黑马程序员——数据库错做与连接笔记

《黑马程序员MySQL数据库入门到精通,从mysql安装到mysql高级、mysql优化》学习笔记总目录 MySQL数据库入门到精通,从mysql安装到mysql高级、mysql优化》所有知识点的笔记进行总结分类。学习时总结的目录笔记以及。和实训,将在后续更新。第一章:MySQL概述。 阅读详情
数据库连接
1.本机登录windows验证,如果是单独数据库服务器则需要密码
2.启用混合验证:sa为最高权限账户
    1)右键-〉属性-〉安全性-〉启用混合验证-〉重启服务
    2)启用sa账户:根节点-〉安全性-〉登录名-〉状态 sa启用 -〉常规-〉设置密码。
3.实现了IDisposible接口的类可以使用using语法自动回收资源。
    using(类名 变量名=new 类名())
    {
        ……//代码块
    }
4.using相当重要,如果没有使用using,假如SQL语句发生异常则会造成内存缓慢泄露,或者连接用完。using 内的东西,系统会执行close()和disposible()释放资源。
    using(SqlConnection conn=new SqlConnection(
                "Data Source=.; Initial Catalog=stu;User                                ID=sa;Password=tao201415shu"))
            {
                conn.Open();//打开数据库连接
                using(SqlCommand cmd=conn.CreateCommand())
                {
                    cmd.CommandText = "insert into T_Student(Name,Age)
                                           values('元芳',180)";//SQL命令语句
                    cmd.ExecuteNonQuery();//执行非查询语句
                }
                //MessageBox.Show("连接成功");
            }

    
5.cmd.ExecuteReader()一般用于查询结果有多条记录的SQL语句,返回SqlDataReader类型(reader)。且查询结果放在数据库服务器中(远程),没放到客户端,初始时一个指针指向第一条数据之前,执行一次(reader.Read()),指针下移一条,只要没移到最后一条之后,都返回true.

6.C#与SQL中的数据类型
            C#              SQL
            int32           int
            long            bigint
            bool            bit
            string          nvarchar

7.ADO.NET中参数化查询的两种写法

推荐使用1)cmd.Parameters.Add(new SqlParameter("@name", txtName.Text));
           cmd.Parameters.Add(new SqlParameter("@age", Convert.ToInt32(txtAge.Text)));

不推荐    2)cmd.Parameters.AddWithValue("@age", Convert.ToInt32(txtAge.Text));

参数化查询的例子
insert into …… values(@name,@age)
delete from ……where Name=@name
update TableName set Name=@name where Age=@age

@参数不能用来替换表名和select字段值如:select * from @TableName或者select @name from……

8.SqlDataReader 是连接相关,结果在数据库服务器中,无论结果多少,对程序没影响。如果断开连接,数据不可再度。
9.DataSet,如果查询结果不是很大可以使用数据集,数据放在客户端,降低数据库服务器压力,编程也简单。

10.DataSet伪代码实现
    SqlDataReader reader=……
    List <string> list=new List<string>()
    while(reader.Read())
    {
        list.Add(reader.GetString(0))
    }

    list//数据集

11.用配置文件连接字符串步骤
    1)添加一个应用程序配置文件App.config
    2)App.config加节点,给连接字符串起名
    3)项目添加对System.configuration的引用(添加程序集)
    4)就能使用System.configuration的configurationManager类
    5)使用时把.exe文件和.config文件一起考给用户,修改时直接在config文件中修改。
黑马程序员2022年最新软件测试学习路线 软件测试基础入门 黑马程序员最新软件测试视频教程,软件测试基础入门到项目实战(涵盖软件测试基础+黑马头条项目实战) Linux系统2天快速入门Linux系统操作教程2天快速入门linux项目搭建 MySQL数据库软件测试工程师必备MySQL数据库,mysql系统精讲+课后练习 Python自动测试教程 黑马程序员Python自动测试教程,python从基础到UnitTest框架管理测试用例自动化测试 Web自动化软件测试web自动化测试,Web自动化流程精讲和移动自动化测试环境 Appium框架视频 .. 阅读详情

相关推荐

【笔记】黑马程序员 MySQL数据库入门到精通 —— 基础篇_实践

创建: create database b1;#查询: show databases;查询所有数据库 select . database() 查询当前使用的数据库 show create database db1;查看数据库b1的创建语句 # 删除: Drop database db1;

weixin_43254100的博客 6079

黑马旅游网问题总结

黑马旅游网项目总结 一:项目导入 若导入失败(即长时间在下载依赖包),点击 maven 中的 m(未点击前为蓝色) 二:注册功能 2.1控制台报错: Property ‘dataSource’ is required 第一步: 第二步: 2.2点击注册无反应 2.3收不到邮件 若发件人设的是QQ号,则先将QQ邮箱的POP3/SMTP服务开启,再将PASSWORD的值设为获...

weixin_44929171的博客 7629

黑马程序员14套经典IT教程+面试宝典

很多同学对互联网比较感兴趣 ,奈何苦恼不知道如何入门。今天免费给大家分享一波,黑马程序员14套经典IT教程+程序员面试宝典!涉及Java、前端、Python、大数据、软件测试、UI设计、新媒体短视频等。

技术专家 4987

C#连接数据库代码示例

C#连接数据库代码示例 代码逻辑 声明连接对象 创建数据库链接 打开链接 创建要执行的SQL语句 创建用于执行SQL语句的对象 执行SQL操作并打印返回数据 关闭数据库链接 using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.Data; using Sy...

qq_43200387的博客 5706

黑马程序员《苍穹外卖》笔记(主后端)1

软件开发流程角色分工项目经理:对整个项目负责,任务分配产品经理:进行需求调研,输出需求调研文档,产品原型等UI设计师:根据产品原型输出界面效果图架构师:项目整体架构设计,技术选型等开发工程师:代码实现测试工程师:编写测试用例,输出测试报告运维工程师:软件选件搭建,项目上线软件环境开发环境(development):开发人员在开发阶段使用的环境,一般外部用户无法访问测试环境(testing):专门给测试人员使用的环境,用于测试项目,一般外部用户无法访问。

weixin_36490770的博客 2838

《黑马程序员2023年新版Linux零基础快速入门到精通》学习笔记总目录

本文是对《黑马程序员新版Linux零基础快速入门到精通》所有知识点的笔记进行总结分类。学习时总结的目录笔记以及思维导图和实训,将在后续更新。

放下华子我只抽RuiKe5的博客 5739

黑马旅游网项目后端思路 以及常见错误的总结 需源码请私信

个人建议 这个项目 还是蛮不错的 有很多注意思考的地方 所用技术 以及环境介绍 环境搭建 配置 技术选层 Web层 Servlet 前端控制器 Html 视图 数据展示 效果展示 Filter 过滤器 Beanutils 数据封装 Jackson json序列化工具 Service层 Javamail 邮件发送邮件 Redis nosql内存数据库 Jedis java的redis的客户端 Dao层 数据访问层 Mysql 数据库 Druid数据库连

acwing的博客 1328

黑马旅游网初始项目文件

我本来不想要积分的,但是这个优快云上传的资源最少都要选一个积分。

黑马程序员SpringBoot2全套教程学习笔记

spring-boot-study 介绍 代码仓库地址:https://gitee.com/CandyWall/spring-boot-study 跟着黑马程序员spring boot教程做的学习笔记,本笔记跟视频内容的项目名称和代码略有不同,都是基于我自己的考量,代码都已经过运行验证过的,仅供参考。 视频教程地址:https://www.bilibili.com/video/BV15b4y1a7yG 注:四级标题和部分5级标题是使用子项目名称命名的,和我代码仓库的项目是一一对应的。 每个子项目对应的视频链

糖果墙的博客 2万+

不用标注数据!用SAM 3零成本搞定遥感图像分割:SegEarth-OV3保姆级上手教程

本文介绍了如何利用SAM 3和SegEarth-OV3实现零标注遥感图像分割,提供从环境配置到结果优化的完整教程。通过开放词汇语义分割技术,用户无需标注数据即可快速获得专业级分割结果,适用于光伏板统计、灾害评估等场景。

weixin_30415113的博客 585

【训练】Qwen2.5VL 多机多卡 Grounding Box定位

之前的相关文章:【深度学习】LLaMA-Factory微调sft Qwen2-VL进行印章识别使用LLaMA-Factory微调sft Qwen2-VL-7B-Instruct构建最新的LLaMA-Factory镜像。

q742971636的博客 2583

黑马程序员代码生成器2.4,无法连接数据库

黑马程序员代码生成器2.4连接数据库失败 原因: MySQL 8.0 版本,默认的认证插件是caching_sha2_password,必须使用支持此插件的客户端才能连接。 黑马程序员代码生成器版本过低,新版本点击此处 登录MySQL 如果是docker容器安装MySQL,先执行以下命令 sudo docker exec -it mysql_tensquare /bin/bash ...

落在牛背上的鸟 2291

解忧杂货铺(四):Hightec生成HEX方法+小功能开启

Hightec使用的一些常用技能

梦想技术家 2160

【黑马】Oracle数据库学习笔记

创建表--[xx]是可省略内容create table 表名(列名 数据类型[长度] [约束],...修改表--2.1修改表名ALTER TABLE 原表名 RENAME TO 新表名;--2.2删除表drop table 表名;--2.3追加字段alter table 表名 add(列名 数据类型[长度] [约束],...--2.4修改字段alter table 表名 modify (列名 数据类型[长度] [约束],...--2.5修改字段名。

立志成为架构师 1774

【实战篇】【硅基流动API+Cherry Studio搭建个人知识库全流程解析:从零到精通的超详细指南】

在人工智能技术高速发展的今天,基于大语言模型的知识库已成为开发者提效的必备工具。然而云端服务存在响应延迟、数据隐私、硬件依赖等痛点。通过硅基流动API与的深度整合,我们既能享受大模型的强大能力,又能实现本地化部署与高效管理。本文将从环境配置到高阶调优,手把手带你构建企业级知识库系统。

商务合作|问题讨论|交流学习 请联系作者微信,加微信请务必注明来意,博客主页有联系方式 1082

第4节:cesium 0基础发布离线地图(含源码+视频)

cesium发布离线地图

qq_29384639的博客 1595

《MySQL数据库原理、设计与应用》课后习题及答案 黑马程序员编著

《MySQL数据库原理、设计与应用》课后习题及答案黑马程序员编著。 答案有文档形式,但是csdn必须要下载,需要的人就去那里下载吧。

HaHa的博客 4万+

黑猫带你学eMMC协议第17篇:超详细的eMMC HS200 & HS400讲解

1 前言 1.1 声明 本文依据eMMC JEDEC5.1及个人工作经验整理而成,如有错误请留言。 本文结合eMMC JEDEC5.1协议手册查看效果更佳。 1.2 内容提要 本文大约6000字,主要内容有: 1.什么是emmc hs200/hs400? 2.什么是tuning?tuning的过程又是什么? 3.如何设置才能让emmc进入hs200 mode? 4.如何设置才能让emmc进入hs400 mode? 5.emmc关于HS200/HS400内部结构框图对比。 6.部分个人相关经验总结。

黑猫奥利奥的博客 1万+

黑马程序员学习day3

操作型处理(数据库),叫联机事务处理OLTP(On-Line Transaction Processing),也可以称易处理系统,它是针对具体业务在数据库联机的日常操作,通常进行增删改查操作。用户较为关心操作的响应时间、数据的安全性、完整性和并发支持的用户数等问题。传统的数据库系统作为数据管理的主要手段,主要用于操作型处理。

2401_83925287的博客 1663

YOLOv11改进策略【卷积层】| 引入注意力卷积模块RFAConv,关注感受野空间特征 助力yolov11精度提升

RFAConv:创新空间注意力和标准卷积运算感受野空间特征是针对卷积核设计的,根据卷积核大小动态生成。以3×3卷积核为例,它由非重叠滑动窗口组成,每个窗口代表一个感受野滑块。

Limiiiing的博客 1822

一句话看懂 vibing-steampunk

摘要: vibing-steampunk(vsp)是一个连接SAP ABAP开发工具(ADT)与AI编码代理(如Claude、GitHub Copilot)的桥梁,通过MCP协议实现自动化代码读写、调试和部署。它利用ADT API直接访问SAP系统,绕过传统GUI操作,支持ECC和S/4HANA等环境。工具提供包分析、依赖检查、LUW行为识别等功能,显著提升ABAP项目维护效率。其创新Hyperfocused模式和方法级编辑大幅降低token消耗,而上下文压缩技术则优化了AI对ABAP代码的理解能力,特别适

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 114

黑马点评项目报错问题整理笔记2025

学习黑马点评项目报错问题整理笔记。

weixin_51867624的博客 2801

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

【黑马程序员数据库】MySQL基础大总结

【黑马程序员数据库】数据库基础大总结

⛄ 9353

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。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

MySQL 学习笔记(黑马程序员)

多表查询。

A2294249395的博客 2025

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")

上一篇: 黑马程序员——wpf数据绑定控件笔记
下一篇: 黑马程序员——手写SQLHelper
WayToAccept
博客等级 码龄14年 21粉丝 56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