Oracle视图和触发器

告别色差!用Python+TCS34725颜色传感器实现精准色彩还原(附完整校准代码) 本文详细介绍了如何利用Python和TCS34725颜色传感器实现专业级色彩还原方案。通过双阶校准法(白光校准和黑电平校准)和进阶的光照自适应技术,解决传感器原始数据不准的问题,并提供完整的校准代码和实战案例,帮助开发者实现ΔE<3的高精度色彩识别。 阅读详情

视图和触发器
一、视图
视图是一个虚拟表,包含一些带有名称的列和行数据。但是,视图中没有数据值,其数据值来自定义视图时的查询语句。

1、创建视图。需要管理员授予权限
grant create view to scott;

create or replace view 视图名 as select语句。

with read only; --只读

2、查看视图内天
select * from 视图名

3、删除视图
drop view 视图名

二、触发器

触发器是一种通过“触发事件”来执行的pl/sql命名程序块。
作用:
1、管理复杂的完整性约束
2、监控对表的增加、修改和删除
3、实现对数据的审计。
比如:插入insert、修改update和删除delete

语法:

create [or replace] trigger 触发器名 触发时间 触发事件
on 表名
[for each row]
begin
  pl/sql语句
end

解释:
触发时间:指明触发器何时执行,该值可取:
before:表示在数据库动作之前触发器执行;
after:表示在数据库动作之后触发器执行。
触发事件:指明哪些数据库动作会触发此触发器:
insert:数据库插入会触发此触发器;
update:数据库修改会触发此触发器;
delete:数据库删除会触发此触发器。
表 名:数据库触发器所在的表。
for each row:对表的每一行触发器执行一次。如果没有这一选项,则只对整个表执行一次

1、触发器类型
1)语句级触发器
不使用for each row。无论数据操纵影响多少行,都只执行一次。

例如:创建触发器tri_stu,当向student表中插入数据之前,触发器自动把操作写入日志表stu_log中

–删除表
drop table student;

–创建表student
create table student —创建student表
(
id number not null, --id
name VARCHAR2(10) not null, --姓名
sex varchar2(10) not null,–性别
age NUMBER not null
);
–删除日志表
drop table stu_log;

–创建学生日志表stu_log
create table stu_log —创建student表
(
action VARCHAR2(10), --操作类型。增、删、改
shijian date --时间
);

–创建触发器
create or replace trigger tri_stu
before insert or update or delete on student --创建触发器。当向表student中插入、修改或删除时触发
declare
action varchar2(10); --声明变量。保存操作的类型
begin
if inserting then --当执行插入操作时,inserting为true
action := ‘插入’;
elsif updating then --当执行修改操作时,updating 为true
action := ‘修改’;
elsif deleting then --当执行删除操作时,deleting 为true
action := ‘删除’;
end if;
insert into stu_log (action, shijian) values (action, sysdate);
end;
/

–向student表中插入数据
insert into student values(1,‘张三’,‘男’,18);
insert into student values(2,‘李四’,‘男’,18);
insert into student values(3,‘王五’,‘男’,18);
insert into student values(4,‘赵六’,‘男’,18);

2)行级触发器
行级触发器针对DML操作所影响的每一行数据都执行一次触发器。必须在语法中使用for each row

例如:创建触发器,当向商品表good中每插入一行数据时,可以自动使用序列,产生编号
–先删除good表
drop table good;

–创建表good。商品表
create table good(
id number not null primary key, --编号,主键,非空
name varchar2(10) not null --姓名,非空
);

–先删除序列
drop sequence stu_id;

–创建序列
create sequence stu_id
start with 1
increment by 1
minvalue 1
maxvalue 200
order;

–创建触发器
create or replace trigger tri_good
before insert on good
for each row
begin
select stu_id.nextval into :new.id from dual;
end;
/

提示::new.id为列标识符,用来指向新行的id列。
给:new.id赋值,相当于给当前行的id列赋值

–插入语句
insert into good values(‘苹果’);
insert into good values(‘香蕉’);
insert into good values(‘菠萝’);

5、创建替代触发器
对"视图"进行操作时定义的触发器,替代触发器只能定义在"视图"上

语法:
create [or replace] trigger trigger_name --触发器名称

instead of trigger_event --触发事件

on view_name --视图名称

for each row --替代触发器必须指定为行级的触发器

[when trigger_condition] --触发条件

trigger_body --触发体,PL/SQL块
end trigger_name;

例如:创建触发器,当删除只读视图中的数据时,student表中原来的数据也被删除

1)首先创建视图view。需要管理员权限
create or replace view v_stu as select * from student
with read only;

2)创建替代触发器
create or replace trigger stu_instand_tri
instead of delete on stu_view
for each row
begin
delete from student where id = :old.id;
end stu_instand_tri;
/

提示::old.id是表示当前行id列的原始值

6、删除触发器
drop trigger 触发器名

Protege新手入门:5分钟搞定本体建模基础(附实战案例) 本文为Protege本体建模新手提供了一份快速入门指南。通过构建一个关于“披萨”的实战案例,详细讲解了从环境准备、定义核心类(Classes)、建立对象属性(Object Properties)到设置数据属性(Data Properties)和创建个体的完整流程。文章旨在帮助读者绕过复杂理论,在5分钟内直观掌握本体建模的基础操作,快速建立知识图谱构建的信心。 阅读详情

相关推荐

「API取数」FDL获取金蝶云星空的单据数据

本文介绍了如何使用FDL实现金蝶云API取数以及如何有效应对复杂的API数据处理场景。

oOBubbleX的博客 2033

在Oracle数据库中查询所有触发器、存储过程、视图、表

在Oracle数据库中查询所有触发器、存储过程、视图、表 方法一:Select object_name From user_objects Where object_type='TRIGGER'; --所有触发器 Select object_name From user_objects Where object_type='PROCEDURE'; --所有存储过程 Select obje...

weixin_30527551的博客 415

从理论到实践:TRL去嵌入校准在国产矢量网络分析仪上的应用全解析

本文全面解析了TRL去嵌入校准技术在国产矢量网络分析仪上的应用实践,从核心算法到工程实现。详细介绍了TRL校准的数学原理、国产VNA的程控接口开发、校准件质量评估及测量不确定度控制策略,帮助工程师掌握高频器件测量的关键技术。

tech5的博客 1016

Oracle学习笔记 _17_视图和触发器

Oracle学习 第17天                 —— 视图和触发器   视图                   视图也是Oracle的一种数据对象,其主要作用是简化数据库的操作,提高安全性。                   视图相当于一个虚拟表。它并不存在于物理磁盘中,它是根据其他的表动态生成的。       基本语法:                 创...

新青年1号 432

20240128 C#与SCPI协议实战:轻量级仪器控制库ScpiNet应用指南

本文详细介绍了轻量级C#库ScpiNet在仪器控制中的应用。相较于传统的NI-VISA,ScpiNet无需安装庞大运行时,通过纯C#实现直接与USB或以太网设备通信,支持跨厂商SCPI仪器。文章提供了从快速连接到实战封装、错误处理的完整指南,帮助开发者构建简洁高效的自动化测试系统。

h9j8k7l6m5n的博客 549

S7-1200与KINCO伺服通信实战:CM CANopen模块配置避坑指南(附完整PDO映射表)

本文详细解析了西门子S7-1200 PLC通过CM CANopen模块与KINCO伺服驱动器的通信配置全流程,重点解决PDO映射混乱、心跳报文配置错误等常见问题。提供硬件组态、参数设置、PDO映射模板及故障排查方案,助力工业自动化系统实现稳定高效的多轴运动控制。

2y3u4i5o6p的博客 1106

oracle 触发器的种类,使用触发器实现复杂完整性的方法, instead of触发器更新视图的建立方法,特殊触发器(模式触发器、数据库启动关闭触发器、用户登录退出触发器)

文章目录一.触发器常用系统变量1.1 触发器定义1.2 触发器语法1.3 触发器分类1.3.1 模式(DDL)触发器1.3.2 数据库触发器1.3.3 DML触发器 一.触发器 常用系统变量 ORA_CLIENT_IP_ADDRESS 返回客户端的ip地址,只用在系统触发器中 ORA_DATABASE_NAME 返回数据库名 ORA_LOGIN_USER 返回登录用户名 ORA_DICT_OBJ_NAME 返回DDL操作所对应的数据库对象名 ORA_DICT_OBJ_TYPE返回DDL操作所对应的数据库对象

不是一枚开发 5万+

MT4/MT5数据源接入全攻略:从买服务、自研API到低成本DDE,哪种方案适合你?

本文全面解析MT4/MT5数据源接入的三种主流方案:商业服务、自研API和低成本DDE,详细对比其技术参数、成本结构和适用场景。帮助技术团队根据业务需求选择最优方案,确保外汇交易系统的数据流稳定性和实时性,提升交易体验和业务连续性。

weixin_42568801的博客 176

Oracle中的触发器

Oracle中的触发器

m0_71406734的博客 1万+

基于mengzi-t5训练生成式模型

【代码】基于mengzi-t5训练生成式模型。

开卷有益 172

91、Windows网络配置:动态更新与名称解析全攻略

本文全面解析了Windows XP Professional系统中的网络配置方法,重点介绍了动态更新和名称解析两大核心功能。动态更新部分涵盖DHCP客户端、静态配置客户端、远程访问客户端和多宿主客户端的配置方法,并提供禁用动态更新和编辑Hosts文件的注意事项。名称解析部分详细讲解了NetBIOS名称解析的基础知识、WINS配置方法、B节点广播与Lmhosts文件的使用,以及WINS代理的作用和配置要点。通过操作建议流程图和关键操作步骤回顾,帮助用户快速掌握网络配置的核心技巧,适用于不同网络环境的实际需求。

blue42的博客 236

Oracle中的视图、触发器、函数、包

1.视图

我爱编程持之以恒 1181

互联网人提高效率必备软件合集

很多的时候我们解决不了问题,只是因为没有找到对的工具,实际上,很多好的工具就在那里,只是你不用而已。这点上,信息壁垒是一个很大的原因,因此我希望兄伙伴们多出去走走,不要只是局限在一个圈层;

zhonglunshun的专栏 3485

oracle 触发器更新视图,oracle视图更新,替代触发器

在oracle中通常如果视图的数据源来自单表则该视图可以进行更新。而如果视图数据源来自两个以上表时这个视图是不可更新的。但有时候为了操作的方便我们更希望能够对多表视图也进行更新。这时候我们可以通过建立更新触发器来替代该视图原有更新以达到多表更新的效果例如:3.1 创建测试数据表--===================================================--创建测试表-...

weixin_35745604的博客 550

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

oracle创建视图触发器

1.视图触发器语法 2.视图触发器作用 3.视图触发器实例

Java仗剑走天涯 8081

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")

oracle视图更新,替代触发器

在oracle中通常如果视图的数据源来自单表则该视图可以进行更新。而如果视图数据源来自两个以上表时这个视图是不可更新的。但有时候为了操作的方便我们更希望能够对多表视图也进行更新。 这时候我们可以通过建立更新触发器来替代该视图原有更新以达到多表更新的效果 例如: 3.1 创建测试数据表 --===================================================

frankzcy的专栏 3102

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

oracle物化视图建立触发器,oracle技术之oracle利用触发器对物化视图刷新进行定制...

物化视图的刷新其实和普通的SQL执行没有什么本质的区别,因此也可以通过在物化视图上创建触发器的方式,对刷新操作进行定制。正好前两天有人在BLOG上问我,如果在物化视图添加一个时间戳列,并在物化视图更新的时候,自动维护这个列。其实很简单,通过触发器就可以达到这个目的:SQL> CREATE TABLE T (ID NUMBER PRIMARY KEY, NAME VARCHAR2(30));表...

weixin_42570484的博客 597

oracle触发器视图,Oracle 基本语法、触发器、视图

数据库分类1.小型数据库:access、foxbase2.中型数据库:inormix、sqlserver、mysql3.大型数据库:sybase、db2、oracle项目合理的使用数据库,参考原则:1.项目规模2.负载量、即用户量3.成本4.安全小型数库:1.负载小,大概100人左右2.案例:留言板、信息管理系统3.成本低、千元左右、安全性低中型数据库:1.负载量:日访问5000 - 100002...

weixin_31445091的博客 301

mysql触发器实现oracle物化视图功能

oracle数据库支持物化视图,是根据基表实际存在的实表,物化视图可以用于预先计算并保存多表的链接(JOIN) 或聚集(GROUP BY)等耗时较多的SQL操作结果,sql server 叫做索引视图。 物化视图的刷新是指当基表发生DML操作,物化视图何时采用哪种方式和基表进行同步: on demand on commit mysql本事不支持物化视图,但是可以通过一些机制实现实现物化视图的功能,...

weixin_40524659的博客 575

oracle视图带数组,oracle 触发器、视图、自定义部类和数组

当前位置:我的异常网» 数据库»oracle 触发器、视图、自定义部类和数组oracle 触发器、视图、自定义部类和数组www.myexceptions.net网友分享于:2013-07-23浏览:6次oracle 触发器、视图、自定义类型和数组1:视图(view)视图的作用:A:控制数据访问B:简化查询C:数据独立性D:可以控制视图中的数据的操作权限。2:如何创建视图:grant c...

weixin_42524171的博客 261

oracle 触发器更新视图,关于UPDATE触发器的详细介绍

UPDATE触发器UPDATE 触发器在 UPDATE 语句执行之前或之后执行。需要知道以下几点:1.在 UPDATE 触发器代码中,你可以引用一个名为 OLD 的虚拟表访问以前( UPDATE 语句前)的值,引用一个名为 NEW 的虚拟表访问新更新的值;2.在 BEFORE UPDATE 触发器中, NEW 中的值可能也被更新(允许更改将要用于 UPDATE 语句中的值);3.OLD 中的值全都...

weixin_36256978的博客 1881

Oracle替代触发器的方法,oracle视图更新,替代触发器(转)

在oracle中通常如果视图的数据源来自单表则该视图可以进行更新。而如果视图数据源来自两个以上表时这个视图是不可更新的。但有时候为了操作的方便我们更希望能够对多表视图也进行更新。这时候我们可以通过建立更新触发器来替代该视图原有更新以达到多表更新的效果例如:3.1 创建测试数据表--===================================================--创建测试表-...

weixin_30781905的博客 401

oracle 视图 存储过程 触发器详解

Oracle索引?   目地:更快地检索数据。   特点:读取数据速度快,但添加数据速度慢.。   语法:   create index idx_stu_email on stu (email) ;   drop index idx_stu_email ;   select index_name from user_indexs ; Oracle视图?        C

Aring专注网络安全 994

Oracle 多表视图更新(待看完触发器后再来看)

1 前言 多表视图的定义:当视图的数据源只有一张数据表,则该视图为单表视图;当视图的数据源是多张数据表,则该视图为多表视图。 可更新视图的定义:在绝大多数人的概念中,视图是只读的,不允许修改。ORACLE 8i以上版本,单表视图如果没有设定With Read Only,则该视图是可以更新的,对视图的操作将直接写入的数据表中。 那么,如果视图的数...

aobi6343的博客 163

oracle 索引,视图,存储过程,触发器 函数

Oracle索引?   目地:更快地检索数据。   特点:读取数据速度快,但添加数据速度慢.。   语法:   create index idx_stu_email on stu (email) ;   drop index idx_stu_email ;   sel

xiashan17的专栏 933

Oracle 视图、物化视图、序列、索引、游标、触发器、事务

目录 view 视图 sequence 序列 index 索引 cursor 游标 触发器 序列+触发器模拟主键自增 view 视图 1、视图是查询结果的一个封装,视图中的所有数据都来自它查询的表,视图本身不存储任何数据。 2、视图能过封装复杂的查询结果,视图语法:create [or replace] view 视图名 as 查询语句 [with read only]; o.........

蚩尤后裔-汪茂雄 4879
上一篇: oracle游标
下一篇: Oracle存储过程和事务
vxzvzxx
博客等级 码龄7年 0粉丝 7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