JDBC数据操作模板

jdbc书写模板(复制粘贴) 【代码】jdbc书写模板(复制粘贴) 阅读详情

在没有使用框架之前,对数据的操作是比较繁琐的,为此可以对JDBC数据的操作进行封装,以简化代码.以下是模板:

/**
 * @author WDreamIn
 *
 */
public class JDBCTemplate<T>{

    public int commonUpdate(String sql,Object... params){
        Connection conn = null;
        PreparedStatement ps = null;

        try{
            conn = JDBCUtils.getConnection();
            ps = conn.prepareStatement(sql);
            //绑定参数
            for (int i = 0; i < params.length; i++) {
                ps.setObject(i+1, params[i]);
            }
            return ps.executeUpdate();
        } catch (Exception e){
            e.printStackTrace();
        }finally{
            JDBCUtils.release(null, ps, null);
        }
        return 0;
    }


    public List<T> commonQuery(String sql,Encapsulation<T> en,Object... params){

        List<T> list = new ArrayList<T>();

        Connection conn = null;
        PreparedStatement ps = null;
        ResultSet rs = null;
        try{
            conn = JDBCUtils.getConnection();
            ps = conn.prepareStatement(sql);
            //绑定参数
            for (int i = 0; i < params.length; i++) {
                ps.setObject(i+1, params[i]);
            }
             rs = ps.executeQuery();

             while(rs.next()){
                 list.add(en.encap(rs));
             }
        } catch (Exception e){
            e.printStackTrace();
        }finally{
            JDBCUtils.release(null, ps, null);
        }
        return list;
    }
}

下面提供一个使用例子:
假设有这样一个业务:

public boolean add(Student stu);

业务实现层:

    /* 
     * 添加学生
     */
    @Override
    public boolean add(Student stu) {
        boolean flag = false;

        TransactionManager.begin();
        try{
            int result = studentDao.insert(stu);
            if(result > 0){
                flag = true;
            }
            TransactionManager.commit();
        }catch(Exception e){
            TransactionManager.rollback();
            throw new RuntimeException(e);
        }
        return flag;
    }

在持久层中 先有一个模板对象

private JDBCTemplate<Student> template = new JDBCTemplate<Student>();

然后是实现方法

    public int insert(Student stu){
        return template.commonUpdate(
                "insert into t_student values (stu_seq.nextval, ?,?,?,?,?)",
                stu.getName(), stu.getPassword(), stu.getSex(),
                DateConvertUtils.toSqlDate(stu.getBorndate()), stu.getPhone());
    }

所有的更新操作都可以使用这个方法,
模板中还提供了一个解决查询的方法可以是单行查询也可以是多行.
方法中为了通用以泛型来实现,所以还需要一个接口,当具体操作数据对象时还要实现接口,但并不复杂.

public interface Encapsulation<T> {
    public T encap(ResultSet rs);
}

例如操作Student实体,实现类:

public class EncapsulteStudent implements Encapsulation<Student> {

    public Student encap(ResultSet rs) {
        try {
            return new Student(rs.getString("id"),rs.getString("name"),rs.getString("password"),rs.getString("sex"),rs.getDate("borndate"),rs.getString("phone"));
        } catch (SQLException e) {
            e.printStackTrace();
        }
        return null;
    }
}

最后持久层实现

public List<Student> selectAll() {
        return template.commonQuery("select * from t_student",new EncapsulteStudent());
    }

可以看到这样大大减少了代码量.

数据库实验8 java连接数据库(JDBC代码+报告) 《数据库系统概论》课程之实验八,通过JDBC访问数据库。本文件中包含实验报告一份,可运行代码一份与JDBC的驱动jar包。 程序实现了使用Java语言编程实现对数据库的访问,所有的SQL操作均在自己建立的新库里进行,数据库建议选用学生课程数据库,可以选择进行创建、插入、查询、删除和更新等操作,其中查询操作可以按学号、姓名、专业查询,删除操作可以选择按姓名、学号删除等。 代码简单易懂,是初学者必看的JDBC实验参考模板! 立即下载

相关推荐

day39-Spring 18-Spring的JDBC模板:查询的操作

NULL 博文链接:https://364232252.iteye.com/blog/2374273

【Spring】简易的操作模板类——JdbcTemplate

JdbcTemplate基础知识 1)dbcTemplate初见 JdbcTemplate是对原始繁琐的原生JdbcAPI对象的封装。 Spring框架为我们提供了很多的操作模板类。例如:操作关系型数据的JdbcTemplate和HibernateTemplate,操作nosql数据库的RedisTemplate,操作消息队列的JmsTemplate。 2)JdbcTemplate的简单开发步骤 先配置DataSource数据源对象,再将其注入JdbcTemplate模板对象,之后利用该模板对象进行数据库的

丧心病狂Loli控的博客 328

javaJDBC项目模板

javaJDBC模板 数据库相关驱动是JAVA驱动Oracle的第三方的包 项目模板中:JDBCPro是未加DAO的原始模板,JDBCFianl是加入后的

JDBC的基本模板

JDBC(Java DataBase Connectivity:java数据库连接)是一种用于执行SQL语句的Java API,可以为多种关系型数据库提供统一访问,它是由一组用Java语言编写的类和接口组成的。

m0_62912377的博客 396

ArcGIS Pro2.5深度学习使用注意事项

ArcGIS Pro2.5深度学习使用中的注意事项1、ArcGIS Pro2.5深度学习使用中的注意事项1.1、Label深度学习样本工具参数介绍1.2、准备数据参数介绍1.3、训练模型介绍1.4、ArcGIS Pro2.5深度学习推理工具和模型对应关系介绍1.4.1、Classify Objects Using Deep Learning1.4.2、Classify Pixels Using D...

GIS哼哈哈的博客 7202

P4语言实战:如何用Barefoot Tofino实现自定义网络协议(避坑指南)

本文是一份详尽的P4语言实战指南,重点讲解如何利用Barefoot Tofino可编程交换芯片实现自定义网络协议。内容涵盖从P4编程模型解析、自定义协议头定义,到匹配-动作流水线构建、性能优化及生产环境部署的全过程,并特别分享了在资源管理、字节序、调试技巧等方面的宝贵避坑经验,旨在帮助网络开发者和研究人员掌握数据平面编程的核心能力。

echo99的专栏 640

Java经典封装JDBC模板(充分体现面向对象思想)

程序清单一览 bean类 package com.software.usermanager.bean; public class Users { private String id; private String name; private String age; public String getId() { return id; } public v

yangxiaojun9238的专栏 2万+

信号完整性仿真SI之Cadence Sigrity SPEED2000_眼图仿真(四)

今天给大家分享一个仿真的操作流程,是关于Cadence Sigrity SPEED2000的时域波形仿真和眼图仿真。我们会经常看见硬件工程师调试示波器上的一些信号的波形变化,其实这些也可以通过仿真电路的搭建来做出投板前的仿真,来优化走线,以减少版本的迭代次数。如果要和实际的信号保持一致,就要求仿真设置的参数和实际的参数保持一致,这也是仿真的重点和难点。下面先让我们了解一下Cadence Sigrity SPEED2000时域仿真的操作流程: 1.仿真模式选择与文件导入 选择Cadence Sigrity下的

刘小同学的博客 1万+

jdbc的代码

1.注册驱动2.获取链接3.编写sql语句4.创建preparedStatement并且传入sql语句结构5.占位符赋值6.发送sql语句,并且获取结果7.结果集解析8.关闭资源1.注册驱动方案一:调用静态方法,但是会注册两次方案二:反射触发2.获取链接user=账号&password=密码)3.创建statement//静态//预编译PreparedStatement preparestatement = connection.preparedment(sql语句);

aichixuanmai的博客 734

如何用Hugo Stack主题打造极简技术博客?3个必改配置与5个高级美化技巧

本文详细解析了如何深度定制Hugo Stack主题,打造个性化技术博客。文章提供了3个必改配置与5个高级美化技巧,涵盖字体美学、布局重构、代码块视觉强化及细节打磨,帮助开发者超越基础部署,实现从功能到美学的进阶,提升博客质感与用户体验。

carrot的博客 570

Challenge 5 - OSCP B

jdwp可以执行命令,但是这个脚本需要python2来运行,靶机上没有,那么我们只能将8000端口代理出来了,我这里代理到我本地的7800端口上。访问8080端口显 hostname,我们通过nmap可以看到hostname为ms01.oscp.exam,修改/etc/hosts。试了下impacket-smbexec没有成功, 不过他开放了22端口,我们可以ssh登录web_svc用户。得到下面的结果,root用户运行了一个貌似是debug的进程。nmap扫描发现了一个可以的端口8021。

羽的博客 4951

spring JDBC模板

Spring的JDBC的模板 Spring是EE开发的一站式的框架,有EE开发的每层的解决方案。 Spring对持久层也提供了解决方案:ORM模块和JDBC的模板。 Spring提供了很多的模板用于简化开发 JDBC:org.springframework.jdbc.core.jdbc.jdbcTemplate Hibernate:orm.springframework.orm.hiberna...

weixin_33858485的博客 129

Android14 Qcom 从Framework到Driver带你连接WIFI(一)

前面已经讲完了WIFI打开的流程,那么通过UI这时候是可以选择需要连接的网络进行连接。从这里开始我们看连接的流程。

IAYLBL的博客 696

Spring JDBC模板的使用

3、Spring JDBC模板的使用 目录 3、Spring JDBC模板的使用 3.1 Spring JDBC模板介绍 3.2 Spring JDBC模板的入门 3.2.1 引入Spring 的JDBC模板的Jar包 3.2.2 创建数据库和表 3.2.3 使用JDBC的模板保存数据 3.3 将连接池和模板交给Spring管理 3.3.1 引入Spring的配置文件 3....

知飞翀的博客 630

接口电路设计的关键要点

接口电路设计是嵌入式硬件开发的核心环节,本文系统阐述了五大关键设计要点:1)电平匹配技术,详细分析了3.3V/5V系统互连方案及转换电路计算;2)阻抗匹配原理,包括高速信号反射机制及差分信号处理;3)滤波与去耦设计,提出多级电容配置和"先电容后过孔"布局原则;4)接地设计规范,重点说明模拟/数字地分离及高速信号回流路径;5)防护电路设计,涵盖防反接、过流保护及ESD防护方案。文章通过具体计算公式、器件选型指南和布局技巧,为接口电路设计提供了系统化的解决方案,并附有设计检查清单和典型问题分

weiyvyy的博客 454

使用 ChatGPT Store 里的工具给 ABAP 制作 Logo,效果一般

在编程领域中,Domain Specific Language(DSL)是一种特定于某一问题领域的计算机语言,诞生目的就是为了解决该领域特定类型的问题。在 ChatGPT 官网的 GPT Stores,也有很多已经预先配置完毕,专用于某一特定领域的 GPT 工具,OpenAI 将其分类如下。第三个问题是 Logo 的配色,提供蓝白,黑绿和灰黄,以及自定义调色板四种选择。这个 GPT 设计了四个问题,通过一问一答的方式,获得使用者想创建 Logo 的细节。这次的复杂度调成最低的 1,感觉还是有点花里胡哨的。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 512

Spring教程(三)--JDBC模板的使用

一、JDBC模板 Spring对持久层也有解决方案,提供了很多模板 1.1 入门案例 jar包引入: 基本jar包 数据库驱动哦 Spring的JDBC模板jar包 单元测试jar包 1.2 数据库建表 建表语句如下: CREATE DATABASE spring4_demo01; USE spring4_demo01; CREATE TABLE account( id INT PRI...

Double____C的博客 264

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

从零开始学Spring(十一)——Spring JDBC模板

Spring 是JavaEE开发的一站式框架,有EE开发的每层的解决方案,JDBC模板则是Spring对持久层(DAO层)的解决方案 JDBC:org.springframework.jdbc.core.jdbc.jdbcTemplate JDBC模板使用入门 引入jar包 包括Spring开发的基本包、数据库驱动包、Spring的JDBC模板的jar包如下 创建数据库和表 create table user( id int PRIMARY KEY auto_...

Tony_chenph的博客 274

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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")

spring DAO支持

 Spring为不同持久化技术所提供的模板类      Spring为各种支持的持久化技术都提供了简化操作的模板和回调,在回调中编写具体的数据操作逻辑,使用模板执行数据操    作,在Spring中,这是典型的数据操作模式。下面,我们来了解一下Spring为不同的持久化技术所提供的模板类。      表 3 不同持久化技术对应的模板类      ORM持久化技术 模板类       ...

wangzhantao的专栏 146

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

Spring:JDBC模板

我们通过几个实例来演示下JDBC模板。创建Student类(id,name,age)和相应的数据库表。创建接口:public interface ISomeService {void saveStudent(Student student);void removeStudentById(int id);void modifyStudent(Student student);String findS...

weixin_41113108的博客 259

java模板驱动,在Spring中使用JDBC和JDBC模板的讲解

spring dao层中对jdbc进行了封装,使用模板模式的设计模式,通过ioc被动注入的方式将jdbcTemplate这个模板类注入到数据对象中,进行数据库操作。我们要在一个类中进行CRUD操作(crud主要被用在描述软件系统中数据库或者持久层的基本操作功能。),首先要将jdbcTemplate这个模板类注入到数据对象类中,然后将DataSource这个类注入到jdbcTemplate,获取数据...

weixin_29638241的博客 210

Spring笔记(四)——JDBC模板技术和事务管理

对于Web开发,Spring提供了一站式的解决方案。表现web层,可以使用springmvc。持久层,spring提供了JDBC模板技术和数据库进行交互。 除了JDBC模板,还有Hibernate模板。 JDBC模板直接使用sql语言。环境搭建需要引入的包如下: 数据库使用的是mysql,因此必须需要导入mysql的jar包。除此之外,还有 Spring-jdbc.jar和Spring

jialiang的博客 756

mysql模板模式_设计模式之 - 模板模式(Template Pattern)

引入:这几天在看一本讲spring源码的书《SPRING技术内幕》里面在讲加载配置文件的时候,可以有不同的加载方式,如根据文件系统目录加载配置文件(FileSystemXmlApplicationContext),类路径加载配置文件(ClassPathXmlApplicationContext),以及根据项目上下文目录(XmlWebApplicationContext)加载配置文件。这个在加载的过...

weixin_42204930的博客 251

springJDBC模板

spring的jdbc模板的使用 入门项目案例 需要使用的jar包 基本的6个jar包(开发spring必须的包) 数据库驱动包 spring的jdbc模板的jar包 使用jdbc模板来保存数据 package top.toplovelypig.demo; import org.juni...

chengwei9975的博客 106

《Head First 设计模式》之模板方法模式

书上举的例子是,在准备喝咖啡时,我们的步骤是 1.把水煮沸 2.用沸水冲泡咖啡 3.把咖啡倒进杯子 4.加糖和牛奶 喝茶的方式时 1.把水煮沸 2.用沸水浸泡茶叶 3.把茶倒进杯子 4.加柠檬 直接写代码就是,代码中的……代表prepareRecipe中四个方法的具体实现,其实感觉有外观模式的感觉 package templatemethod; public cla

山之巅的专栏 798

Spring JDBC

学习目标: 掌握Spring 学习内容: 1、 开发步骤 2、 JdbcTemplate 中常用的方法 3、 基本操作 学习时间: 2021年11月10日 学习产出: 1、 技术笔记 1 遍 2、优快云 技术博客 1 篇 Spring 是个一站式框架:Spring 自身也提供了控制层的 SpringMVC 和 持久层的 Spring JdbcTemplate。 开发步骤 下载 Spring JdbcTemplate 的 jar 包 <!-- spring-jdbc --> &lt

小金的博客 144
上一篇: 日期转换工具类
下一篇: 使用Git-bash将本地项目传到Github
WDreamIn
博客等级 码龄10年 3粉丝 19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