MySQL_04

Ubuntu20.04安装Mysql Ubuntu20.04安装Mysql1.1 下载安装MySQL1.2通过apt 安装MySQL服务2.1 初始化配置2.2检查mysql服务状态3.1配置远程访问3.2新建数据库和用户3.3mysql服务命令4、数据库操作命令4.1mysql服务操作4.2数据库操作4.3表操作4.4修改表结构4.5数据操作4.6数据的备份与恢复4.7卸载 1.1 下载安装MySQL 在Ubuntu中,默认情况下,只有最新版本的MySQL包含在APT软件包存储库中,要安装它,只需更新服务器上的包索引并安装默认包apt-get 阅读详情
子查询:
where型子查询,from型子查询,exists型子查询

where型例子:
#查出表中最新的商品(以id最大为最新)
select goods_id,goods_name from goods where goods_id = (select max(goods_id) from goods);
#查出每个栏目下最新的商品
select goods_id,cat_id,goods_name from goods where goods_id in (select max(goods_id) from goods group by cat_id);
#查出每个栏目下最贵的商品
select goods_id,cat_id,goods_name,shop_price from goods where shop_price in (select max(shop_price) from goods group by cat_id);
from型例子:
#查出每个栏目下最新的商品
select * from (select goods_id,cat_id,goods_name from goods order by cat_id asc,goods_id desc) as tmp group by cat_id;
#查出挂科2门及以上的学生的平均分

exists型例子:


union联合
把2次或多次查询结果合并起来
要求:两次查询的列数一致
推荐:查询的每一列相对应的列类型一样
可以来自于多张表,多次sql语句取出的列名可以不一致,此时以第一个sql列名为准
如果不同的语句中取出的行,有完全相同(每个列的值都相同),那么相同的行讲会合并(去重复),如果不去重复,可以加all
如果子句中有order by,limit等,须加括号,避免产生歧义而出错。推荐放到所有子句之后,即对最终合并后的结果来排序(在子句中,order by 配合limit使用才有意义)
例:select goods_id,goods_ name,shop_price from goods where shop_price > 5000 union select goods_id,goods_name,shop_price from goods where shop_price < 20;
#将ta和tb表中id相同的项num相加,不相同的项单独列出来
select id,sum(num) from (select * from ta union all select * from tb) as tmp group by id;




连接查询(左连接,右连接,内连接)
要素:连接接上表;连接条件
select
goods_id, goods.cat_id, cat_name, goods_name, shop_price
from
goods left join category
on goods.cat_id = category.cat_id;

左连接:
select 列1,列2,列N from
tableA left join tableB
on tableA.列=tableB.列 (此处表连接成一张大表)
where group,having....照常写
特点:以左表为准,去右表找匹配数据,找不到匹配用NULL补齐。结果行数>=M (假设A表M行,B表N行数据)

右连接:
select 列1,列2,列N from
tableA right join tableB
on tableA.列=tableB.列 (此处表连接成一张大表)
where group,having....照常写
特点:以右表为准,去左表找匹配数据,找不到匹配用NULL补齐。结果行数>=M (假设A表M行,B表N行数据)


左右连接可以相互转化,推荐使用左连接代替右连接

内连接:
select 列1,列2,列N from
tableA inner join tableB
on tableA.列=tableB.列 (此处表连接成一张大表)
where group,having....照常写
特点:查询左右表中匹配的项,左右表中不匹配的数据项丢弃。结果行数<=M或N (假设A表M行,B表N行数据),内连接是此左右连接的交集(求左右连接的并集时,可以将左右连接的结果union一下)





在girl表中增加一行数据





取出商品的名称,栏目名,品牌名(连接3张表进行查询)






Ubuntu 18.04 安装MYSQL的ODBC驱动 看了不少文章,mysql 的odbc 驱动因为版本的问题,没找到适合 ubuntu 18的。 折腾一下,把过程帖出来给大家参考。 1、安装unixODBC 这个有很多详细的介绍,帖一下命令即可。我下的是2.3.4 sudo wget ftp://ftp.unixodbc.org/pub/unixODBC/unixODBC-2.3.4.tar.gz tar -xvzf unixODBC-... 阅读详情

相关推荐

关于Arduino中的常用函数

一、I/O函数 二、时间函数 三、数学函数 abs 返回其参数的无符号值 【abs(12)返回12,abs(-12)也返回12】 constrain 限制一个数字以阻止它超出范围。第一个参数是被限制的数字,第二个参数是范围区间的开始,第三个参数是允许的数字范围区间的结尾。 【constrain(8,1,10)返回8,constrain(11,1,10)返回10,constrain(0,1,10)返回1】 map 将一个范围内的数字映射到另一个范围。第一个参数是要映射到数字,第二个和第三个参数是from范围(

TREE的博客 7322

Ubuntu20.04安装MySQL及配置MySQL workbench

文章目录前言一、MySQL安装与配置1. 安装MySQL2. 配置MySQL二、配置MySQL远程访问三、安装配置MySQL workbench1. 安装MySQL workbench2.使用MySQL workbench连接到数据库总结 前言 最近在学习林子雨老师的大数据时,发现为 Hadoop 安装 Hive 需要使用 MySQL 数据库保存 Hive 的元数据,而不是采用 Hive 自带的 derby 来存储元数据。为了填补大数据专栏的空白,查阅资料完成此篇博客。 系统版本:Ubuntu20.04

程序必须为人类阅读而编写,并且仅仅碰巧可以让机器执行 1万+

CST局部网格加密实战:从基础设置到Meshgroup高效管理

本文详细解析了CST电磁仿真软件中的局部网格加密技术,重点介绍Meshgroup功能的高效管理方法。通过平行板电容等实战案例,阐述从基础设置到多级加密策略的完整流程,帮助用户精准提升关键区域仿真精度,同时优化计算资源使用效率。

grafana6viz的博客 694

Ubuntu18.04 安装MySQL

Ubuntu18.04 安装MySQL

Weison 34万+

从原理到实践:手把手教你用XY2-100协议控制激光振镜(含引脚定义图)

本文详细解析了XY2-100协议在激光振镜控制中的应用,从硬件接口定义到时序分析,再到Verilog硬件逻辑实现,提供了完整的开发指南。通过实际案例和优化策略,帮助开发者快速掌握高精度激光振镜控制技术,提升加工质量和效率。

weixin_30505225的博客 399

【流复制环境PostgreSQL-14.1到PostgreSQL-16.1大版本升级】

PostgreSQL大版本会定期添加新特性,这些新特性通常会改变系统表的布局,但内部数据存储格式很少改变。pg_upgrade通过创建新的系统表和重用旧的用户数据文件来执行快速升级。pg_upgrade升级主要有三种用法:1、使用pg_upgrade拷贝升级。2、使用pg_upgrade链接升级(带有- -link选项),- -link较快,但是启动新版本后修改了数据文件,再启动旧版本可能数据损坏,回滚较麻烦,所以尽量避免使用link参数进行升级。

小怪兽的博客 2925

在Ubuntu 20.04上安装MySQL的方法

MySQL 是一个开源的数据库管理系统,通常作为流行的 LAMP(Linux、Apache、MySQL、PHP/Python/Perl)堆栈的一部分安装。它实现了关系模型,并使用结构化查询语言(更为人所知的是 SQL)来管理其数据。本教程将介绍如何在 Ubuntu 20.04 服务器上安装 MySQL 8.0 版本。完成本教程后,您将拥有一个可用于构建下一个网站或应用程序的工作关系型数据库。

rubys007的博客 3392

IP白名单校验

支持格式: 1、127.0.0.1 // 指定固定IP 2、127.0.0.1-127.0.0.128 // 可使用“-”来表示一个IP区间,支持跨IP段(一般不会出现这种情况,跨IP段则配置多个规则) 3、127.0.* // 2~4位IP段可...

2199

【MySQL】Ubuntu 20.04 下安装 MySQL 5.7

这篇文章详细介绍了在 Ubuntu 20.04 上安装 MySQL 5.7 的过程。首先,检查并卸载已有的 MySQL 服务,然后添加 MySQL APT 存储库的源,并处理公钥错误。接着,安装 MySQL 5.7 客户端和服务端,并进行基本配置,包括设置字符集和服务端端口。最后,重启 MySQL 服务以应用配置。文章提供了相关命令和配置文件示例,并列出了参考链接。

ljh1257的博客 2928

告别官方WebRTC的30G编译:我用libdatachannel给USB摄像头做了个轻量级网页监控

本文介绍了一种基于libdatachannel的轻量级WebRTC监控方案,通过USB摄像头实现实时视频推流。相比官方WebRTC库30GB的庞大编译体积,libdatachannel仅需几十MB,大幅简化了开发流程。文章详细讲解了从视频采集、FFmpeg编码到WebRTC传输的全过程,并提供了性能优化和部署方案,帮助开发者快速构建高效的网页监控系统。

weixin_29207533的博客 533

【ESP32摄像头开发实例】-视频流接入Home Assistant

在这个项目中,我们将使用ESP32-CAM板构建一个IP监控摄像头。ESP32摄像头将托管一个视频流媒体网络服务器,您可以使用网络中的任何设备进行访问。

视觉与物联智能 788

Ubuntu18.04安装MySQL8.0

直接使用apt install mysql-server安装,那么恭喜你踩坑。sudo apt install mysql-server默认会安装MySQL 5.7,将会出现一些莫名的问题,例如:安装过程没有要求输入root密码,而登录mysql时会要求密码(我就是遇到了这个问题,结果搞了一下午╮(╯▽╰)╭)等等……阅读了一下MySQL安装指南,发现MySQL5.7版本最高只适配到Ubuntu1...

Iversonx的博客 2万+

PCL RANSAC采样一致性算法

一直想了解一下RANSAC算法的一些原理,所以就趁着自己闲了下来整理了一下,做了这篇笔记。 文章目录一、简介二、PCL中的RANSAC 一、简介 RANSAC是一种随机参数估计算法。RANSAC从样本中随机抽选出一个样本子集,使用最小方差估计算法对这个子集计算模型参数,然后计算所有样本与该模型的偏差,再使用一个预先设定好的阈值与偏差比较,当偏差小于阈值时,该样本点属于模型内样本点(内点),否则就是外样本点(外点)。记录当前的内点的个数,然后重复上述的过程,直到模型中的内点达到最多,那么此时的模型参数即为最

dayuhaitang1的博客 2115

在Ubuntu 18.04上安装MySQL的方法

MySQL 是一个开源的数据库管理系统,通常作为流行的 LAMP(Linux、Apache、MySQL、PHP/Python/Perl)堆栈的一部分安装。它使用关系数据库和 SQL(结构化查询语言)来管理数据。安装的简短版本很简单:更新软件包索引,安装软件包,然后运行附带的安全脚本。本教程将解释如何在 Ubuntu 18.04 服务器上安装 MySQL 版本 5.7。但是,如果您想要将现有的 MySQL 安装更新到版本 5.7,您可以阅读这篇 MySQL 5.7 更新指南。

rubys007的博客 2240

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

ubuntu20.04安装mysql数据库

ubuntu20.04安装mysql数据库

孤寒者的博客 3万+

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

在 Ubuntu 18.04 中安装 MySQL 8

文章目录在 Ubuntu 18.04 中安装 MySQL 8环境信息添加 MySQL APT 仓库使用 APT 安装 MySQL启动、停止 MySQL 服务器参考 在 Ubuntu 18.04 中安装 MySQL 8 须知:以下出现的命令,以 # 开头,由 root 用户执行;以 $ 开头,由普通用户执行;命令后面的 // 代表注释。 环境信息 Ubuntu 系统信息: # lsb_release...

qq_29761395的博客 1万+

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")

ubuntu18.04上安装配置MySQL的详细介绍

需求背景 在window10上安装配置mysql, 在windows上使用SQLyog连接到windows上的mysql 在虚拟上的ubuntu上安装配置mysql 在windows上使用SQLyog连接到ubuntu上的mysql 在云服务器上的CentOS上安装配置mysql并使用SQLyog连接 本篇文章主要介绍第二部分,在ubuntu18.04上安装配置MySQL 由于......

qq_36609501的博客 1万+

Ubuntu22.04安装MySQL8

在apt安装的MySQL的配置文件里,设置了绑定127.0.0.1地址,需要在配置文件。​ 现在,您已经成功在 Ubuntu 22.04 上安装了 MySQL 8。另外,如果是云服务器,需要在云服务器控制端开启3306端口。安装过程中会提示设置 MySQL root 用户的密码。安装MySQL需要在root用户下。中注释掉该行,在操作之前,需要停止。

qq_41883610的博客 2463

在 Ubuntu 24.04 LTS 上安装 MySQL 8

在开始安装 MySQL 之前,确保你的系统软件包是最新的。

qq_47753695的博客 7485

在Ubuntu 16.04上安装MySQL的方法

MySQL 是一个开源的数据库管理系统,通常作为流行的 LAMP(Linux、Apache、MySQL、PHP/Python/Perl)堆栈的一部分安装。它使用关系数据库和 SQL(结构化查询语言)来管理其数据。安装的简短版本很简单:更新软件包索引,安装软件包,然后运行附带的安全脚本。本教程将解释如何在 Ubuntu 16.04 服务器上安装 MySQL 版本 5.7。但是,如果您想要将现有的 MySQL 安装更新到版本 5.7,您可以阅读这篇 MySQL 5.7 更新指南。

rubys007的博客 2401

在Ubuntu 20.04上安装MySQL教程

在Ubuntu 20.04上安装MySQL教程

AI天才研究院 1万+

ubuntu20.04安装mysql_在Ubuntu 20.04服务器上安装MySQL Workbench的方法

本文介绍在Ubuntu 20.04服务器上安装MySQL Workbench的方法。MySQL Workbench是一个GUI应用程序,使数据库管理员和开发人员可以管理、开发、设计、创建和维护MySQL数据库系统,该工具由MySQL关系数据库管理系统背后的同一团队开发。在Ubuntu 20.04上安装MySQL Workbench本文适用于在Ubuntu 20.04 Linux系统上安装MySQL...

weixin_35644453的博客 1148

如何在 Ubuntu 20.04 上安装 MySQL

通过完成它,您将拥有一个可工作的关系数据库,您可以使用它来构建您的下一个网站或应用程序。如果您选择设置验证密码插件,则您创建的使用密码进行身份验证的任何 MySQL 用户都将需要拥有满足您选择的策略的密码。这将删除一些匿名用户和测试数据库,禁用远程 root 登录,并加载这些新规则,以便 MySQL 立即尊重您所做的更改。. 如果您计划将此数据库与 PHP 应用程序(例如 phpMyAdmin)一起使用,您可能需要创建一个用户,该用户将使用较旧但仍然安全的。脚本完成后,您的 MySQL 安装将受到保护。

活到老、学到老 1786

Ubuntu16.04 安装 mysql 教程

Ubuntu16.04 安装 mysql 教程 安装命令 wct@ubuntu:~$ sudo apt-get install mysql-server wct@ubuntu:~$ sudo apt-get install mysql-client 出现如下错误 2 not fully installed or removed. Need to get 0 B/10.0 kB of archives. After this operation, 111 kB of additional disk spac

汪汪的博客 985

Ubuntu18.04上安装MySQL

Ubuntu18.04上安装MySQL 安装与配置MySQL 进入管理员权限 sudo su ... 安装mysql-server `sudo apt-get install mysql-server 默认安装过程即可; 安装 mysql-client sudo apt-get install mysql-clent 安装 libmysqlclient-dev sudo apt-get insatll libmysqlclient-dev 修改配置文件 用vim 打开配置文件

Joey博客 531
上一篇: MySQL_03
下一篇: MySQL_05
focusjava
博客等级 码龄14年 127粉丝 528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