MongoDB_ Mongo数据库增删查改shell操作命令

数据库:一文掌握 MongoDB 的各种指令(MongoDB指令备忘) 此备忘单包含一些方便的提示、命令和快速参考,可让您立即连接并进行 CRUD。 阅读详情

公司的一些后端,用的是MongoDB数据库,之前都没听说过...

上网查了下,感觉还挺好玩的...


整理了一些常用的 MongoDB shell 命令....

怕自己以后会忘记....

我在自己的电脑上装了MongoDB数据库,Windos系统...没办法,公司的数据库不能乱搞...

怎么安装MongoDB , 这里我就不说了..自己去百度谷歌....

下面的那个启动MongoDB数据库,是看自己的配置的,别乱来...嘿嘿...

我看得比较浅..不深入...


想深入了解的话...看看这两个文档吧..

一个是MongoDB权威指南,另一个是MongoDB2.4 的权威文档.

MongoDB权威指南+MongoDB官方文档


1.启动MongoDB数据库
	mongod.exe --dbpath D:\MongoDB\db
	启动数据库之后,才可以启动自带的	Shell    (mongo.exe)

在 MongoDB 中基本的概念是文档,集合,数据库.

基本概念
	SQL术语			MongoDB术语		解释说明
	database		database 		 数据库
	table			collection		数据库表/集合
	row				document		数据记录行/文档
	column 			field			数据字段/域
	index 			index 			索引
	table joins						表连接,MongoDB不支持
	primary key		primary key		主键,MongoDB自动将_id字段设置为主键.


一个MongoDB中可以建立多个数据库
MongoDB的默认数据库为"db",该数据库存储在db目录中.
MongoDB的单个实例可以容纳多个独立的数据库,每一个都有自己的集合和权限,不同的数据库也放置在不同的文件中.


插入:
	insert函数添加一个文档到集合里面.
	首先可以创建一个局部变量post,然后用insert存入表中. 例如:
	post = {
		"title":"My Blog Post",
		"content":"Here's my blog post",
		"date": new Date()
	}
	db.myblog.insert(post)
	
	当然了,你也可以这么写:
			db.user.insert({"name":"Java","age":0})
			db.user.insert({"name":"C++","age":1})
			db.user.insert({"name":"C--","age":2})
			db.user.insert({"name":"Python","age":3})
			db.user.insert({"name":"JavaScript","age":4})
			db.user.insert({"name":"AngularJs","age":5})
			db.user.insert({"name":"jQuery","age":6})
			db.user.insert({"name":"Go","age":7})
			db.user.insert({"name":"IOS","age":8})
			db.user.insert({"name":"Android","age":9})
			db.user.insert({"name":"ExtJs","age":10})
			
			db.user.insert({"name":{"first":"Json","last":"Boume"},"age":11})
			
			数组:
				db.food.insert({"fruit":["apple","banana","peach"]})
				db.food.insert({"fruit":["apple","kumquat","orange"]})
				db.food.insert({"fruit":["cherry","banana","apple"]})
				db.food.insert({"fruit":["apple","banana"]})
				
	
	向数据库插入数据,没有指定ID,mongodb会自动添加一个全局唯一的ID
	

查询:
	普通查询
		db.user.find();		//查询user表下所有的数据,shell默认显示20条
		
		db.user.findOne();	//查看user表下的一条数据
		
		db.user.find().count();	//查看user表中有多少条数据
		
		db.user.find({"name":"Java"})//查询name对应的数据
		
		db.user.find({"name":"Java","age":0})//多条件查询,每个条件的关系是 "and"
		
		db.user.find({},{"name":1})	//指定返回的键,此处指定返回"name"
		
		db.user.find({},{"name":1,"_id":0}})//指定返回符合的"name",并且屏蔽"_id"字段(不屏蔽,每次查询默认出现)
		
		db.user.find({},{"name":1,"age":1,"_id":0})//指定返回"name","age"两个字段,并且屏蔽"_id"字段

		
	条件查询(函数)
		"$lt"	: 小于
			db.user.find({"age":{"$lt":5}})	//查询 age小于5 的数据	(不包含5)
			
		"$lte"	: 小于等于
			db.user.find({"age":{"$lte":5}})//查询 age小于等于5 的数据
			
		"$gt"	: 大于
			db.user.find({"age":{"$gt":5}})	//查询 age大于5 的数据	(不包含5)
			
		"$gte"	: 大于等于
			db.user.find({"age":{"$gte":5}})//查询 age大于等于5 的数据
			
		"$ne"	: 不相等 (取反值)
			db.user.find({"age":{"$ne":5}})	//查询 age不等于5 的数据
		
		"in" : 用来查询一个键的多个值 (支持不同的数据类型)
			db.user.find({"age":{"$in":[0,1,2]}})	//查询user表,age字段为0,1,2的数据
			
		"nin" : 返回与查询条件不匹配的数据("$in"的反义)
			db.user.find({"age":{"$nin":[1,2]}})	//显示"age"不为1,2的所有数据
		
		"or" : 不用解释,"or"接受一个包含所有可能条件的数组作为参数
			db.user.find({"$or":[{"age":{"$in":[1,2]}},{"name":"ExtJs"}]})	//查询age为1,2 name为ExtJs的数据.
		
		组合查询 : 
			db.user.find({"age":{"$lt":5,"$gt:0"}})
			
		"limit" : 限制结果数量(指定上限,而非下限)
			//查询的全部数据中,只显示前面5条数据.
			db.user.find().limit(5)	//不加"limit(5)",会显示全部的数据,加上之后,就显示前五条.
		
		"skip" : 限制结果数量(指定下限,而非上限)
			//查询全部数据中,不显示前面的三条,3条数据之后的数据.
			db.user.find().skip(3)	//查询全部数据后,显示从开始三条数据之后的数据.(丢弃前三条)
		
		"sort" : 升序/降序 (-1:降序/从大到小 , 1:升序/从小到大)
			db.user.find().sort({"age":-1})	//降序
			db.user.find().sort({"age":1})	//升序
			
			//按照name升序,age降序
			db.user.find().sort({"name":1,"age":-1})
		
	日期类型查询
		(模拟 查找2007/1/1 前注册的数据)
		start = new Date("01/01/2007")
		db.user.find({"registered":{"$lt":start}})
		
	数组查询:
		db.food.find({"fruit":"apple"})
		
		$all : 通过多个元素来匹配数组 	这个函数,没有双引号!!
			db.food.find({"fruit":{$all:["apple","banana"]}})	//查询既有"apple"又有"banana"的数据
			
		"$size" : 可以使用其查询指定长度的数组.
			db.food.find({"fruit":{"$size":2}})
		
	查询内嵌文档
		db.user.insert({"name":{"first":"Json","last":"Boume"},"age":11})
		
		查询 : 
			db.user.find({"name.first":"Json"})	//查询"name"下面,"first"为"Json"的数据.
			db.user.find({"name.first":"Json","name.last":"Boume"})
	
	聚合 : 
		"count()" : 放回当前表中文档的数量.
			db.user.find().count()	//返回user表中,文档的数量.
		
		"distinct" : 用来找出给定键的不同的值.(去重复)
			db.runCommand({"distinct":"user","key":"age"})	//runCommand是关键字,distinct对应的是表名,key对应的是指定的键.
	

更新:
	//update最少接收两个参数,第一个是要更新文档的限定条件.第二个是新的文档.
	//假设咱们要给文档新增一个值,则需要增加一个新的键.
	post = []
	db.myblog.update({"title":"My Blog Post"},post)
	
删除:	
	db.user.remove({"name":"Java"})	//删除name为"Java"的数据
	db.user.remove();	//这个命令会删除user集合中的所有的文档,但不会删除集合本身	
	db.user.remove({});	//最新版本报错,试了下,换种写法
	db.myblog.drop()	//删除myblog表
	
	


mongodb基础入门 关于mongodb的好处,优点之类的这里就不说了,唯一要讲的一点就是mongodb中有三元素:数据库,集合,文档,其中“集合”就是对应关系数据库中的“表”,“文档”对应“行”。一: 下载 上MongoDB官网 ,我们发现有32bit和64bit,这个就要看你系统了,不过这里有两点注意: ①:根据业界规则,偶数为“稳定版”(如:1.6.X,1.8.X),奇数为“开发版”(如:1.7.X,1.9.X),这两个版本的区别相信大家都知道吧。 ②:32bit的mongod 阅读详情

相关推荐

智能音箱麦克风阵列实战:Python实现宽带GSC波束形成(附完整代码)

本文从工程实战角度,详细介绍了如何在智能音箱中利用Python实现宽带GSC波束形成算法。文章深入解析了广义旁瓣消除器(GSC)的核心架构,包括固定波束形成、阻塞矩阵与自适应滤波路径,并提供了完整的仿真代码、关键参数(如LMS步长)调优方法,以及面向嵌入式部署的计算优化与移植考量,旨在帮助开发者构建在真实噪声环境下高效工作的语音增强系统。

opencv7vision的博客 342

MongoDB的安装使用(一)

Linux环境下MongoDB的安装使用(一) MongoDB官网: https://www.mongodb.com/ 一、简介 1. 什么是MongoDB MongoDB 是一个基于分布式文件存储的开源数据库系统。 MongoDB 旨在为WEB应用提供可扩展的高性能数据存储解决方案。 MongoDB 将数据存储为一个文档,数据结构由键值(key=>value)对组成。 2.主要特点 MongoDB提供面向文档存储 设置任何属性的索引 在分布式计算机网络中的切片 MAP/REDUCE对数据的处理

艺影的博客 350

基于Isaac Gym与PPO算法的机械臂抓取任务仿真与强化学习实战(附完整代码与训练策略)

本文详细介绍了基于Isaac Gym与PPO算法的机械臂抓取任务仿真与强化学习实战。通过环境搭建、PPO算法实现、奖励函数设计等核心环节的优化,结合完整代码与训练策略,显著提升机械臂抓取效率与成功率。特别适合开发者快速掌握强化学习在机器人控制领域的应用。

weixin_29256771的博客 600

精心操作MongoDB:删除数据库的关键步骤和重要事项

当你删除 MongoDB 数据库时,必须确保已经备份了数据并且确认删除操作不会对系统产生负面影响。下面是一个更详细的解释,以及示例代码、应用场景和注意事项。

欢迎来到技术蜜糖罐的IT角落! 2000

ABAP Secure Storage 在事务码 SM59 中的应用

系统管理人员在进行维护时,应关注相关日志信息,及时发现可能出现的安全异常,并针对不同安全等级的操作制定相应的备份与恢复策略,以降低潜在风险。该区域在设计上具备高度隔离性,仅允许经过授权的组件访问。保存后,系统会将密码存储在 Secure Storage 中,这种处理方式充分体现了 SAP 标准程序在安全设计上的考量。对于系统管理员而言,这种机制在日常维护与审计中提供了有力的支持,可以通过比对存储数据的哈希值或其他完整性校验手段,及时发现异常变动,保障系统长期稳定运行。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 675

[nvidia-GB200-安装]ubuntu24.04高端GPU gb200 570.158.01驱动安装解读及gb200一键化安装脚本,复制即可安装

【代码】[nvidia-GB200]高端GPU gb200 驱动安装解读及gb200一键化安装脚本,复制即可安装。

jundao1997的专栏 874

MongoDB 条件操作符 gt、gte、lt、lte

文章目录MongoDB 条件操作符MongoDB (>) 大于操作符 - $gtMongoDB(>=)大于等于操作符 - $gteMongoDB (<) 小于操作符 - $ltMongoDB (<=) 小于等于操作符 - $lteMongoDB 使用 (<) 和 (>) 查询 - $lt 和 $gt MongoDB 条件操作符 (>) 大于 - $gt (<) 小于 - $lt (>=) 大于等于 - $gte (<= ) 小于等于 - $lte

七七的博客 2万+

SD卡烧写Linux kernel——SD卡分区,并烧写uboot,kernel,DTB及filesystem

Linux Ubuntu环境下对SD卡分区(烧写uboot,kernel,及filesystem) 介绍dd命令的使用,SD卡分区、格式化、复制文件等 fdisk命令

weixin_42408707的博客 5056

【mongoDB】条件操作符的使用:$lt,$lte,$gt ,$gte,$in,$nin,$not

2.索引需要考虑的因素。

weixin_43346403的博客 1044

TI硬件笔试面试题型解析上

摘要: 本专栏聚焦大厂硬件笔试面试题解析,当前第14期以德州仪器(TI)为例,涵盖模拟电路与数字电路核心考点。模拟电路部分涉及最大功率传递定理、运放设计(虚短/虚断)、共模抑制比(CMRR)及高频PCB信号完整性;数字电路包括CMOS与TTL对比、建立/保持时间、竞争冒险消除、D触发器分频及“线与”逻辑实现。文章强调通过例题掌握解题方法与知识点,助力读者应对硬件工程岗位的笔试与面试挑战,附常见考点总结与实用建议。全文注重理论与实践结合,提供典型题型解析与设计思路。(150字)

启芯硬件的博客 951

openclaw通俗入门系列4——智能体工作区

工作区 = 智能体的家,存放它的性格、记忆、技能。默认不是牢笼(可以用沙箱隔离)。建议放到私有 Git 备份,但绝对不要提交密钥!

m0_60605453的博客 462

MongoDB 组合多个条件查询(and、in、gte、lte)

一,问题描述 数据格式: id, timeStamp,count 条件1:查询 某个时间段 内的数据: timeStamp BETWEEN startTime AND endTime。比如timeStamp BETWEEN 1499875200 AND1499875600 条件2:记录 的 id 字段 属于某集合: id IN (1001,1002,1003) 条件3:记录 的cou...

Lost_in_the_woods的博客 1万+

[VT虚拟化驱动]正式启动VT

文章目录前言一、vmlaunch正式开始虚拟化二、使用步骤1.引入库2.读入数据总结 前言 本章开始真正实现一个最简单的VT框架,当然,只是能跑起来一个VT驱动了,没有并包括EPT,EPT后面再讲 提示:以下是本篇文章正文内容,下面案例可供参考 一、vmlaunch正式开始虚拟化 执行VMLAUNCH指令执行后,就正式进入虚拟化了,再该指令执行之前,得先保存Guest当前的环境,执行完VMLAUNCH后,要恢复Guest的环境,让Guest就像什么都没发生一样,所以需要保存和恢复Guest的各种寄存器的值

吾无法无天的博客 3663

java调用js查询mongo_MongoDB增删查改操作示例【基于JavaScript Shell】

本文实例讲述了MongoDB增删查改操作。分享给大家供大家参考,具体如下:MongoDB自带了一个JavaScript Shell,所以在其中使用js语法是可以的。Insert操作:单条插入var single={"name":"mei","age":22}db.user.insert(single);循环插入var single={"name":"tinyphp","num":28,}for(v...

weixin_36164428的博客 337

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")

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

MongoDB shell 基本操作

MongoDB shell 基本操作 文章目录MongoDB shell 基本操作MongoDB bin目录结构MongoDB Shell 客户端数据库 CURD 操作查看当前数据库查看数据库状态信息查看所有数据库切换数据库创建数据库删除数据库集合 CURD 操作创建集合显示集合删除集合插入文档insertOne 函数:集合插入单个文档insertMany 函数:集合插入多个文档(数组)insert 函数:集合插入1个或多个文档(数组)save 函数:更新集合文档删除文档remove 函数:删除集合文档

ZL94666的博客 259

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Mongodb shell语法笔记

#帮助 > db.help() DB methods: db.addUser(username, password[, readOnly=false]) db.auth(username, password) db.cloneDatabase(fromhost) ... ... #查看所有数据库 > show dbs local (empt

SYBN的专栏 987

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

nodejs中使用monk访问mongodb

nodejs中使用monk访问mongodb还是挺方便的

kiwi_coder 8053

MongoDB笔记(二):MongoDB下Shell的基本操作

一、mongoDB与关系型数据库对比 对比项 mongoDB 关系型数据库(oracle、mysql) 表 集合List 二维表table 表的一行数据 文档document 一条记录record 表字段 键key 字段field 字段值 值value 值value ...

weixin_30607659的博客 151

mongo + mongoose的使用

安装mongo 配置系统变量PATH mongo的bin所在路径 任意位置执行 mongod --dbpath E:\mongodb\data(数据文件【文件夹data,安装时让指定的】我放在这个位置) 如下所示说明开启成功 可视化工具选择的是Robo3T, 安装方式网上自行百度 默认有test数据库 ,下图xss数据库是自己命令行加的

许珊珊同学的专栏 407

mongodb的增删查改(cmd操作)

基本操作      由于是开篇,就大概的说下基本的“增删查改“,我们再开一个cmd,输入mongo命令打开shell,其实这个shell就是mongodb的客户端, 同时也是一个js的编译器,默认连接的是“test”数据库。               insert 操作              好,数据库有了,下一步就是集合,这里就取集合名为“per

yundanfengqingfeng的专栏 456

mongodb shell 基本操作命令

1.创建一个数据库        use[databaseName]:如果你什么也不干,当你离开时mongo会自动删除此空数据库 2.查看所有数据库        show dbs 3.给指定数据库添加集合并添加记录        db.[documentName].insert({...}) 4.查看数据库库中的所有文档        shows collections ...

su83362368的博客 245

MongoDB数据库(2.MongoDB对数据库的操作以及Mongodb的增删改查)

MongoDB中对数据库的相关操作 1. 查看当前已有的数库 show dbs 或者 show databases 2.进入数据库 use 数据名 如果没有这个数据库时,也会use成功,会默认创建这个的一个数据库,但是查看当前已有数据库时是没有的, 除非use到这个数据库之后,进行了添加数据的操作,否则,就算进入了但是还是没有这个数...

Mogul的博客 344

MongoDB 学习笔记(二):shell中执行增删查改

一、查 1、查询集合中所有文档:db.集合名.find()。 2、查询集合中第一个文档:db.集合名.findOne()。 二、增 1、添加集合并插入一个文档:db.集合名.insert({...}) 如下图:如果person集合不存在,则会为当前数据库添加一个名为“person”的集合,然后为该集合插入一个文档。 注意:MongoDB会自动为该文档加入一个“_id”的key,但是

漂流在深圳 2172

启动设置mongodb

启动 ①:启动之前,我们要给mongodb指定一个文件夹,这里取名为”db",用来存放mongodb的数据。 ②:微软徽标+R,输入cmd,首先找到“mongodb”的路径,然后运行mongod开启命令,同时用--dbpath指定数据存放地点为“db”文件夹。 ...

weixin_33720452的博客 86

Mongodb学习

Mongodb学习第一天(一)、MongoDB 下载 MongoDB 提供了可用于 32 位和 64 位系统的预编译二进制包,你可以从MongoDB官网下载安装,MongoDB 预编译二进制包下载地址:https://www.mongodb.com/download-center#community (注意:在 MongoDB 2.2 版本后已经不再支持 Windows XP 系

聪哥994的博客 404

mongodb简介

mongodb简介 转自:http://www.toutiao.com/i6398793915851342337/ 一、MongoDB文档,集合,数据库的概念: 1.基本概念: 1)Document文档是MongoDB中数据的基本单元,是MongoDB的核心概念,很类似关系数据库中的行Row 2)Collection集合可以被看作没有模式的表Table 3)Database/dbs ...

weixin_30593261的博客 90
上一篇: WebService(3)_开发流程(原生/JDK自带工具)
下一篇: MongoDB_Java连接MongoDB数据库 Mongo / MongoClient 的使用
Simba_cheng
博客等级 码龄11年 250粉丝 203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