Java使用JDBC操作Mysql数据库增删改查

Java连接mysql的增删改查,控制台实现 1.未建库时连接mysql 2、通过Java代码创建数据库表3、增删改查的一些操作4、统计总金额等 立即下载

生成JDBCUtils工具类

import java.sql.*;

public class JDBCUtils {

	// 驱动
    String driver = "com.mysql.jdbc.Driver";
    // 连接网址端口
    String url= "jdbc:mysql://hadoop102:3306/test?useUnicode=true&characterEncoding=UTF8&useSSL=false";
    String user = "root";
    String password = "123456";

    public Connection conn;

    public JDBCUtils() {

        try {
            Class.forName(driver);// 加载驱动程序
            conn = (Connection) DriverManager.getConnection(url, user, password);// 连续数据库

            if(!conn.isClosed())
                System.out.println("Succeeded connecting to the Database!");
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
	// 关闭资源
    public void close(Connection conn,PreparedStatement preStmt,Statement statement,ResultSet rs) {
        try {
            if(conn!=null){
                conn.close();
            }

            if (preStmt!=null){
                preStmt.close();
            }

            if (statement!=null){
                statement.close();
            }
            if (rs!=null){
                rs.close();
            }
        } catch (Exception e) {
            System.err.println("-----------------  资源关闭失败! -----------------");
            e.printStackTrace();
        }
    }
}

创建增删改查类

import radomlogTxt.com.pb.utils.JDBCUtils;

import java.sql.*;

public class JavaMySQLJdbcServices {

    JDBCUtils db = new JDBCUtils();
    PreparedStatement preStmt;
    Statement statement;
    ResultSet rs;

    public static void main(String[] args){

        JavaMySQLJdbcServices javaMySQLJdbcServices = new JavaMySQLJdbcServices();

        // javaMySQLJdbcServices.add("student","6","LRF","F");
        // javaMySQLJdbcServices.update("student","6","name='JN'","gender='M'");
        javaMySQLJdbcServices.del("student","4");
        javaMySQLJdbcServices.show("student","id","name","gender");

        // 关闭资源
        javaMySQLJdbcServices.db.close(javaMySQLJdbcServices.db.conn,
                javaMySQLJdbcServices.preStmt,
                javaMySQLJdbcServices.statement,
                javaMySQLJdbcServices.rs);
    }



    //插入操作
    /**
    * tableName 表名
    * args 增添的字段,(所有字段)
    */
    public  int add(String tableName,String  ... args) {

        int i = 0;

        String value = "(";
        for (int j = 0; j < args.length; j++) {
            if (j == args.length - 1) {
                value = value + "'" + args[j] + "'" + ")";
                break;
            }
            value = value + "'" + args[j] + "'" + ",";
        }

        String sql="insert into "+ tableName +" values " + value;

        try {
            preStmt = (PreparedStatement) db.conn.prepareStatement(sql);
            /*preStmt.setString(1, uname);
            preStmt.setString(2, uemail);
            preStmt.setString(3, upwd);*/
            preStmt.executeUpdate();
            //Statement statement = (Statement) db.conn.createStatement();
            //statement.executeUpdate(sql);
        } catch (Exception e) {
            System.err.println("--------- 插入失败 ---------");
            e.printStackTrace();
        }

        //返回影响的行数,1为执行成功
        return i;
    }

    //查找操作
    /**
    * tableName 表名
    * num增添的字段,(所有字段)
    */
    public  void show(String tableName,String ... num){

        String sql ="select * from " + tableName;
        System.out.println("---------------------------------------------------");
        try {
            statement = (Statement) db.conn.createStatement();
            rs = (ResultSet) statement.executeQuery(sql);

            while(rs.next()){
                String out = "";
                for (int i = 0; i < num.length; i++) {
                    out += (rs.getString(num[i]) + "\t");
                }
                System.out.println(out);
            }
        } catch (SQLException e) {

            System.err.println("--------- 查询失败 ---------");
            e.printStackTrace();
        }
    }

    //更新操作
    /**
    * tableName 表名
    * id 序号,编号
    * args 增添的字段,(修改的字段) 例如: "name='LiShi'"
    */
    public  int update(String tableName,String id,String ... args) {

        int i =0;
        String value = "";
        for (int j = 0; j < args.length; j++) {
            if (j == args.length - 1) {
                value +=args[j];
                break;
            }
            value += args[j] + ",";
        }
        String sql="update "+ tableName +" set "+ value +" where id=" + id;


        try {

            preStmt = (PreparedStatement) db.conn.prepareStatement(sql);
            preStmt.executeUpdate();
        } catch (SQLException e) {
            e.printStackTrace();
        }

        //返回影响的行数,1为执行成功
        return i;
    }

    //删除操作
    /**
    * tableName 表名
    * id 序号,编号
    */
    public int del(String tableName,String id) {
        int i=0;
        String sql="delete from "+ tableName +" where id=" + id;
        try {

            preStmt = (PreparedStatement) db.conn.prepareStatement(sql);
            preStmt.executeUpdate();
        } catch (SQLException e){
            e.printStackTrace();
        }

        return i;//返回影响的行数,1为执行成功
    }

}
jdbc连接mysql数据库,实现增删改查 java使用jdbc连接mysql数据库,实现增删改查等功能 立即下载

相关推荐

JavaWeb JDBC + MySql 通讯录实现简单的增删改查功能案例详解

主要介绍了JavaWeb JDBC + MySql 通讯录实现简单的增删改查功能,结合具体案例形式详细分析了JavaWeb JDBC + MySql数据库连接、增删改查等相关操作技巧与注意事项,需要的朋友可以参考下

java中JDBC技术连接Mysql实现增删改查超级详细的教程

java语言使用JDBC连接Mysql数据库,对Mysql数据库实现增删改查操作,引入Mysql驱动jar包图文解释,jar包资源下载,超级详细的

ocean&21的博客 7451

Palantir解密:“本体”的建模逻辑及其扩展方向

上一篇重点从对现实世界建模的角度探讨了“本体”在数字化架构中的核心意义。这里借Palantir的“本体”概念、解析Palantir只是起点,目标旨在以他山之石攻玉——探索数字世界的底层架构逻辑,最终为构建自主体系提供思考。Palantir以“本体论”为核心的建模方案是否代表终极答案,不宜过早下结论,但其思路值得深入剖析。

SZSDQJC的博客 2635

(Java高级程序设计-案例)-通过JDBC连接MySQL并对表进行增、删、改、查

Java高级程序设计第八章的练习,通过一个案例去了解使用JDBC连接到MySQL,并且对数据库中的表进行增删改查。

欢迎来到长风沛雨的博客 1634

使用Docker搭建MaxKB智能体平台

【代码】使用Docker搭建MaxKB智能体平台。

janthinasnail的博客 708

MTK平台LCD驱动开发实战:从零开始点亮你的Android屏幕

本文详细介绍了在MTK平台进行Android LCD驱动开发的完整流程。从理解LK与Kernel双核驱动框架入手,手把手讲解驱动结构体、屏幕参数配置、初始化序列编写以及PLL_CLOCK计算等核心步骤,并提供了系统集成配置与实用的调试避坑指南,帮助开发者高效点亮新屏幕。

terraform7cloud的博客 292

Java用jdbc连接实现对MySQL增删改查操作

文章目录 前言 大家好,我是ice三分颜色。个人主页:ice三分颜色的博客 本文讲了……篇幅很长,建议收藏。 走过路过的小伙伴们点个赞和关注再走吧,欢迎评论区交流,努力什么时候开始都不算晚,那不如就从这篇文章开始! 大家一起成长呀!笔芯 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 代码如下(示例): 代码如下(示例): 该处使用的url网络请求的数据。 总结 提示:这里对文章进行总结: 例如:以上就是今天要讲的内容.

qq_46007633的博客 1万+

里海NX二次开发3000例-专栏目录

UDO(User Defined Object)是“用户自定义对象”。应用非常广,可以用UDO创建自定义特征,也可以对NX原有的特征添加一些特殊信息,这些信息会保存在部件中,以后可以查询。还可以实时追踪NX对象,例如做3D包容盒线框自动追踪实体,做2D矩形框自动追踪图纸尺寸值,这些在下面的例子都有介绍。读者可以自己编译下面的例子,体会理解UDO的用法。------里海 20230512序号内容​链接01使用UDO在所有实体上设置更新回调​链接02使用UDO生成跟踪实体的线框​链接03删除UDO​链接。

王牌飞行员_里海的博客 7716

Java通过JDBC对MySQL数据库表增删改查(初步总结)

Java通过JDBC对MySQL数据库表增删改查(初步总结) 作为初学者水平有限,如有错误还请批评指正! 注: 1、案例中的引用大多来自java.sql.*,不能引用为mysql下的jdbc包 2、实验使用的数据库为MySQL,连接数据库的mysql-connection-java-5-7-1.jar包可自行到MySQL官网下载,也可至我主页下载。 3、源码中用于存放登录信息的jdbc.properties文件放于src/目录下 4、在源码中我对增删改(preparedStatementUpdate(Str

Etui۹(・༥・´)و的博客 2463

UFAST车道线检测 Ultra-Fast-Lane-Detection 从环境搭建到复现完成(一)

UFAST车道线检测 Ultra-Fast-Lane-Detection 从环境搭建到复现完成(一)

m0_46364958的博客 4345

Codex 100个真实案例 - 用AI做在线考试系统(自动组卷+防作弊)

本案例使用 Codex 从零搭建一个功能完整的在线考试系统。涵盖题库管理(单选/多选/判断/填空)、智能随机组卷、考试倒计时、自动判分、成绩统计分析、以及多维度防作弊机制(切屏检测、禁止复制粘贴、IP限制等)。前端使用 Vue 3 + Element Plus 构建考试界面,后端使用 Node.js + Express + MySQL 提供 API 服务。全程用自然语言驱动 Codex 完成开发,最终交付一个可直接部署的在线考试平台。

yueyeguzhuo的专栏 81

Java使用JDBC连接mysql数据库实现 增删改查操作

IEDA19.0.1mysql依赖包:mysql-connector-j-8.0.32.jar。

qq_64813512的博客 4346

使用CNN/ResNet实现自动调制识别(RML2018.01a)

本文基于RML2018.01a大型数据集,给出CNN及其变体ResNet的信号识别的实现方式(附代码) 目录一、CNN的代码实现1.1 导入包1.2 数据读取及数据集划分1.3 构建CNN模型1.4 模型训练1.5 测试及模型可视化二、ResNet的代码实现 RML2018.01a数据集信息如下: 数据集来源 Over-the-Air Deep Learning Based Radio Signal Classification 调制类型 19种数字调制方式: 32PSK, 16APSK,

QAQIknow的博客 1万+

java之JDBC数据库的增删改查

JDBC数据库的一些操作

新白的博客 1057

5G/NR SSB学习总结

6.1 SSB概念 同步信号和PBCH块(Synchronization Signal and PBCH block, 简称SSB),它由主同步信号(Primary Synchronization Signals, 简称PSS)、辅同步信号(Secondary Synchronization Signals, 简称SSS)、PBCH三部分共同组成。 6.2 SSB特征 ...

欢迎来到小七的博客,这里将带你深入探索5G通信的神秘世界。无论你是通信领域的专业人士还是对这一领域充满好奇心的技术爱好者,这里都有专业协议解读、通信知识普及以及有趣的Python编程内容等你发现。 8万+

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")

JDBC操作MySql(全全全)

第一章 JDBC概述 之前我们学习了JavaSE,编写了Java程序,数据保存在变量、数组、集合等中,无法持久化,后来学习了IO流可以将数据写入文件,但不方便管理数据以及维护数据的关系; 后来我们学习了数据库管理软件MySQL,可以方便的管理数据。 那么如何将它俩结合起来呢?即Java程序<==>MySQL,实现数据的存储和处理。 那么就可以使用JDBC技术。 1.1 JDBC概述 JDBC:Java Database Connectivity,它是代表一组独立于任何数据库管理系统(DBMS)

IT二叔的博客 915

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

java连接数据库

什么是JDBC JDBC(Java DataBase Connectivity)是官方(sun公司)定义的一套操作所有关系型数据库的规则,即接口。各个数据库厂商去实现这套接口,提供数据库驱动jar包。我们可以使用这套接口(JDBC)编程,真正执行的代码是驱动jar包中的实现类。 为什么要使用JDBC 程序员如果要开发访问数据库的程序,只需要会调用 JDBC 接口中的方法即可,不用关注类是如何实现的。 使用同一套 Java 代码,进行少量的修改就可以访问其他 JDBC 支持的数据库 。 博主为大家提供了m

weixin_42494845的博客 713

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

The Second------JAVA使用jdbc实现mysql数据库增删改查简单操作

The Second------JAVA使用jdbc实现mysql数据库增删改查简单操作 主要操作 可视化建库,建表 加载驱动 连接数据库(存入until中转为接口操作) SQL语句执行查看操作 获得statement对象 执行SQL,得到结果集 处理结果集 关闭资源(存入until中转为接口操作) 后续删除,修改,插入操作 抛出方法与try/catch方法对比,简单解析 结果截图 可视化建表 查看结果 代码展示及简单解析 加载驱动,连接数据库与最后关闭数据库 这里直接使用DBUtil代码片,源代码

Potatoの博客 166

JDBC

一、JDBC的概述   JDBC(Java DataBase Connectivity,java数据库连接)是一种用于执行SQL语句的Java API,可以为多种关系数据库提供统一访问,它由一组用Java语言编写的类和接口组成。JDBC提供了一种基准,据此可以构建更高级的工具和接口,使数据库开发人员能够编写数据库应用程序。JDBC对Java程序员而言是API,对实现与数据库连接的服务提供商而言是接口模型。   JDBC 可做三件事:与数据库建立连接、发送操作数据库的语句并处理结果。   JDBC API提供

weixin_55658087的博客 137

【Java】JDBC 三层架构连接My Sql数据库进行(增,删,改,查)。

【Java】JDBC三层架构连接My Sql数据库进行(增,删,改,查)。,数据访问和DAO模式。

weixin_68307642的博客 542

JDBC连接数据库Mysql(附增删改查)

package com.example.java_algorithms; import com.mysql.cj.jdbc.Driver; import io.swagger.models.auth.In; import org.slf4j.LoggerFactory; import java.sql.*; import java.util.ArrayList; import java.util.HashMap; import java.util.List; import java.util.loggi

Tian208的博客 1191

JDBC连接数据库:尚学堂笔记

JDBC介绍 JDBC(Java Database Connectivity) 是一个独立于特定数据库管理系统、通用的SQL数据库存取和操作的公共接口(一组API),定义了用来访问数据库的标准Java类库,(java.sql, javax.sql)使用这些类库可以以一种 标准 的方法、方便地访问数据库资源 JDBC 为访问不同的数据库提供了一种 统一的途径,为开发者屏蔽了一些细节问题 JDBC 的目标是使 Java 程序员使用 JDBC 可以连接任何提供了JDBC驱动程序的数据库系统,这样就使得程序员无需对

weixin_53257036的博客 305

JDBC简述

java Database connectivity(JDBC),即在java中写sql语句,对mysql数据库中数据进行CRUD操作。其相关类库在java.sql.*下面。JDBC质是sum制定好的一套接口。mysql数据库厂家对JBDC接口进行实现。mysql数据库实现的类在mysql-connector-java-版本-bin.jar(mysql的驱动)。开发JDBC之前,需要把jar包配置到classpath之中。使用者不需要关心底层是什么数据库,只用关心JDBC接口。

small_py_trade的博客 298

java基础:使用JDBC连接MySQL数据库,完成增删改查操作

一、MySQL 建表语句 CREATE TABLE `admin` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '主键', `username` varchar(25) NOT NULL COMMENT '管理员,姓名', `password` varchar(25) NOT NULL COMMENT '登录密码', PRIM...

StarryaSky的博客 1012

第九章:JDBC以及实现第一个JDBC程序

1.什么是JDBC JDBC的全称是Java数据库连接(Java Dalabase Connectivity),它是一套用于执行soL语句的Java API应用程序可通过这套API连接到关系型数据库,并使用SQL语句来完成对数据库中数据的查询、更新、新增和删除的操作。 不同种类的数据库(如MySQL、Oracle 等)在其内部处理数据的方式是不同的。如果直接使用数据库厂商提供的访问接口操作数据库,应用程序的可移植性就会变得很差。例如,用户当前在程序中使用的是MySQL提供的接口操作数据库,如果换成Oracl

jgxc152的博客 791
下一篇: Linux开机时出现错误
Pel-Java-And-BigData
博客等级 码龄7年 6粉丝 31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