MySQL中的SQL知识点和一些常用操作技巧

Mysql数据库常用知识点汇总 数据库操作1:查看数据库SHOW  DATABASES;#默认数据库:mysql    -用户权限相关数据test     -用于用户测试数据information_sechema   -mysql本身架构相关数据2:创建数据库# utf-8 编码CREATE DATABASE 数据库名称 DEFAULT CHARSET utf8 COLLATE utf8_general_ci;# gbk 编... 阅读详情

关于SQL的一些知识点

  • SQL:结构化查询语言(Structured Query Language) 简称 SQL, 是最重要的关系数据库操作语言。
  • 支持SQL的语言:MySQL、DB2、ORACLE、INGRES、SYBASE、SQLSERVER等

SQL 包含6个部分

  • 数据查询语言(DQL:Data Query Language) : SELECT
  • 数据操作语言 (DML: Data Manipulation Language) : INSERT 、UPDATE、DELETE
  • 事务处理语言(TPL):BEGIN TRANSACTION、COMMIT、ROLLBACK
  • 数据控制语言(DCL): GRANT (授权)、REVOKE (回收权限)
  • 数据定义语言(DDL): CREATE、ALTER 、DROP
  • 指针控制语言(CCL): DECLARE、 CURSOR、FETCH INFO、 UPDATE WHERE CURRENT 用于对一个或多个表单独行的操作

MySQL 连接主机登录的命令

  • mysql -h 主机名 -u 用户名 -p密码 库名
  • 注意上面的 p和密码之间没有空格,不安全的操作,不推荐密码写在上面

\G 的使用

\G 格式化输出(文本式)

通过命令:$show create tab stu

一、不使用\G的情况

+-------+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| Table | Create Table                                                                                                                                                                                                                                                                                                      |
+-------+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
| stu   | CREATE TABLE `stu` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(16) DEFAULT NULL,
  `sex` tinyint(3) unsigned NOT NULL,
  `age` tinyint(3) unsigned NOT NULL DEFAULT '20',
  `classid` varchar(8) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=3 DEFAULT CHARSET=utf8 |
+-------+-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------+
1 row in set (0.00 sec)

这种方式,信息显示较乱

二、使用\G的方式,以文本的形式呈现

*************************** 1. row ***************************
       Table: stu
Create Table: CREATE TABLE `stu` (
  `id` int(10) unsigned NOT NULL AUTO_INCREMENT,
  `name` varchar(16) DEFAULT NULL,
  `sex` tinyint(3) unsigned NOT NULL,
  `age` tinyint(3) unsigned NOT NULL DEFAULT '20',
  `classid` varchar(8) DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB AUTO_INCREMENT=3 DEFAULT CHARSET=utf8
1 row in set (0.00 sec)

\s 的使用

查看当前服务器的信息

  • $\s
mysql  Ver 14.14 Distrib 5.7.25, for macos10.14 (x86_64) using  EditLine wrapper

Connection id:		32
Current database:	mydb
Current user:		root@localhost
SSL:			Not in use
Current pager:		stdout
Using outfile:		''
Using delimiter:	;
Server version:		5.7.25 MySQL Community Server (GPL)
Protocol version:	10
Connection:		Localhost via UNIX socket
Server characterset:	latin1
Db     characterset:	utf8
Client characterset:	utf8
Conn.  characterset:	utf8
UNIX socket:		/tmp/mysql.sock
Uptime:			1 day 1 hour 25 min 37 sec

Threads: 2  Questions: 614  Slow queries: 0  Opens: 147  Flush tables: 1  Open tables: 120  Queries per second avg: 0.006
--------------

特别注释下

  • Using delimiter: 使用的命令结束符是分号
  • Uptime: 当前数据库启动的时间
  • Threads: 当前的连接数量

\c 的使用

  • 结束命令输入操作

\q

  • 退出当前sql命令行模式,同 $quit

\h

  • 查看帮助 $\h
  • 如:$\h create
Many help items for your request exist.
To make a more specific request, please type 'help <item>',
where <item> is one of the following
topics:
   CREATE DATABASE
   CREATE EVENT
   CREATE FUNCTION
   CREATE FUNCTION UDF
   CREATE INDEX
   CREATE LOGFILE GROUP
   CREATE PROCEDURE
   CREATE SERVER
   CREATE TABLE
   CREATE TABLESPACE
   CREATE TRIGGER
   CREATE USER
   CREATE VIEW
   SHOW
   SHOW CREATE DATABASE
   SHOW CREATE EVENT
   SHOW CREATE FUNCTION
   SHOW CREATE PROCEDURE
   SHOW CREATE TABLE
   SHOW CREATE USER
   SPATIAL
MySQL核心知识点全解析:从入门到高效操作 结构化查询语言(Structured Query Language)是关系型数据库的标准交互工具,具备以下核心优势:跨平台通用性(支持Oracle/MySQL/SQL Server等主流数据库)自然语言式交互(SELECT/INSERT/UPDATE等直观指令)ANSI标准支持(保障基础语法的通用性) 阅读详情

相关推荐

单相变换器的二次纹波分析

1. 单相PWM整流器的二次纹波产生原因   单相变换器的二次纹波产生的原因是功率含有二次脉动分量。设电网电压 us=Vmsin(wt),电网电流IL=Imsin(wt−θ)I_L=I_msin(wt-\theta)IL​=Im​sin(wt−θ)。其中w是电网电压披绿,θ\thetaθ是电流之后电压相位。保证输入功率和输出功率相等,就要保证两者的直流量和交流量对应相等。   uDu_DuD​为 PWM 整流器直流电容电压平均值,IoI_oIo​ 为负载电流平均值 ,uDC^\widehat {u_{DC}

qq_38847810的博客 4975

关于SQL的一些知识点

一、先将数据库的日期显示设定为显示全部信息,再实验使用日期函数的情况:先通过alter session的方式对数据库的日期显示格式进行设置: 开始试验所有的日期函数:1.trunc函数: 可以得到trunc函数可以对日期截取到以分为单位,但是trunc函数无法对秒级的日期进行操作;2last_day函数 显然,last_day函数会以天为单位得到当月最后一天的日期,不会对时分秒进行处理;3.nex...

why_name的博客 451

ROS牛耕法全覆盖规划:从算法原理到清洁机器人实战解析

本文深入解析ROS牛耕法全覆盖规划算法在清洁机器人中的应用,从算法原理到实战优化技巧全面覆盖。详细介绍了地图预处理、区域分解和路径优化等关键步骤,并分享实际案例中的解决方案,帮助开发者提升机器人清扫效率和覆盖率。

weixin_27013291的博客 393

SQL——一些知识点

Data 数据 Datebase 数据库 DBMS 数据库管理系统 DBS 数据库系统   数据:对客观事物的符号表示,数据是数据库中存储的基本对象 数据库(DB) 按照数据结构来组织、存储和管理数据的仓库   数据库的类型 纯文本数据库 关系数据库   数据库的优点 数据按照一定的数据模型组织、描述和存储 可以为各种用户共享 冗余度较小,节省存储空间...

ChaoLingW的博客 261

【STM32】STM32 CANFD外设的几种消息接收过滤模式

在控制器区域网络(CAN)系统中,正确配置消息过滤器对于有效管理网络通信至关重要。特别是在使用Flexible Data-rate Controller Area Network(FDCAN)时,选择合适的过滤器类型可以大大提高网络效率和消息处理速度。

林愿留的博客 6230

MiFlash Prime免授权刷机实战:解锁小米9008 EDL救砖新方案

MiFlash Prime作为免授权刷机工具,有效解决了小米设备在9008 EDL模式下因账号验证无法救砖的难题。本文详细介绍了从驱动安装、进入EDL模式到固件刷写的完整流程,帮助用户安全快速地恢复变砖设备,是维修人员和极客的实用解决方案。

5f4d3s2a1q的博客 2908

SQL 常见操作汇总

写在前面 会涉及到以下内容: 改密码,本机SQL developer(windows)连接,删表,Oracle 数据类型介绍,建表,插入(手动+循环)小规模模拟数据,基础简单的SQL。 copy 表 +(循环)插入大规模(百万级)数据,基础简单的 SQL again ,效率对比,数据导出成执行脚本 ,数据导入, 换成服务器-客户端请求形式, 基础简单的SQL again, 效率对比 again , 1 Oracle用户名即将失效,或者已经失效。 oracle 口令一般默认有效期是180天,过期失效

qq_20241587的博客 859

操作系统笔记(含王道计算机考研——操作系统课件)

操作系统(OS) 笔记根据B站王道计算机考研——操作系统视频整理所得,视频链接:https://b23.tv/0I2qex 视频中所用课件:链接:https://pan.baidu.com/s/101bFWm0Tv0emNpEneidYPA 提取码:y3dd 1.计算机系统概述 1.简介 什么是操作系统? 操作系统(Operating Ststem, OS)是指控制和管理整个计算机系统的硬件和软件资源,并合理地组织调度计算机的工作和资源的分配,以提供给用户和其他软件方便的接口和环境,它是

拧发条鸟的博客 6万+

MySQL知识点整理汇总

2020年暑假期间我开始接触 MySQL,通过阅读了几本相关书籍以及网上的一些教程,我逐渐了解了 MySQL 的入门级内容。在暑假期间学完 MySQL 的基础知识后,我便将其搁置在一旁,没有再进行进一步的探索。 如今,我想要再次拾起 MySQL 时,却发现其中的一些语法和规则已经差不多遗忘。对 MySQL 进阶的需求,再加上以前学过的每本书籍(或每个教程)的知识侧重点偶尔不同,因此我打算用这篇博客来记录我所学习到的 MySQL 重要知识点(包括基础知识与进阶内容)

weixin_45517168的博客 5702

Zoom AI 技术架构研究:联合式方法与多模态集成

通过 Zoom AI 开放平台,企业可以自定义 AI 模块 (如法律合规审查、客户反馈分析),扩展应用场景。这种开放平台策略使企业能够根据自身需求定制 AI 功能,满足特定业务需求。

shao.bing的专栏 1319

步科触摸屏编程

1.首先官网上下载kinco软件,然后再安装驱动,安装的方式是需要两个文件。把两个文件放到driver文件夹下面,然后设备管理器右键更新,手选driver文件夹,自动安装即可。 步科触摸屏驱动文件下载地址 2.按照步科触摸屏使用手册一步一步来建立工程 Kinco HMIware使用手册下载地址 登录界面 涉及到的是页面切换,用的是login window,然后只留下等级输入那个

MAYBE的博客 2万+

MySQL知识点笔记

Oracle:大型的收费数据库,Oracle公司产品,价格昂贵。MySQL:开源免费的中小型数据库,后来Sun公司收购了MySQL,而Oracle又收购了Sun公司。目前Oracle推出了收费版本的MySQL,也提供了免费的社区版本。SQL ServerDB2不论我们使用的是上面的哪一个关系型数据库,最终在操作时,都是使用SQL语言来进行统一操作,因为我们前面讲到SQL语言,是操作关系型数据库的统一标准。存储引擎就是存储数据、建立索引、更新/查询数据等技术的实现方式。

exercise_smile的博客 1246

Trae IDE项目开发全流程深度技巧与最佳实践

2026年AI开发新范式:Trae AI IDE深度解析 摘要 2026年,AI已成为软件开发的核心驱动力。字节跳动推出的AI原生IDE——Trae,从根本上重塑了开发体验,将AI作为第一公民而非附加功能。Trae通过深度集成大型语言模型和创新交互模式,解决了现代开发中的重复劳动、信息过载等核心痛点。 报告全面剖析了Trae的核心功能: 智能代码生成:支持上下文感知续写、自然语言驱动生成和多模态输入转换 对话式AI助手:提供侧边栏和行内对话模式,支持代码解释、Bug修复、重构建议等 Builder/SOLO

公众号:AI前沿侦探 162

Mysql常用sql语句

目录 1 SQL 语法基础 2 创建数据库 3 删除数据库 4 MySQL 数据类型 5 数值类型 6 字符串类型 7 日期和时间类型 8 创建表 9 查询表 10 删除数据表 11 添加,删除,更新字段 12 查询 & 条件查询 13 简单的操作符 14 插入数据 15 更新数据 16 删除数据 17 LIKE 操作符 18 UNION 操作符 19 ORDER BY 子句 20 GROUP BY 语句 21 链接的使用 1 SQL 语法基础 MySQ

赵广陆 1185

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

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。

超详细mysql知识点总结

为什么用Mysql? 在互联网公司用的相对多一些,mysql数据库免费 小巧轻量级,安装也简单方便 互联网公司像京东、阿里并发量很大,搭建多个服务器,用免费的数据库代价低。 什么是数据库?什么是数据库管理系统?什么是SQL?他们之间的关系是什么? 数据库:DataBase,简称DB。按照一定格式存储的一些文件的组合。 顾名思义:存储数据的仓库,实际上就是一堆文件。这些文件中存储了具有特定格式的数据。 数据库管理系统: DataBaseManagement,简称DBMS。数据库管理系统是专门用来管理数据库

weixin_45738504的博客 1856

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

MySQL详细知识点总结

MySQL详细知识点总结1 Windows服务2 连接与断开服务器3 数据库操作4 表的操作5 数据操作6 字符集编码7 数据类型(列类型)8 选择类型9 列属性(列约束)10 建表规范11 SELECT12 UNION13 子查询14 连接查询(join)15 导出16 INSERT17 DELETE19 备份与还原20 视图21 事务(transaction)22 锁表23 触发器24 SQL编程25 用户和权限管理26 表维护27 杂项 1 Windows服务 – 启动MySQL net start

qq_39126369的博客 771

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")

【SQL】【读书笔记】《MySQL必知必会》

本文为《MySQL必知必会》读书笔记,用于总结知识点和框架,仅供参考和交流。由于软件版本更新,书中的一些代码已经不再适用,本文主要从SQL基本语句进行检索等操作。使用的软件版本:MySQL Server 8.0、Navicat Premium12.1。

空明远 1826

MySQL 常用语句整理总结

知识点: MySQL中 在对列进行计数时不统计值为 null的条目表头重命名,用as语法 浮点数的平均值可能小数点位数很多,保存一位小数,用round函数 需要对两个表进行联结UPDATE 语句用于更新表中已存在的记录。 SQL SELECT select distinct 去重 MySQL UNION 操作符用于连接两个以上的 SELECT 语句的结果组合到一个结果集合中。多个 SELECT 语句会删除重复的数据。 对于多个select不去重:union allhttps://www.runoob.co

一个博客 389

MySQL基础知识点

@ OK执行顺序: 注意: now()、curdate()、curtime()、year()均会自动过滤NULL值,MySQL中聚合函数不可嵌套使用!!!除group by 和 limit 不可用子查询,其余语句都可用角度1:内查询执行的次数—相关与不相关子查询 角度2:内查询返回结果的条目数—单行与多行子查询通常情况下,子查询中的表用到了外部的表,并进行了条件关联

2322的博客 189

mysql使用数据库_MySQL数据库的常用操作

学习python少不了和数据库打交道,常见的数据库有:MySQL、SQLite、MongoDB、Redis等,这里主要介绍一下MySQL数据库的基本操作。数据库听起来感觉好高大上,当你接触之后有种恍然大悟的感觉,不就是把我们的数据存到一个表格中吗。可以简单的这么理解,大家都知道表格都是由表名、表头、数据等几部分组成的,数据库跟这类似,只不过叫法不一样,这里叫数据库名、表名和字段。数据库就简单介绍这...

weixin_39958025的博客 357

MySQL基础操作

MySQL登录: 1.MySQL8.0版本Mac登陆:mysql -u root -h 127.0.0.1 -p,如果连接不上,使用mycli -u root -h 127.0.0.1,如果还不行,则先使用brew install mycli安装mycli,安装好之后再执行mycli -u root -h 127.0.0.1连接 2.MySQL8.0版本登录授权:(ip127.0.0.1一般代表本...

weixin_43750685的博客 443

mysql常用知识点

原文出处:http://www.cnblogs.com/shockerli/p/1000-plus-line-mysql-notes.html /* 启动MySQL */net start mysql /* 连接与断开服务器 */mysql -h 地址 -P 端口 -u 用户名 -p 密码 /* 跳过权限验证登录MySQL */mysqld --skip-grant-tables-- ...

weixin_33892359的博客 94

学习 MySQL 需要知道的 28 个小技巧

如何快速掌握 MySQL? 培养兴趣 兴趣是最好的老师,不论学习什么知识,兴趣都可以极大地提高学习效率。不管学习MySQL5.7还是MySQL8.0都不例外! 夯实 SQL 基础 计算机领域的技术非常强调基础,刚开始学习可能还认识不到这一点。随着技术应用的深 入,只有有着扎实的基础功底,才能在技术的道路上走得更快、更远。对于 MySQL ...

程序员小明1024 668

MySQL 基础核心知识点全梳理:从入门到实战

本文整合6篇MySQL实战博客内容,系统梳理MySQL基础操作五大核心模块:登录连接(推荐安全登录方式)、库表管理(创建/删除/修改)、约束设置(主键/外键/唯一等)、数据操作(增删改查)及查询技巧(条件筛选/排序等)。针对新手常见问题提供避坑建议:操作前备份数据、慎用删除命令、合理使用约束等。文章强调"理解+实操"的学习方法,建议通过学生管理等场景练习巩固基础,为后续高级功能学习打下坚实基础。

kongsicheng10的博客 1025

技术总结 | MySQL面试知识点

Mysql 中的存储引擎查询存储引擎的命令 show engines;Archive只支持 insert 与select操作,不支持索引不支持事务适用于存储需要长期保存,但是很少访问的数据,例如 历史日志BlackHole不存储数据,但是会记录写入操作适用于性能测试 语言验证等情况MyISAM高性能读操作表级别锁不支持事务不支持外键索引存储结构采用的B+tree 非聚集索引。

苏老师的博客 846

MYSQL使用小技巧

1.ctrl+q 打开查询窗口 2.ctrl+/ 注释sql语句 3.ctrl+shift +/ 解除注释 4.ctrl+r 运行查询窗口的sql语句 5.ctrl+shift+r 只运行选中的sql语句 6.F6 打开一个mysql命令行窗口 7.ctrl+l 删除一行 8.ctrl+n 打开一个新的查询窗口 9.ctrl+w 关闭一个查询窗口 》SELECT子句顺序: SE

PowerZhangs的博客 306
上一篇: Mac下MySQL的配置和修改密码以及忘记密码后的重置密码
下一篇: MySQL 常用的基础操作
Wang's Blog
博客等级 码龄12年 7438粉丝 2422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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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