MySQL(二)—— SQL语句基本操作

Linux下mysql的SQL语句基本操作 一、登录mysql 1、先启动mysql服务 service mysql start 2、再登陆 第一种方法: mysql -u root -p 第二种方法: 找到mysql路径: ① cd /home/mysql-5.7.32/bin ② ./mysql -u root –p root@kylin-virtual-machine:~# cd /home/mysql-5.7.32/bin/ root@kylin-virtual-machine:/home/mysql-5.7.32/bin#./my 阅读详情

目录

SQL基本操作

库操作:对数据库的增删改查.

查看数据库

更新数据库

删除数据库

表操作

新增数据表

查看数据表

修改数据表

删除数据表

数据操作

新增数据

查看数据

更新数据

删除数据


SQL: Structured Query Language, 结构化查询语言(数据以查询为主: 99%是在进行查询操作)

SQL分为三个部分

DDL: Data Definition Language, 数据定义语言, 用来维护存储数据的结构(数据库,表), 代表指令: create, drop, alter等

DML: Data Manipulation Language, 数据操作语言, 用来对数据进行操作(数据表中的内容), 代表指令: insert, delete,update等: 其中DML内部又单独进行了一个分类: DQL(Data Query Language: 数据查询语言, 如select)

DCL: Data Control Language, 数据控制语言, 主要是负责权限管理(用户), 代表指令: grant,revoke等

SQL是关系型数据库的操作指令, SQL是一种约束,但不强制(类似W3C): 不同的数据库产品(如Oracle,mysql)可能内部会有一些细微的区别.

SQL基本操作

基本操作: CRUD

将SQL的基本操作根据操作对象进行分类 ,分为三类: 库操作, 表操作(字段), 数据操作

库操作:对数据库的增删改查.

新增数据库

基本语法: Create database 数据库名字 [库选项];

库选项: 用来约束数据库, 分为两个选项

字符集设定: charset/character set 具体字符集(数据存储的编码格式): 常用字符集: GBK和UTF8

校对集设定: collate 具体校对集(数据比较的规则)

-- 创建数据库
create database mydatabase charset utf8;

-- 创建关键字数据库 会报错
create database database charset utf8;
-- 解决方法:使用反引号
create database `database` charset utf8;

-- 创建中文数据库 会报错
create database 中国 charset utf8;
create database `中国` charset utf8;

-- 解决方案: 告诉服务器当前中文的字符集是什么
set names gbk;
create database 中国 charset utf8;

查看数据库

1. 查看所有数据库: show databases;

-- 查看所有数据库
show databases;

2. 查看指定部分的数据库: 模糊查询

Show databases like ‘pattern’; -- pattern是匹配模式

%: 表示匹配多个字符         _: 表示匹配单个字符

-- 创建数据库
create database informationtest charset utf8;
-- 查看以information_开始的数据库: _需要被转义
show databases like 'information\_%';
show databases like 'information_%';	-- 相当于information%

3. 查看数据库的创建语句: show create database 数据库名字;

-- 查看数据库创建语句
show create database mydatabase;
show create database `database`;	-- 关键字需要使用反引号

更新数据库

数据库名字不可以修改.

数据库的修改仅限库选项: 字符集和校对集(校对集依赖字符集)

Alter database 数据库名字 [库选项];

Charset/ character set [=] 字符集

Collate 校对集

-- 修改数据库informationtest的字符集
alter database informationtest charset GBK;

删除数据库

Drop database 数据库名字;

-- 删除数据库
drop database informationtest;

表操作

表与字段是密不可分的.

新增数据表

Create table [if not exists] 表名(

字段名字 数据类型,

字段名字 数据类型 -- 最后一行不需要逗号

)[表选项];

If not exists: 如果表名不存在,那么就创建,否则不执行创建代码: 检查功能

表选项: 控制表的表现

字符集: charset/character set 具体字符集; -- 保证表中数据存储的字符集

校对集: collate 具体校对集;

存储引擎: engine 具体的存储引擎(innodb和myisam)

-- 任何一个表的设计都必须指定数据库.
-- 创建表
create table if not exists mydatabase.student(	-- 显示的将student表放到mydatabase数据库下
name varchar(10),
gender varchar(10),
number varchar(10),
age int
)charset utf8;

-- 进入数据库
use mydatabase;

-- 创建表
create table class(
name varchar(10),
room varchar(10)
)charset utf8;

查看数据表

数据库能查看的方式,表都可以查看.

1. 查看所有表: show tables;

-- 查看所有表
show tables;

2. 查看部分表: 模糊匹配: show tables like ‘pattern’;

-- 查看以s结尾的表
show tables like '%s';

3. 查看表的创建语句: show create table 表名;

-- 查看表创建语句
show create table student\g	-- \g ==== ;
show create table student\G	-- 将查到的结构旋转90度变成纵向

4. 查看表结构: 查看表中的字段信息

-- 查看表结构 三条语句效果一样
desc class;
describe class;
show columns from class;

修改数据表

表本身存在, 还包含字段: 表的修改分为两个部分: 修改表本身和修改字段

修改表本身

表本身可以修改: 表名和表选项

修改表名: rename table 老表名 to 新表名;

-- 重命名表: student表 -> my_student(取数据库名字前两个字母)
rename table student to my_student;

修改表选项: 字符集,校对集和存储引擎

Alter table 表名 表选项 [=] 值;

-- 修改表选项: 字符集
alter table my_student charset = GBK;

修改字段

字段操作很多: 新增, 修改, 重名, 删除

新增字段

Alter table 表名 add [column] 字段名 数据类型 [列属性] [位置];

位置: 字段名可以存放表中的任意位置

First: 第一个位置

After: 在哪个字段之后: after 字段名; 默认的是在最后一个字段之后

-- 给学生表增加ID放到第一个位置
alter table my_student
add column id int
first;	-- mysql会自动寻找分号: 语句结束符

修改字段: 修改通常是修改属性或者数据类型

Alter table 表名 modify 字段名 数据类型 [属性] [位置];

-- 将学生表中的number学号字段变成固定长度,且放到第二位(id之后)
alter table my_student
modify number char(10) after id;

重命名字段

Alter table 表名 change 旧字段 新字段名 数据类型 [属性] [位置];

-- 修改学生表中的gender字段为sex
alter table my_student
change gender sex varchar(10);

删除字段

Alter table 表名 drop 字段名;

-- 删除学生表中的年龄字段(age)
alter table my_student drop age;

删除数据表

Drop table 表名1,表名2...; -- 可以一次性删除多张表

-- 删除数据表
drop table class;

数据操作

新增数据

有两种方案

方案1: 给全表字段插入数据, 不需要指定字段列表: 要求数据的值出现的顺序必须与表中设计的字段出现的顺序一致: 凡是非数值数据,都需要使用引号(建议是单引号)包裹

Insert into 表名 values(值列表)[,(值列表)]; -- 可以一次性插入多条记录

-- 插入数据
insert into my_student values(1,'itcast0001','Jim','male'),
(2,'itcast0002','Hanmeimei','female');

方案2: 给部分字段插入数据,需要选定字段列表: 字段列表出现的顺序与字段的顺序无关; 但是值列表的顺序必须与选定的字段的顺序一致.

Insert into 表名 (字段列表) values (值列表)[,(值列表)];

-- 插入数据: 指定字段列表
insert into my_student(number,sex,name,id) values
('itcast0003','male','Tom',3),
('itcast0004','female','Lily',4);

查看数据

Select */字段列表 from 表名 [where条件];

查看所有数据

-- 查看所有数据
select * from my_student;

查看指定字段,指定条件的数据.

-- 查看指定字段,指定条件数据
select id,number,sex,name from my_student where id = 1;	-- 查看满足id为1的学生信息

更新数据

Update 表名 set 字段 = 值 [where条件]; -- 建议都有where: 要不是更新全部

-- 更新数据
update my_student set sex  = 'female' where name = 'jim';

删除数据

删除是不可逆的: 谨慎删除

Delete from 表名 [where条件];

-- 删除数据
delete from my_student where sex = 'male';

 

MySQL SQL语句练习实例详解 MySQL 是最流行的开源关系型数据库管理系统之一,广泛应用于 Web 开发、数据分析和企业级应用中。掌握 MySQL 的 SQL 语句是每个数据库开发者的必修课。本文将通过一系列练习实例,帮助您深入理解 MySQL 中常用的 SQL 语句,并通过实际操作巩固所学知识。 阅读详情

相关推荐

STC8单片机高精度EV1527解码实战:定时器捕获+状态机抗干扰方案

EV1527是一种广泛应用于433MHz无线遥控的曼彻斯特编码协议,其核心在于对脉宽时序(如同步头、逻辑0/1)的微秒级精确识别。传统外部中断+延时判别方式受MCU中断延迟、编译优化及环境噪声影响,极易导致误码;而基于硬件定时器输入捕获的解码方案,将时间测量交由硬件完成,显著提升时序鲁棒性与温度/电压适应性。该技术适用于STC8等无专用无线解码外设的8位单片机,在智能开关、晾衣架、车库门控等IoT终端中实现低至0.003%的稳定误码率。本文聚焦STC8H系列利用T1定时器下降沿捕获与有限状态机协同解码EV1

weixin_29188997的博客 181

MacOS 【开启MySQL的学习 day2】

MacOS 【开启MySQL的学习 day2】 一、SQL高级操作 1.where 子句 将where添加到select 2.like操作符 like用于匹配 show tables like '%xxx%'; select * from 表名 where col like '%a'; //在表内查找以a结尾的数据 select * from 表名 where col like '%a%'; //在表内查找包含a的数据 select * from 表名 where col like 'a%';

weixin_51406860的博客 217

Android 16(API 36)状态栏颜色适配全攻略:从沉浸式到自定义背景

本文全面解析Android 16(API 36)强制沉浸式状态栏带来的适配挑战,提供了从FrameLayout包裹法到动态修改Window背景色的核心解决方案。针对传统状态栏颜色设置失效问题,详细阐述了如何利用WindowInsets API实现自定义背景,并涵盖全屏模式、Fragment切换及第三方ROM兼容性等实战场景,为开发者提供一站式适配指南。

weixin_29227425的博客 594

第五阶段 -- 数据库:day19_07/01/19【创建数据库 & 表的基本操作 & 约束】

1. 创建数据库 一. 创建数据库 使用sql语句创建 语法:create database 数据库名; 例如:创建一个名为test1的数据库 create database test1; 使用图形化界面创建 选择连接–右键选择"New Database" 输入数据库名 ,点击ok即可 二. 查看数据库 使用sql语句查看 语法:show databases; 查看已有数据库的创建信息...

weixin_42375099的博客 1058

Zynq AXI DMA实战:5分钟搞懂S_AXIS_S2MM和M_AXIS_MM2S数据流(附Vivado配置截图)

本文通过Vivado实战配置,清晰解析了Zynq平台AXI DMA IP核中S_AXIS_S2MM和M_AXIS_MM2S数据流的核心概念与连接方法。文章重点阐述了数据流向、主从关系及接口命名规则,并提供了从ADC数据采集到DDR存储,再从DDR读取数据发送至DAC的完整双向数据流搭建指南,帮助工程师快速避坑。

weixin_29200741的博客 449

codevs 1620 轮船问题 DP 解题报告

某国家被一条河划分为南北两部分,在南岸和北岸总共有N对城市,每一城市在对岸都有唯一的友好城市,任何两个城市都没有相同的友好城市。

Hawo11的博客 815

MySQL的基本语句及用法(2)

排序:SELECT field1, field2,...fieldN from table_name1, table_name2... ORDER BY field1, [field2...] [ASC [DESC]]ASC:升序。DESC:降序。你可以使用任何字段来作为排序的条件,从而返回排序后的查询结果。你可以设定多个字段来排序。你可以使用 ASC 或 DESC 关键字来设置查询结果是按升序或...

命z的博客 308

ADB详细(从下载安装到灵活运用)

ADB(Android Debug Bridge)是一种允许模拟器或已连接的 Android 设备进行通信的命令行工具,它可为各种设备操作提供便利,如安装和调试应用,并提供对 Unix shell(可用来在模拟器或连接的设备上运行各种命令)的访问。可以在Android SDK/platform-tools中找到 adb 工具或下载ADB Kits。

LiuYong_01的博客 10万+

经典MySQL语句大全和常用SQL语句命令的作用。

转自网络: 经典MSSQL语句大全和常用SQL语句命令的作用  下列语句部分是Mssql语句,不可以在access中使用。 SQL分类: DDL类型包括数据库、表的创建,修改,删除,声明—数据定义语言(CREATE,ALTER,DROP,DECLARE) DML类型包括数据表中记录的查询,删除,修改,插入—数据操纵语言(SELECT,DELETE,UPDATE,I

看不过的黑工坊 1万+

DQN网络代码调用env.reset()后存储观测信息报错问题ValueError: setting an array element with a sequence.解决处理

**reset()函数返回的是一个array类型以及其中数据的type!模拟游戏进行学习任务。因此需要将observation指定为真正需要的array信息即可,得到的的变量observation类型与Agent存储时的。因此怀疑返回的observation有问题,于是通过。报错信息提示为数据维度不对应,也即最初通过。在强化学习DQN网络代码实现过程中,针对。

Vulcan_Q的博客 4092

手把手写深度学习(27):如果获得相机位姿态的plücker embedding?以RealEstate10K为例

用plücker embedding表示相机的位姿是一种非常常用的方法,这篇博客以RealEstate10K数据集为例子,详细讲解如何从相机的轨迹坐标中获得plücker embedding,用于下一步模型的学习。

沉迷单车的追风少年 2239

【②MySQL 】:测试数据准备、SQL语句规范与基本操作

MySQL 数据库实用指南:测试数据准备、SQL语句规范与基本操作

热爱编程的小K的博客 5971

高通8155源码下载与Android源码编译

一.下载代码 高通下载源码位置: Qualcomm CreatePoint 注册账号,然后登入 可以先选择edit -> infotainment -> sa8155 -> favorites, 点击View TOC就可以过滤出sa8155所有的信息目录.如下图 拉取代码链接在ChipCode中,点击进去可以看到所有的基线版本,选择你需要下载的版本点进去,如sa8155p-la-1-0_ap_standard_oem,把高通专有代码和开源代码都下载到本机. 1..

Johnny2004的专栏 7675

MySQL MySQL 数据库系统(二)- SQL语句的基本操作

MySQL | MySQL 数据库系统(二)- SQL语句的基本操作 前言 通过本篇文章学习如何使用 MySQL 数据库系统的基本操作使用,也是我们在今后的工作中会有所运用的。 一、查看当前服务器中有哪些库 show databases 语句: 用于查看当前 MySQL 数据库系统中包含哪些库。 初始化后的 MySQL 数据库,默认有四个库分别是: information_schema mysql performance_schema test (mysql库中包含了用户认证的相关表) 复制代码 mysql

m0_58477546的博客 345

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

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 | MySQL 数据库系统(二)- SQL语句的基本操作

点击上方“杰哥的IT之旅”,选择“置顶公众号”干货、福利第一时间送达!前言在前面的文章中,我们熟悉了如何搭建及登录 MySQL 数据库系统,文章《MySQL | MySQ...

JackTian 464

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

MySQL的最全常用SQL语句 —— 一文可以快速熟悉、回忆sql语句

本篇内容:MySQL的常用指令 —— 一文可以快速熟悉、回忆Sql语句 最近更新:2022年1月10日 MySQL的常用指令 个人简介:一只二本院校在读的大三程序猿,本着注重基础,打卡算法,分享技术作为个人的经验总结性的博文博主,虽然可能有时会犯懒,但是还是会坚持下去的,如果你很喜欢博文的话,建议看下面一行~(疯狂暗示QwQ) 点赞收藏 ⭐留言 一键三连 关爱程序猿,从你我做起 本文目录MySQL的常用指令写在前面一、通过命令行操作数据库服务的常

Alascanfu的博客 9538

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

MySQL 简介及SQL 语句

MySQL 整体架构: 1.连接池:负责和客户端进行连接,连接池可以同时处理多个数据库请求。同时还有 SSL 的安全概念,可以确保连接是安全的。 2.SQL 接口:当 SQL 语句进入 MySQL 后,会先到 SQL 接口中,将传过来的 SQL 语句拆散,将底层的结果封装成 SQL 的数据格式。 3.解析器:负责将 SQL 语句进行拆分,如果语句有问题那么就返回错误,如果没问题就继续向下执行。 4.优化器:对 SQL 查询的结果优化处理,产生多种执行计划,最终数据库会选择最优化的方案去执行,尽快返回结果。

愿许浪尽天涯的博客 5529

【SQL】Mysql中一条sql语句的执行过程

假设写完 redo log 后,机器挂了,binlog 日志没有被写入,那么机器重启后,这台机器会通过 redo log 恢复数据,但是这个时候 binlog 并没有记录该数据,后续进行机器备份的时候,就会丢失这一条数据,同时主从同步也会丢失这一条数据。然后拿到查询的语句,把 age 改为 19,然后调用引擎 API 接口,写入这一行数据,InnoDB 引擎把数据保存在内存中,同时记录 redo log,此时 redo log 进入 prepare 状态,然后告诉执行器,执行完成了,随时可以提交。

double222222的博客 3439

MySQL进阶SQL语句(二)

MySQL进阶SQL语句(二)

2301_76875445的博客 4249

MySQL——三、SQL语句(上篇)

本篇为sql语句基本内容上篇,详细内容包含了:SQL语句基础 SQL简介1、 2、SQL语句分类 3、SQL语句的书写规范 数据库操作 三、MySQL 字符集 1、变量 2、utf8和utf8mb4的区别 四、数据库对象 五、SELECT语句 1、简单的SELECT语句 2、SQL函数 2.1聚合函数 2.2 数值型函数 2.3 字符串函数 2.4 日期和时间函数 2.5 流程控制函数等等

钟言的博客 4115

MySQL高阶SQL语句(二)

关于mysql高阶语句(视图、连接查询、存储过程)

2301_81272194的博客 1730

mysql创建用户表的sql语句,mysql创建表的sql语句

mysql 动态sql语句,如何用一款小工具大大加速MySQL SQL语句优化(附源,mysql分页查询sql语句,mysql创建表的sql语句mysql建表语句_计算机软件及应用_IT/计算机_专业资料。. 建库: cre...用MySQL 创建数据库和数据表:步骤: 1、使用 show 语句找出在服务器上当前存在什么数据库: mysql>show databases; 2、创建一个数据库...

weixin_39825105的博客 2426

MySQL语句 - sql语句

MySQL语句 - sql语句sql 语句介绍MySQL中如何求帮助sql 语句基本操作 sql 语句介绍 什么是sql 语句? SQL(Structure Query Language)是 结构化查询语句的缩写,它是使用关系模型的数据库应用语言,由 IBM 在 20 世纪 70 年代开发出来,作为 IBM 关系数据库原型 System R 的原型关系语言,实现了关系数据库中的信息检索 20 世纪 80 年代初,美国国家标准局(ANSI)开始着手制定 SQL 标准,最早的 ANSI 标准于1986 年完成,

锦衣 1633

MySQL多条SQL语句合并实现

例如,在插入一条记录的同时更新其他相关记录,如果其中一个操作失败,通过事务可以回滚所有修改,确保数据的一致性。块,可以将多条SQL语句作为一个事务进行执行,确保它们要么全部成功执行,要么全部不执行。关键字,在事务块执行完最后一条 SQL 语句后,MySQL 会隐式地将事务提交或回滚(取决于 SQL 语句的执行结果)。来将多条 SQL 语句包裹在一个事务中,确保它们要么全部成功执行,要么全部不执行。通过将多个插入语句合并成一个事务,在一次性执行的过程中减少了与数据库的交互次数,从而提高了插入效率。

牛肉胡辣汤 4353
上一篇: MySQL(一)—— 数据库基础
下一篇: MySQL(三)—— 数据类型(列类型)
爱做呢!~
博客等级 码龄10年 88粉丝 35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