Linux系统下部署安装mongoDB

麒麟Linux系统安装配置MongoDB 6.0全攻略:从仓库适配到安全部署 文档型数据库作为应对数据模型频繁变动的解决方案,因其灵活的Schema设计而备受关注。其核心原理在于采用类JSON的BSON格式存储数据,突破了传统关系型数据库固定表结构的限制。这一特性为快速迭代的现代应用开发带来了显著的技术价值,尤其在需要处理半结构化数据或敏捷开发的场景中。在国产化替代的背景下,基于Linux的部署成为常见需求。以MongoDB这一主流文档数据库为例,在麒麟Linux操作系统上的安装部署涉及系统适配、依赖管理等工程实践。具体到银河麒麟V10等国产系统,需要根据其底层是基于RHEL还是De 阅读详情

安装部署mongoDB

案例环境:

主机

操作系统

IP地址

Mongodb

CentOS 6.5

192.168.1.1

软件包:https://www.jianguoyun.com/p/DW4qkukQ9vb_BhiAs28

##安装启动MongoDB

1)首先需要安装相关软件包

yum -y groupinstall "Development tools"
yum -y install openssl openssl-devel
tar zxf mongodb-linux-x86_64-rhel62-4.0.2.tgz
mv mongodb-linux-x86_64-rhel62-4.0.2 /usr/local/mongodb​


2)创建MongoDB的数据存储目录/data/mogodb1,日志存储目录/data/logs,以及日志文件/data/logs/mongodb/mongodb1.log

​mkdir -p /data/mongodb1
mkdir -p /data/logs/mongodb
touch /data/logs/mongodb/mongodb1.log
chmod -R 777 /data/logs/mongodb/mongodb1.log


       当MongoDB处于频繁访问的状态时,如果shell启动进程所占用的资源设置过低的话,将会产生错误导致无法连接到MongoDB实例。需设置ulimit -n和ulimit -u的值大于20000。

ulimit -n 25000
ulimit -u 25000

3)创建MongoDB配置文件,定义启动所需相关参数

​
cd /usr/local/mongodb/bin/
vim mongodb.conf
  #!/bin/bash
  port=27017                                 //默认服务器端口号
  dbpath=/data/mongodb1                      //数据存储目录
  logpath=/data/logs/mongodb/mongodb1.log    //日志文件
  logappend=true                             //使用追加的方式写日志
  fork=true                                  //后台运行
  maxConns=5000                              //最大同时连接数,默认2000
  storageEngine=mmapv1                       //指定存储引擎为内存映射文件

需要注意:在之前编写MongoDB启动所需的配置文件时,要指定storageEngine为内存映射文件,才会出现.ns文件,如果没有添加storageEngine=mmapv1这行,会被记录为.wt文件。

4)添加防火墙规则

iptables -I INPUT -m state --state NEW -m tcp -p tcp --dport 27017 -j ACCEPT
service iptables save

5)设置内核参数,关闭NUMA

echo 0 >/proc/sys/vm/zone_reclaim_mode            //当某个节点可用内存不足时系统会从其他节点分配内存
sysctl -w vm.zone_reclaim_mode=0                  //永久设置

##启动MongoDB

/usr/local/mongodb/bin/mongod --config /usr/local/mongodb/bin/mongodb.conf
netstat -anpt | grep mongod
tcp        0      0 127.0.0.1:27017             0.0.0.0:*                   LISTEN      33475/mongod

##停止MongoDB的方法

ps aux | grep mongod
root      33475  0.3 10.0 1537520 100864 ?      Sl   04:29   0:00 /usr/local/mongodb/bin/mongod --config /usr/local/mongodb/bin/mongodb.conf
kill -2 33475

或者
/usr/local/mongodb/bin/mongod -f /usr/local/mongodb/bin/mongodb.conf –shutdown
##设置为开机自动启动

vim /etc/rc.local
  rm -rf /data/mongodb1/mongod.lock
  /usr/local/mongodb/bin/mongod -f /usr/local/mongodb/bin/mongodb.conf​

##尝试访问MongoDB

/usr/local/mongodb/bin/mongo    就是MongoDB的客户端
/usr/local/mongodb/bin/mongo​

##进入MongoDB之后也可以这样关闭mongoDB

use admin;
db.shutdownServer();


##启动多实例

在单台服务器资源充分的情况下,可以使用多实例,以便充分使用服务器资源。

cd /usr/local/mongodb/bin/
cp mongodb.conf mongodb2.conf
 
vim /usr/local/mongodb/bin/mongodb2.conf
  #!/bin/bash
  port=27018                           //定义第二个实例服务端口号
  dbpath=/data/mongodb2              //定义第二个实例数据存储目录
  logpath=/data/logs/mongodb/mongodb2.log        //定义第二个实例日志文件
  logappend=true
  fork=true
  maxConns=5000
  storageEngine=mmapv1

创建相关目录

mkdir /data/mongodb2
touch /data/logs/mongodb/mongodb2.log
chmod -R 777 /data/logs/mongodb/mongodb2.log
cd /usr/local/mongodb/bin/
./mongod -f mongodb.conf
./mongod -f mongodb2.conf
 
netstat -anpt | grep mongod
tcp        0      0 127.0.0.1:27017             0.0.0.0:*                   LISTEN      2708/./mongod      
tcp        0      0 127.0.0.1:27018             0.0.0.0:*                   LISTEN      2729/./mongod

##为了便于运维人员管理,编写一个MongoDB数据库的控制脚本

vim /etc/init.d/mongod
 
  #!/bin/bash
  # chkconfig: - 99 20
  PROG="/usr/local/mongodb/bin/mongod"
  CONFIG=$1
  CONF="/usr/local/mongodb/bin/$CONFIG.conf"
  case "$2" in
   start)
    $PROG -f $CONF
    ;;
   stop)
    $PROG -f $CONF --shutdown
    ;;
   restart)
   $0 stop
   $0 start
   ;;
   *)
     echo "用法: $0 {start|stop|restart}"
     exit 2
  esac
  exit 0
chmod +x /etc/init.d/mongod
chkconfig --add mongod
service mongod mongodb start
service mongod mongodb2 start

##mongo数据库的相关操作

/usr/local/mongodb/bin/mongo
> show dbs;                  //查看当前实例下的数据库
> show databases;            //兼容关系型数据库MySQL命令
> use local;                  //切换数据库local
> show collections;           //查看数据库local的集合
> show tables;               //兼容关系型数据库MySQL命令

MongoDB的数据目录是/data/mongodb1,存储所有的MongoDB的数据文件。

ls -lh /data/mongodb1

> help

其中常用的基本操作如下表所示:

操作

作用

show dbs

查看当前实例下的数据库列表

show users

显示目录

use <db_name>

切换当前数据库

db.help()

显示数据库操作命令

show collections

显示当前数据库中的集合

db.mycoll.help()

显示集合操作命令,mycoll是当前数据库下叫做mycoll的集合

db.foo.find()

对当前数据库中foo集合进行数据查找

> show dbs;
admin   0.078GB
config  0.078GB
local   0.078GB

 
> use test;                      //切换数据库test
> db.user.insert({"uid":1})          //user集合中插入一条数据
WriteResult({ "nInserted" : 1 })
> show dbs;                    //同样的,插入数据的同时,test也同样被创建
admin   0.078GB
config  0.078GB
local   0.078GB
test    0.078GB
> db.user.insert({"uid":2,"uname":"zhangsan","isvip":true,"sex":null,"favorite":["apple","banana",1,2,3],"regtime":new Date()})                                      //插入不同类型的数据
> db.user.find()    
                            //查看插入到user集合中的数据

 

> db.user.findOne({"uid":2})                     //查找其中uid=2的数据

 

> a=db.user.findOne({"uid":2})

> typeof(a.uid)

number

在Mongodb中数据类型没有MySQL那么多,无论是整型、短整型、长整型,浮点型,在Mongodb中都是64为的浮点数,均为number类型,简单,不需要区分。
--------------------- 
作者:小罗同学L 
来源:优快云 
原文:https://blog.youkuaiyun.com/qq_42392185/article/details/82321337 
 

Linux系统安装部署MongoDB完整教程(图文详解) 本期给大家分享一下目前最新Linux系统安装部署MongoDB完整教程,我的服务器采用的是Centos7,在部署之前我重装了我的服务器,目的是为了干净整洁的给大家演示我是如何一步步的操作的,整体部署还是挺简洁,这边做一个笔记分享! 阅读详情

相关推荐

jmeter5.4.1 使用案例

jmeter主要用于接口压力测试,模拟海量请求并发访问接口 1.下载jmeter https://jmeter.apache.org/download_jmeter.cgi 2.启动jemter 双击即可 3.配置jmeter 1.先更改语言 2.创建线程组 配置线程执行规划 3.创建http请求默认值 4.创建http请求 5.创建http信息头管理器 指定 Content-Type:application/json 6.创建响应断言 7.创建察看结果数 直接点击 执行 按.

SpringHASh的博客 1221

Linux环境下Mongodb部署

Linux环境下Mongodb部署,保姆级教程,从安装到部署,到配置用户,再到外部连接,手把手教你部署自己的mongoDB服务器

杨树林er的博客 2752

UFS电源管理实战:如何优化手机存储的功耗与性能(附实测数据)

本文深入探讨了UFS电源管理的实战优化策略,旨在平衡手机存储的功耗与性能。通过解析UFS核心电压域与工作状态,重点介绍了通过动态调整bActiveICCLevel(活动电流等级)来实现精细控制,并结合实测数据与场景驱动的智能策略,为Android系统与硬件工程师提供了降低功耗、提升流畅度的有效方法。

weixin_29214559的博客 504

Linux 部署mongodb

linux 部署mongdb

xtaypyvi123456的博客 1431

S7-1500——(一)西门子PLC编程从入门到精通4、SCL间接寻址

学习目标是在掌握博途平台SCL编程语言的基本使用基础之上,进一步了解SCL语言环境下的间接寻址过程,初步具备编写复杂控制程序的能力;在编写plc程序过程中, 需要对plc中的数据进行访问,这就是寻址;直接寻址间接寻址;直接寻址直接寻址就是直接对数据的存储单元进行访问;根据表达方式的不同,可分为绝对寻址和符号寻址;对于plc中的标准数据存储区包括IQMTCL以及标准数据块,既可以使用绝对寻址,也可以使用符号寻址;绝对寻址在使用绝对寻址时,可以寻址的宽度包括位,字,节字,双字;

大小曲奇的博客 2121

从DDPM到DDIM:深入解读《Denoising Diffusion Implicit Models》

DDIM发表在ICRL2021上,是DDPM重要的改进之一,能显著提高DDPM的样本质量、减少采样时间,并且能显式控制插值,已经被广泛应用到现在的Diffusion Models上。这篇博客和大家一起详细解读一下DDIM,认识这一伟大的模型。.........

沉迷单车的追风少年 1万+

【Linux】MongoDB数据库-安装部署

linux 服务器安装部署MongoDB数据库

芈氓 1414

知识图谱实战应用8-从文本关系抽取到知识图谱关系构建流程贯通

大家好,我是微学AI,今天给大家介绍一下知识图谱实战应用8-从文本关系抽取到知识图谱关系构建流程贯通。我们从文本数据中采集到关键信息,并抽取出其中的关系信息,然后在存入图数据库中,整个过程实现自动化,我这里将举一个文本例子进行抽取。 对于知识图谱的构建是将实体、概念和它们之间的关系都以图表形式呈现出来的一种数据结构。要构建一个知识图谱,需要从不同的数据源中采集到相关信息,并将这些信息整合在一起,最终形成一个全面而且精确的知识图谱。

微学AI的博客 2545

Linux安装部署数据库:MongoDB

本文详细介绍了非关系型MongoDB数据库的安装部署过程,MongoDB的命令行工具mongosh的使用方法,以及MongoDB安装过程存在问题的解答...

小黑哪有坏心思! 3698

【Unity】Gif图片播放插件(支持UI及模型纹理渲染两种模式)

unity本身不支持GIF格式文件直接渲染, 因此一般的做法是通过加载图片,通过代码控制其循环播放、停止等,模拟动画效果,本文简单介绍一下某个现有开源工具,感谢开源作者。

灵境引路人 4036

AI视频生成工作流开发:从产品拆解到带货视频全流程实现

本文介绍了一套完整的AI视频生成工作流开发方案,该系统能够自动分析产品素材并生成9个标准化分镜,支持白底图智能替换,最终输出专业带货视频。系统基于Coze平台搭建,整合豆包大模型及多模态生成模型,实现从产品分析、脚本生成到视频合成的全流程自动化。关键模块包括产品特征提取、智能分镜分配、视觉内容生成和用户交互调整,支持手动优化提示词和输出结果。该方案采用模块化设计,结合多种AI模型协同工作,为电商视频制作提供高效解决方案。

huanghm88的专栏 384

linux MongoDB 安装与配置

【使用时候 冷、热备份尽量不要同时使用】1. 添加 MongoDB 的官方库。3. 配置 MongoDB。4. 启动 MongoDB。6. 登录 MongoDB。

2302_77750172的博客 9086

Vue3 - 详细实现调用浏览器摄像头拍照并生成图片预览,支持将抓拍的图像保存到用户本地或上传到服务器、调取前置摄像头和后置摄像头,开启摄像头并进行拍照,vue实现调用摄像头,电脑或手机调用摄像头拍照

vue3,nuxt3,摄像头,vue3网站打开摄像头拍照,vue3项目调用摄像头实现拍照功能,拍照后怎么保存,照相后上传到后端服务器,开启摄像头黑屏,如何默认后置摄像头,网页开启电脑摄像头并照相,前置拍照,vue3如何调用手机摄像头进行拍摄,拒绝权限后不再弹出了,微信公众号网页,摄像头报错,拍照左右镜像反了,浏览器不兼容怎么办,vue3调用电脑端摄像头实时拍照,解决调用摄像头权限无法弹出,打不开摄像头,Vue3如何调用手机的摄像头,调用本地摄像头实现拍照,浏览器不弹摄像头权限了,如何不使用https运行测试

🏆 前端领域优质创作者 8654

【MongoDB】一文带你快速掌握如何在Windows系统和Linux系统中安装部署MongoDB

一、 Windows系统中的安装启动 1. 下载安装包 2. 解压安装启动 3. Shell连接(mongo命令) 4. Compass-图形化界面客户端 二、 Linux系统中的安装启动和连接 1. 下载安装包 2. 解压安装 3. 新建并修改配置文件 4. 启动MongoDB服务 5. 关闭MongoDB服务

HHX_01的博客 3241

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")

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.

Linux系统MongoDB部署安装规范

在linux平台 简单快捷部署好mongodb

qq_72902046的博客 1187

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Linux操作系统:MongoDB在虚拟机环境下的安装及部署

在 mongodb 下创建 data 和 logs 目录。启动 MongoDB 服务器。停止 MongoDB 服务器。访问MongoDB服务器。在文件下增加以下配置。

七七四十九的博客 1501

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Centos7部署MongoDB4-Navicat连接虚拟机MongoDB

Centos7部署MongoDB4-Navicat连接MongoDB4前言步骤准备MongoDB安装连接MongoDB小结 前言      上节我们说到搭建了一个完整的Centos7的系统,今天让我们来搞点事情,在Linux系统上部署一个MongoDB4数据库. 步骤 准备      ① 软件 : ...

BXA 1814

Linux 部署MongoDB

在Linux系统部署MongoDB 1、下载mongodb-Linux-x86_64-2.6.8.tgz安装包 2、安装MongoDB到 /usr/local/ 目录下 解压,重命名为mongodb,并移至 /usr/local/ 目录 [root@localhost home]# tar -zvxf mongodb-linux-x86_64-2.6.8.tgz [root@localhost home]

1743

基于Linux平台部署MongoDB【手把手教学】

基于Linux平台使用命令行参数和使用配置文件两种方式部署MongoDB

Five的博客 2379

MongoDB安装部署

无需账号登陆mongo,直接进入mongo容器内部,第一个mongo是容器名称,第二个是进入执行mongo。logpath=/usr/local/mongodb/log/mongodb.log #日志文件。# 默认repo源没有docker-ce安装包,需要新的repo源。# 通过容器名称进入容器内部,并以admin账号登陆mongo。-v: 将本机的目录挂到容器内部/mongo/data目录。#docker查看mongo日志,mongo为容器名称。#运行docker容器(没有则创建),无需密码验证。

HYSliuliuliu的博客 7539

Linux系统下MongoDB安装教程

第一步:在服务器 /usr/local 下创建 MongoDB 文件夹,用来存放安装包、服务以及之后 MongoDB 的数据库和日志文件。第二步: 将官网下载的安装包通过FTP工具上传至服务器上一步创建的 MongoDB/source 文件夹下,执行下面解压命令。第一步: 将 mongod 命令路径添加到系统命令中,这样就可以在任何路径都可以执行 mongod 命令。进入数据库,任意路径执行以下命令,即可进入 mongoDB 的 shell 命令行。在任意路径下执行命令启动 mongoDB 服务。

weixin_57346891的博客 754

linux系统部署mongodb数据库

linux系统部署mongodb数据库http://www.bieryun.com/3215.html 首先大家要先去mongodb的官网下载我们的Linux版本的数据库,大家可以直接点击当前链接进行下载:https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-3.6.3.tgz,这是最新版本的mon...

weixin_33786077的博客 107

linux mongodb安装和配置启动图文详解

一.前期准备 1.Win7环境下 官网下载Mongodb包 本文使用mongodb-linux-x86_64-3.2.12.tgz 2.上传mongodb包至linux服务器 具体放置到目录:/opt/software 二.mongodb安装和配置 1.解压和复制mongodb至目录 /usr/local/mongodb cd /opt/software tar -zxvf mongodb-linux-x86_64-3.2.12.tgz cp -r mongodb-linux-x86_64-3

if(true){ I love it } 2万+

Linux 安装部署 MongoDB 并创建数据库

Linux 安装部署 MongoDB并创建数据库1、创建 mongodb 文件夹2、复制压缩包3、解压并移动文件4、配置系统文件 profile5、创建文件夹,修改相关权限6、编写mongodb启动配置7、在bin目录下编写一个shell脚本8、启动 Mongodb9、测试是否启动成功10、创建数据库 1、创建 mongodb 文件夹   1.1、进入到 /usr/local 文件目录 命令: cd /usr/local 1.2、创建 mongodb 文件夹 命令:mkdir mon

STRANGE-P 的博客 3707
上一篇: [Err] 1055 - Expression
下一篇: IntelliJ IDEA使用技巧(八)——自动生成 serialVersionUID 的方法
springlovejava
博客等级 码龄9年 26粉丝 12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