docker容器搭建mysql8.x版本主从复制

Docker (六):mysql 主从复制、redis集群3主3从【扩缩容案例】 🟢 Docker (六):mysql 主从复制、redis集群3主3从【扩缩容案例】 阅读详情

目录

 

docker搭建mysql主从复制

1.创建master数据库

1.1创建MySQL容器并映射端口和改密码

1.2进入创建好MySQL容器,修改配置文件

1.3登陆MySQL配置信息

2.创建slave数据库

2.1创建MySQL容器并映射端口和改密码

2.2进入容器内部

2.3 进入mysql内部,设置主从信息

2.4设置主从信息

3. 出现异常参考

测试


docker搭建mysql主从复制

1.创建master数据库

1.1创建MySQL容器并映射端口和改密码

 

docker run -di --name=mysql_master -p port:3306 -e MYSQL_ROOT_PASSWORD=password mysql

--name 代表容器名称可以用来启动停止重启容器

-p 代表端口映射,格式为 宿主机映射端口:容器运行端口 向外映射端口 通过linux访问

-e 代表添加环境变量 MYSQL_ROOT_PASSWORD是root用户的登陆密码

1.1.1参考过程:

 

1.2进入创建好MySQL容器,修改配置文件

1.2.1 安装vim

#同步 /etc/apt/sources.list 和 /etc/apt/sources.list.d 中列出的源的索引
apt-get update
#安装vim
apt-get install -y vim

 

1.2.2 修改my.cnf文件

#进入刚才创建的容器 mysql_master  是你之前设置的 --name
docker exec -it mysql_master /bin/bash
vim /etc/mysql/my.cnf

新增信息

[mysqld]
## 设置server_id,注意要唯一
server-id=101  
## 开启二进制日志功能,以备Slave作为其它Slave的Master时使用
log-bin=mysql-slave-bin   
## relay_log配置中继日志
relay_log=edu-mysql-relay-bin
## 永久设置时区时间
default-time_zone = '+8:00' 

 

1.3登陆MySQL配置信息

mysql -u root -p 登录

MySQL8的默认的密码加密策略发生了变化,之前的一些客户端的软件会出现无法登录的 情况。

解决:

使用mysql原生的命令进去,使用之前的密码加密策略重新修改密码:

ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY '你的密码';
#本地登录(如果用原生的命令行的话,不用改)
ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY '980224';
#远程登录
ALTER USER 'root'@'%' IDENTIFIED WITH mysql_native_password BY '980224';
#创建同步用户
CREATE USER 'admin'@'%' IDENTIFIED WITH mysql_native_password BY '980224';
#授权
GRANT REPLICATION SLAVE, REPLICATION CLIENT ON *.* TO 'admin'@'%';
#然后修改root权限
use mysql;
#在 mysql 数据库的 user 表中查看当前 root 用户的相关信息
select host, user, authentication_string, plugin from user; 
#授权 root 用户的所有权限并设置远程访问
GRANT ALL ON *.* TO 'root'@'%';
#刷新权限列表
flush privileges;
#查看关键信File和Position字段的值,在后面的操作完成之前,
#需要保证master库不能做任何操作,否则将会引起状#态变化,
#File和Position字段的值变化。 如下图需要记下来在下面2.4步骤需要 下图中的mysql-slave-bin.000001 156
​
mysql> show master status\G
*************************** 1. row ***************************
             File: mysql-slave-bin.000001
         Position: 156
     Binlog_Do_DB: 
 Binlog_Ignore_DB: 
Executed_Gtid_Set: 
1 row in set (0.00 sec)
​

 

 

退出容器重启

#退出mysql
exit;
#退出容器
exit;
#再退出到宿主容器查看mysql的映射端口
firewall-cmd --zone=public --list-ports
#将mysql端口的防火墙打开  xxxxx  端口  
firewall-cmd --zone=public --add-port=3363/tcp --permanent
#重新载入
firewall-cmd --reload
docker restart mysql_master

 

至此,master数据库安装配置完成。

2.创建slave数据库

2.1创建MySQL容器并映射端口和改密码

 

docker run -di --name=mysql_slave -p 33307:3306 -e MYSQL_ROOT_PASSWORD=password mysql
#将mysql端口的防火墙打开  xxxxx  端口  
firewall-cmd --zone=public --add-port=33307/tcp --permanent
#重新载入
firewall-cmd --reload

2.2进入容器内部

docker exec -it mysql_slave /bin/bash
apt-get update 
apt-get install vim -y
vim /etc/mysql/my.cnf

 

2.3 进入mysql内部,设置主从信息

mysql -uroot -p980224
#本地要用客户端比如navicat连接,设置root的认证方式
ALTER USER 'root'@'%' IDENTIFIED WITH mysql_native_password BY 'password';
#然后修改root权限
use mysql;
#在 mysql 数据库的 user 表中查看当前 root 用户的相关信息
select host, user, authentication_string, plugin from user; 
#授权 root 用户的所有权限并设置远程访问
GRANT ALL ON *.* TO 'root'@'%';
#刷新权限列表
flush privileges;

2.4设置主从信息

change master to master_host='ip', master_user='admin', master_password='--', master_port=port, master_log_file='mysql-slave-bin.000001', master_log_pos= 156, master_connect_retry=30,get_master_public_key=1;

参数介绍

master_host:Master的地址,指的是容器的独立IP,可以通过下面命令查询
[root@localhost ~]# docker inspect --format='{{.NetworkSettings.IPAddress}}' 5c2 172.17.0.4
master_port: Master的端口,指的是容器的端口号,不是映射端口
master_user:用于数据同步的用户
master_password:用户同步的用户的密码
master_log_file:指定Slave从哪个日志文件开始复制数据,即上文中提到的File字段的值
master_log_pos:指从哪个Position开始读,即上文中提到的Position字段的值
master_connect_retry:如果连接失败,重试的时间间隔,单位是秒,默认是60秒
备注:之所以设置get_master_public_key=1,是因为开启主从复制的时候可能会报出下方的异常。原因是mysql8默认使用插件caching_sha2_password,有些client连接报这个错误,需要拿到server的public key来加密password

2.5 查看主从同步状态

show slave status \G;

正常情况下,Slave_IO_Running 和 Slave_SQL_Running 都是No,因为我们还没有开启主从复制的过程

 

2.6开启主从复制

 

start slave;

再次查询主从同步状态

show slave status \G;

 

然后退出重启容器。其他的slave的安装配置方法和slave的方法一样,区别就是cnf文件中的server-id不能相同罢了

3. 出现异常参考

3.1. 使用start slave开启主从复制过程后,如果SlaveIORunning一直是Connecting,则说明主从复制一直处于拦截状态,这种情况一般是下面集中原因造成的,可以根据Last_IO_Error提示予以排除。

  • 网络不通

解决办法:检查IP,端口

  • 密码不对

检查是否创建用于同步的用户和用户密码是否正确

  • pos不对

检查master的position

3.2. 如果开启主从复制失败,需要修改和重启,可参考下方提示

停止主从复制

stop slave;

重置之前的配置信息

reset slave;

启动主从复制

start slave;

测试

测试在主数据库创建一个数据库,从数据库有的话代表成功

Rstudio安装org.Hs.eg.db 自己也是个小白,初次安装org.Hs.eg.db碰到好多问题,步骤总结如下: 第一,instal.packages()安装,不行则换 BiocManager::install() 第二,如BiocManager不成,说明不是最新版本,可按提示安装最新版 BiocManager::install(version = '3.13') #由于R版本较新,按照提示中的相关信息,安装最新版本的 第三,再次安装 BiocManager::install("org.Hs.eg.db") 第四,之后每个人. 阅读详情

相关推荐

xsens IMU配置

1.安装驱动 sudo apt-get update sudo apt-get install ros-kinetic-xsens-driver 2.配置IMU 设置输出四元数,加速度、角速度、地磁 cd /opt/ros/kinetic/lib/xsens_driver python mtdevice.py --configure "oq,aa,wr,mf" 3.启动IMU roslaunch xsens_driver xsens_driver.launch 转(https://www.cnblo

qq_41585680的博客 2323

docker搭建MySQL主从

在下方文件区域找到文件夹/usr/local/software/mysql/3306/conf,右上角按钮上传本地文件my.cnf。【注】当前显示/var/lib/mysql/日志文件的最后一个文件,即本案例中的binlog.000002。【或者:在navicat中新建查询,直接用mysql语句查询】【注意】或者,在docker中的mysql中输入,也是一样的。【命令:创建mysql的容器(docker)】【命令:创建mysql的容器(docker)】【示例:在docker中的mysql中输入】

chaojichunshen的博客 4343

安卓app逆向破解脱壳教程

From:Hook 神器家族的 Frida 工具使用详解:https://blog.csdn.net/FlyPigYe/article/details/90258758 详解 Hook 框架 frida (信抢红包):https://www.freebuf.com/company-information/180480.html APP逆向神器之Frida【Android初级篇】:https://www.jianshu.com/p/2d755beb1c54 frida 官网文档:https://fr..

sinat_28371057的博客 2万+

docker 配置mysql(主从篇)

结构如图: 创建成功后data文件内容 创建主从设备中的从设备就是再创n个端口不同的mysql即可,如: 修改conf文件夹中的my.conf文件(如果权限不足无法更改则使用chmod来修改文件权限) 主设备: 重启docker 进入主设备 在主设备中配置从设备权限 查看master状态 配置从设备的my.conf

Deikey的博客 1168

Cortex-M TrustZone实战:从硬件隔离到安全交互的嵌入式开发指南

在嵌入式系统开发中,硬件安全隔离是构建可信执行环境(TEE)的核心技术。其原理是通过处理器硬件机制,将系统资源划分为安全与非安全域,实现内存、外设和代码的强制访问控制。这项技术的核心价值在于,它能在单一芯片上为资源受限的物联网(IoT)设备、智能传感器等提供芯片级的安全基础,无需依赖外置安全元件,从而降低BOM成本并简化设计。典型的应用场景包括保护设备密钥、实现安全启动、构建安全服务(如加密、密钥管理)以供应用程序调用。本文聚焦于Arm Cortex-M系列微控制器上的TrustZone技术实现,针对开发中

weixin_42639246的博客 298

Cesium 实战 28 - 三维视频融合(视频投影)

Cesium 实战 27 - 三维视频融合(视频投影)。

非科班Java出身GISer的博客 3366

windows安装Mysql

第一步:下载mysql.zip 解压到C盘Program Files路面下 C:\Program Files\mysql-8.0.18-winx64 第二步:以管理员身份运行cmd命令 进入C:\Program Files\mysql-8.0.18-winx64\bin下 cd C:\Windows\system32>cd C:\Program Files\mysql-8.0.18...

Fanbin168的专栏 908

车载ECU底软测试:方法与技术的深度解析

底软是运行在 ECU 硬件平台上的基础软件,它为上层应用程序提供了硬件驱动、操作系统服务、通信协议栈等功能。底软的主要功能包括:硬件驱动:负责与 ECU 的各种硬件外设进行通信和控制,如 GPIO、UART、SPI、CAN 等。操作系统服务:提供任务调度、内存管理、中断处理等功能,确保系统的实时性和稳定性。通信协议栈:实现 ECU 与其他 ECU 或外部设备之间的通信,如 CAN、LIN、FlexRay 等。诊断服务:负责对 ECU 的故障进行诊断和处理,并将故障信息存储在故障码存储器中。

天赐好车的博客 1422

MySQL - MySQL 8.0(二)基本操作:用户

文章目录 前言 创建用户 仅做了解 授予和撤销用户的访问权限 1. 授予权限 2. 检查授权 3. 撤销权限 题外话:修改`mysql.user`表 修改密码&身份验证插件类型 设置用户密码有效期 1. 创建一个具有过期密码的用户 2. 手动设置过期用户 3. 要求用户每隔90天更改一次密码 4. 设置永不过期密码 5. 用户密码重用策略设置(未完成) 锁定&解锁用户 为用户创建角色 1. 创建角色 2. 使用`GRANT`语句为角色分配权限 3. 创建新用户 4. 使用`GRANT`语句为用户分配角色..

写虫师的博客 9512

6、哈代空间、算子函数及相关概念解析

本文深入探讨了数学中哈代空间与算子函数的核心概念,包括强函数的因式分解、半单零点的定义与性质、Blaschke-Potapov乘积的存在性、Nagy-Foias模型算子的结构与谱分析、可数集合的相关性质(如Carlesonian集合、稀有集合等)、简单分式族的可分性与基性质,以及指数型整函数的增长特性。文章还分析了这些数学对象之间的内在联系,并通过图表与表格形式直观呈现了集合性质与函数空间结构的关系。这些理论不仅在数学分析和泛函分析中具有重要意义,也在信号处理、量子力学等应用领域具有广泛价值。

yhn4567890的博客 169

ROM和RAM在单片机程序运行理解

ROM和RAM是电子设备中两种核心存储组件,主要区别在于:ROM用于长期存储系统程序、用户文件等固定数据,断电后数据不丢失,但写入速度较慢;RAM则用于临时存储运行中的程序和数据,读写速度快但断电后数据会清空。在单片机中,ROM存储程序代码和常量,RAM存储运行时的变量和数据。两者协同工作,ROM如同"永久档案库"保存必要信息,RAM则像"临时工作台"支持高速运算,共同确保设备正常运行。

qq_37999850的博客 1618

超详细!Docker安装Mysql并配置主从

大型网站为了软解大量的并发访问,除了在网站实现分布式负载均衡,远远不够。到了数据业务层、数据访问层,如果还是传统的数据结构,或者只是单单靠一台服务器来处理如此多的数据库连接操作,数据库必然会崩溃,特别是数据丢失的话,后果更是不堪设想。这时候,我们会考虑如何减少数据库的连接,下面就进入我们今天的主题。利用主从数据库来实现读写分离,从而分担主数据库的压力。在多个服务器上部署mysql,将其中一台认为主数据库,而其他为从数据库,实现主从同步。

m0_58660606的博客 2931

vue2/3 - 【超详细】最新网站接入使用支付宝支付功能,点击支付跳转新页面后生成订单及支付二维码,实现支付宝在线付款详细的教程(整个支付的完整配置及支付流程,一键复制源码开箱即用)!

vue支付宝付款,vue支付宝支付,vue如何实现支付宝在线付款,vue网页pc项目接入支付宝支付,vue支付宝支付详细教程,vue2支付宝在线支付的详细示例代码,vue如何做支付宝付款,vue怎么实现支付宝的付款功能,vue调用支付宝进行付款支付,vue PC项目实现 支付宝支付,vue h5页面调用支付宝支付,vue页面唤起支付宝支付功能,vue支付宝支付跳转到新页面,vue如何跳转新开一页展示支付宝二维码支付,vue怎么新开页面进行支付宝在线支付,vue新页面支付宝支付功能,前端vue支付宝支付教程,

✅ 精选推荐文章 5729

基于Docker搭建Mysql8主从复制

docker mysql8 主从复制

肃林的博客 461

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。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

基于Docker的Mysql主从复制搭建_mysql5.7.x

文章目录为什么基于Docker搭建?一、拉取镜像创建容器1. 拉取mysql:5.7镜像2. 创建master容器3. 创建slave容器4. 查看正在运行的容器 为什么基于Docker搭建? 资源有限 虚拟机搭建对机器配置有要求,并且安装mysql步骤繁琐 一台机器上可以运行多个Docker容器 Docker容器之间相互独立,有独立ip,互不冲突 Docker使用步骤简便,启动容器在秒级别 一、拉取镜像创建容器 搭建Master(主)mysql服务器 首先拉取docker镜像,我们这里使用5.7版本

Gblfy_Blog 666

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

docker-compose搭建mysql8 主从

docker-compose搭建mysql8 主从

jomexiaotao的博客 4034

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")

基于Docker Compose搭建的Mysql8.0主从复制(1主3从,多主机)

系统环境 CentOs 7 mysql 8.0.19 docker 18.09.9-ce docker-compose 1.26.1-rc3 安装docker-compose环境 docker-compose的国内镜像源安装: curl -L https://get.daocloud.io/docker/compose/releases/download/1.24.0/docker-compose-`uname -s`-`uname -m` > /usr/local/bin/d...

u012632105的博客 1545

centos7 docker Mysql8 搭建主从

Centos7搭建利用docker 和 docker-compose 搭建Msyq主从结构l

PY_XAT_SFZL的博客 1543

828华为云征文 | 云服务器Flexus X实例,Docker集成搭建Mysql集群

828华为云征文 | 云服务器Flexus X实例,Docker集成搭建Mysql集群

wei_shuo的博客 1528

docker搭建nginx主备模式反向代理Nacos集群加mysql主从复制

本教程环境 服务器:CentOS7.7(推荐使用该版本) 需安装docker,安装docker环境教程请移步 https://blog.csdn.net/weixin_44790046/article/details/105612438 1、先确定自己是否有docker-compose环境 docker-compose version 如果出现了docker-compose的版本号则直接看第3步,否则进入第2步的docker-compose环境安装 2. 安装docker-compose环境 #

SunQIXin的博客 7612

mysql8.0 docker 搭建基于GTID主从复制并设置 从库只读模块

1、创建 docker 容器 ######主库##### docker run -dit \ --net hadoop-master-net \ --ip 192.168.0.202 \ --restart always \ --privileged=true \ --hostname hadoop-master-mysql_13311 \ --name hadoop-master-mysql_13311 \ -v /home/docker/software/mysql-13311/conf/:/etc

seowen的开发 小本子 792

Java开发 - MySQL主从复制初体验

MySQL主从复制是一个异步的复制过程,底层是基于Mysql数据库自带的二进制日志功能。就是一台或多台MySQL数据库(slave,即从库)从另一台MySQL数据库(master,即主库)进行日志的复制,然后再解析日志并应用到自身,最终实现从库的数据和主库的数据保持一致。MySQL主从复制是MySQL数据库自带功能,无需借助第三方工具。​二进制日志(BINLOG)记录了所有的 DDL(数据定义语言)语句和 DML(数据操纵语言)语句,但是不包括数据查询语句。

CodingFire的博客 2985

【Docker&MySQL】CentOS7.x上基于docker容器搭建MySQL主从

一、实验背景 Docker 是一个开源的引擎,可以轻松的为任何应用创建一个轻量级、可移植、自给自足的容器。 Docker 通常用于如下场景: web 应用的自动化打包发布 自动化测试和持续集成、发布 在服务性环境中部署和调整数据库或其他的后台应用 Docker 是一种新型的虚拟化方式,和传统的的虚拟化方式相比具有以下优势: Docker 容器的启动可以在秒级实现,这比传统的的虚...

michaelwoshi的博客 378

Docker 安装mysql8.0 主从同步

docker compose 多容器Docker应用的工具。通过Docker Compose,我们可以更方便地管理多个容器。如果拉取失败,可能是网不通或者是网速太差,建议直接下载到本地,上传到服务器上。运行。

ccmedu的博客 1050

Docker 搭建MySQL服务

在 /usr/local/src/mysql/conf 目录下创建一个名为 my.cnf 的文件,用于设置MySQL的配置。[mysqld]# 基础设置# 字符集设置# 存储引擎# 连接设置# 缓冲区设置# InnoDB 设置# 日志设置# 二进制日志(主从复制用)[mysql][client]EOF。

qq_33807380的博客 867

Docker搭建MySQL主从复制

Docker搭建MySQL主从复制。

weixin_73059729的博客 986
上一篇: docker容器安装vim
下一篇: docker搭建nginx反向代理Nacos集群加mysql
别浪呀
博客等级 码龄8年 1万+粉丝 260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