Srping事物的传播行为个人总结

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 393平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄9年

关注

原创最新推荐文章于 2026-09-11 12:39:23 发布 393 阅读 AI 写同款· GEO 优化 ›

Java最全面试题-＞Java主流框架-＞Srping面试题下边是我自己整理的面试题，基本已经很全面了，想要的可以私信我，我会不定期去更新思维导图。阅读详情

Spring事物的传播有七大行为

根据最后一个单词的字面意思可以理解为：

1.要求新的 2.支持的 3.强制的 4.需要新的 5.不支持的 6.从未有的 7.嵌套的

口诀：要支强，无新，无非，无异常；需新建；不从嵌，无非有挂、无非有异、无要求

注解

无新：支持当前事物，当前无事物则新建，有则加入

无非：支持当前事物，当前无事物则非事物执行，有则加入

无异常：当前无事物则抛出异常

无非有挂：当前无事物则非事物执行，有事物则挂起

无非有异：当前无事物则非事物执行，有事物则抛出异常

无要求：当前无事物则执行，第一个传播行为（要求新的）

个人总结，方便记忆

收录于

Spring

当前文章被收录于：

Spring

3 篇文章 0 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#spring事物

srping 事务 ✅ 使用✅ 事务方法尽量「短小、只做一件事」✅ 不在事务中做 RPC / HTTP 调用✅ 避免在事务中循环处理大数据✅ 多数据源时明确指定事务管理器Spring 事务的隔离级别（Isolation）是用来定义一个事务与其他事务在并发访问时的隔离程度。它主要解决的是数据库并发操作带来的数据一致性问题。结合你图片中的表格，我们来逐一详细拆解这四个级别以及它们对应的“问题”。隔离级别脏读不可重复读幻读性能建议❌❌❌最高极少见✅❌❌较高互联网项目常用✅✅。阅读详情

相关推荐

基于Matlab的水果缺陷检测系统设计与优化

图像处理与机器学习在工业质检领域具有广泛应用，其核心原理是通过特征提取与模式识别实现自动化检测。在水果质量检测场景中，HSV色彩空间转换和K-means聚类算法能有效识别表面缺陷，结合SVM或随机森林等分类器可构建高精度检测系统。本文以Matlab实现为例，详细解析了从图像预处理到模型部署的全流程优化方案，特别针对农业自动化场景中的光照变化、噪声干扰等实际问题提供了工程实践指导。通过中值滤波去噪和自适应直方图均衡化等关键技术，系统在苹果、橙子等圆形水果检测中准确率可达90%以上。

weixin_33923762的博客 334

Spring的七种事务传播行为,通俗易懂,绝不笼统,可以背诵,应付面试

文章目录什么是事务传播行为PROPAGATION_REQUIREDPROPAGATION_NESTEDPROPAGATION_REQUIRES_NEWPROPAGATION_SUPPORTSPROPAGATION_NOT_SUPPORTEDPROPAGATION_MANDATORYPROPAGATION_NEVER 复习spring的时候,发现网上说的spring其中事务传播行为,说的不太好,根本没有说到通俗易懂这个点子上,要么就是一顿抄,估计他自己都不懂什么意思,以为背一下就可以应付面试了,但是面试官听到

weixin_47303191的博客 1249

poincare截点

poincare映射定义比较抽象，简单理解就是每个原始周期取一个点，表现在程序中的思路如下：以激励的周期T0为poincare的原始周期，设置1个周期取m个点，取N个周期设置T0/m为ode45的步长，每个周期的 i*m个点处取一个点（i=0.0-1.0），把这些点画出来就行了。有几个点就是几倍周期。（注意：ode45算法是变步长的算法，所以一定要之前自己设置步长，我在这个地方吃了很大一个亏...

小树 3008

Java面试突击系列（九）：Spring中的事务

Spring中的事务来源：https://www.bilibili.com/video/BV1EE411p7dD 什么是事务事务：是数据库操作的最小工作单元，是作为单个逻辑工作单元执行的一系列操作，这些操作作为一个整体像系统提交，要么都执行，要么都不执行；事务是一组不可再分割的操作集合（工作逻辑单元）通俗点说就是为了达到某个目的而做的一系列的操作要么一起成功（事务提交），要么一起失败（事务回滚）最常见的例子就是转账：小明给如花转账：开启事务------- ① 从小明的账户扣除1000元 ② 给如

Viper的程序员修炼手册 786

Intel MKL库常用模块的C语言实现

文章目录1. 随机数生成1.1 等概率的01分布 viRngUniform1.2 （复）高斯分布 vsRngGaussian2. 向量-向量运算2.1 向量数乘与加法 cblas_caxpby2.2 向量内积 cblas_cdotu_sub2.3 向量范数 cblas_scnrm23. 矩阵-向量运算3.1 矩阵存储方案3.2 矩阵-向量乘法 cblas_cgemv4. 矩阵-矩阵运算4.1 矩阵...

月半月半的博客 4651

Mid-360与FAST-LIO2实战：从点云采集到高精度建图全流程解析

本文详细解析了使用Livox Mid-360激光雷达与FAST-LIO2算法实现高精度实时建图的全流程。内容涵盖硬件准备、软件环境搭建、算法部署配置、数据采集实战，并重点探讨了多楼层场景下的参数调优与误差抑制策略，为机器人及无人机三维感知应用提供了实用指南。

prometheus9mon的博客 414

srping的AOP简介与事务传播特性总结

srping用到的另外一项技术就是AOP(Aspect-Oriented Programming, 面向切面编程)，它是一种新的方法论, 是对传统 OOP(Object-Oriented Programming, 面向对象编程)的补充。AOP 的主要编程对象是切面(aspect), 而切面模块化横切关注点。在应用 AOP 编程时, 仍然需要在定义公共功能, 但可以明确的定义这个功能在哪里, 以什么

liaomin416100569的专栏 904

ardupilot 获取避障传感器数据

本节主要记录自己学ardupilot的避障代码过程，首先看下怎么注册避障传感器，然后怎么获取避障数据。

陌城烟雨 5524

Srping的事务传播与事务隔离

最近项目中碰到事务相关的bug，在这里总结一下，Spring中最常见的事务传播和事务隔离机制。 1.事务隔离 1.1 事务隔离等级(假设有2个事务，transactionA和transactionB) 1⃣️.脏读 TransactionA中将变量status从0改为1，但是未提交 Transaction...

weixin_42051465的博客 152

MIPI D-PHY的校准测试

MIPI的校准测试困扰了很久，今天终于得以解决！

一只豌豆象的博客 3919

用一台笔记本跑起 SAP HANA：从 express edition 的定位，到本地硬件门槛与安装实操

SAP HANA是面向个人开发者、初创团队与教学科研场景的精简发行版，保留了in-memory列存引擎、SQLScriptAFLGraphSpatial等核心能力，可免费用于开发与一定规模的生产用途（上限为 32 GB RAM）。它最大的特征，是能在资源受限的laptop或上快速落地，让你在本地完成从建模、开发到测试的完整闭环。SAP在交付形态上，提供了多种安装包：预配置的VM OVA、面向Linux的二进制安装包，以及历史上出现过的容器化方案；你可以按现有设备与熟悉的运维方式择优选择。官方文档把VM。

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 534

传智播客 srping的AOP简介与事务传播特性总结

JAVA专栏 1598

YOLO11涨点优化：卷积魔改 | 可变形条带卷积(DSCN)，魔改轻量DCNv3二次创新

如何跟YOLO11结合：1）和C3k2创新性结合

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体； 987

Srping 中事物管理的配置

先说一下spring 中事物管理的机制，它用的是aop 的思想，也就是说把事务管理与业务逻辑分开， <bean id="transactionManager" class="org.springframework.jdbc.datasource.DataSourceTransactionManager" > <property ...

oaks 136

最新的sdio 4.0 spec 协议标准带书签高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准带书签高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

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")

有关SPRING的事务传播特性的介绍

事务属性的种类：传播行为、隔离级别、只读和事务超 a) 传播行为定义了被调用方法的事务边界。传播行为意义 PROPERGATION_MANDATORY 表示方法必须运行在一个事务中，如果当前事务不存在，就抛出异常 PROPAGATION_NESTED ...

无名氏的博客 358

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！

Spring的五种事务隔离级别、7种事务传播机制

一、解释 1.脏读：当一个事务读取某个数据，并对它进行了修改，但是未提交到数据库；这时，另一个事务也访问到了这个数据，并进行了进一步的处理，就产生了未提交的数据依赖的关系。脏数据就是指修改了但未提交，处于待定状态的数据（可能提交也可能回滚）。 2.不可重复读：一个事务多次读取一条数据，在两次读取同一数据的中间，有另一个事务读取这个数据并进行了修改，则会导致该事务两次读取到的数据内容不一致。这就称为不可重复读。 3.幻读：是指当事务非独立执行时发生的一种现象。当一个事务对一个表中的所有行的某项数据进行了修改，

Hathwayoung的博客 1454

霍尼韦尔SoftMaster使用说明

spring @Transactional注解参数详解

事物注解方式: @Transactional 当标于类前时, 标示类中所有方法都进行事物处理 , 例子: 1 @Transactional public class TestServiceBean implements TestService {} 当类中某些方法不需要事物时: 1 @Transactional 2 public class TestServiceBe...

weixin_33713350的博客 1284

spring的事务是什么？与数据库的事务是否一样

先说一下什么是事务，事务：是对数据库的一些列操作。之前一直觉得事务只针对于数据库当中，5种隔离级别，7种传播行为，后来才发现这是针对Spring的，对数据库来说隔离级别只有4种，Spring多了一个DEFAULT 这是一个PlatfromTransactionManager默认的隔离级别，使用数据库默认的事务隔离级别. 总的来说，本质上其实是同一个概念, spring的事务是对数据库的事务...

weixin_39389888的博客 2223

Spring系列——两万字长文教会你Spring (超详细！！！)

到此，我们学习完了 Spring 框架，包括： Spring 体系结构 Spring Bean Spring AOP Spring JDBC Spring 事务管理写此文章是为了做个笔记，等以后自己忘记了可以回头快速上手。同时也分享给小伙伴们，希望我们都能越来越好，不会就学 B 站，不懂就问 AI，总好过自己两耳不闻窗外事的独自琢磨。最后认识一下吧，笔者叫`北迁`，hhh~~。

weixin_63009611的博客 1181

Spring中的@Transactional使用

SpringBoot @Transactional的rollbackFor属性 1.简单回顾Java Exception 该图摘自：https://blog.youkuaiyun.com/zhangerqing/article/details/8248186 一方面，我们可以将异常分为运行时异常（RuntimeException）和非运行时异常（Exception中除了RuntimeException及其子类以外的）。另一方面，我们可以将异常分为受控异常（checked exceptions）和不受控异.

MayMatrix 的博客 471

Spring配置--tx事务配置方式

　　前段时间对Spring的事务配置做了比较深入的研究，在此之间对Spring的事务配置虽说也配置过，但是一直没有一个清楚的认识。通过这次的学习发觉Spring的事务配置只要把思路理清，还是比较好掌握的。总结如下： Spring配置文件中关于事务配置总是由三个组成部分，分别是DataSource、TransactionManager和代理机制这三部分，无论哪种配置方式，一般变化...

weixin_30306905的博客 188

讲解【分布式事务】的一篇良心之作！

点击上方石杉的架构笔记，右上角选择“设为星标”每日早8点半，技术文章准时送上公众号后台回复“学习”，获取作者独家秘制精品资料往期文章BAT 面试官是如何360°无死角考察...

石杉的架构笔记 809

上一篇： CentOS7重装yum和python

下一篇：集成Activiti遇到的坑

基于Matlab的水果缺陷检测系统设计与优化