SQL 数据库 学习 005 学习必备的一些操作 --- 如何新建数据库 如何附加和分离数据库(如何备份还原数据库) 如何删除数据库

数据安全无忧,SQL Server 2014数据库定时备份解密 完整备份是最基本的备份类型,它创建了一个数据库的快照,可以用于恢复整个数据库到备份的时间点。完整备份提供了数据的全量备份,而差异备份提供了自上次完整备份以来的增量备份。这样,当需要进行数据恢复时,可以首先还原最近的完整备份,然后应用最近的差异备份,从而更快地恢复数据库到较新的时间点。如果只需要恢复到最近的完整备份时间点之后的一个特定时间点,可以选择只还原最近的完整备份和相关的差异备份,而不需要还原所有的增量备份。通过使用完整备份和差异备份的组合,可以减少完整备份的频率,从而减少备份所需的时间和存储空间。 阅读详情

我的电脑系统: Windows 10 64位
使用的SQL Server软件: SQL Server 2014 Express


如果我们要学习这个数据库,我们需要学习什么知识。比如:如何新建一个数据库、如何附加和分离数据库(如何备份还原数据库)、如何删除数据库。


一 . 如何新建数据库

下面框框中的四个是系统库:

这里写图片描述

为什么会有系统库呢?是因为我们用户创建的库要靠系统库来维护,将来你创建的库是要借助这几个库来实现的。其中最核心的就是 master 库,系统数据库 你不要改也不要删不要动它,也不可在这个库里面建数据。

这里面的东西你不需要了解。只需要知道:.mdf后缀的文件是数据文件,.LDF 后缀的文件是日志文件。

所以,要想存数据,需要单独建一个库。怎么建库?

鼠标右键点击 数据库,再点击里面的 新建数据库(N)…

这里写图片描述

如何你想建一个图书库,就新建一个 名为:book 的库。

这里写图片描述

这里写图片描述

当我们点下: 确定 按钮,它就会创建两个文件。一个是book.mdf 用来存放数据的文件;一个是 book_log.LDF 用来存放日志信息的文件。

这里写图片描述

什么是日志文件:
它就是对你每一天数据操作的一个记录。谁在什么时间在什么地点对里面的哪个数据进行操作了,将它记录下来。
那为什么要对操作进行记录呢?因为数据太重要了,万一操作失误,还可以撤销复原。

数据逻辑上都是存放在 表 里面的,表 类似于 C++ 里面的类。(我们后面的博客里面会详细的讲 表。)

这里写图片描述



二 . 如何附加和分离数据库(如何备份还原数据库)

就是如何移植一个数据库。

如何分类数据库中的一个库

鼠标移动到想要分离的 库 上 ,鼠标右键点击它,选择里面的:任务 -> 分离(D)…

这里写图片描述

什么叫分离:
分离就是指:当前的SQL Server 软件和我们内部的这个数据库之间的联系就没有了,这个库就不能被使用了。

弹出下面的窗口:

这里写图片描述

如何这个库当前正在被连接,我们就需要将这个连接断开,有连接就可能会有一些命令,这个命令是否需要同步更新。比如说当你将要分离这个库之前,有一个用户把这个库给更新了,更新是否要生效。(我们不要认为我们将一个库里面的数据给改了,就生效了。不一定,改了之后可能撤销。)所以说,在我们分离之前是否要同步更新一下。

这里写图片描述

点击 确定 这个库就不会出现在 数据库 列表里面了。但是在文件路径里面,这个库的两个文件还是存在的。

这里写图片描述

这里写图片描述

我们现在将 book.mdf 和 book_log.LDF 文件剪切到 C:\ 根目录。

这里写图片描述

比如,我们现在将这个库的两个文件拷贝到其他路径的地方,我们现在如何将这个库附加(还原)到这个数据库里面

对着 数据库 右键,点击 附加:

这里写图片描述

弹出一个窗口,点击里面的 添加 按钮。

这里写图片描述

选对需要附加的数据库所在的路径。 你会看到在正确的路径里面,你只能看到一个 .mdf 后缀的文件,却看不到 .LDF 后缀的文件,这是因为我们只需要添加 .mdf 后缀的文件就可以。

这里写图片描述

点击 确定 ,就可以了。(软件会自动的将.LDF后缀的文件添加到库里面去。)

这里写图片描述

添加完成:

这里写图片描述


三 . 如何删除数据库

对着要删除的数据库右键,点击:删除。

这里写图片描述

弹出下面的窗口:

这里写图片描述

你需要将里面的 “关闭现有连接(C)” 的复选框勾选。

这里写图片描述

再点击 确定 按钮,就可以将这个数据库删除。

现在你可以看看对应路径里面,现在就已经没有book.mdf 和 book_log.LDF 文件了。


删除数据库很简单。


这一篇博客里面的内容都比较简单。

PBR:双向反射分布函数(BRDF)介绍与Cook-Torrance模型的实现 PBR:双向反射分布函数(BRDF)介绍与Cook-Torrance模型的实现 BRDF简介 再介绍BRDF之前我们要引入渲染方程这个东西: 其中L表示辐射率,其公式为: 它表示了一个拥有辐射强度Φ的光源在单位面积A,单位立体角ω上的辐射出的总能量。 辐射率是辐射度量学上表示一个区域平面上光线总量的物理量,它受到入射光线与平面法线间的夹角θ的余弦值cosθ的影响:当直接... 阅读详情

相关推荐

Codex接入MATLAB MCP服务器:从配置到实战的全流程记录

模型上下文协议(MCP)为AI编程工具提供了连接外部软件的标准接口,就像给AI装上万能USB,使其能直接操控本地的复杂应用。在MATLAB这类闭源重型工具中,AI编程因许可证、工作区隔离而难以形成闭环,而通过官方MCP服务器,Codex能够调用MATLAB引擎执行代码、读取变量并返回图表结果,将代码生成与运行验证真正打通。这一方案在神经网络拟合、控制系统阶跃响应、图像处理以及hprof文件分析等工程场景中,能显著提升自动化效率。文章围绕Codex桌面版接入MATLAB MCP的全流程,涵盖环境准备、配置命令

weixin_33585822的博客 152

SQL Server2014备份与备份恢复之完全备份(差异备份/日志备份)

本手册以SQL Server 2014完全备份为实例,差异备份和日志备份方法只需要在第二步的第5点更改即可。 说明:本手册提供的所有备份操作,均使用测试数据库操作,数据内容不具有参考性,仅作为备份操作的数据引用。手册使用了英文版,中文版操作不变。 在SQL Server2014中可以创建自动维护计划来执行数据库备份操作,减少数据库管理员工作负担。

JUST_陈亚敏的学习笔记 8207

前端监控体系:从Sentry到LogRocket错误追踪

Sentry是一款开源的实时错误追踪系统,支持多种语言和框架,包括JavaScript、React、Vue等。它提供了丰富的错误信息、堆栈跟踪和环境数据,帮助开发者快速定位和解决问题。LogRocket是一款前端监控和用户行为分析工具,它提供了视频回放、性能监控、错误追踪等功能。与Sentry不同,LogRocket更注重用户行为的全面分析。前端监控体系是确保应用稳定性和用户体验的重要保障。通过集成Sentry和LogRocket等监控工具,开发者可以实时追踪应用中的错误和用户行为,快速定位和解决问题。

shejizuopin的博客 1316

数据库脱机和分离的区别

分离和脱机都可以使数据库不能再被使用,但是分离后需要附加才能使用,而脱机后只需联机就可以用了 脱机与联机是相对的概念,它表示数据库所处的一种状态,脱机状态时数据库是存在的,只是被关闭了,用户不能访问而已,要想访问可以设为联机状态  分离与附加是相对的两个概念,分离后,数据库不存在,只存在数据库对应的安装地址D:\SQL2008\MSSQL10.MSSQLSERVER\MSSQL\DATA下,要

liujiayu2的专栏 2万+

AutoSAR系列讲解 - 总目录

博主想在开始前先讲一下我们的具体安排,这里就以目录加说明的形式展示出来,同时这也可以作为大家学习AutoSAR的参考。由于实践篇需要在很久以后才会更新,所以这里我们先罗列一下理论篇的内容,实践篇等开始更新的时候我再补充上

雪云飞星的博客 49万+

联想开天N70z/N79Z G1d笔记本Win驱动下载

本文介绍了联想开天N70Z/N79Z G1d笔记本在Win11系统下的驱动安装方法。提供了WiFi网卡驱动(RealtekWlan)和显卡驱动(ZX C960 GPU)的详细安装步骤,包括手动更新驱动和卸载流程。驱动安装后成功支持5G WiFi连接并正确识别显卡型号。文中附有系统信息和安装效果截图,同时提供了官方驱动下载地址及备用下载链接。该指南适用于需要为联想开天N70Z/N79Z G1d笔记本安装Win11驱动的用户参考。

信创运维工程师 · 银河麒麟 & 容器实战 | 金融生产环境迁移·等保加固 | 142篇原创·17万+阅读 3904

SQL Server 2014 快速备份以及恢复数据库方案

此外,SQL Server 还提供了备份压缩和备份条带功能,这些功能可以在备份期间使用多个线程进行压缩和写入操作,以提高备份性能和效率。然后选择设备,单机后面的“ ... ”弹出选择备份设备窗口,点击添加按钮选择要还原的数据库文件,选择完成后,点击确定等待数据库还原。3.重复操作2,适量添加将要备份出来的数据库文件(添加几个,就相当于备份的时候开几个线程,多线程去备份,备份速度加快)。1.单击要备份的数据库,选择任务->备份,备份选项下,设置备份压缩为压缩备份(这样是为了节省备份空间);

weixin_43964472的博客 3548

ansys license许可证问题:Ansys License Manager Release 2024 R1...如何解决?

🏆本文收录于 《全栈 Bug 调优(实战版)》 专栏。专栏聚焦真实项目中的各类疑难 Bug,从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解,形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者,还是负责复杂项目的资深工程师,都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论,助你稳步进阶、放大技术价值 。

**My Coding Family** 5371

sqlserver2014 -- 数据库还原

sqlserver2014 -- 数据库还原 1. 新建数据库,右键-任务-还原-文件和文件组,在源设备中找到备份文件 use master; --用此语句得到备份文件的逻辑文件名 RESTORE FILELISTONLY FROM DISK = N'D:\dbbak\test.bak'; --LogicalName字段,一般会有两个文件,如: --olddb --主逻辑文件名称 --olddb_log --日志逻辑文件名称 根据逻辑文件名称新建数据库,然后备份数据库 2.直接在根节点mas

J_mingxue的博客 1881

【知识分享】IBIS 建模指南 05

本文详细阐述了IBIS模型创建过程中的关键技术和数据规范要求。主要内容包括:1. 数据完整性检查要点,强调I-V和V-T数据必须覆盖所有工艺角且匹配;2. 数据限制处理方法,介绍100/1000点限制下的两种数据筛选算法;3. 特殊数据处理技术,包括内部终端电阻调整和V-T表时间窗口选择;4. 高级关键字应用,涵盖[ModelSelector]、[Sub model]、[DiffPin]等复杂功能实现方法;5. 预加重缓冲器等特殊结构的建模方案。

一只豌豆象的博客 1596

10、边缘智能学习技术解析

本文深入解析了边缘智能学习技术的四大核心方法:联邦学习、DNN拆分、迁移学习和八卦学习。文章从人类大脑的学习机制出发,引出边缘级智能的重要性,并详细阐述各类技术的架构、优势、挑战及适用场景。通过对比分析,展示了不同技术在隐私性、效率、可扩展性等方面的特性,并探讨了未来融合多种技术、软硬件协同优化及应用领域拓展的发展趋势,为边缘智能在物联网与人工智能领域的应用提供了系统性参考。

ppp33的博客 118

SQL Server2014数据库的备份和还原

在系统开发的过程中,把DB备份,并还原到其他的服务器上,或者在本机上在还原出一个数据库的操作很常见。 大概步骤是: 1.以sa账号登录,在需要备份的DB上选择右键->任务->备份 2. 在弹出的窗口中选择备份数据库,备份类型,默认是当前右键选择的数据库,备份类型是完整备份。并选择备份路径和文件名称。 3.点击确定,生成备份文件。 下面介绍还原的步骤。我是在本机上用

zpf0901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")

SQL server 2014 数据库自动备份 定时删除备份图文详细

数据库开了1433端口并且数据库可以远程访问,导致数据库被攻击,然后就把数据库放在服务器局域网,其实A服务器可以公网访问,B服务通过A服务器远程,B服务是局域网的服务器,B服务器外网无法访问,这样可以保证数据安全,但是为了以防万一还是需要数据每天进行备份。 第一步:必须启动SQL Server 代理 第二步:管理==》维护计划==》维护计划向导(然后下一步) 第三步:维护计划向导 第四步:选择维护任务 第五步:选择维护任务顺序 第六步:选择备份数据库 第七步:设置备份时间 新建作业计划 第八

心若静,风奈何 5179

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

SQL 数据库 学习 005 学习必备的一些操作 --- 如何新建数据库 如何附加和分离数据库(如何备份还原数据库) 如何删除数据库...

我的电脑系统: Windows 10 64位 使用的SQL Server软件: SQL Server 2014 Express 如果我们要学习这个数据库,我们需要学习什么知识。比如:如何新建一个数据库、如何附加和分离数据库(如何备份还原数据库)、如何删除数据库。 一 . 如何新建数据库 下面框框中的四个是系统库: 为什么会有系统库呢?是因为我们用户创建的库...

weixin_30716725的博客 304

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

MySQL基础

数据库是存放数据的仓库。它的存储空间很大,可以存放百万条、千万条、上亿条数据。但是数据库并不是随意地将数据进行存放,是有一定的规则的,否则查询的效率会很低。当今世界是一个充满着数据的互联网世界,充斥着大量的数据。即这个互联网世界就是数据世界。数据的来源有很多,比如出行记录、消费记录、浏览的网页、发送的消息等等。除了文本类型的数据,图像、音乐、声音都是数据。MySQL是一个关系型数据库管理系统前世:瑞典MySQL AB公司今生:属于Oracle旗下产品。

qq_62892403的博客 1718

ORA-13120错误咋整?face_id无效导致的ORACLE故障远程帮你修复

根据Oracle官方关于SDO_GEOMETRY(空间几何对象)的文档,一个复杂的三维几何体(比如一个立体建筑模型)是由许多“面”(Faces)构成的,每个面都有一个唯一的face_id作为标识,当你在插入、更新或者查询一个空间数据时,如果这个数据内部指向的某个face_id在系统元数据表(如MDSYS.SDO_GEOM_METADATA_TABLE)中不存在,Oracle就会立刻抛出ORA-13120错误,常见于从外部导入数据、数据迁移过程中元数据不同步,或者应用程序错误地构造了空间几何对象。

aa657271的博客 379

运维工程师--面试题

运维工程师--面试题汇总网络TCP/IP简述TCP三次握手的过程?为什么连接的时候是三次握手,关闭的时候却是四次握手?HTTP一、HTTP请求二、HTTP响应2.1 响应数据格式2.2 常见状态码的含义2.3 HTTP响应模型三、HTTP报文格式3.1 HTTP请求报文3.2 HTTP响应报文四、HTTP协议版本更替HTTP/0.9HTTP/1.0HTTP/1.1HTTP/2.0五、网站访问量DNS简述一下DNS的解析过程应用类Apache1. 什么是Apache web服务器?2. 如果检查 Apache

无约而来 3109

企业运维几百个重点面试题汇总(老男孩)

目录: 第一部分:合格linux运维十五个必会原理知识(老男孩教育出品) http://user.qzone.qq.com/49000448/blog/1426386594第二部分:合格linux运维必会MySQL实战面试题近百个(老男孩教育出品)http://user.qzone.qq.com/49000448/blog/1427333863第三部分:企业优秀运维人员20道必...

weixin_34399060的博客 519

【课程设计】SSM国际商学院综合信息管理系统-计算机毕业设计源码39483

包括教师档案管理、综合信息管理、论文信息管理、课题信息管理、授课计划管理、教学档案管理、请假信息管理、销假信息管理、教师测评管理等功能模块

Biye_Design的博客 1543

(16)-Shell脚本与变量与函数与循环条件语句

——*个人学习复习用笔记

2301_80041579的博客 164

基于Django的旅游景点数据采集分析与可视化系统设计

在大数据与Web开发深度融合的背景下,如何利用爬虫技术高效获取公开数据,并通过数据清洗与数据分析手段挖掘其价值,成为很多技术开发者关注的焦点。Django作为成熟的Python Web框架,凭借其完善的ORM、Admin后台及MTV分层架构,为快速构建数据应用提供了坚实基础。本文从数据采集与反爬策略出发,介绍基于requests与BeautifulSoup的爬虫设计,结合pandas完成去重、缺失值处理与异常值过滤等清洗流程,再通过Django模型与MySQL完成数据持久化,最后使用ECharts实现地图散

weixin_29722783的博客 220

工作中使用到的单词(软件开发)

1.エイリアス   alias 别名 powershell使用 get-help 命令时,会得到与此命令 相关(别名)的命令 2.プロキシ proxy 代 理 3.プロモート   promote 促进,提升   开发的系统新功能上线发布,有时会使用到这个词,比如 STプロモート 还有使用リリース这个词的。比如STリリース。个人认为两者含义相同。 4.見逃し み................................................................

sun0322 6万+

14w字详解springcloud全家桶(详细流程+配置+代码)

部署+配置+代码+高频面试题,覆盖:Nacos + Gateway + OpenFeign + LoadBalancer + Sentinel + Seata‑AT + Micrometer+Prometheus + Grafana。

后端胖头鱼的博客 1775

Shell 编程

Shell 是一个命令解释器,它的作用是解释执行用户输入的命令及程序。用户每输入一条命令, Shell 就解释执行一条。这种从键盘一输入命令,就可以立即得到回应的对话方式,称为交互的方式。Shell 存在于操作系统的外层,负责与用户直接对话,把用户的输入解释给操作系统,并处理各种各样的操作系统的输出结果,然后输出到屏幕返回给用户。输入系统用户名和密码并登录到Linux后的所有操作都是由 Shell 解释与执行的。

wz9754的博客 223

SQLsever还原备份的.bak数据

6、一路确定,来到这个界面,到这个界面不用操作了,进行下一步操作,看第7步。1、首先新建一个数据库,注意数据库名要和你需要导入的数据库名称一样。2、右键选中新创建的数据库 ,任务,还原,数据库。的数据库导出来命名为。5、找到你的.bak文件。文件导入我的电脑本机。7、点击选项,勾选覆盖。8、点击确定,等待成功。

YerKiil的博客 1057

数据库SQL Server 2014 设置自动备份(维护计划和作业)

数据库SQL Server 2014 设置自动备份(维护计划和作业) </h1> <div class="clear"></div> <div class="postBody"> 前言     1、SQL Server数据库自动备份可以有两种操作          第一种是在SQL控制台下的服务器名称展开,展开“

zam183的博客 1779
上一篇: SQL 数据库 学习 004 预备知识
下一篇: C++ 重载操作符- 02 重载输入输出操作符
AoboSir
博客等级 码龄10年 996粉丝 285原创
评论 1
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