1.电商项目之MySQL数据库设计

数据库第十四次作业——电子商城项目 安装并配置MySQL 字段名 数据类型 长度 主、外键 其他约束 备注信息 phone char 11 主键 注册手机号 username varchar 20 阅读详情

1.准备: 

①MYSQL5.7版本  

②MYSQL图形客户端程序,例如:SQLyog、Navicate

③Linux命令,Shell脚本的基础知识

2.项目说明:

3.用户模型设计 

 

 ①用户实体

 思考:如何把用户的属性存在表中?

第一种:一个表解决

缺点:

 

 

 

 

 

数据库设计范式:

第三范式(3NF):

上述一个表有函数传递依赖关系,不符合3NF:

 

解决方式:

规范:尽量做到冷热数据的分离,减小表的宽度(完成用户模块数据库的设计)

用户登录表(customer_login):

用户信息表(customer_inf):

用户级别信息表(customer_level_inf):

用户地址表(customer_addr):

用户积分日志表(customer_point_log):

用户余额变动表(customer_balance_log):

用户登录日志表(customer_login_inf):

 

MySQL数据库电子商务网站表的实现 MySQL数据库电子商务网站表的实现(含有以下表) 1、商品分类表 2、商品表 3、商品规格表(商品SPU表、商品规格表、商品规格项表、商品规格组合表) 4、商品属性表 5、商品属性值表 6、商品筛选表 7、商品筛选值表 8、用户表 8、评论表 9、购物车表 10、收货地址表 11、订单 12、订单商品表 13、商品评分表 立即下载

相关推荐

PyMuPDF`库实现PDF旋转功能

本文介绍了一个简单的Python应用程序,用于将PDF文件转换为旋转90度的PDF文件。通过使用`wx很抱歉,Markdown格式在当前聊天界面无法显示。我将为您提供纯文本格式的博客内容,您可以将其复制到Markdown编辑器中进行格式化。PDF转换工具本文介绍了一个简单的Python应用程序,用于将PDF文件转换为旋转90度的PDF文件。该工具使用了wxPython和PyMuPDF库。功能该PDF转换工具具有以下功能:1. 选择PDF文件:通过点击“选择文件”按钮,用户可以选择要转换的PDF文件。

Winfredzhang的博客 2735

网上商城购物系统设计与实现(Java+Web+SSM+MySQL)

本文介绍了一个基于SSM框架(Spring+SpringMVC+MyBatis)的电商系统设计与实现。系统采用B/S架构,包含前台用户功能和后台管理功能。前台主要实现用户注册登录、商品分类展示、购物车、订单管理、留言评价等模块;后台提供商品分类管理、商品管理、用户管理等功能。系统性能分析显示响应时间控制在1秒以内,具有良好的用户体验。总体设计采用MVC模式,通过SSM框架整合实现系统的可扩展性和可维护性。文章详细介绍了各功能模块的实现过程,并附有系统界面截图和核心代码示例,展示了系统的完整开发流程和最终实现

毕业作品网站 5万+

保姆级教程:用Multisim仿真快速上手二极管、MOSFET和IGBT的开关特性

本文提供了一份详细的Multisim仿真教程,帮助读者快速掌握二极管、MOSFET和IGBT的开关特性。通过搭建实验电路、观察波形特征和参数影响分析,深入解析了反向恢复过程、米勒平台现象和拖尾电流效应。适合电力电子初学者和工程师通过仿真建立直观理解,提升电路设计能力。

weixin_29290863的博客 498

【MySQL 数据库应用】-购物网站系统数据库设计

- 定义用户表主键-- 定义地址表主键-- 定义商品类别表主键-- 定义商品表主键-- 定义购物车表主键-- 定义订单表主键-- 定义订单项表主键。

weixin_66397563的博客 7077

基于simulink的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、氢燃料电池、锂电池、能量管理和电机驱动等模块,通过Simulink实现各模块的协同控制。文章详细说明了从模型创建到性能评估的完整流程,包括驾驶循环输入设置、燃料电池和锂电池子系统建模、能量管理策略设计等关键步骤。该仿真模型可验证不同工况下的系统响应和能量利用效率,为优化混合动力汽车的能量管理策略提供有效工具。通过引入更复杂的物理细节和环境因素,可进一步提升模型的实用性和准确性。

xiaoheshang_123的博客 368

YOLO26涨点改进 | 小目标损失函数独家改进篇 | TGRS 2025 | 引入AdaFocalLoss损失函数,改进小目标检测,自适应聚焦小目标与样本分布不平衡,提升检测精度与训练稳定性

本文提出将AdaFocalLoss损失函数应用于YOLO26模型优化,有效提升小目标检测性能。AdaFocalLoss通过目标尺寸感知机制和IoU引导的动态调节,自动调整训练权重和聚焦程度,解决了样本不平衡问题。相比传统损失函数,它无需手动调参,能增强训练稳定性,在多尺度、复杂场景下表现优异。文章详细介绍了AdaFocalLoss的原理、优势及实现方法,并提供了代码集成指南。实验表明该方法能显著提升检测精度和鲁棒性,特别适用于小目标检测任务。

Ai缝合怪、助力小伙伴高效发论文 337

电商项目数据库设计 | 第五篇:参考京东商城详细讲解商品数据库设计

围绕商品设计表 之前也写过类似的数据库设计方案,这一篇是为大家详细讲解参考京东商城围绕商品怎么来设计数据库,需要关注的细节很多,对字段进行详解,结合功能实现分析每一个字段设计的意义 大家看完这篇文章后可以看看前面四篇文章电商项目数据库设计方案,跟这一篇有点不同,之前是大多是参照苏宁易购来设计的 我们在设计数据库的时候,大多都是按照我们自己的实际需求来设计,提供这几篇仅为大家参考学习,能够举一反三参与到项目实战中,希望大家可以学到东西,同时,文章内容如果有错误的位置希望大家可以指正,共同学习。 接下来我们就言

weixin_42437102的博客 1万+

化工设计软件:AutoCAD Plant 3D二次开发_(1).AutoCADPlant3D概述

AutoCAD Plant 3D 是一款专为化工行业设计的三维工厂设计和建模软件。它基于AutoCAD平台,提供了强大的三维建模功能和专业的化工设计工具,帮助工程师和设计师在工厂设计过程中提高效率和准确性。AutoCAD Plant 3D不仅能够创建详细的三维模型,还可以进行管道设计、设备布置、支架设计等复杂任务。通过上述案例,我们可以看出 AutoCAD Plant 3D 在化工厂设计中的强大功能和优势。该软件不仅提供了丰富的建模工具和专业的设计功能,还支持二次开发,使用户能够根据具体需求进行定制化操作。

kkchenjj的博客 1103

python 提取固定列名数据_python获取数据库列名

{"moduleinfo":{"card_count":[{"count_phone":1,"count":1}],"search_count":[{"count_phone":4,"count":4}]},"card":[{"des":"阿里云数据库专家保驾护航,为用户的数据库应用系统进行性能和风险评估,参与配合进行数据压测演练,提供数据库优化方面专业建议,在业务高峰期与用户共同保障数据库系统平...

weixin_39806288的博客 6251

小红书直播弹幕采集

本文主要介绍小红书直播间弹幕的采集,便于进行直播数据监控与直播数据进行分析。

tdl320721的博客 2540

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

高性能可扩展MySQL数据库设计及架构优化 电商项目_1

一 数据库设计规范1 命名规范所有数据库对象名称必须用小写字母并下划线分割对象名称禁止使用MySQL保留关键字命名要做到见名识义,不超过32字节临时表必须tmp前缀 日期后缀备份库表bak前缀 日期后缀所有存储相同数据的列名和类型必须一致2 数据库基本设计规范所有表必须用innodb引擎数据库和表字符集同意使用utf8(全存储中文的可以使用gbk 或是gbk2312)所有表...

weixin_34383618的博客 181

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

高性能可扩展mysql优化_高性能可扩展MySQL数据库设计及架构优化 电商项目_1

一 数据库设计规范1 命名规范所有数据库对象名称必须用小写字母并下划线分割对象名称禁止使用MySQL保留关键字命名要做到见名识义,不超过32字节临时表必须tmp前缀 日期后缀备份库表bak前缀 日期后缀所有存储相同数据的列名和类型必须一致2 数据库基本设计规范所有表必须用innodb引擎数据库和表字符集同意使用utf8(全存储中文的可以使用gbk 或是gbk2312)所有表和字段都使用commen...

weixin_39684898的博客 211

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")

高性能可扩展MySQL数据库设计及架构优化 电商项目(慕课)第1章 数据库开发规范的制定...

课程准备: MySQL 5.7版本+SQLyog 数据库设计规范 数据库命名规范 所有的数据库对象名称必须使用小写字母并用下划线分割(数据库名 表名 列名...) 大小写敏感 所有的数据库对象名称禁止使用MySQL保留关键字 所有的数据库对象命名做到见名识义,最多不超过32个字符 例如:用户...

weixin_30662109的博客 271

Maven+SSM+Shiro商城项目实战(一)

花了一个多星期的时间做了次项目的实战,回想整个过程大致可分为这几个状态: 一、毫无头绪:一开始项目的整体构思,选择要实现的功能以及数据库的设计; 二、思路渐渐清晰:在完成了数据库的设计,以及模块的构思之后,就是想着从哪开始实现项目,先走通一条线再串起来 就比如:实现商品展示-->单个商品-->购买(添加到购物车)-->判断是否登录-->结算(登录)-->成功; ...

肆律 964

java毕业设计电商项目mybatis+源码+调试部署+系统+数据库+lw

java毕业设计电商项目mybatis+源码+调试部署+系统+数据库+lw。springboot基于springboot的学生社团管理系统的研究设计。springboot基于Springboot的大学宿舍管理系统。springboot基于springboot的球队管理系统。springboot基于springboot的家居销售网站。springboot基于智慧推荐的在线教育管理系统。

lkkj99的博客 403

java毕业设计跨境电商网站源码+lw文档+mybatis+系统+mysql数据库+调试

java毕业设计跨境电商网站源码+lw文档+mybatis+系统+mysql数据库+调试。前端技术:Layui、HTML、CSS、JS、JQuery等技术。ssm+sqlserver中小型连锁超市配送中心库存管理系统。springboot创新创业教育中心项目申报管理系统。JSP酒店餐饮管理系统的设计与实现sqlserver。ssm基于Java的幼儿早教系统软件的设计与实现。ssm攀枝花市房屋租售信息管理平台的设计与实现。ssm基于ssm+vue的高校个性化选课推荐。springboot大学生竞赛管理系统。

bishe201的博客 1028

计算机毕业设计JavaO2O生鲜果蔬电商设计与实现(源码+系统+mysql数据库+lw文档)

计算机毕业设计JavaO2O生鲜果蔬电商设计与实现(源码+系统+mysql数据库+lw文档)springboot基于springboot的影视资讯管理系统。JSP健身俱乐部网站设计与实现sqlserver和mysql。springboot基于vue的百乐儿童玩具公司管理系统。JSP计算机C语言学习网站的设计与实现sqlserver。ssm基于vue框架的疫情防控知识在线答题系统设计与实现。JSP三亚旅游网的设计与开发sqlserver。ssm基于web的家教信息服务平台的设计与实现。

sgkj99的博客 542

java毕业设计基于的电商平台的设计与实现Mybatis+系统+数据库+调试部署

java毕业设计基于的电商平台的设计与实现Mybatis+系统+数据库+调试部署。springboot基于B_S模式的后勤管理系统-在线报修系统。springcloud基于微服务的家居体验平台的设计与实现。springboot攀枝花市教体局门户网站的设计与实现。ssm临港新片区招商引资项目管理系统的设计与实现。jsp基于java音乐网站的设计与实现。springboot汽车S服务管理系统。

bishe502的博客 272

JAVA计算机毕业设计移动电商网站计算机(附源码、数据库)

Jdk1.8 + Tomcat8.5 + Mysql + HBuilderX(Webstorm也行)+ Eclispe(IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持)。JAVA + mybatis + Maven + Vue 等等组成,B/S模式 + Maven管理等等。2. 前端:vue+css+javascript+jQuery+easyUI+highcharts。其他版本理论上也可以。2. 使用IDEA/Eclipse/MyEclipse导入项目,修改配置,运行项目;

贤杰程序源码 102

java计算机毕业设计跨境电商网站源码+系统+数据库+lw文档+mybatis+运行部署

java计算机毕业设计跨境电商网站源码+系统+数据库+lw文档+mybatis+运行部署。springboot基于B_S架构的疫情包联信息管理系统的设计与实现。springboot基于SpringBoot的自助旅游导航系统。ssm基于SSM高校教师个人主页网站的设计与实现。ssm基于HTML的“守护萌宠”网站的设计与实现。springboot“花园街道”社区医院服务系统。

m0_73459513的博客 841

基于JAVAVue框架电商后台管理系统计算机毕业设计源码+数据库+lw文档+系统+部署

基于JAVAVue框架电商后台管理系统计算机毕业设计源码+数据库+lw文档+系统+部署。springboot基于智能推荐的良品店铺平台。ssm基于web的家教信息服务平台的设计与实现。springboot基于微信小程序的二手商城。springboot培训机构的人员管理系统。ssm基于Web的精品课程网站的设计与实现。springboot海滨体育馆管理系统。ssm基于动态网页技术开发的电商网站。

bishe403的博客 399

JAVA计算机毕业设计新型农村消费贷电商平台Mybatis+源码+数据库+lw文档+系统+调试部署

JAVA计算机毕业设计新型农村消费贷电商平台Mybatis+源码+数据库+lw文档+系统+调试部署。jsp基于JavaEE技术的“日进斗金”理财大师系统设计与实现。ssh基于java的网上手机销售管理系统的开发与实现mysql。springboot基于互联网的图书管理系统—借阅管理子模块。ssm基于JEE的人才招聘系统的智能化管理。ssm基于SSM的网络饮品销售管理系统。...

m0_72791802的博客 376

java计算机毕业设计跨境电商网站源代码+数据库+系统+lw文档

springboot基于springboot的健身俱乐部综合管理系统。ssm基于SSM+VUE技术的小区车辆档案车位管理系统设计与实现。springboot基于vue的百乐儿童玩具公司管理系统。jsp基于信息理论联合聚类的协同过滤推荐算法研究与实现。ssm基于Java的高校教学资源库的设计与实现。ssm基于SSM框架的在线健康系统设计与实现。ssm基于javaweb的家庭财务管理系统。ssm基于JEE的人才招聘系统的智能化管理。ssn基于SSM宠物店管理系统的设计与实现。

sheji1021的博客 343

Java计算机毕业设计电商后台管理系统源码+系统+数据库+lw文档

Java计算机毕业设计电商后台管理系统源码+系统+数据库+lw文档。springboot基于互联网的图书管理系统—借阅管理子模块。springboot基于springboot的家居销售网站。springboot基于SpringBoot的电影社区网站。JSP物流仓储仓库管理系统的设计与实现sqlserver。jsp基于JSP的天津城建大学计算机学院校友录管理系统。ssm基于SpringMVC的时鲜蔬菜配送系统。ssm基于javaweb的大学生宿舍管理系统。ssm基于JavaEE的疆域特色农家乐系统。...

qckj88的博客 733
上一篇: 数据库设计规范
下一篇: MySQL分区表
LemonSnm
博客等级 码龄8年 66粉丝 168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