如何快速制作数据词典

数据词典和约定 数据字典: 一个定义应用程序中使用的所有数据元素和结构的含义、类型、数据大小、格式、度量单位、精度以及允许取值范围的共享仓库。数据字典的维护独立于软件需求规格说明,并且在产品的开发和维护的任何阶段,各个风险承担者都可以访问数据字典。它定义了原数据元素、组成结构体的复杂数据元素、重复的数据项、一个约定: 定义:是数据库中各种规定,比如说名称约定,表名单词首字母要大写,索引名前加上特殊字母加以标明,如图: 阅读详情

其实制作数据词典是一件非常麻烦费力的事情,如果有一条SQL能够帮你全都查询出来,那无疑会省力许多,今天呢我就给大家带来一条这样的SQL,源自大佬小梦想的亲笔之作。


USE information_schema;

SELECT
字段,
字段说明,
PK,
数据类型,
允许为空,
默认值
FROM
(
SELECT
CONCAT('数据表:', MAX(C.TABLE_NAME)) AS '字段',
MAX(C.TABLE_NAME) AS '表名',
MAX(T.TABLE_COMMENT) AS '字段说明',
'' AS 'PK',
'' AS '数据类型',
'' AS '允许为空',
'' AS '默认值'
FROM
information_schema. COLUMNS AS C
INNER JOIN information_schema. TABLES AS T ON C.TABLE_SCHEMA = T.TABLE_SCHEMA
AND C.TABLE_NAME = T.TABLE_NAME
WHERE
C.TABLE_SCHEMA = '替换成数据库名字'
GROUP BY
T.TABLE_NAME
UNION ALL
SELECT
MAX(C.COLUMN_NAME) AS '字段',
MAX(C.TABLE_NAME) AS '表名',
MAX(C.COLUMN_COMMENT) AS '字段说明',
MAX(C.EXTRA) AS 'PK',
MAX(C.COLUMN_TYPE) AS '数据类型',
MAX(C.IS_NULLABLE) AS '允许为空',
MAX(C.COLUMN_DEFAULT) AS '默认值'
FROM
information_schema. COLUMNS AS C
WHERE
C.TABLE_SCHEMA = '替换成数据库名字'
GROUP BY
C.TABLE_NAME ASC,
C.ORDINAL_POSITION ASC
UNION ALL
SELECT
'' AS '字段',
MAX(C.TABLE_NAME) AS '表名',
'' AS '字段说明',
'' AS 'PK',
'' AS '数据类型',
'' AS '允许为空',
'' AS '默认值'
FROM
information_schema. COLUMNS AS C
WHERE
C.TABLE_SCHEMA = '替换成数据库名字'
GROUP BY
C.TABLE_NAME
) S
ORDER BY
表名 ASC

效果图如下这里写图片描述
转载请注明出处,侵权必究

组态王液位双位控制实战:数据词典、命令语言与联调排错 在工业自动化中,上位机监控与SCADA/组态软件承担数据采集、变量映射、动画展示和控制下发。液位控制是最典型的入门对象,其核心并非画面美化,而是双位控制原理:液位达到上限停泵、下限启泵,并通过死区、边界钳位和扫描周期避免频繁启停与数值越界。借助组态王的数据词典、命令语言和历史曲线,工程师可在无真实PLC时完成课程设计或仿真验证,把设备、变量、画面、脚本串成闭环。该技术广泛用于水箱、泵站、化工储罐等液位监控场景。围绕组态王液位控制系统,重点应落在变量规划、双位调节脚本、报警与曲线调试以及Modbus联调排错, 阅读详情

相关推荐

组态王6.5工程源码解析:数据词典、脚本逻辑与通信配置实战

组态软件是工业自动化监控系统的核心工具,其工程文件承载着设备控制、数据采集与界面交互的全部业务逻辑。在组态王这类商业软件中,真正可修改的“源代码”并非底层C/C++实现,而是由数据词典、命令语言、画面动画连接构成的工程级逻辑代码。理解变量类型选型、IO地址映射、脚本触发机制及通信参数配置,是构建稳定监控系统的关键。数据词典作为工程神经中枢,规范的命名与变量设计能大幅降低后期维护成本;事件命令语言与自定义函数则实现设备联锁、故障切换等复杂控制策略。同时掌握通信故障排查与工程备份方法,可有效保障项目落地。本文以

weixin_30110543的博客 244

软件工程数据词典

数据词典是关于数据的信息的集合,也就是对数据流图中包含的所有元素的定义的集合。      任何词典最主要的用途都是供人查阅对不了解的条目的解释,数据词典的字典的作用也正是在软件分析和设计的过程中给人提供关于数据的描述信息。      数据流图和数据词典共同构成系统的逻辑模型,没有数据词典,数据流图就不严格,然而没有数据流图,数据词典也难于发挥作用。只有数据流图和对数据流图中每个元素的精确定义放

cfx1299748113的博客 1600

UE5 SplineMesh与StaticMesh性能对比:生成1000米路径的帧率与内存实测

本文深度对比了UE5中SplineMesh与StaticMesh在生成1000米路径时的性能差异,包括帧率、内存占用及实现复杂度。实测数据显示,SplineMesh在Draw Call优化和动态变形场景中表现更优,而StaticMesh适合需要复杂材质变化的场景。文章还提供了优化技巧和选型指南,帮助开发者根据项目需求做出科学决策。

weixin_33976326的博客 315

【数据库管理】⑩数据字典

【数据库管理】⑩数据字典

u011868279的博客 2万+

基于yolov5的鸟类图像准确识别

本项目主要基于yolov5进行鸟类准确识别,主要识别白鹭家族,红脚鹬,反嘴鹬,环颈珩,小白鹭以及夜鹭六类鸟

weixin_46064184的博客 3823

XGBoost详解(原理篇)

XGBoost全称为eXtreme Gradient Boosting,即极致梯度提升树。XGBoost是Boosting算法的其中一种,Boosting算法的思想是将许多弱分类器集成在一起,形成一个强分类器(个体学习器间存在强依赖关系,必须串行生成的序列化方法)。Note:关于Boosting算法详见博文集成学习详解_tt丫的博客-优快云博客XGBoost是一种提升树模型,即它将许多树模型集成在一起,形成一个很强的分类器。其中所用到的树模型则是CART回归树模型。

tt丫的博客 7万+

软件设计师(下午)——数据流图、数据字典

数据流图

qwjy的博客 6万+

第二十一篇: `man`, `tldr`, `explain` - 授人以渔的“终极指令”

我们已经一起学习了19个(组)关键命令,从nvidia-smi到kubectl。但这只是GPU运维武器库中的一小部分。技术日新月异,新的工具、新的参数会不断涌现。这个系列的真正目的,不仅是教会你使用这19件“兵器”,更是希望你掌握学习任何一件新兵器的方法论。这套方法论就是你的“终极指令”。授人以鱼不如授人以渔。至此,《GPU运维指令集:20个关键命令的战地手册》系列已全部完结。我们从nvidia-smi出发,一路探索了监控、诊断、容器、集群、网络、性能等各个维度的命令,最后用自动化脚本将它们串联,又用。

weixin_42587823的博客 1350

数据字典是什么?和数据库、数据仓库有什么关系?

数据字典是一种对数据的定义和描述的集合,它包含了数据的名称、类型、长度、取值范围、业务含义、数据来源等详细信息。数据字典的主要作用如下:1. 对于数据开发者来说,数据字典包含了关于数据结构和内容的清晰指南,能够让开发者理解数据的含义和用途,从而更准确地进行数据开发和维护工作。2. 对于业务人员来说,数据字典可以帮助理解数据的业务含义,更好地进行数据分析和决策。比如,业务人员在查看销售报表时,可以通过数据字典了解各个指标的定义和计算方法,从而更准确地解读数据。

oOBubbleX的博客 2万+

第二大脑的觉醒:一个寄生在代码里的小生命,如何悄无声息地接管我的工作流

所有记忆都存在本地。

步子哥的博客 1061

AI安全护栏评测:TrustedExecBench如何量化评估大模型防护能力

在人工智能和机器学习领域,模型安全对齐是确保AI系统可靠、可控的核心技术。其原理是通过设计安全机制(即“护栏”)来约束模型行为,防止生成有害、偏见或越界内容。这项技术的核心价值在于平衡AI能力与风险管控,是可信AI部署的基石。应用场景广泛覆盖内容审核、对话系统、代码生成等需要人机交互的领域。本文聚焦的TrustedExecBench项目,正是针对“护栏”性能量化评估这一痛点,提供了一个标准化、自动化的开源评测框架。该工具通过构建多维度的恶意测试套件,并引入基于模型的动态评判机制,能够系统性地检验大语言模型在

weixin_42525428的博客 378

mysql数据词典生成markdown_MySQL数据库表结构快速导出成MarkDown文档

1.前言作为一名技术人员,少不了接触数据库,那么当遇到一个旧项目数据库表比较多,怎么快速的导出表结构,形成文档方便后续跟进呢?今天我给大家安利一个好用的工具MySQL_markdown。2.工具官网代码地址https://github.com/alicfeng/mysql_markdown它是一款基于 go 语言编写的一个命令行工具,适用于 linux、mac、windows等平台。3.直接部署(...

weixin_32921593的博客 853

5、模糊风险评估

本文介绍了基于模糊逻辑的风险评估方法,探讨了如何在不确定、不完整信息环境下进行高效的风险分析。文章涵盖了模糊集合与隶属度函数的基本概念、模糊推理系统的流程,并结合犯罪风险、金融风险和医疗诊断等实际案例,展示了模糊风险评估的应用价值和技术细节。此外,还介绍了模糊贝叶斯网络、模糊综合评价等进阶工具与方法,为多领域风险管理提供了理论支持和实践指导。

mango的博客 180

力软快速开发平台推荐功能之APP开发

上一篇文章我们介绍了单位组织相关模块,今天我们将要演示的是移动app在力软快速开发平台中的同步快速化配置。 移动开发向导 移动开发向导包含了移动开发的核心功能,具体项目我们在下面做一下简单的演示 1.Logo设置 2.首页设置 这里主要配置移动端需要展示的内容,部分分功能需要根据需求填写少量的SQL语句 3.功能生成 功能...

qq_38461368的博客 1655

树莓派 5 AI 套件(Hailo)示例

该用户自定义类作为输入传递给回调函数,该函数在管道输出上运行。它用于主程序与回调函数之间的通信。它对 hailo_rpi_common::app_callback_class 进行了扩展,并可根据应用程序的具体情况定制附加变量和方法。

机器人控制与仿真应用 4115

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

【本人秃顶程序员】用Redis快速实现BloomFilter!

←←←←←←←←←←←← 快!点关注 背景 最近工作上有个类似需求是: 现有约3亿条数据词典存在于一个csv文件A中,作为数据源。对于 用户输入的任意单词M,需要快速的在A中匹配M单词是否存在。(A文件约3G大小左右,总行数三亿) 拿到这个需求,你的第一想法怎么做呢? 正常思路可能是: 将csv文件A导入某关系型数据库。 sql查询按M匹配。 上面的方式有个明显的缺点是:慢! 3亿多行的数据,...

weixin_34150503的博客 611

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")

数据库生成数据字典的方法

数据词典的生成方法有很多种 今天要介绍的是利用sql命令,快速的生成数据词典,从而方便查看: SELECT TABLE_SCHEMA, TABLE_NAME, COLUMN_NAME, COLUMN_TYPE, COLUMN_COMMENT FROM information_schema.c...

weixin_34185364的博客 2712

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

软件工程3-软件需求分析

1.为什么要进行系统分析?系统分析员的职责是什么?2.在进行系统分析时,怎样体现出结构化的设计思想?3.数据流图有哪些基本成分?怎样画数据流图?怎样改进数据流图?4.为什么数据流图要分层?画分层的数据流图要遵循哪些原则?5.为什么要随时准备重新画数据流图?6.数据词典有哪些基本条目?简述数据词典与数据流图的联系。7.简述描述数据流图中基本加工的结构化语言的特点。8.有一个基本加工的加工逻辑为:输入两

pigdreams的博客 2553

oracle导出数据词典到excel工具,OracleToExcel

OracleToExcel是一款可以将Oracle中的数据导出到excel中的工具,它支持单个表、所有表和SQL查询数据,支持输出clob和blob字段在Oracle数据库管理中比较常用,支持批量导出,可以保存和加载session,方便重复导出,需要的朋友赶紧来本站下载吧!OracleToExcel功能1、导出oracle数据库表2、导出oracle数据库sql查询3、支持批量导出4、支持保存和加...

weixin_39926943的博客 444

程序开发中使用Python写脚本大大提高效率

在很多时候,程序代码中的变量很多时候都要用逗号隔开,例如下面的SQL语句: SELECT xray_id,station,location,product_model,service_time,test_day,power_light,xray_light,entrance,exit_door,left_wall,right_wall,top,workbench,exposed_num,shift...

吕艳朋的博客 355

软件开发的流程是怎样的?

1、我们在做一个项目之前,首先是要和客户进行交流,和客户交流的目的是什么?就是要了解用户的需要,根据客户的需要做出一个软件要实现的基本功能,这个也称之为客户需要分析。这一步在整个的开发流程中是非常重要的,如果你连客户最基本的需要都搞不清楚,那么你这个软件是不可能使客户满意的。 2、需求分析:这个阶段需要出三样东西,用户视图[2],数据词典和用户操作手册。用户视图是该软件用户(包括终端用户和管理用户)所能看到的页面样式,这里面包含了很多操作方面的流程和条件。数据词典是指明数据逻辑关系并加以整理的东东,完成了

Java 1534

CUDA: GPU的异构程序开发流程

异构程序开发的特点决定了开发与传统开发手段还是有一些列不同的,通俗的说有一定的讲究。针对本项目,本章列出几条重要的值得注意的地方,从开发过程上指导整个流程,以保证程序的质量+和优化。对异构程序的开发,针对自己的开发业务,简单的叙述整个开发流程如图:这个过程文字叙述为:过程1:数据准备准备需要处理的业务的原始数据,比如你的数据来源为mysql或者app或者mongodb或者其他的,通常为了测试,我都

Augusdi的专栏 1957

快速开发平台推荐功能之APP开发

上一篇文章我们介绍了单位组织相关模块,今天我们将要演示的是移动app在快速开发平台中的同步快速化配置。 移动开发向导 移动开发向导包含了移动开发的核心功能,具体项目我们在下面做一下简单的演示 1.Logo设置 2.首页设置 这里主要配置移动端需要展示...

chuanhanxu5898的博客 306

Redis快速实现BloomFilter

背景 最近工作上有个类似需求是: 现有约3亿条数据词典存在于一个csv文件A中,作为数据源。对于 用户输入的任意单词M,需要快速的在A中匹配M单词是否存在。(A文件约3G大小左右,总行数三亿) 拿到这个需求,你的第一想法怎么做呢? 正常思路可能是: 将csv文件A导入某关系型数据库。 sql查询按M匹配。 上面的方式有个明显的缺点是:慢! 3亿多行的数据,即便是建好索引进行检索,匹配到...

La victoria的博客 8656

商业数据的获取与清洗

目录 分析需求的数据化 数据描述 内部数据 外部数据 逻辑描述 表态数据 动态数据 数据词典 数据源前期准备 PowerBI获取外部数据 方法一:直接抓取表格数据 方法二:使用示例抓取数据 方法三:抓取JSON格式 方法四:批量抓取数据 MySQL内部获取 可视化连接软件NAVICAT 数据库与数据仓库 数据库 数据仓库 举例 数据的导入 导入Excel文件数据 XLS与XLSX区别 导入文本文件数据 导入数据库数据 当下比较主流的数据库介绍 连接...

m0_55955474的博客 3687
上一篇: 使用maven,当jar包冲突时如何解决
下一篇: Jenkins部署到线上环境
苏奇伦
博客等级 码龄11年 8粉丝 6原创
评论 1
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