MySQL、InnoDB、MyISAM的参数

Android 的端智能学习路径 基础层:先补齐 Android 进阶(JNI / 性能优化)和 AI 基础概念,无需深入算法开发;核心层:掌握 TFLite 的模型加载、推理、量化,能完成基础端侧推理;落地层:聚焦实战场景(图像 / OCR / 语音),解决工程化问题(模型管理、异常处理);优化层:通过模型量化、硬件加速、工程优化,提升推理性能和用户体验。 阅读详情

``参数,也被称之为MySQL的系统变量,这些变量是影响MySQL运行的关键,对每个参数做出不同调整,都有可能直接影响到线上数据库的性能,具体的完整系统参数可参考《MySQL官网文档-系统变量》,官方提供的系统参数数量大致如下:

通过xpath的方式提取数据,大概能够得知MySQL系统变量大概一千个上下,因此这里就不做过多的详细介绍,简单介绍一些较为常用的即可,其他具体的可参考前面给出的官网链接。

但是要注意,虽说MySQL中有一千多个对外暴露的系统参数,但并不是所有的参数都可以让用户调整,MySQL的系统参数分为了三类:
一类是由MySQL自己维护的参数,这类参数用户无法调整。
第二类是以配置文件的形式加载的参数,这类参数必须在MySQL停机的情况下才能更改。
第三类是运行时的系统参数,这类是可以由用户去做动态调整的。

咱们需要关心的重点就是第三类参数,那如何观察这类参数呢?方式如下:

  • • show global variables;:查看全局所有用户级别可以看到的系统变量。

  • • show session variables; | show variables;:查看当前会话的所有系统变量。

  • • show variables like '%关键字%';:使用模糊查询搜索某个系统变量。

MySQL5.1与MySQL8.0版本的执行结果如下:

可以很明显的从结果中得知:MySQL5.1版本中存在278个系统变量,MySQL8.0版本中存在557个系统变量,这仅仅只是社区版,而在商业版的MySQL中,其系统参数会更多,下面调出一些重点来聊一聊。

• max_connections:MySQL的最大连接数,超出后新到来的连接会阻塞或被拒绝。

• version:当前数据库的版本。

• ft_min_word_len:使用MyISAM引擎的表中,全文索引最小搜索长度。

• ft_max_word_len:使用MyISAM引擎的表中,全文索引最大搜索长度。

• ft_query_expansion_limit:MyISAM中使用with query expansion搜索的最大匹配数。

• innodb_ft_min_token_size:InnoDB引擎的表中,全文索引最小搜索长度。

• innodb_ft_max_token_size:InnoDB引擎的表中,全文索引最大搜索长度。

• optimizer_switch:MySQL隐藏参数的开关。

• skip_scan:是否开启索引跳跃扫描机制。

• innodb_page_size:InnoDB引擎数据页的大小。

• tx_isolation:事务的隔离级别。

• autocommit:事务自动提交机制。

• innodb_autoinc_lock_mode:插入意向锁的工作模式。

• innodb_lock_wait_timeout:InnoDB锁冲突时,阻塞的超时时间。

• innodb_deadlock_detect:是否开启InnoDB死锁检测机制。

• innodb_max_undo_log_size:本地磁盘文件中,Undo-log的最大值,默认1GB。

• innodb_rollback_segments:指定回滚段的数量,默认为1个。

• innodb_undo_directory:指定Undo-log的存放目录,默认放在.ibdata文件中。

• innodb_undo_logs:指定回滚段的数量,默认为128个,也就是之前的innodb_rollback_segments。

• innodb_undo_tablespaces:指定Undo-log分成几个文件来存储,必须开启innodb_undo_directory参数。

• back_log:回滚日志的最大回撤长度(一条数据的最长版本链长度)。

• innodb_undo_log_truncate:是否开启Undo-log的压缩功能,即日志文件超过一半时自动压缩,默认关闭。

• innodb_flush_log_at_trx_commit:设置redo_log_buffer的刷盘策略,默认每次提交事务都刷盘。

• innodb_log_group_home_dir:指定redo-log日志文件的保存路径,默认为./。

• innodb_log_buffer_size:指定redo_log_buffer缓冲区的大小,默认为16MB。

• innodb_log_files_in_group:指定redo日志的磁盘文件个数,默认为2个。

• innodb_log_file_size:指定redo日志的每个磁盘文件的大小限制,默认为48MB。

• innodb_log_write_ahead_size:设置checkpoint刷盘机制每次落盘动作的大小。

• innodb_log_compressed_pages:是否对Redo日志开启页压缩机制,默认ON。

• innodb_log_checksums:Redo日志完整性效验机制,默认开启。

• log_bin:是否开启bin-log日志,默认ON开启,表示会记录变更DB的操作。

• log_bin_basename:设置bin-log日志的存储目录和文件名前缀,默认为./bin.0000x。

• log_bin_index:设置bin-log索引文件的存储位置,因为本地有多个日志文件,需要用索引来确定目前该操作的日志文件。

• binlog_format:指定bin-log日志记录的存储方式,可选Statment、Row、Mixed。

• max_binlog_size:设置bin-log本地单个文件的最大限制,最多只能调整到1GB。

• binlog_cache_size:设置为每条线程的工作内存,分配多大的bin-log缓冲区。

• sync_binlog:控制bin-log日志的刷盘频率。

• binlog_do_db:设置后,只会收集指定库的bin-log日志,默认所有库都会记录。

• log-error:error-log错误日志的保存路径和名字。

• slow_query_log:设置是否开启慢查询日志,默认OFF关闭。

• slow_query_log_file:指定慢查询日志的存储目录及文件名。

• general_log:是否开启查询日志,默认OFF关闭。

• general_log_file:指定查询日志的存储路径和文件名。

• innodb_buffer_pool_size:InnoDB缓冲区的大小。

• innodb_adaptive_hash_index:是否开启InnoDB的自适应哈希索引机制。

• innodb_compression_level:调整压缩的级别,可控范围在1~9,越高压缩效果越好,但压缩速度也越慢。

• innodb_compression_failure_threshold_pct:当压缩失败的数据页超出该比例时,会加入数据填充来减小失败率,为0表示禁止填充。

• innodb_compression_pad_pct_max:一个数据页中最大允许填充多少比例的空白数据。

• innodb_log_compressed_pages:控制是否对redo-log日志的数据也开启压缩机制。

• innodb_cmp_per_index_enabled:是否对索引文件开启压缩机制。

• character_set_client:客户端的字符编码格式。

• character_set_connection:数据库连接的字符编码格式。

• character_set_database:数据库的字符编码格式。

• character_set_results:返回的结果集的编码格式。

• character_set_server:MySQL-Server的字符编码格式。

• character_set_system:系统的字符编码格式。

• collation_database:数据库的字符排序规则。

• :剩下的就不再列出来了,大家可根据查询出的变量名,去官网文档查询释义即可。

【教程4>第5章>第28节】基于帧同步+相位同步+位同步的QPSK调制解调通信系统整体性能分析 综上所述:1.SNR<10db时,整体性能下降,当SNR=0db时,系统无法正常工作。2.gardner环性能达到2.5e-5时偏可以正常工作,增加之后无法正常工作。3.当相位偏差大于pi/4的时候,对最后的性能会有一定影响。 阅读详情

相关推荐

ANSYS APDL学习(6):ANSYS APDL部分命令流介绍

介绍APDL 部分命令流

娱乐至上的博客 1万+

mysql 全文索引查询所用关键词最小长度限制

mysql全文检索查询关键词最小长度设置

sun283211093的博客 2261

Python小白避坑指南:用Ursina做3D图形,Entity的scale和color参数到底怎么调才不出错?

本文详细解析了Python Ursina引擎中Entity对象的scale和color参数调优技巧,帮助3D图形编程初学者避开常见陷阱。通过对比实验和典型场景分析,深入讲解三种缩放方式的区别、颜色定义的四种方法,以及参数组合的协同效应,助力开发者精准控制3D图形表现。

weixin_26782929的博客 412

【MySQL全文检索教程2】中文语义分词检索,配置ngram解析器ngram_token_size,innodb_ft_min_token_size,innodb_ft_min_token_size

【MySQL全文检索教程2】中文语义分词检索,配置ngram解析器ngram_token_size,innodb_ft_min_token_size,innodb_ft_min_token_size

qq120631157的博客 3923

Unity Tilemap瓦片动态缩放:保持网格尺寸不变的三种实现方案

本文详细探讨了在Unity中实现Tilemap瓦片动态缩放同时保持网格尺寸不变的三种核心方案。针对编辑器静态调整、整体风格化处理及运行时动态控制等不同场景,分别解析了直接修改瓦片属性、调整Tilemap Renderer材质参数以及使用SetTransformMatrix与Matrix4x4矩阵变换的实践方法、优缺点及选型指南,为2D游戏开发提供灵活高效的视觉与交互解决方案。

grass的博客 626

OSNet代码解析(普通卷积,分组卷积,深度可分离卷积,OSblock组成)

文章目录普通卷积和分组卷积普通卷积和深度可分离卷积用深度可分离卷积(LightConv3x3)代替普通卷积(Conv3x3)减少参数OSBlock (bottleneck)OSNet OSNet之所以轻量(2.2M)在于网络浅,使用深度可分离卷积代替传统卷积,但是很有效 普通卷积和分组卷积 所谓分组卷积,就是右图的input features分成一组一组,如上图groups=3,那么输入的特征分成3组,每组有12/3=4的通道的特征参与输出。然后根据输出通道的维度,得到每组的输入特征要计算两次(6/3=2

Mr_DaYang的博客 9800

MySQL 实现一个简单版搜索引擎,真是绝了!

前言 只有Innodb和myisam存储引擎能用全文索引(innodb支持全文索引是从mysql5.6开始的) char、varchar、text类型字段能创建全文索引(fulltext index type) 全文索引的基于关键词的,如何区分不同的关键词了,就要用到分词(stopword) 英文单词用空格,逗号进行分词;中文分词不方便(一个句子不知道怎样区分不同的关键词) 内置分词解析器ngram支持中文,日文,韩文(将句子分成固定数字的短语) 当对表写入大量数据时,写入数据后再创建全文索引的速度更快(

weixin_49114080的博客 664

Python爬虫实战:基于Scrapy和Playwright的深交所数据采集

本文将详细介绍如何使用Python最新技术栈(Scrapy框架结合Playwright浏览器自动化)爬取深圳证券交易所(www.szse.cn)的公开数据。文章包含完整项目搭建、反爬策略应对、数据解析存储等全流程实现,并附详细代码示例和性能优化建议。python复制下载# 上市公司基本信息# 财务数据revenue = scrapy.Field() # 营业收入net_profit = scrapy.Field() # 净利润eps = scrapy.Field() # 每股收益。

2201_76125261的博客 949

Mysql全文索引解析

parser与N-gram Parser分词器选择 及 ft_min_word_len与innodb_ft_min_token_size的区分及界定 学习《高性能mysql(第三版)》这本书时,学到了全文索引这一张节,但作者当时使用的版本是MySQL 5.5,届时只有MyISAM引擎支持latin(拉丁语)语法分词器的全文索引,而5.6版本后才在InnoDB引擎实验性地支持全文索引,如今以是8.0以上的版本了,InnoDB引擎下的全文索引,也比较成熟了。本文参照《高性能mysql(第三版)》的MyISAM引

weixin_46160722的博客 2720

Arduino ESP8266自定义配置分区表

ESP8266自定义分区表配置 随着项目的不断开发,项目文件也不断在增大,在没有考虑更换主硬件的条件下,最大开发利用有限资源势在必行,所以今天带来ESP8266自定义分区表的配置。 我这里以版本:2.7.4版本为例,后面的版本也是支持的。 注意:自定义分区表特别要注意和你的硬件相对应,flash芯片的大小决定这个分区是否有效,否则有意想不到的事情发现。 自定义分区表的几个重要参数 /* Flash Split for 4M chips */ /* sketch @0x40200000 (~1019K

perseverance51博客 1725

QT C++ AI棉花智能变量灌溉工上位机(信创完整版)

北斗履带灌溉机器人/田间分区电磁阀基站 → 多层土壤温湿度/盐分EC传感器实时采集墒情 → 双目AI视觉扫描棉田长势、病苗分布 → AI融合**生育期+土壤墒情+盐分+棉株长势**计算变量灌溉定额、水肥配比、灌溉时长 → 分区电磁阀/变频水泵变量供水,病弱苗地块减量、干旱地块增量;墒情、盐分、长势多因子闭环修正灌水量;多层土壤含水率(0–10/20–40/40–80cm)、土壤EC盐分、土壤温度、空气温湿度、蒸发量、北斗地块坐标、管道水压、水肥罐液位、分区流量计、水泵电机负载、滴灌带压力反馈。

寒寒豆豆软件公司的博客 183

MySQL的InnoDB、MyISAM的参数及常见错误码

`参数,也被称之为MySQL的系统变量,这些变量是影响MySQL运行的关键,对每个参数做出不同调整,都有可能直接影响到线上数据库的性能,具体的完整系统参数可参考《MySQL官网文档-系统变量》,官方提供的系统参数数量大致如下:通过xpath的方式提取数据,大概能够得知MySQL系统变量大概一千个上下,因此这里就不做过多的详细介绍,简单介绍一些较为常用的即可,其他具体的可参考前面给出的官网链接。但是要注意,虽说MySQL中有一千多个对外暴露的系统参数,但并不是所有的参数都可以让用户调整,MySQL。

qq_39142108的博客 2339

DNA图谱分析:自动分析DNA图谱中的变异YOLOv5、YOLOv8、YOLOv10

YOLO(You Only Look Once)是一种基于卷积神经网络(CNN)的目标检测模型,因其高效的检测速度和优异的精度而广泛应用于计算机视觉任务。一次性检测:与传统的目标检测方法不同,YOLO通过回归方法同时预测多个边界框和类别信息,从而实现高效的目标检测。高精度与高速度:YOLO在检测精度和速度之间找到了平衡,适用于实时目标检测任务。

YOLO 729

mysql中myisam与innodb的参数设置

一 myisam系统参数配置: 二 innodb系统参数配置: 转载于:https://www.cnblogs.com/kucha/p/4940282.html

weixin_30646315的博客 130

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

mysql内置多个数据存储引擎_一个mysql数据库,既有myisam存储引擎,又有innodb存储引擎,参数如...

key_buffer_size - 这对MyISAM表往说十分紧张。假设只是利用MyISAM表,可以把它设置为可用内存的30-40%。合理的值取决于索引大年夜小、数据量和背载 --记住,MyISAM表会利用操做系统的缓存往缓存数据,是以需求留出部分内存给它们,许多状况下数据比索引大年夜多了。虽然云云,需求总是搜检能可全部的key_buffer 都被哄骗了 -- .MYI 文件只有 1GB,而 ke...

weixin_29331015的博客 360

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针对引擎MyISAM和InnoDB部分参数优化

key_buffer_size – 这对MyISAM表来说非常重要。如果只是使用MyISAM表,可以把它设置为可用内存的 30-40%。合理的值取决于索引大小、数据量以及负载。 记住,MyISAM表会使用操作系统的缓存来缓存数据,因此需要留出部分内存给它们,很多情况下数据比索引大多了。尽管如此,需要总是检查是否所有的 key_buffer 都被利...

weixin_34148340的博客 97

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

mysql当某个值%3e0 insert_【转】InnoDB转MyISAM场景漏调整某重要参数值造成的悲剧...

【导读】为帮助朋友解决问题,曾写过一篇文章介绍,如何快速把数量众多的MyISAM引擎的表,转换成存储引擎为InnoDB。现在,将根据实际应用场景,写篇关于表引擎全是InnoDB的业务场景,因资源的问题,而不得不将部分数据存储表引擎转为MyISAM,而碰到的麻烦,分享给大家,以示借鉴意义。测试环境操作系统:CentOS release 5.5 (Final)MySQL版本:5.0.82-percon...

weixin_36298146的博客 131

innodb引擎几个比较重要的配置参数

最近一直在学习mysql,以下内容是阅读mysql技术内幕--innodb存储引擎后做的笔记,主要是1-3章的内容 一.innodb和myisam的主要区别 innodb       1. 支持事务       2.锁粒度==>行级别       3.支持mvcc多版本并发控制       4.不支持地理空间       5.最大支持64TB存储       6.支持哈希索

醉且逍遥 6643

mysql isam cache_「mysql优化专题」详解引擎(InnoDB,MyISAM)的内存优化攻略?(9)

注意:以下都是在MySQL目录下的my.ini文件中改写(技术文)。一、InnoDB内存优化InnoDB用一块内存区域做I/O缓存池,该缓存池不仅用来缓存InnoDB的索引块,而且也用来缓存InnoDB的数据块。1、innodb_log_buffer_size决定了InnoDB重做日志缓存的大小,可以避免InnoDB在事务提交前就执行不必要的日志写入磁盘操作。2、设置Innodb_buffer_p...

weixin_42629522的博客 110

Mysql的MyISAM、Innodb、表锁、页锁、行锁、锁升级、MyISAM锁调度、启动选项(启动参数)和系统变量、状态变量

MyISAM存储引擎、Innodb存储引擎对比: (1)MyISAM自增ID在文件中,Innodb在内存中; (2)MyISAM不支持事务,Innodb支持事务; (3)MyISAM支持表锁,InnoDB 支持表锁和行锁,默认为行锁。 表锁:开销小,加锁快;锁定粒度大,锁冲突概率高,并发度低。行锁与之相反,页锁介于表锁和行锁之间。 页锁:多条记录共同加锁。 粒度:颗粒大小。 表锁不会死锁,行锁和页锁可能死锁。 BDB存储引擎支持表锁和页锁。 表级锁分读锁和写锁。加读锁时,阻塞写请求。加写锁时,阻

haoranhaoshi的博客 220

mysql内部参数是什么意思_mysql参数及解释

key_buffer_size:(global、Dynamic)#*** MyISAM特有的选项。即使你不使用MyISAM表,你仍应该将它设置为8-64M,因为它也被用于内部的临时磁盘表。这个参数是用来设置索引块(index blocks)缓存的大小,它被所有线程共享,严格说是它决定了数据库索引处理的速度,尤其是索引读的速度。若果应用系统的表基本上都是myisam表,可以将这个值设为机器内存的25...

weixin_34358799的博客 379

mysql f参数_mysql参数及解释

key_buffer_size: #*** MyISAM特有的选项。即使你不使用MyISAM表,你仍应该将它设置为8-64M,因为它也被用于内部的临时磁盘表。这个参数是用来设置索引块(index blocks)缓存的大小,它被所有线程共享,严格说是它决定了数据库索引处理的速度,尤其是索引读的速度。max_allowed_packet: #**通用配置选项,能够处理的最大通信信息包大小,在客户端或者...

weixin_35765226的博客 642

Mysql参数详解

1、配置参数 MySQL有两种途径途径了解其的配置参数,一个是MySQL交互模式下的命令SHOW  VARIABLES,一个使用mysqladmin variables 查询。 MySQL的配置参数分为2种,全局的和局部的。局部的配置变量可以在每次会话中自己更改。 从MySQL 4.0以后开始,在SHOW VARIABLES中显示的参数,大部分可以动态使用SET命令进行更改。 基本参数

学习笔记 4558

9.详解引擎(InnoDB,MyISAM)的内存优化攻略?

整理自互联网!! 本篇我们讲解内存优化。 注意:以下都是在MySQL目录下的my.ini文件中改写。 一、InnoDB内存优化 InnoDB用一块内存区域做I/O缓存池,该缓存池不仅用来缓存InnoDB的索引块,而且也用来缓存InnoDB的数据块。 1.innodb_log_buffer_size 决定了InnoDB重做日志缓存的大小,可以避免InnoDB在事务提交前就执行不必要的日志...

weixin_30527323的博客 73

mysql 5.6中强制不使用innodb

mysql 5.6本身就默认innodb,这个是最好的,不应该再使用myisam了,但如果万一要 强制改用myisam,怎么办呢? 方法是设置: default-storage-engine=MyISAM default-tmp-storage-engine=MyISAM innodb=OFF 三个参数都必须这样设置,缺一不可。 ...

jackyrongvip的专栏 342

Mysql高级-03,关于SQL书写建议-&索引优化的总结

由于篇幅限制,小编在此截出几张知识讲解的图解每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频**如果你觉得这些内容对你有帮助,可以添加下面V无偿领取!(备注Java)[外链图片转存中…(img-lwbwPO5g-1711077574993)]由于篇幅限制,小编在此截出几张知识讲解的图解[外链图片转存中…(img-Iz2pOA8Y-1711077574994)][外链图片转存中…(img-dUsmfzRg-1711077574995)]

m0_60147147的博客 718
上一篇: MySQL表分区相关的命令
下一篇: MySQL常见的错误码
得闲饮茶呃
博客等级 码龄4年 303粉丝 40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