oracle 闪回查询,闪回版本查询,闪回事务查询,闪回表,闪回删除,闪回数据库

Oracle闪回详解(闪回查询,闪回数据,回退数据,闪回表,闪回数据库,闪回快照,闪回主备库(恢复关系),闪回归档,注意事项,有关闪回常用查询命令) 即在备库进行,开启此模式时为了在备库进行一些测试操作,而又不行留存在数据库中,当备库切换回physical standby物理备库时,之前在snapshot standby模式进行的测试将会被丢弃。如果一块数据磁盘空间无法保存某个数据时(比如以前是1k,现在update到2k,而当前块的空闲空间不足1k),则会将新的数据保存到另外一个新的块里,然后在以前的块保存一个新位置的地址连接。允许用户查询过去某个时间点的数据,用以重构由于意外删除或更改的数据,数据不会变化。如果已经做了上述操作,从库可以选择重建。 阅读详情

1. 闪回查询

闪回查询从9i引入,可按照时间点或scn向前查询,获得修改前的数据;

闪回查询依赖于回滚段中存储的数据前镜像,通过设置 undo_retention 参数设置前镜像的保留时间;
在这里插入图片描述

查询的语法:

select  ...  as of scn | timestamp;

注:
说明:如果想让表中的数据回到操作之前,闪回的数据写入另一个表,然后将现在的表删除,将另一表改名 rename ;

如:

1.1. 闪回时间查询

对emp表进行修改,记录一下操作时间:

select to_char(sysdate,'yyyy-mm-dd hh24:mi:ss') from dual;

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
查看不同时间点的数据:

select * from emp  as of timestamp to_date('2022-04-03 22:51:14','yyyy-mm-dd hh24:mi:ss');

在这里插入图片描述

1.2. 闪回scn查询
(1) 获取scn号的方法
 select dbms_flashback.get_system_change_number from dual;

或

select current_scn from v$database;

在这里插入图片描述

(2) 闪回scn查询命令

命令格式:

select * from emp  as of scn  2086698;

2. 闪回版本查询

select  ...  from ... versions between 

select 后面可选择伪列,来获理事务的开始、结束时间、SCN号、ID号等

如:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

闪回版本查询:

select  versions_starttime ,versions_endtime,versions_xid,versions_operation,EMPNO, ENAME,JOB,MGR,HIREDATE,     SAL ,COMM, DEPTNO  from emp versions between   timestamp minvalue and maxvalue;

versions_xid 表示 事务号
versions_operation 表示 执行的操作类型
在这里插入图片描述

select  versions_starttime ,versions_endtime,versions_xid,versions_operation,EMPNO, ENAME,JOB,MGR,HIREDATE,     SAL ,COMM, DEPTNO  from emp versions between   scn minvalue and maxvalue;

3. 闪回事务查询

oracle10g开始可以进行基于闪回版本查询的恢复,就是闪回事务查询 ,从 flashback_transaction_query 中查询引起数据变化的事务,和撤销事务的 SQL 语句,就是查询 operation 和 undo_dql 列

在这里插入图片描述

select xid,operation,undo_sql from flashback_transaction_query where table_name='EMP' and table_owner='SCOTT' order by start_timestamp desc;

通过执行同一事务下的undo_dql,即可回滚事务;

4. 闪回表

闪回表是把表里的数据回退到以前的某个时刻或者 SCN 上

特点:可以在线操作;自动恢复相关的属性,包括索引、触发器等;

前提:对表启用行迁移

语法:

flashback table <table_name> to timestamp | scn

步骤:

alter table emp enable row movement; 
flashback table emp to timestamp to_date('2022-04-03 22:51:14','yyyy-mm-dd hh24:mi:ss');

在这里插入图片描述

注意:sys 的表不能闪回

5. 闪回删除

可以恢复一个被 drop 的对象,因为进行 drop 时,Oracle 先把它放到回收站中;

 flashback table student to before drop;

在这里插入图片描述

5. 1 查看回收站内的信息
select * from user_recyclebin;

在这里插入图片描述
在这里插入图片描述

select * from "BIN$1Y6FIVerS1eZtaHVmioWRg==$0";

在这里插入图片描述

5. 2 彻底删除
drop table <table_name> purge
5. 3 清空回收点
purge recyclebin;

在这里插入图片描述

5. 4 通过参数 recyclebin 来启用、禁用回收站

必须使用 ststem 用户:

show parameter recycle; 

在这里插入图片描述

alter session set recyclebin=off;   --表示在当前会话中,不再使用回收站

6. 闪回数据库

如果数据库出现逻辑错误,无法采用闪回表的方式进行恢复,或者数据库的结构发生了改变,可以通过闪回数据库的方式把整个数据库回退到出错前的时间点上。

步骤如下:

6. 1 配置数据库为归档模式
sqlplus /nolog
conn / as sysdba 

archive log list; 查询数据库日志模式
在这里插入图片描述

shutdown immediate; 关闭数据库
在这里插入图片描述

startup mount ;打开到 mount 状态
在这里插入图片描述

alter database archivelog; 配置归档;
在这里插入图片描述

alter database open; --打开数据库;
在这里插入图片描述

6. 2 配置闪回恢复区:

show parameter db_rec; 查询恢复区地址;
在这里插入图片描述

show parameter db_flashback_retent; 得到最长的数据库返回时间,一般是 1440 分钟,即可以回到一天前
在这里插入图片描述

6. 3 配置闪回保留时间
6. 4 启用数据库闪回,在数据库 mount 状态时执行
alter database flashback on;

在这里插入图片描述
在闪回目录下自动创建文件
在这里插入图片描述
记录时间,对数据库进行修改,用于测试:
在这里插入图片描述

在这里插入图片描述

6. 5 进行闪回数据库,必须在 mount 状态下执行
flashback database to timestamp | scn

如:

flashback database to timestamp to_date('2022-04-04 00:03:37','yyyy-mm-dd hh24:mi:ss');

在这里插入图片描述

alter database open read only; 打开数据库只读
被删除的表闪回了
在这里插入图片描述

startup force 强制启动报错
在这里插入图片描述

执行命令,闪回数据库之后必须以 resetlogs(重置日志) 的方式启动

alter database open resetlogs;  

在这里插入图片描述

生产数据恢复系列之使用闪回查询恢复Oracle delete误删数据 使用闪回查询恢复delete误删数据 阅读详情

相关推荐

Oracle闪回技术详解

闪回技术是Oracle备份恢复机制的一部分,主要解决逻辑错误的恢复问题,无法解决物理损坏造成的故障,是一种非常实用的技术。

Ray Song 的 blog 5103

Oracle闪回技术详解及应用

闪回技术是除了传统备份/恢复之外,Oracle所提供的额外一系列数据保护特性。利用闪回技术,你可以快速查找数据的历史版本,撤销误操作。比起从备份中恢复,闪回操作要简单许多,不通过还原备份就可以将整库回退到指定时间点等。闪回的恢复级别从行级、表级、数据库级均有覆盖。熟练掌握闪回技术可以帮助我们快速解决各种级别的数据问题。 Oracle闪回技术分为以下7类: 闪回查询(Flashback Query) 闪回版本查询(Flashback Version Query) 闪回事务查询(Flashbac...

最简单的方法,解决最实际的问题。 1万+

使用Python进行核磁数据预处理

随着医学与人工智能技术的快速崛起,伴随算法算力、数据等关键要素的积累和突破,人工智能技术在精准医学领域的科研应用也随之飞快增长,相关科研成果和学术论文数量逐年激增,医学影像人工智能涉及的技术如图像分割、病灶识别、病灶自动勾画、影像组学、深度学习模型构建和临床信息解析越来越趋于分析流程化,模块化,帮助越来越多的医生在临床科研实践中获得突破性的进展。根据具体的应用和数据类型,你可能需要调整或添加额外的步骤。对于更高级的处理,如图像分割或NMR数据的复杂处理,你可能需要查阅更专业的文献或使用更专业的软件工具。

xhlo521的博客 3130

Oracle 闪回技术 之 闪回查询

Oracle 的闪回技术 有时间穿越的功能 , 主要是针对 失误操作 (误删除数据) 一系列问题 , 提供的 闪回技术 (flashback) . 操作 主要 有两类 : 闪回查询 和 闪回数据 .闪回查询普通闪回查询闪回版本查询闪回事务查询闪回数据闪回表闪回删除闪回事务闪回数据库闪回数据档。

qq_70095877的博客 2419

8台 × 8卡 910B NPU之顶尖大模型选型分析

本文对比了2026年主流大语言模型在昇腾910B NPU集群上的部署方案。重点评估了GLM5、MiniMax M2.5、Kimi K2.5、DeepSeek V3.2和Qwen 3.5旗舰版等候选模型,从部署需求(显存占用)、能力表现(基准测试、多模态支持)和NPU生态适配度三个维度进行分析。结果显示DeepSeek V3.2综合表现最优:支持BF16/W8A8/INT4量化,在4TB显存环境下可实现2000+ TPS,首token延迟<100ms,且具备官方NPU支持。备选方案Qwen 3.5旗舰版

FeelTouch Labs 754

Android Studio打包全攻略---从入门到精通

初出茅庐 手动打包怎么手动打包项目写完了,现在需要把应用上传到市场,问题出现—怎么把代码变成.apk(Android的可安装文件)。 1. 创建签名文件 2. 填写好签名参数 3. 生成APK 注意:签名的密码和密匙的密码注意保管,不要忘了,签名文件别泄漏了,也别搞丢了为什么要打包我最开始就有这个疑问,我们的代码不是点了下运行按钮就直接安装到手机上了吗,我们在在项目Project

我早就想,要这样载着你,翻山越岭 2万+

Oracle Database 9i, 10g闪回版本查询

转自:http://blog.youkuaiyun.com/xiaojianpitt/archive/2007/11/29/1907051.aspx    (很好的文章) Oracle Database 9i, 10g闪回版本查询      不需要设置,立即识别对行的所有更改     在 Oracle9i Database 中,我们看到它推出了以闪回查询形式表示的“时间机器”。该特性允许 DBA

daimin's BLOG 3261

华为S7700交换机Console密码重置全流程详解

本文详细解析了华为S7700交换机Console密码丢失后的重置全流程。通过进入BootROM菜单清除密码,并涵盖单/双主控场景操作、必备工具连接、常见问题排查及重置后的安全配置建议,帮助网络工程师掌握核心交换机的关键应急恢复技能,确保运维安全。

resnet7explorer的博客 539

oracle 闪回功能详解

Oracle的闪回技术提供了一组功能,可以访问过去某一时间的数据并从人为错误中恢复。闪回技术是Oracle 数据库独有的,支持任何级别的恢复,包括行、事务、表和数据库范围。使用闪回特性,可以查询以前的数据版本,还可以执行更改分析和自助式修复,以便在保持数据库联机的同时从逻辑损坏中恢复。 闪回技术包括以下特性: 闪回查询允许用户查询过去某个时间点的数据,以重新构建由于意外删除或更改而丢失的数据。 闪回版本查询提供了一种查看行级数据库随时间变化的方法。 闪回事务查询提供了一种查看事务级数据库变化的方法。 闪回

鲨鱼胃的博客 5780

12、每日卫星任务规划问题的不同公式

本文探讨了卫星任务规划问题的多种数学公式表示方法,包括传统的整数线性规划(ILP)模型、改进的基于路径的公式、基于集合覆盖的公式以及动态规划公式。通过案例研究比较了不同公式的求解效率和适用场景,并提供了使用Python进行实际求解的操作步骤。最后讨论了进一步优化策略及未来研究方向,旨在为解决卫星任务规划问题提供全面的理论支持和实践指导。

assembly8low的博客 203

Unity之Hololens2开发MRTK Profile详解

配置 MRTK 的主要方式之一是使用基础包中的配置文件。场景中的主要对象具有活动配置文件 - 一个 ScriptableObject。顶级 MRTK 配置配置文件包含主核心系统的每个核心的子配置文件数据,每个主核心系统都旨在配置其相应子系统的行为。此外,这些子配置文件也是 ScriptableObjects,因此可以包含对低它们一级的其他配置文件对象的引用。实质上,有一个包含已连接配置文件的完整树,这些配置文件构成了如何初始化 MRTK 子系统和功能的配置信息。

TxNet 1032

数据库闪回

七种闪回技术 flashback 的功能: flashback 分类: 闪回删除 从回收站收回 闪回:后进先出 purge 清除 先进先出 闪回查询 (undo) 闪回表 (undo) 闪回版本查询 (undo) 闪回事务查询 (undo) 闪回数据归档 (undo) 闪回数据库 (闪回日志) - 七种闪回技术 七种闪回技术FLASHBACK 的功能: 1...

刘的博客 1576

硬件工程师提前批真题及答案解析2

我们需要考虑题目可能的简化假设,即输入电阻 Ri​ 可能是 rbe​ 和 βre​ 的组合,但题目可能简化为: Ri​≈rbe​+βre​。由于锗管的正向导通电压较小(0.2 V~0.3 V),而硅管的正向导通电压较大(0.6 V~0.7 V),因此-4.7 V的电压差不符合硅管的特性,而更接近锗管的特性。在三极管电路中,静态电位是指在无信号输入时,三极管各电极的直流电压。re​ 是动态发射极电阻,通常可以近似为 re​=IE​VT​​,但在题目中已经给出了 re​=300Ω,因此可以直接使用这个值。

XU157303764的博客 777

Oracle 闪回技术详解(flashback)

文章目录1 概述2 实例说明2.1 闪回查询2.2 闪回版本查询2.3 闪回事务查询2.4 闪回表2.5 闪回删除3 扩展 1 概述 为了使 Oracle 数据库从误操作中迅速地恢复,Oracle 推出了 闪回技术 。 本博客,主要分享闪回技术中的 闪回查询、闪回事务查询、闪回版本查询、闪回表 和 闪回删除,对于 闪回数据库 和 闪回归档,影响范围太广,一般不建议使用。 查询 当前系统 时间戳 和 SCN SELECT to_char(SYSDATE, 'YYYY-MM-HH hh24:mi:ss:

鱼丸丶粗面 1075

基于UC3842的反激电源的全面深入解析与MATLAB仿真

内置电流检测,可实现电流模式控制,提高系统的动态响应性。多种保护功能,如欠压锁定、过温保护、短路保护等,确保系统的安全可靠运行。宽工作电压范围,适应不同的电源设计需求。简单的外部元件配置,易于实现。UC3842的典型应用包括开关电源、DC-DC转换器和反激式电源等,其稳定性和可靠性在实际应用中得到了广泛验证。

qq_38334677的博客 1086

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

oracle闪回功能详解(oracle独有的flashback功能)

实际操作有效: 因为实际的底层操作原理是先删除后插入,所以要开启行移动功能,可以先执行闪回语句,不可以的话再开启行移动功能 alter table 表名 enable row movement; 下面才是实际的闪回表的语句(时间为需要恢复到的时间节点) flashback table 表名 to timestamp to_timestamp('2011-03-04 05:0

LesonSong-Blog 1012

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 闪回

SQL> host clsSQL> /* SQL> 1. 错误地删除了记录 SQL> 2. 错误地删除了表 SQL> 3. 查询历史记录 SQL> 4. 如何撤销一个已经提交的事务 SQL> SQL> 闪回的类型 SQL> 1. 闪回表:将表回退到过去的一个时间上 SQL> 2. 闪回删除:Oracle回收站 SQL> 3. 闪回版本查询:所有历史记录 SQL> 4. 闪回事务

u012135077的专栏 444

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

Oracle学习(十三):闪回

2 Mary I 25-10月-12 11.17.37 上午 25-10月-12 11.18.16 上午 02000D0064050000。2 Mary I 25-10月-12 11.17.37 上午 25-10月-12 11.18.16 上午 02000D0064050000。

2401_89317339的博客 1054

oracle 根据ts闪回表,Oracle 11g闪回flashback

Oracle 11g闪回flashbackoracle9i的闪回:闪回查询从9i引入,可以按照时间点或者SCN向前查询,获取修改 前的数据。闪回查询依赖于回滚段中存储的数据前镜像,通过设置undo_retention参数设置前镜像的保留时间。查询的语法:select … as of scn | timestampConnected to Oracle Database 11g Enter...

weixin_26969269的博客 225

Oracle闪回技术2

1. 利用基于AS OF TIMESTAMP和基于AS OF SCN的闪回查询,分别查询第一次更新操作进行之前exercise中的数据。13:41:52 SQL> select sno,sname from exercise as of timestamp to_timestamp(2011-6-19 13:39:08,YYYY-MM-DD HH24:MI:SS);       S

RongALong的专栏 790

oracle emoji保存自动转成了??_oracle 闪回功能详解

Oracle的闪回技术提供了一组功能,可以访问过去某一时间的数据并从人为错误中恢复。闪回技术是Oracle 数据库独有的,支持任何级别的恢复,包括行、事务、表和数据库范围。使用闪回特性,您可以查询以前的数据版本,还可以执行更改分析和自助式修复,以便在保持数据库联机的同时从逻辑损坏中恢复。 闪回技术包括以下特性: (1)闪回查询允许用户查询过去某个时间点的数据,以重新构建由于意外删除或更改而丢失的...

weixin_39931390的博客 189

Oracle 体系结构(19)—— Oracle undo 表空间的应用:闪回技术

Oracle 体系结构(19)—— Oracle undo 表空间的应用:闪回技术 为了使 Oracle 数据库能够从任何逻辑操作中迅速恢复,Oracle 提供了闪回技术。在数据库发生逻辑错误的时候,闪回技术能提供快速且最小损失的恢复。大部分闪回技术都需要依赖回退段(rollback segment)中的原始数据。事务启动时,Oracle 会为其分配一个回退段。回退数据是反转 DML 语句结果所需的信息,只要某个事务修改了数据,那么更新前的原有数据就会被写入一个回退段。闪回技术包括以下几种: (1)闪回数据

睿思达DBA 795

在Oracle 10g中使用闪回技术

闪回技术和恢复 闪回技术概述 在Oracle10g中,可以在行、表和数据库级别使用闪回技术,具体分类如下:1、  行级闪回可以使用行闪回技术撤销对个别行的错误更改。有三种行级闪回技术,他们全都依赖于存储在撤销表空间中的撤销数据。(1)       闪回查询:允许根据时间点或SCN查看旧的行数据。可以查看更旧的数据,并且,如果需要可以检索它并撤销错误的更改。(2)  

梅森上校的博客 业精于勤荒于嬉,形成于思毁于随。 1189
上一篇: oracle sqlldr的使用,外部表的使用,使用idea导出数据库的csv格式文件
下一篇: ORA-01589: 要打开数据库则必须使用 RESETLOGS 或 NORESETLOGS 选项
但行益事莫问前程
但行益事莫问前程 新星创作者: 数据库技术领域 新星创作者: 数据库技术领域
博客等级 码龄7年 8490粉丝 225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

打赏作者

但行益事莫问前程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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