logminer应用

1、图解Oracle Logminer配置使用 LogMiner配置使用手册 1 Logminer简介 1.1 LogMiner介绍 Oracle LogMiner 是Oracle公司从产品8i以后提供的一个实际非常有用的分析工具,使用该工具可以轻松获得Oracle 在线/归档日志文件中的具体内容,特别是该工具可以分析出所有对于数据库操作的DML和DDL语句。该工具特别适用于调试、审计或者回退某个特定的事务。 LogMiner分析工具实... 阅读详情

Log Miner简介

Log Miner是Oracle自Oracle 8i以后推出的一个可以分析数据库redo log和archivelog内容的工具,可以通过日志分析所有对数据库的DDL和DML操作,也可以分析出操作的时间与操作时的SCN和进行操作的机器,对于DML操作还可以查询出还原操作的sql。

Log Miner组成

源数据库产生LogMiner分析的所有重做日志文件的数据库
挖掘数据库是执行LogMiner分析时使用的数据库
LogMiner数据字典是LogMiner使用字典将内部对象标识符和数据类型转换为可读数据。如果没有字典,Log Miner分析的结果会显示为二进制数据。
logminer包括2个包:DBMS_LOGMNR和DBMS_LOGMNR_D,可以分析redo log file,也可以分析归档后的archive log file

logminer的安装:

创建DBMS_LOGMNR:

SQL> @$ORACLE_HOME/rdbms/admin/dbmslm.sql
Package created.
Grant succeeded.

创建DBMS_LOGMNR_D

SQL> @$ORACLE_HOME/rdbms/admin/dbmslmd.sql
Package created.

启用归档

sys@ORCL>alter database archivelog;

Forcing logging

sys@ORCL>alter database force logging;

添加最小附加日志

sys@ORCL>alter database add supplemental log data;

查看结果

sys@ORCL>select LOG_MODE,FORCE_LOGGING,SUPPLEMENTAL_LOG_DATA_MIN from v$database;
LOG_MODE FORCE_LOG SUPPLEMENTAL_LOG_DATA_MI


ARCHIVELOG YES YES

设置参数:UTL_FILE_DIR,数据字典物理文件存放的路径,注意路径的权限!
alter system set utl_file_dir = ‘/backup’ scope = spfile;
重启数据库才有效

首次添加要分析的日志
execute dbms_logmnr.add_logfile (logfilename=>’/home/orcl/app/fast_recovery_area/ORCL/archivelog/2015_06_03/o1_mf_1_3_bpxgpcwn_.arc’,options=>dbms_logmnr.new);
分析归档可以在varchivedlog视图中找到归档名分析重做日志可以在varchived_log视图中找到归档名 分析重做日志可以在varchivedl​og视图中找到归档名分析重做日志可以在vlogfile视图中找日志名(只能分析未归档重做日志,不然会系统重复错误)

再次添加
execute dbms_logmnr.add_logfile(logfilename=>’/home/orcl/app/fast_recovery_area/ORCL/archivelog/2015_06_03/o1_mf_1_2_bpxgpcwn_.arc’,options=>dbms_logmnr.addfile);

删除挖掘日志
execute dbms_logmnr.add_logfile (logfilename=>’/home/orcl/app/fast_recovery_area/ORCL/archivelog/2015_06_03/o1_mf_1_2_bpxgpcwn_.arc’,options=>dbms_logmnr.removefile);
执行存储过程dbms_logmnr_d.build执行存储过程dbms_logmnr_d.build创建挖掘日志文件的物理文件路径
execute dbms_logmnr_d.build(‘estlogminer.ora’,’/backup’);

启动logminer
execute dbms_logmnr.start_logmnr(dictfilename=>’/backup/testlogminer.ora’,options=>dbms_logmnr.ddl_dict_tracking);指明了字典物理文件’/backup/testlogminer.ora

可以添加一下过滤条件
按SCN来过滤
execute dbms_logmnr.start_logmnr(dictfilename=>’/backup/testlogminer.ora’,startscn=>50,endscn=>100);
按时间过滤
execute dbms_logmnr.start_logmnr(dictfilename=>’/backup/testlogminer.ora’,starttime=>to_date(‘03-Jun-2015 14:20:20’ ,‘DD-MON-YY HH:MI:SS’),starttime=>to_date(‘03-Jun-2015 17:20:20’ ,‘DD-MON-YY HH:MI:SS’));

开启logminer之后
select filename from vlogmnrlogs;可以查询logminer正在分析哪些日志∗∗可以在vlogmnr_logs;可以查询logminer正在分析哪些日志 **可以在vlogmnrl​ogs;可以查询logminer正在分析哪些日志∗∗可以在vlogmnr_contents中在线分析挖掘日志;**
select to_char(timestamp,‘yyyy-mm-dd hh24:mm:ss’),
operation,
username,
SESSION_INFO,
sql_redo
from v$logmnr_contents
7 where table_name = ‘TEST1’;

结束logminer
SQL> EXECUTE DBMS_LOGMNR.END_LOGMNR;

Oracle LogMiner分析归档日志 Oracle LogMiner是Oracle数据库的一部分,使您能够通过SQL接口查询在线和存档的重做日志文件。重做日志文件包含有关数据库上活动历史记录的信息。 阅读详情

相关推荐

LogMiner-开源

LogMiner是用于Apache / IIS(或其他使用“组合”或扩展W3C日志格式的Web服务器)的功能强大的日志分析软件包。 它可以提取并提供有关用户使用的访问,点击,流量,导航路径,浏览器和操作系统的统计信息。

Oracle LogMiner日志挖掘技术全解析

Oracle Redo Log就像Oracle数据库的录像带,记录了数据库中的所有改变,Oracle Logminer工具可以有效地挖掘并且呈现出Redo Log中的事务变化,从而可以实现数据恢复、Oracle Redo Log机制的研究、数据库监控和审计、redo apply类型的程序开发、数据库性能分析等目的。本课程详细地介绍了Oracle Logminer的原理和挖掘方法,并且通过大量的案例演示了logminer挖掘过程和各种选项配置,学习完课程能够完全掌握Oracle Logminer。

oracle日志分析工具LogMiner使用.

oracle日志分析工具LogMiner使用.

oracle logminer日志挖掘

oracle logminer日志挖掘

七海琉璃的博客 2009

Oracle 日志挖掘(LogMiner)使用详解

Logminer依赖于2个包:DBMS_LOGMNR和DBMS_LOGMNR_D,Oracle 11g默认已安装 Logminer 基本使用步骤 <1>. Specify a LogMiner dictionary.   指定Logminer字典 <2>. Specify a list of redo log files for analysis.   指定需要挖掘的redo或者archivelog日志文件 <3>. Start LogMiner.    开始日志挖掘 <4>. Request the redo data of interest.    查询V$LOGMNR_CONTENTS获

模拟IC版图DRC实战:手把手教你搞定MIM电容天线错误和ESD.10g违例

本文深入解析模拟IC版图中的MIM电容天线错误和ESD.10g违例问题,提供从错误解码到实战修复的完整指南。通过电路图修改、版图优化和验证闭环等步骤,帮助工程师高效解决DRC错误,特别适用于ADC等精密模拟电路设计。文章还分享了高级排错技巧和预防性设计策略,大幅提升流片成功率。

weixin_27697385的博客 295

LogMiner应用示例

Logminer应用实例Oracle logminer是oracle从8i之后提供的一个非常有用的分析工具,使用该工具可以轻松获得oracle重做日志文件中的具体内容。该工具可以分析出所有对于数据库的DML语句,9i后可以分析DDL语句,另外还可以分析得到一些必要的回滚SQL语句。其中一个最重要的用途就是不用全部恢复数据库就可以恢复数据库的某个变化。特别适用于调试、审计或者回退某个特定的事

47522341的专栏 1432

【WorkBuddy专栏68】HY3绕路部署vsDS4直击根因——一次真实踩坑揭露两个AI模型的推理差距

【WorkBuddy专栏68】HY3绕路部署vsDS4直击根因——一次真实踩坑揭露两个AI模型的推理差距

AI人人懂 566

Logminer简介及应用

背景近期在研究OGG复制时,对于官方稳定中提到了11.2.0.4及以后的数据库出现了一种新的捕获日志的方法:integrated capture mode。该方法使用Log Mining Server捕获日志。故对于LogMiner进行了一些回顾,整理资料如下。LogMiner用于分析重做日志和归档日志所记载的事务操作。 Logminer是oracle提供的用于分析重做日志信息的工具,它包括DBM

lijingkuan的博客 6890

基于 STM32 的智慧图书馆智能控制系统设计与实现

智慧图书馆智能控制系统集成环境调控、安全监控、借阅管理与信息推送功能,通过 STM32 主控芯片联动传感器、执行器及云平台,实现图书馆智能化管理。系统架构分为感知层(传感器)、控制层(STM32 主控)、执行层(继电器 / 显示屏)及云端层(数据交互),支持温度自动调节、灯光自控、火情安防监控、天气推送及 RFID 借还书管理。本系统通过 STM32 实现多传感器融合与设备控制,结合 RFID 与云平台技术,构建了集环境智能调控、安全监控、便捷借阅于一体的智慧图书馆解决方案。

weixin_42300449的博客 2211

光伏微电网蓄电池储能控制系统设计及动态性能分析

本文构建了光伏微电网蓄电池储能控制系统的完整理论体系。在系统架构方面,提出了基于直流母线电压平衡的多时间尺度能量管理理论,建立了光伏发电单元的二阶物理模型和MPPT动态跟踪算法。针对蓄电池系统,设计了融合二阶RC等效电路与扩展卡尔曼滤波的SOC估计方法,误差控制在3%以内。双向DC-DC变换器采用状态空间平均建模方法,推导了小信号传递函数,为闭环控制提供理论基础。该体系实现了从瞬时功率平衡到长期能量调度的多层级协同控制,为微电网稳定运行提供了系统的解决方案。

AI的内部世界的博客 191

LogMiner应用1:表的访问统计

本文使用DBMS_LOGMNR_D.STORE_IN_FLAT_FILE 一、案例环境和思路: 1、环境:Oracle 19C PDB,开启归档、闪回、附加日志,使用LogMiner用户,FLAT FILE目录"utlfile"  mkdir -p /home/oracle/logmnr sqlplus / as sysdba alter session set container=pdb; GRANT READ,WRITE ON DIRECTORY “utlfile” TO c##roma_lo

老刘的O记博客 943

Android11车机系统海外项目资源包RRO方案优化

本文介绍了汽车设置应用如何通过Android RRO(运行时资源叠加)方案实现多车型差异化资源管理。针对不同车型(国内/海外、轿车/SUV)和配置(方向盘、轮毂等),采用产品变体(productFlavors)构建不同APK版本,并通过JSON配置文件动态启用对应资源包。系统根据车辆下线配置自动匹配适用的资源叠加包,解决了硬编码判断带来的维护问题。该方案实现了资源的高效复用,同时支持灵活配置多种车型组合,为汽车行业多车型共平台开发提供了可扩展的技术实现。

shusuanly的博客 470

重庆思庄oracle技术分享-logminer分析实际应用

1.找到要进行分析的归档日志文件 select to_char(first_time,‘yyyy-mm-dd hh24:mi:ss’) as TIME,blocks,NAME from v$archived_log where first_time between to_date(‘2022-01-05 04’,‘yyyy-mm-dd hh24’) and to_date(‘2022-01-05 05’,‘yyyy-mm-dd hh24’) and dest_id=1 order by 1 desc; 2

duanweifang的博客 155

具身智能(40):主流 VLA 模型π₀

摘要: π₀是首款专为机器人设计的VLA(视觉-语言-动作)端到端基础模型,通过双阶段训练实现“感知-决策-执行”闭环。其创新点包括:1)FlowMatching技术实现连续平滑动作控制(精度0.3°);2)结合VLM预训练与多机器人实操数据,零样本任务完成率达76.4%,远超同类模型;3)支持模糊指令理解与动态场景适应(如遮挡识别)。开源版本涵盖不同规模模型,适用于工业装配、服务机器人等场景,在延迟(213ms)和稳定性(92%自主恢复率)上显著领先OpenVLA等竞品。

码农17年的博客 516

2021.02.23丨Virsorter2安装使用及答疑

最近项目比较多,又在学英语,写文章的时间少了很多。最近接到一个病毒组装的项目。用之前组装工具(ABYSS、SPAdes)都没有能够组装较为完整的scafford,今天介绍一款专门用于组装病毒的工具——Virsorter。 Virsorter最早版本发布于2015年,目前已经有了第二个版本。主要用于病毒的组装的注释。详细情况可以查看文章:https://peerj.com/articles/985/ 安装流程 安装文档: https://github.com/jiarong/VirSorter2/b

4836

转基于BCV 和LogMiner 实现增量数据抽取的应用

计算 机 系 统 应 用 2010 年第 19 卷第 4 期192 经验交流 Experiences Exchange基于BCV 和LogMiner 实现增量数据抽取的应用①杨从法 1 宋兴彬 2 (1.淄博市国家税务局信息中心...

coupiaoze1188的博客 412

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

LogMiner应用3:确定闪回时间

本文使用DBMS_LOGMNR.DICT_FROM_ONLINE_CATALOG 一、案例环境和思路: 1、环境:Oracle 19C,开启归档、闪回、附加日志,使用LogMiner用户,数据泵的导出目录DATA_PUMP_DIR CREATE OR REPLACE DIRECTORY DATA_PUMP_DIR AS '/home/oracle'; GRANT READ,WRITE ON DIRECTORY DATA_PUMP_DIR TO hr; hr@PDB>col table_name fo

老刘的O记博客 225

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

LogMiner

1 logmin需要字典:TheBUILDprocedure.TheBUILDTheTheCopyCopyTheIdeally,

文档搬运工 887

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 日志解析工具类,Oracle LogMiner分析工具的应用介绍

我们大家都知道Oracle LogMiner作为集成在Oracle8i和Oracle9i数据库的产品的相关日志的分析工具,我们通过此工具可以清楚的分析重做相关日志与归档日志中的所有事务变化,并能准确地确定各种DML和DDL操作的具体时间和SCN值。对重做日志和归档日志进行分析的目的是为了恢复由于执行了误操作而丢失的数据。使用LogMiner可实现:①确定数据逻辑损坏的时间。例如,用户执行了DROP...

weixin_31138555的博客 304

使用logminer回答一个网友的问题

原文博客链接 http://www.killdb.com/2011/10/23/%e4%bd%bf%e7%94%a8logminer%e5%9b%9e%e7%ad%94%e4%b8%80%e4%b8%aa%e7%bd%91%e5%8f%8b%e7%9a%84%e9%97%ae%e9%a2%98.html

Roger的数据库专栏 418

Oracle 11g之LogMiner常用场景

1 LogMiner常用场景 1.1 用LogMiner跟踪特定用户所做的更改 本节例子,查出用户joedevo在特定时间范围内对数据库所做的所有操作,步骤如下: 1.创建LogMiner字典    使用LogMiner分析joedevo相关的数据,必须在joedevo对它的所有表做任何的更改操作前创建LogMiner字典或者直接使用在线字典,本例使用已提取到重做日志文件中的Log

成屿的专栏 2131

让我们挖吧——Logminer(1)Logminer简介

最近o小白开始研究Logminer,其实Logminer整个来说还是比较简单的,要单纯的做个实验不难,但是要里面有很多东西都有的说,那既然开始研究,先写篇开题。 首先,什么是Logminer。我们知道,所有的数据操作在oracle中都被记录在了redo log中,用来做数据库的恢复,而Logminer简单来说就是一种工具,可以用来观察redo log中的内容。通过观察red...

weixin_33698823的博客 150

日志挖掘logminer

一、 准备工作 开归档 添加补充日志 alter database add supplemental log data; select SUPPLEMENTAL_LOG_DATA_MIN from v$database; 在通常情况下,redo log只记录进行恢复所必需的信息,但这些信息有时是不够的。例如在redo log中使用rowid唯一标识一行而不是通过Primary key,如...

Hehuyi_In的博客 2527

Oracle 11g logminer

http://blog.youkuaiyun.com/dream19881003/article/details/6687675 logminer工具的作用: 1,确定数据的逻辑损坏的时间 2,跟踪用户执行的事务变化操作 3,跟踪表的DML操作 指定数据文件存放路径及创建数据字典文件 alter system set utl_file_dir='/home/

sustwct的专栏 1522
上一篇: linux(centos6.5)下安装oracle12c
下一篇: 配置Goldengate从Oracle到PostgreSQL的同步复制(DML)
codepeter
博客等级 码龄6年 11粉丝 47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