tnsnames.ora 配置 SID

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 4.2k累计阅读 4.2k平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄12年

关注

原创最新推荐文章于 2026-05-24 16:44:17 发布 4.2k 阅读 AI 写同款· GEO 优化 ›

Oracle tnsnames.ora 详解文章目录1 概述2 图示2.1 路径2.2 参数2.3 登录3 扩展 1 概述 #mermaid-svg-ZAgWjMQX0gJ3xtsn {font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-ZAgWjMQX0gJ3xtsn .error-icon{fill:#552222;}#mermaid-svg-ZAgWjMQX0gJ3xtsn .error-text{fill:#552 阅读详情

ICD_SFCC_PD     =------这个自己可以随便取，当然要有意义
  (DESCRIPTION =
    (ADDRESS_LIST =
      (ADDRESS = (PROTOCOL = TCP)(HOST = 10.85.8.22)(PORT = 1521))
    )
    (CONNECT_DATA =
      (SERVICE_NAME = orcl)  ---你数据库的实例名，即SID，SID是什么，这里就写什么    )
  )

收录于

oracle

当前文章被收录于：

oracle

1 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

Navicat连接Oracle报ORA-12514？3步搞定监听文件配置（附常见坑点）本文详细解析了使用Navicat连接Oracle数据库时出现ORA-12514错误的根本原因，并提供了三步诊断法锁定问题。核心在于监听配置文件listener.ora的静态注册缺失或配置错误，文章手把手指导修复配置、重启监听服务，并总结了环境变量冲突、端口占用等常见坑点与规避方法，帮助开发者彻底解决连接难题。阅读详情

相关推荐

自制非接触式静电探测仪：从振动电容原理到微弱信号检测实践

微弱信号检测是电子测量领域的核心挑战之一，尤其在需要避免物理接触或防止干扰的场景中。其基本原理在于将难以直接获取的微小物理量（如电流、电压）通过传感器转换为电信号，再经过放大、滤波等处理进行提取。锁相放大技术是解决这一问题的关键手段，它利用参考信号与目标信号的同步性，从强噪声背景中恢复出有效信息，极大提升了信噪比和测量灵敏度。这项技术的工程价值在于实现了对纳安级电流、微伏级电压等高难度参数的可靠测量。在静电防护、材料表面电位分析、生物电信号采集等应用场景中，非接触式测量需求广泛。本文聚焦的基于振动电容原理的

weixin_32349093的博客 273

oracle tnsname sid,tnsnames.ora中设置SID有意义吗？

一、什么是注册？注册就是将数据库作为一个服务注册到监听程序。客户端不需要知道数据库名和实例名，只需要知道该数据库对外提供的服务名就可以申请连接到数据库。这个服务名可能与实例名一样，也有可能不一样。在数据库服务器启动过程中，数据库服务器会向监听程序注册相应的服务(无论何时启动一个数据库，默认地都有两条信息注册到监听器中：数据库服务器对应的实例和服务。)相当于是这样：在数据库服务器和客户端之间有一监听...

weixin_34585343的博客 800

物体检测之非极大值抑制：NMS、softNMS、softerNMS、IoU-Net

当前的物体检测算法为了保证召回率，对于同一个真实物体往往会有多个的候选框输出。由于多余的候选框会影响检测精度，因此需要利用NMS过滤掉重叠的候选框，得到最佳的预测输出。当前有如下几种较为常见的NMS方法， 1.基本NMS 非极大值抑制，顾名思义就是抑制不是极大值的边框，这里的抑制通常是直接去掉冗余的边框。这个过程涉及以下两个量化指标： 1.预测得分：NMS假设一个边框的预测得分越高，这个框...

LeoLee 1941

Oracle数据库：链接配置，包括sqlnet.ora里面的transnames.ora配置数据库标识符SID，listener暂时简单了解

weixin_46838716的博客 1769

Zynq裸机调试RTL8211FS网卡踩坑记：从ping不通到完美兼容的完整代码修改

本文详细记录了在Zynq平台上使用Xilinx SDK（XSDK）调试RTL8211FS网卡的完整过程，从最初的ping不通问题到最终实现完美兼容的解决方案。通过分析PHY芯片的寄存器配置差异，提供了关键代码修改和调试技巧，帮助开发者快速解决类似问题。

weixin_42550597的博客 421

Hive数据仓库分层架构实战：4层黄金模型×6大业务场景×万亿级数据优化方案

根据《2023数据中台成熟度报告》，‌78%的ETL任务性能瓶颈‌源于分层设计不合理。本文基于某头部电商平台PB级数据仓库建设经验，结合金融风控、用户画像、实时大屏等核心场景，深度解析‌ODS→DWD→DWS→ADS‌四层架构设计原则，揭秘‌万亿级数据治理方案‌与‌维度建模20大避坑策略‌。

优快云博客专家，领域包括但不限于：AI、大数据、Python、架构师，有合作、课程、问题、疑惑请私信博主 1483

Oracle数据库网络配置文件：tnsnames.ora

tnsnames.ora

xinyihhh的博客 1万+

RK3399平台入门到精通系列讲解 - 总目录

欢迎大家来到内核笔记的《RK3399平台开发入门到精通系列讲解》，开始前博主先列出RK3399平台学习的大纲，同时这也可以作为大家学习RK3399内核与安卓框架的参考。下面蓝字都是传送门，点击进入即可：...

内核笔记 10万+

详细分析Oracle中的tnsnames.ora基本知识以及 PLSQL如何连接（附Demo）

Oracle 数据库网络配置文件，用于配置客户端与数据库服务器之间的连接定义网络服务名称，客户端可以使用这些名称连接到数据库实例基本的路径如下： Windows: ORACLE_HOME\network\admin Unix/Linux: $ORACLE_HOME/network/admin

码农研究僧的博客 6796

基于DynamicHead的YOLOv8四头版本改进：面向复杂场景的多目标检测优化【YOLOv8】

YOLOv8的检测头是通过不同尺度的特征层输出检测结果。这些检测头通常包括三个：用于大物体、中等物体和小物体的检测。然而，这种单一结构可能会在复杂场景下失去针对性和灵活性，特别是当多个目标之间差异较大时。为了进一步提升模型在特定目标上的检测性能，DynamicHead的引入为我们提供了一个多检测头的优化方案。本文提出了一种基于DynamicHead的四头版本YOLOv8改进方案，以解决复杂场景下多目标检测的挑战。通过引入四个独立检测头，分别针对不同目标特征进行优化，实现了更灵活的检测结构。

博客 1718

基于Blender的AI插件——2D图片生成3D模型

只需5分钟即可从图片到可编辑3D模型，支持Blender全版本兼容。

这里汇聚了前沿的技术分享与实用的开发技巧，带你探索从创意到企业的技术创业之路。 2576

关于客户端上配置tnsnames.ora上sid和SERVICE_NAME的区别

在手工配置客户端的文件tnsnames.ora时,sid和SERVICE_NAME通常被认为是一个意思,但是今天在新安装机器上做了测试发现这两个参数的微小差异. 如果您做的是单机数据库,两个的含义基本一...

congjiong5980的博客 682

Python 爬虫实战：抓取应届生求职网校招岗位信息，助力学子就业

应届生求职网作为国内知名的招聘平台，汇聚了大量企业的校招岗位信息。了解这些岗位信息，对于应届毕业生制定求职策略、企业制定招聘计划以及相关就业市场分析等都具有重要意义。因此，本文将深入探讨如何运用 Python 爬虫技术从应届生求职网平台抓取校招岗位信息，为应届毕业生提供有益的就业信息支持。本文深入探究了利用 Python 爬虫技术从应届生求职网平台抓取校招岗位信息的全流程。从前期的环境搭建、模拟登录，到核心的数据抓取、存储，再到后续的数据分析与可视化，都详细展开讲解并提供代码支持。

u014481728的博客 1300

关于TNSNAMES.ORA中SERVICE_NAME，SID的一点理解

关于TNSNAMES.ORA中SERVICE_NAME，SID的一点理解 SID只指定一个实例，而SERVICE_NAME在RAC环境中指定多个实例。如下，该配置指定了一个节点的HOST： RAC1 = (DESCRIPTION = (ADDRESS_LIST = (ADDRESS = (PROTOCOL = TCP)(HOST = 10.122.12.16)(PORT = 1

zhou1862324的专栏 3402

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")

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，

Oracle JDBC连接服务名、SID和tnsnames.ora配置的多种方式

Java JDBC Thin Driver 连接 Oracle有三种方法格式一: 使用ServiceName方式: jdbc:oracle:thin:@//<host>:<port>/<service_name> 例 jdbc:oracle:thin:@//xxx.xxx.xxx.xxx:1526/CDEV @后面有//, 这是与使用SID的主要区别。（11g在@后不加//也OK）这种格式是Oracle 推荐的格式. 因为对于集群来说，每个节点的SID是不一样的...

鹿鸣天涯 2286

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

Oracle JDBC连接服务名、SID和tnsnames.ora配置

使用SID 配置方式：jdbc:oracle:thin:@:1521:sid 或： jdbc:oracle:thin:@//:1521/sid 使用service_name 配置方式:jdbc:oracle:thin:@//:1521/servername 当@后边有双斜杠，端口号后边有单斜杠时，用服务名和实例名都可以链接成功，当@后边没有双斜杠，端口号后边是冒号而不是斜杠的时候只能用实例名。 j...

sinat_37469877的博客 3233

oracle sid配置文件,ORACLE_SID超过8个字符,监听器的配置,tnsnames.ora文件配置范例

我们使用dbca创建数据库时,如果在全局数据库名称输入框中输入了超过8个字符的名称(例如:SDEFOSHANDIANXIN),则dbca在创建库是数据库名称(DB_NAME参数设置)自动截断为8个字符(db_name=SDEFOSHA),而数据库的实例名称仍然保持原来(INSTANCE_NAME不要超过21个字符,如果超过21个字符将会截断)。数据库创建完成后将创建一个SERVICE,名称与db_...

weixin_33640304的博客 854

Oracle JDBC通过服务名、SID和tnsnames.ora配置连接数据库的三种方式

昨天，领导安排去新服务器上部署项目，给了我数据库地址，服务名称，端口，用户名和密码。结果数据库一直连接不上，日志中的错误提示是监听未找到SID，我才明白原来我jdbc.properties中需要的是SID，但我把服务名当作SID给配进去了，但是数据库管理员只给我了服务名，但没给我SID，当时搜了各种解决方案，网上说Oracle JDBC连接一共有三种方式，分别是：服务名、SID、TNSName...

ninghuax的博客 7070

oracle 数据库网络连接配置文件Tnsnames.ora

2019独角兽企业重金招聘Python工程师标准>>> ...

weixin_34044273的博客 207

Oracle 19c PDB实战：5分钟搞定SID连接配置（附常见错误排查）

本文详细解析了Oracle 19c PDB环境下SID连接配置的核心原理与实战技巧。通过优化listener.ora和tnsnames.ora配置，实现传统SID到PDB服务名的无缝转换，并提供常见错误ORA-12505的排查方案，帮助DBA快速解决多租户架构下的连接问题。

tech5的博客 493

配置oracle连接文件,oracle 数据库网络连接配置文件Tnsnames.ora

TNSNAMES.ORAis aSQL*Netconfiguration file that defines databases addresses for establishing connections to them. This file normally resides in theORACLE HOME\NETWORK\ADMIN directory.Configuring TNSNAM...