关系型数据库nosql redis初学

实验五 NoSQL数据库—Redis和MongoDB安装配置 NoSQL简述 NoSQL数据库,顾名思义就是打破了传统关系型数据库的范式约束。很多NoSQL数据库从数据存储的角度看也不是关系型数据库,而是key-value数据格式的hash数据库。 NoSQL是指“notonly sql”,其特点是非关系型,分布式,开源,可水平扩展,模式自由,支持replication,简单的API,最终一致性(相对于即时一致性,最终一致性允许有一个“不一致性窗口”,但能保... 阅读详情

redis安装过程

解压压缩包

tar zxf redis-3.0.2.tar.gz

然后进入解压目录中

make && make install #确保安装了gcc

然后进入utils目录

cd utils/
./install_server.sh #执行安装脚本

默认端口6379
内核参数overcommit_memory

redis-cli #命令行工具

主从配置
在另一台主机上安装redis
然后进入配置文件中进行修改

vim /etc/redis/6379.conf
206 # slaveof <masterip> <masterport>
207 slaveof 172.25.254.143 6379

按照以上修改即可
最后效果如下

[root@server2 ~]# redis-cli 
127.0.0.1:6379> set name daxingsb
OK
127.0.0.1:6379> get name
"daxingsb"

[root@server3 utils]# redis-cli 
127.0.0.1:6379> get name
"daxingsb"

哨兵服务sentinel的配置

53 sentinel monitor mymaster 172.25.254.143 6379 2 #哨兵监控的主机ip和端口 2为两台或以上认为其down机

82 sentinel down-after-milliseconds mymaster 30000 #ping 发出后30秒无回应认为其down机
90 sentinel parallel-syncs mymaster 1 #可以进行同步的slave数量,越小越慢
115 sentinel failover-timeout mymaster 180000 

将这个文件复制到/etc/redis下

cp sentinel.conf /etc/redis

然后可以开启哨兵服务

redis-server /etc/redis/sentinel.conf --sentinel

可以看到
.

           _.-``__ ''-._                                             
      _.-``    `.  `_.  ''-._           Redis 3.0.2 (00000000/0) 64 bit
  .-`` .-```.  ```\/    _.,_ ''-._                                   
 (    '      ,       .-`  | `,    )     Running in sentinel mode
 |`-._`-...-` __...-.``-._|'` _.-'|     Port: 26379
 |    `-._   `._    /     _.-'    |     PID: 16915
  `-._    `-._  `-./  _.-'    _.-'                                   
 |`-._`-._    `-.__.-'    _.-'_.-'|                                  
 |    `-._`-._        _.-'_.-'    |           http://redis.io        
  `-._    `-._`-.__.-'_.-'    _.-'                                   
 |`-._`-._    `-.__.-'    _.-'_.-'|                                  
 |    `-._`-._        _.-'_.-'    |                                  
  `-._    `-._`-.__.-'_.-'    _.-'                                   
      `-._    `-.__.-'    _.-'                                       
          `-._        _.-'                                           
              `-.__.-'           
16851:X 07 Aug 11:07:27.830 # Sentinel runid is e4b570ac1279d72070ed073763164e5b5a842935
16851:X 07 Aug 11:07:27.830 # +monitor master mymaster 172.25.254.143 6379 quorum 2
16851:X 07 Aug 11:07:27.831 * +slave slave 172.25.254.146:6379 172.25.254.146 6379 @ mymaster 172.25.254.143 6379
16851:X 07 Aug 11:07:27.853 * +slave slave 172.25.254.145:6379 172.25.254.145 6379 @ mymaster 172.25.254.143 6379
16851:X 07 Aug 11:08:14.958 * +sentinel sentinel 172.25.254.145:26379 172.25.254.145 26379 @ mymaster 172.25.254.143 6379

集群cluster的配置过程

我们现在/usr/local下创建cluster目录
然后我们可以在里头创建六个目录来编写每个进程对应的配置文件

cd /usr/local
mkdir cluster
cd cluster/
 mkdir 3000{1,2,3,4,5,6}

然后在里面编写配置文件

vim /usr/local/cluster/30001/redis.conf 
1 daemonize yes
  2 pidfile "/usr/local/cluster/30001/redis.pid" #pid文件位置
  3 port 30001                   #端口号
  4 logfile "/usr/local/cluster/30001/redis.log" #日志文件目录
  5 dir  "/usr/local/cluster/30001"              #工作目录
  6 cluster-enabled yes                          #集群工作模式打开
  7 cluster-config-file nodes-30001.conf     #集群节点配置文件
  8 cluster-node-timeout  15000          #集群节点等待时间
  9 appendonly  yes              #日志格式使用aof 

然后将这个文件复制到创建的那几个目录

cp redis.conf /usr/local/cluster/30002/

…
…
修改为自己对应的号码

vim /usr/local/cluster/30002/redis.conf

然后开启redis集群

redis-server 30001/redis.conf 
redis-server 30002/redis.conf 
redis-server 30003/redis.conf 
redis-server 30004/redis.conf 
redis-server 30005/redis.conf 
redis-server 30006/redis.conf 

查看进程的情况

ps aux
root     17844  0.1  0.4 137440  2432 ?        Ssl  14:12   0:00 redis-server *:30001 [cluster]
root     17849  0.1  0.4 137440  2432 ?        Ssl  14:12   0:00 redis-server *:30002 [cluster]
root     17853  0.1  0.4 137440  2432 ?        Ssl  14:13   0:00 redis-server *:30003 [cluster]
root     17858  0.1  0.4 137440  2432 ?        Ssl  14:13   0:00 redis-server *:30004 [cluster]
root     17863  0.1  0.4 137440  2432 ?        Ssl  14:13   0:00 redis-server *:30005 [cluster]
root     17867  0.1  0.4 137440  2436 ?        Ssl  14:13   0:00 redis-server *:30006 [cluster]

使用ruby脚本来控制集群
安装rubygem

yum install rubygems-1.3.7-5.el6.noarch.rpm -y

使用gem命令来安装相应的模块

gem install --local redis-3.3.1.gem

将ruby脚本复制到bin下来使用

cd redis-3.0.2/src/
cp redis-trib.rb /usr/local/bin/

创建集群

redis-trib.rb create --replicas 1 127.0.0.1:30001 127.0.0.1:30002  127.0.0.1:30003 127.0.0.1:30004 127.0.0.1:30005 127.0.0.1:30006

数据的迁移

redis-trib.rb import --from 127.0.0.1:6379 127.0.0.0.1:30001
Android7以上抓取https数据包-无需root 手机内装一个虚拟机,然后在虚拟机内运行我需要抓包的应用,该虚拟机内是不需要证书验证的。完美解决android7.0以上https无法抓包的问题。 阅读详情

相关推荐

异步FIFO的隐形陷阱:复位信号同步化实战解析

本文深入解析异步FIFO设计中复位信号同步化的隐形陷阱,重点分析赛灵思xpm_fifo_async原语在FPGA应用中的常见问题。通过实战代码和系统集成方案,提供复位同步化的最佳实践,帮助工程师避免跨时钟域通信故障,提升系统可靠性。

keras9composer的博客 248

Redis的介绍和使用(NoSQL、Jedis)

Redis 本次介绍以下几个内容: NoSQL介绍 Redis介绍 Jedis的API 使用工具类来连接Redis NoSQL介绍 NoSQL概念 Not Only SQL:不仅仅是SQL,指的就是非关系型数据库,它是关系型数据库有益的补充。最终的数据还是保存在关系型数据库中。非关系型数据库主要是提升数据库的查询速度,一般做为数据的缓存来使用。 优点 格式灵活:存储数据的格式可以是key,value形式、文档形式、图片形式等等,使用灵活,应用场景广泛,而关系型数据库则只支持基础类型。 速度快:nos

YINJOER的博客 331

单相变换器的二次纹波分析

1. 单相PWM整流器的二次纹波产生原因   单相变换器的二次纹波产生的原因是功率含有二次脉动分量。设电网电压 us=Vmsin(wt),电网电流IL=Imsin(wt−θ)I_L=I_msin(wt-\theta)IL​=Im​sin(wt−θ)。其中w是电网电压披绿,θ\thetaθ是电流之后电压相位。保证输入功率和输出功率相等,就要保证两者的直流量和交流量对应相等。   uDu_DuD​为 PWM 整流器直流电容电压平均值,IoI_oIo​ 为负载电流平均值 ,uDC^\widehat {u_{DC}

qq_38847810的博客 4975

NoSql课堂学习总结

NoSql课堂学习总结一、关系型数据库和非关系型数据库1、关系型数据库2、非关系型数据库二、非关系型数据库的优势1、 优点2、典型的NoSQL数据库三、Redis和MongoDB常用命令1、Redis命令2、MongoDB命令 一、关系型数据库和非关系型数据库 1、关系型数据库 关系数据库,是建立在关系模型基础上的数据库,借助于集合代数等数学概念和方法来处理数据库中的数据。现实世界中的各种实体以...

qq_34776966的博客 1685

WIFI 相关的频偏调试以及天线调试记录

WIFI RF 相关的频偏调试以及天线调试 1,频率误差(Frequency Error) 频率误差(Frequency Error):表征射频信号偏离该信号所处信道中心频率的大小,单位PPM。频偏误差要求范围如下表。 频偏越小越好。PPM的计算公式如下: 问题: 我们ESP8089认证测试的时候频偏测试超了。需要修改哪些呢。 测试频率点在2.411865385GHz 宣称点:2.412GHz 频率偏移计算:{(2.412GHz-2.411865385GHz)÷2...

armkits的博客 1万+

【UE5】VoskPlugin实战:离线语音识别与实时文本转换全流程解析

本文详细解析了如何在UE5中利用VoskPlugin实现离线实时语音转文字功能。从环境搭建、插件配置、核心代码编写到蓝图测试,提供了完整的实战教程。重点阐述了离线方案零延迟、数据私密的优势,并分享了模型选择、性能优化及常见问题的解决方案,帮助开发者快速构建稳定可靠的语音交互系统。

weixin_29001655的博客 622

NOSQL数据库Redis原理以及初学步骤

NOSQL数据库Redis原理以及初学步骤,以及入门

龚兴耀的学习加油站 1336

室内温度控制仿真(Simulink+PLC)

本篇博客将会带领大家解读Simulink自带的仿真模型(Thermal Model of a House),之后再讨论PLC控制系统控制环境温度的一些经验方法

RXXW_Dor的博客 3465

Redis数据库初步学习1 - redis基础

redis 基础 - 初步学习1 内容来自 黑马程序员 教程 1. 概念 ​ redis 是一款高性能的 NOSQL 系列的非关系型数据库。NoSQL = Not only SQL 1.1 什么是NoSQL ​ NoSQL,泛指非关系型的数据库。随着互联网web2.0网站的兴起,传统的关系数据库在应付web2.0网站,特别是超大规模和高并发的SNS类型的web2.0纯动态网站已经显得力不从心,暴露...

qq_41302594的博客 463

如何计算 R 中的基尼系数(附示例)

以意大利统计学家Corrado Gini命名,基尼系数是衡量人口收入分配的一种方法。基尼系数的值在 0 到 1 之间,值越高代表收入不平等越大,其中:0代表完全的收入平等(每个人的收入都一样) 1代表完全的收入不平等(一个人拥有所有收入) 您可以在此处找到按国家/地区列出的基尼系数列表。以下示例显示了使用DescTools包中的Gini()函数计算 R 中的基尼系数的两种方法。示例 1:使用个人收入计算基尼系数假设我们有以下 10 个人的年收入列表:收入:5 万美元、5 万美元、7 万美元、7 万美元、7

Mrrunsen的博客 2991

013 PID参数整定:Ziegler-Nichols法

几年前在调试一台伺服压机,客户要求位置精度±0.01mm,响应时间小于50ms。我按照教科书上的经验值设了P=1.5,I=0.02,D=0.01,结果电机一启动就开始尖叫,位置超调直接干到0.3mm,然后开始震荡,像极了喝醉的舞者。现场工程师看我的眼神,就像在看一个刚毕业的实习生。那次之后我明白了一个道理:PID参数不是靠猜的,也不是靠经验公式硬套的。你需要一个系统的方法,而Ziegler-Nichols法就是那个让你从“瞎调”走向“有章可循”的起点。

m0_50546716的博客 101

Redis从入门到超神-(一)认识&安装Redis

NoSQL(NoSQL = Not Only SQL ),意即“不仅仅是SQL”,它泛指非关系型的数据库。随着互联网2003年之后web2.0网站的兴起,传统的关系数据库在应付web2.0网站,特别是超大规模和高并发的交友类型的web2.0纯动态网站已经显得力不从心,暴露了很多难以克服的问题,而非关系型的数据库则由于其本身的特点得到了非常迅速的发展。Redis 是一个高性能的、开源的、C语言写的Nosql(非关系型数据库),数据保存可以存储在内存中或者磁盘中。

xuhanyii的博客 520

复现论文《孤岛微电网环境下基于物理模型引导的深度强化学习VSG频率控制方法》

本文提出了一种结合物理模型与深度强化学习的孤岛微电网VSG频率控制方法。通过建立VSG小信号模型并设计可变系数控制器,将物理知识融入深度强化学习框架,解决了高维参数和机组耦合带来的控制难题。复现代码实现了三个核心组件:VSGSmallSignalModel建模VSG动态特性,VariableCoefficientController实现参数自适应调节,PhysicsGuidedDRL整合DQN算法与物理模型引导的奖励机制。该方法通过模型驱动与数据驱动的优势互补,提升了频率控制性能,其中物理模型既作为先验知识

huanghm88的专栏 127

Centos7安装Redis

一、什么是非关系型数据库 1.NOSQL和RDBMS的区别 非关系型数据库(NOSQL)是对关系型数据(RDBMS)的一种补充。 1.RDBMS的特点: ①高度组织化结构化数据 ②结构化查询语言(SQL语句) ③数据和关系都存储在单独的表中 ④数据操纵语言DML,数据定义语言DDL ⑤严格的一致性.,基于事务 NoSQL的特点: ①代表着不仅仅是SQL ②没有声明性查询语言 ③键 - 值对存储 ④最终一致性 ⑤非结构化和不可预知的数据 ⑥高性能,高可用性和可伸缩性。 适合搭建集群 2.redis的概念

xin_xin_jie的博客 163

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

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

『010』NoSQL

『010』索引-Database NoSQL 【001】- 点我快速打开文章【01-Redis 简单介绍】 更新中 转载于:https://www.cnblogs.com/wjcLinux/p/11202909.html

weixin_30457065的博客 68

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

刘瑜《NoSQL数据库入门与实践 基于MongoDB、Redis》PDF下载

NoSQL数据库入门与实践 基于MongoDB、Redis 【作 者】刘瑜,刘胜松著 【形态项】 483 【出版项】 北京:中国水利水电出版社 , 2018.03 【ISBN号】978-7-5170-6084-0 【中图法分类号】TP311.138SQ 【原书定价】89.80 【主题词】数据库系统 【参考文献格式】 刘瑜,刘胜松著. NoSQL数据库入门与实践 基于MongoDB、Redis. 北...

weixin_44946306的博客 2756

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")

redis非关系型数据库

Redis 是一个开源的,使用C语言编写的NoSQL数据库。Redis基于内存运行并支持持久化,采用key-balues(键值对)的存储形式,是目前分布架构中不可或缺的一环。关系型数据库和非关系型数据库的区别,以及Redis简介、部署安装、操作命令的基本使用。数据库。

LBP20001204的博客 1690

redis 使用

(没有选择数据库的情况下 默认第0个数据库 )(删除第二个数据库 所有数据)

fy12163的博客 142

NOSQL数据库-Redis

文章目录NOSQL数据库-Redis学习目标:第1章 NOSQL概述1.1 什么是NOSQL1.2 为什么需要NOSQL1.3 主流的NOSQL产品1.4 NOSQL的特点第2章 Redis概述2.1 什么是Redis2.2 redis的应用场景第3章 window版Redis的安装与使用3.1 windows版Redis的下载3.2 window版Redis的目录结构3.3 window版Red...

sgw101的博客 1459

Redis非关系型数据库认识及应用

什么是NoSql 1.NoSQL(NoSQL = Not Only SQL ),意即“不仅仅是SQL”,它泛指非关系型的数据库。 Redis是什么 1.Redis 是一个高性能的开源的、C语言写的Nosql(非关系型数据库),数据保存在内存中。 2.Redis 是以key-value形式存储的Nosql,和传统的关系型数据库不一样。不一定遵循传统数据库的一些基本要求,比如说,不遵循sql标准,事务...

June_FlyingFrost的博客 763

NoSQL之Redis简介、部署及命令

NoSQL之Redis简介、部署及命令一、关系数据库和非关系数据库1、关系型数据库2、非关系型数据库3、关系数据库和非关系数据库区别(1)数据存储方式不同(2)扩展方式不同(3)对事务性的支持不同4、非关系型数据库产生背景5、总结:二、Redis介绍及优点1、Redis简介2、Redis的单线程模式3、Redis具有的优点三、Redis安装部署1、关闭防火墙和安全功能2、解压包并编译安装3、执行并修改配置文件4、将redis的可执行程序文件放入路径环境变量的目录中便于系统识别5、 修改配置/etc/redi

ShiXiao0121的博客 480

Ubuntu安装Redis及使用

NoSQL简介 NoSQL,全名为Not Only SQL,指的是非关系型的数据库 随着访问量的上升,网站的数据库性能出现了问题,于是nosql被设计出来 优点/缺点 优点: 高可扩展性 分布式计算 低成本 架构的灵活性,半结构化数据 没有复杂的关系 缺点: 没有标准化 有限的查询功能(到目前为止) 最终一致是不直观的程序 分类 类型 部分代表 特点 列存储 H...

hzlarm的博客 10万+

SQL 、NoSQL数据库教程

前言: 嗯,先说说数据库的分类吧,其实主要大的分类就是关系型数据库(SQL)和非关系型数据库(NoSQL); 实验楼上有常见的数据库教程,这里做一个整理,希望对你学习数据库方面的知识有所帮助; 关系型数据库:【MySQL 基础课程】 MySQL 是最流行的关系型数据库管理系统(关系数据库),一般中小型网站的开发者都选择 MySQL 作为网站数据库,MySQL 使用 SQL 语言进行操作...

alss13237的博客 135

Redis非关系型数据库学习

第一:简介: 关系型数据库的特点就是:1数据之间有关联关系。2,数据存储在硬盘中 非关系型数据库:1数据之间没有关联关系,2.数据存储在内存中 利用缓存的思想解决,经常查询一些经常不会发生变化的数据。 redis :是一款高性能的NOSQL系列的菲关系型数据库 NOSQL:指的是not only sql 意思是不仅仅是sql 是一项全新的数据库理念,泛指非关系型数据库。 一般会将数据存储在关系...

CXRS_LIU的博客 412
上一篇: mha配置高可用mysql
下一篇: 自动化运维平台saltstack的使用与搭建
parameter_
博客等级 码龄10年 24粉丝 102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