SQL经典入门(第5版)学习笔记

【hacker送书第5期】SQL Server从入门到精通(第5版) 【hacker送书第5期】SQL Server从入门到精通(第5版),欢迎大家参与 阅读详情

主要熟悉下稍微复杂点的sql语句跟存储过程。总的来说,记一句sql大概就能应付很多情况了:
select from__where__group by__having__order by

SQL命令类型:
数据定义语言:DDL
数据操作语言:DML
数据查询语言:DQL
数据控制语言:DCL
数据管理命令
事务控制命令

1.建表

create table users(
    id int(11) primary key auto_increment,
    username varchar(20),
    age int(11),
    gender char(1),
    birthday date,
    city varchar(20),
    salary float(20)
)

2.修改表结构(加一列,名为company,类型varchar(20)):

alter table users add column company varchar(20);

3.插入一条记录

insert into users(username,age,gender,birthday,city,salary,company) values('路飞',17,'男','1991-08-30','杭州',20000.00,'移动');

4.修改记录(只改了两个字段):

update users set age=19,gender='女' where username='路飞'

5.删除数据:

delete from user where id=1;

6.查询(大项):

select * from users;

下面的查询主要根据这张表来
查询表

order by 子句:让输出以某种方式进行排序,默认升序

select * from users where gender='男' order by age;

这里写图片描述

降序

select * from users where gender='男' order by age desc;

这里写图片描述

统计数量(*可以替换为某一列):

select count(*) from users;

比较操作符(只举一例):
相等:=
不等:<>
大于:>
小于:<

select username,age from users where age<30;

这里写图片描述

逻辑操作符:
IS NULL;
BETWEEN;
IN;
LIKE;
EXISTS;
UNIQUE;

IS NULL(与null值进行比较):

select * from users where username is null;

这里写图片描述

BETWEEN(找位于之间的记录):

select * from users where salary between 400 and 800;

这里写图片描述

IN(与指定列表比较,这个指定列表也可以是查询结果,这里这给出简单的列表):

select * from users where id in(1,4,8)

这里写图片描述
还可以是 select * from users where id in(这里面也是个select语句);

LIKE(多用于模糊查询):通配符有两个,“%””_”
where salary like ‘200%’ : 以200开头的值
where salary like ‘%200%’ :包含200的
where salary like ‘2_%_%’ :以2开头,长度至少为三的值
where salary like ‘_00%’ :第二和第三个字符是0的值
where salary like ‘%2’ :以2结尾的值
where salary like ‘_2%3’ :第二位为2,结尾为3的值
where salary like ‘2___3’ :以2开头,结尾为3,长度为五的值

select * from users where salary like '200%'

这里写图片描述

EXIST(用于指定表里是否存在特定条件的记录,与IN很像,只是这个子查询里的表是能查自己的表,IN是不能的):这个东西有够狗血的,exist子句并不返回数据,返回的是true,false,然后进行外部的主查询。
select * from users where exists (select * from users where id<5)
这条语句表达的意思是如果users表里有id<5的记录就进行外部的主查询,返回表中所有数据,注意并不是只返回id<5的数据(我扣了半天才发现)。

ALL,SOME,ANY(感觉没什么卵用,不给例子了,用到的时候再查好了)

AND OR :

select * from users where id>1 and id<5;

这里写图片描述

select * from users where id=1 or id>10;

这里写图片描述

求反操作符:这些就不说了,没几个意思
<>,!=
NOT BETWEEN
NOT IN
NOT LIKE
IS NOT NULL
NOT EXISTS
NOT UNIQUE

算术操作符: 就+ - * / ;不说了。

查询汇总: COUNT , SUM , AVG ,MAX, MIN
COUNT:前面用过了
SUM: SUM([DISTINCT] COULUMN NAME)distinct会丢弃重复的数据进行计算。

select SUM(age) from users

结果为391

select SUM(distinct age) from users

结果为355,小于391,因为我表中有重复的年龄被丢弃了。

AVG(平均数):

select AVG(age) from users 

MAX(最大值):

select MAX(age) from users 

MIN(最小值):

select MIN(age) from users 

数据排序与数组:
GROUP BY (select中出现的字段,除汇总函数外,全部要在group by 中出现,书上是这么说的,但我用mysql试了下,不在也可以–!)
ORDER BY

select username,city,age,count(*) from users group by city order by count(*)

这里写图片描述
其实这个查询是有问题的,弗兰奇也是在南京的,但被覆盖了。

HAVING(相当于再加一个条件,HAVING对GROUP BY 的作用就相当于WHERE 对 SELECT的作用)

select username,city,age,count(*) from users group by city having age >20 order by count(*)

这里写图片描述
相对于上条查询19岁的路飞君已经被踢掉了。

到这里,基本的语句已经差不多了,后面还有的子查询,关联查询,组合查询,存储过程,事件,外键关联什么的,就下次再说吧。

经典SQL练习题(MySQL版) 原文首发于简书于[2018.07.30] 网上有一篇关于SQL的经典文章,超经典SQL练习题,做完这些你的SQL就过关了,引用和分析它的人很多,于是今天复习SQL的时候找来练了练手。原作者用的是SQL Server 2008,我在这里用的是MySQL 8.0.11(二者语法差别不大),文本编辑器用的是Atom 1.28.2(不知道大家用什么,反正用Atom写SQL确实丝质顺滑)。 题目顺序... 阅读详情

相关推荐

SQL入门经典【第5版】.pdf

SQL入门经典, 第五版,SQL入门经典书籍,资源是高清的。

SQL入门经典(第5版)pdf

下载地址:网盘下载编辑推荐编辑每章内容针对初学者精心设计,1小时轻松阅读学习,24小时彻底掌握关键知识。每章案例与练习题助你轻松完成常见任务,通过实践提高应用技能,巩固所学知识。学习如何:·使用SQL-2003。最新标准的结构化查询语言;·设计和部署有效、安全的数据库:·创建高级查询,提取有用信息:·排序、分组和汇总信息。提供最佳展示;·调整数据库。提供最优的...

weixin_30536513的博客 1168

SQL入门经典(第5版).pdf

《sql入门经典(第5版)》的作者都是数据库教学与应用的专家,有着丰富的经验。《sql入门经典(第5版)》详细介绍了sql语言的基本语法、基本概念,说明了各种sql实现与ansi标准之间的差别。书中包含了大量的范例,直观地说明了如何使用sql对数据进行处理。每章后面还有针对性很强的测验与练习,能够帮助读者更好地理解和掌握学习的内容。在最后的附录里还有关于安装mysql的详细介绍、书中用到的关键sql语句、测验和练习的答案。 《sql入门经典(第5版)》的内容层次清晰,针对性强,非常适合初学者作为入门教材。

【免费下载】 探索SQL世界的大门 ——《SQL入门经典(第5版)》开源资源推荐

探索SQL世界的大门 ——《SQL入门经典(第5版)》开源资源推荐 去发现同类优质开源项目:https://gitcode.com/ 在这个数据驱动的时代,掌握SQL已成为每位技术爱好者不可或缺的技能。今天,我要向大家推荐一个极佳的资源——《SQL入门经典(第5版)》的开源PDF版本。这份宝藏藏于GitHub,专为渴望深入了解SQL奥秘的你准备。 项目介绍 《SQL入门经典(第5版)》这一开源项目...

gitblog_06617的博客 1150

SQL入门经典 第5版

本书的内容层次清晰,针对性强,非常适合初学者作为入门教材。

SQL Server实用教程 第五版 课件 (郑阿奇)

SQL Server 第五版实用教程 课件 (郑阿奇) 数据库原理课程 PPT

mysql必知必会第5版pdf_雍正荐书第十一期 | SQL入门经典教程2020全新升级!SQL必知必会(第5版)...

SQL新手;希望快速学会并熟练使用SQL ;希望知道如何使用SQL开发应用程序;希望在无人帮助的情况下有效而快速地使用SQL ; 本书的 SQL 系统适用那些系统 部分节选第2章检索数据这一课介绍如何使用SELECT 语句从表中检索一个或多个数据列。2.1 SELECT 语句正如第1课所述,SQL 语句是由简单的英语单词构成的。这些单词...

weixin_33737110的博客 2354

SQL入门经典第5版pdf

2018SQL入门经典第5版,现在开始上传了。现在开始上传了。

SQL入门经典(第5版)学习笔记(一)

1.缩写“SQL”的含义是什么?stuctured query language 结构化查询语言 2.SQL命令的6个主要类别是什么?事务控制命令 commit 数据定义语言 create table 数据操作语言 update 数据查询语言 select 数据管理命令(进行审计分析 start audit) 数据控制语言 grant 3.4个事务控制命令是什么?commit rollback s...

weixin_34262482的博客 159

SQL入门经典(第5版)

SQL入门经典(第5版)讲解深入浅出,很适合没有基础的学习,

使用广播星历进行 GPS 卫星位置的计算

目录1.计算卫星运动的平均角速度 n2.计算观测瞬间卫星的近地点角3.计算偏近点角4.计算真近点角 f5.计算升交角距 6.计算摄动改正项7.进行摄动改正 8.计算卫星在轨道面坐标系中的位置9.计算观测瞬间升交点的经度 L10.计算卫星在瞬时地球坐标系中的位置11.计算卫星在协议地球坐标系中的位置使用广播星历进行GPS卫星位置的计算的详细步骤如下:关于在广播星历中各参数的分布情况可以参考下图:首先根据广播星历中给出的参数 计算参考时刻(TOE) 的平均角速度 式中,GM为万有引力常数 G 与地球总质量

qq_43381998的博客 5567

SQL入门经典(第5版)学习笔记(三)

1.下面这个CREATE TABLE命令能够正常执行吗?需要做什么修改?在不同的数据库(MySQL、Oracle、SQL Server)中执行,有什么限制吗? 不要as: middle_name null 2.能从表里删除一个字段吗?可以 alter drop coloum?? 3.在前面的表EMPLOYEE_TBL里创建一个主键约束应该使用什么语句?alter table EMPLOYEE_T...

weixin_34010949的博客 152

保姆级教程:用ncnn把自训练的YOLOv8模型塞进Android App(附完整代码)

本文提供了一份详细的保姆级教程,指导开发者如何将自训练的YOLOv8模型通过ncnn框架部署到Android应用中。教程涵盖环境配置、模型训练与转换、Android工程集成及性能优化等全流程,并附完整代码实现,帮助开发者快速掌握移动端AI模型部署技术。

weixin_42659194的博客 255

SQL入门经典(第5版)学习笔记(二)

1.判断对错:个人社会保险号码,输入格式为 '1111111111',它可以是下面任何一种数据类型:定长字符、变长字符、数值。错 不能是数值 引号会转换为字符 2.判断对错:数值类型的标度是指数值的总体长度。对 会自动补全 3.所有的SQL实现都使用同样的数据类型吗?不同 按需使用 4.下面定义的有效位数和标度分别是多少? 前者是有效位数 后者是标度 5.下面哪个数值能够输入到定义为DECIMAL...

weixin_34112900的博客 164

FoundationPose复现及Realsense应用

FoundationPose是一个统一的基础模型,用于6D对象姿态估计和跟踪,支持基于模型和无模型的设置。在测试时可以立即应用于未见过的新对象,无需微调,只要给出其CAD模型,或者捕获少量RGBD参考图像。得益于统一框架,下游姿态估计模块在两种3D模型设置中都是相同的,当没有CAD模型时,使用神经隐式表示进行高效的新视角合成。通过大规模合成训练,辅以大型语言模型(LLM)、一种基于transformer的新架构和对比学习公式,实现了强大的泛化能力。

m0_56661101的博客 1万+

Monocle2拟时轨迹基因模块的GO富集解析

本文详细解析了如何对Monocle2拟时分析中得到的基因表达模块进行GO富集分析。通过从热图对象中提取聚类模块,并利用clusterProfiler等工具进行功能注释,将抽象的基因表达时序模式转化为可解释的生物学功能主题,如免疫应答、细胞外基质组织等,从而深入理解细胞命运转变的驱动机制。

gpt4scribbler的博客 500

SQL入门经典【第5版】PDF资源下载介绍

SQL入门经典【第5版】PDF资源下载介绍 【下载地址】SQL入门经典第5版PDF资源下载介绍 本仓库提供《SQL入门经典【第5版】》高清PDF资源下载,适合SQL初学者和爱好者。本书全面讲解SQL基础知识,涵盖数据库创建、管理、复杂查询及高级特性,帮助读者系统掌握SQL语言,提升数据库管理能力。第五版更新了最新数据库技...

gitblog_06709的博客 676

【论文解读】Baidu Apollo EM Motion Planner

系统顶层是一种多车道策略,通过并行计算车道级别轨迹来处理车道变更场景;在车道轨迹生成器内部,迭代的解决基于Frenet坐标的路径和速度规划;针对路径和速度规划问题,提出了动态规划与基于样条的二次规划相结合的方法,构造了一个可扩展且易于调整的框架,同时处理交通规则、障碍物决策和平滑度问题。该规划器可扩展至高速公路和城市低速驾驶场景。高精地图模块提供了任何人都可以访问的高精地图。感知和定位模块提供了动态环境中必要的信息。运动规划模块考虑生成一条安全平滑的轨迹再交由汽车的控制模块去执行。

xiewf的博客 6092

SQL入门经典第5版完整版下载介绍

SQL入门经典第5版完整版下载介绍 去发现同类优质开源项目:https://gitcode.com/ 欢迎来到我们的资源仓库!这里为您提供了《SQL入门经典第5版》的完整版资源下载,这是一本内容丰富、简单易懂的教程书籍,特别适合SQL语言的初学者学习和参考。 本书详细介绍了SQL语言的基础知识,从最基本的查询语句到复杂的数据库设计和SQL编程技巧,都能在这本书中找到对应的讲解。作为第五版,本书在继...

gitblog_06741的博客 440

手把手教你学 GPU SoC 芯片(9.3)--GPU SOC 功耗和热管理的动态电压和频率调整(DVFS)

通过动态电压和频率调整(DVFS),可以有效地管理GPU SoC的功耗和热管理。合理的DVFS策略不仅可以节省功耗,提高能效,还可以延长设备的使用寿命。

MHD0815的博客 1498

MIKE水动力笔记17_MIKE文件转shp、统计每个单元格的面积

MIKE的工具箱中自带一个转shp的工具,然后可以拖进ArcGIS中很方便的统计每个单元格的面积和每个网格点的水深。

晏长街的博客 4151

SQL入门经典第5版PDF资源下载介绍:在线学习数据库管理的必备教材

SQL入门经典第5版PDF资源下载介绍:在线学习数据库管理的必备教材 【下载地址】SQL入门经典第5版PDF资源下载介绍 本仓库提供《SQL入门经典【第5版】》高清PDF资源下载,适合SQL初学者和爱好者。本书全面讲解SQL基础知识,涵盖数据库创建、管理、复杂查询及高级特性,帮助读者系统掌握SQL语言,提升数据库管理能力...

gitblog_06729的博客 608

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

sql入门经典第5版pdf网盘_如何学习 SQL 语言?

很多人喜欢一上来就推荐好几本书,但是这些书晦涩难懂,对于初学者入门非常不友好。入门只需要一本书就够了,而不是多本。入门要让初学者看懂才是最重要的,而不是整那些高大上的东西。为了帮助刚毕业找工作,或者想转行成为数据分析师工作的朋友,我会用下面内容教会你怎样用最快速、最容易理解的方式学会数据库和SQL,并使用SQL进行数据分析:1.入门 2.简单查询 3.汇总分析 4.复杂查询 5.多表查询 6.求职...

weixin_39607836的博客 896

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,

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")

上一篇: 瞎整SSM碰到的问题总结
下一篇: spring 定时任务的 执行时间设置规则
JustForSS
博客等级 码龄13年 7粉丝 15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