:

mysqldump -P3306 -uroot -p密码 -B 数据库名 > 备份文件路径

示例:

mysqldump -P3306 -uroot -p123456 -B mytest > D:/mytest.sql

test2_backup.sql 把我们整个创建数据库,建表,导入数据的语句都装载这个文件中:

  • 说明:mysqldump是MySQL自带的备份工具,生成的SQL文件包含完整的建库、建表和插入数据的语句。

1.4.6.2 恢复

语法:

source 备份文件路径;

示例:

source D:/mysql-5.7.22/mytest.sql;
  • 说明:需要在MySQL命令行中执行,会逐条执行备份文件中的SQL语句。

1.4.6.3 注意事项

备份单张或多张表:

mysqldump -uroot -p 数据库名 表名1 表名2 > 备份文件.sql

备份多个数据库:

mysqldump -uroot -p -B 数据库1 数据库2 > 备份文件.sql

不带-B参数的备份与恢复:

  • 备份时:mysqldump -uroot -p 数据库名 > 备份.sql。

  • 恢复时需要三步:

create database 数据库名;  -- 先创建空数据库
use 数据库名;              -- 切换到该数据库
source 备份.sql;           -- 执行恢复

最佳实践:

show processlist;
  • 定期备份重要数据库。

  • 备份文件应存储在安全的位置,最好与数据库服务器分离。

  • 恢复前先确认目标数据库为空或做好数据保护。

1.4.7 查看连接情况

语法:

show processlist;

示例输出:

字段说明:

  • Id:连接标识符。

  • User:连接的用户。

  • Host:连接的主机。

  • db:当前连接的数据库。

  • Command:当前执行的命令类型(Sleep表示空闲)。

  • Time:命令执行时间。

  • State:当前状态。

  • Info:正在执行的SQL语句。

实际应用:

  • 性能排查:当数据库响应慢时,查看是否有长时间运行的查询。

  • 安全监控:检查是否有异常IP连接数据库。

  • 连接数管理:查看当前连接数是否过多。

安全提示:


如果发现不是自己登录的陌生连接,可能是数据库被入侵的迹象,应立即采取措施(如修改密码、限制IP访问等)。

Open Dynamics Engine(ODE)物理引擎教程(1)--下载与安装准备 引言 ODE是一个免费的工业级库,用于模拟关节式刚体动力学,例如地面车辆、腿部生物和虚拟现实环境中的移动对象。它具有快速、灵活、健壮和独立于平台的特点,具有先进的关节、摩擦接触和内置的碰撞检测功能。 项目主页:http://www.ode.org/ 线上手册:http://ode.org/wiki/index.php?title=Manual 本教程为博主亲自亲测过程的总结,转载请注明出处! ... 阅读详情

相关推荐

ChatGPT Web转API工具:原理、部署与集成实战

在AI应用开发中,API(应用程序编程接口)是实现系统间通信和数据交换的核心技术,它通过标准化的请求响应机制,将复杂功能封装为可编程的服务。其工作原理基于HTTP协议,通过定义清晰的端点、方法和数据格式,使不同平台的应用能够高效集成AI能力。这一技术价值在于极大降低了开发门槛,促进了自动化流程和智能功能的快速落地,广泛应用于智能客服、内容生成和创意辅助等场景。本文聚焦于如何通过浏览器自动化技术,将ChatGPT的Web界面能力转化为标准API服务,其中涉及Playwright无头浏览器操作和会话Cookie

weixin_42533910的博客 1767

【MySQL】 库的操作

【MySQL】 库的操作:2025.1.23。

m0_74825502的博客 1168

FDTD Solutions-入射波长模式

经常在文献中看到仿真光源使用TM/TE模式,这个确定是十分必要的,决定了仿真结果。 但是也不能局限于选择TM/TE,因为不同领域、不同软件之间的使用习惯和命名可能不同。并且在现代光波导器件中,几乎全部 都是混合模式,或者称之为quasi-TE(准TE模式)和quasi-TM(准TM模式),多数情况下都简称为TE模式和TM模式。要知道 到底是TE模式还是TM模式,需要查看其电场的主分量(即振幅...

HECHUANWANG的博客 1万+

MySQL :库与表的操作

库与表的操作

2301_82256131的博客 1204

AutoCAD Plant 3D自定义零件库实战:手把手教你用Python创建参数化槽式三通

本文详细介绍了如何利用Python脚本在AutoCAD Plant 3D中创建参数化槽式三通组件,从API原理到实战开发,帮助用户构建高效的自定义零件库。通过Python装饰器系统控制零件属性和行为,实现几何建模、参数管理和规格编辑器集成,提升工业管道设计的标准化和效率。

weixin_28267011的博客 332

【量化交易】迅投QMT——基础操作新建策略导入策略!

策略指标 #基础操作 #新建策略 在【我的】主页,点击新建策略按钮 点击【pyhton策略】模型 会弹出一个策略编辑器框 【新建策略文件】 编辑完点击【编译】按钮 关闭策略编辑器 导入策略 券商 QMT:1. 点击进入【模型研究】界面2. 右键 -> 选择本地. rzrk导入 投研端:1. 点击【行情】界面,选择模型2. 右键 -> 选择本地. rzrk导入 #策略在副图作为指标运行 在主图上双击策略 VBA策略可以直接输出图像

weixin_eng02048的博客 4110

MySQL库的操作

本博客主要内容涉及到一些库的操作,创建数据库,字符集和校验规则的概念,以及操纵数据库

本科在读,致力于Linux/C++方向的学习,同时涉及数据结构与算法,操作系统,数据库mysql等等 2966

Claude Code、Codex、Gemini CLI、OpenCode 和 OpenClaw 配置管理太麻烦?试试这个统一管理工具

还在为 Claude Code、Codex、Gemini CLI 等 AI CLI 配置烦恼?🤯 这款桌面工具支持五大助手统一管理,一键切换 50+ 服务商,MCP 和 Skills 集中管理 🛠️,跨平台支持,让你的 AI 编程更高效 ⚡

XiaoqiangClub的博客 916

【MySQL】MySQL库的操作

例如,在某些校验集下,大写字母和小写字母被视为相同(不区分大小写),而在其他校验集下则被视为不同(区分大小写)。此外,对于包含重音字符的语言,不同的校验集可能会以不同的方式处理这些字符的排序。选择适当的校验集对于确保查询结果的准确性和排序的正确性至关重要。例如,在区分大小写的校验集下,查询"John"将不会返回"john"的记录;而在不区分大小写的校验集下,这两个查询将被视为相同。

bsefef的博客 1099

WinCC7.5 SP2 安装与授权(文末附授权软件)

安装部分参考了wincc7.5官网下载及安装配置(适配window10超详细教程) 主要介绍授权部分(仅供学习,商用请下载正版授权): 通过官网下载安装了WinCC7.5(需要在西门子官网注册账户,10积分下载)。 安装成功以后,还没授权,先别立即打开。 下载Sim_EBK_Install 复制链接到百度网盘中离线下载: 都是一样的软件,版本不同。有部分解压时需要输入密码,可选择方框里的不需要解压密码: 解压以后,打开: 最后检查秘钥授权是否成功 打开桌面(这是安装WinCC以后就有的): 左

skr? 7万+

【RT-DETR有效改进】轻量级网络ShuffleNetV2(附代码+修改教程)

从今天开始正式开始更新RT-DETR剑指论文专栏,本专栏的内容会迅速铺开,在短期呢大量更新,价格也会乘阶梯性上涨,所以想要和我一起学习RT-DETR改进,可以在前期直接关注,本文专栏旨在打造全网最好的RT-DETR专栏为想要发论文的家进行服务。RT-DETR剑指论文专栏,持续复现各种顶会内容——论文收割机RT-DETR​​。

Snu77的博客 1996

MySQL:库的操作

MySQL中库的操作

海绵宝宝de派小星的博客 5708

手把手教你学Simulink--基于多能源系统协同控制的复杂场景实例:氢燃料电池+锂电池混合动力电动汽车能量管理仿真

本文介绍了基于Simulink的氢燃料电池与锂电池混合动力电动汽车能量管理系统的建模与仿真方法。系统包含驾驶循环输入、燃料电池子系统、锂电池子系统、能量管理、电机驱动等模块,通过协同控制优化能源分配。详细说明了从模型创建到各子系统设置的7个步骤,并提供了MATLAB代码示例。该仿真可评估不同工况下的系统响应速度、能量利用效率和电池寿命等性能指标,为混合动力汽车的能量管理策略设计和优化提供参考。

MHD0815的博客 239

MySQL:MySQL库和表的基本操作

注意: 轻易不要做修改或者删除,表跟数据库一样,在所有的业务处理过程中都靠近底层、后端,所以表结构、表名称、表是否存在等修改直接决定了所有使用该数据库的上层要不要改变!! 作为一个程序员来说,如果一旦开发了很长时间且表结构已经建好了,一旦在后期出现了需要修改表结构的情况,那么整个上层的业务逻辑可能都需要被改变!!因此这样的影响是非常巨大的! 

weixin_51142926的博客 2672

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

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库表操作

mysql库表操作

m0_55297736的博客 1180

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

[MySQL] 库的操作 && 表的操作

这里就是一个创建数据库的例子,框内的东西可以不填,因为有默认设置,而这些东西是什么呢?

m0_73802195的博客 791

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

MySQL库操作及表操作

MySQL库操作 创建数据库 创建一个名为 student1 的数据库 create database student1; 创建一个使用utf8字符集的 student2 数据库 create database student2 charset=utf8; 创建一个使用utf字符集,并带校对规则的 student3 数据库。 create database student3 cha...

zhangxu 269

【MySQL笔记】库操作与表操作

MySQL 作为一款关系型数据库管理系统,主要用于数据存储、数据管理和数据查询等,以下是具体介绍: > > **数据存储与管理** > - 数据组织:可以将数据以表格的形式进行存储,每个表格由行和列组成,就像日常生活中的表格一样,行代表- 具体的记录,列代表不同的字段。例如,在一个存储用户信息的表格中,列可能包括用户 ID、姓名、年龄、邮箱等,每一行则对应一个具体的用户记录。 > - 数据类型支持:支持多种数据类型,如整数、浮点数、字符串、日期时间等。这使得它能够适应各种不同类型数据的存储需求。比如,存

GGDxianv的博客 856

mysql 操作的时候锁库

数据库相关学习资料:https://edu.51cto.com/video/655.htmlMySQL 锁库操作指南 作为一名经验丰富的开发者,我很高兴能为刚入行的小白提供帮助。在这篇文章中,我将详细介绍如何在MySQL中实现锁库操作。锁库操作是一种在数据库维护或迁移时常用的技术,可以防止其他用户在操作期间访问数据库。 ...

weixin_42723849的博客 218

【MySQL】库与表的操作

【MySQL】库与表的操作

Sweet_0115的博客 724

MySQL--库操作和表操作

以上便是,MySQL中常见的操作,如有不对的地方,欢迎大家给指出来,那我们下个篇章见。

越努力,越幸运 1188

【MySQL笔记】MySQL库、表的基本操作

本篇博客主要介绍了MySQL库和表的一些基本操作,包括库的创建,修改,删除以及表的创建,修改,删除等!

Origin_life的博客 1737

MySQL库、表操作

库操作:查看所有库:show databases;查看当前使用的库:show database();创建库:create database 库名;(charset utf8mb4 可有可无)删除库:drop database 库名;修改库的字符集:alter database 库名 charset utf8mb4;使用库:use 库名;表操作:查看库中所有的表:show tables;

QDJ_CS_LYZ的博客 723

MYSQL——库表操作

SQL:结构化查询语言(Structured Query Language),在关系型数据库上执行数据操作、数据检索以及数 据维护的标准语言。使用SQL语句,程序员和数据库管理员可以完成如下的任务改变数据库的结构更改系统的安全设置增加用户对数据库或表的许可权限在数据库中检索需要的信息对数据库的信息进行更新。

2301_77000936的博客 604
上一篇: MySQL数据库基础
下一篇: MySQL关于表的操作
FirstFrost --sy
博客等级 码龄3年 371粉丝 68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