采用ODBC接口访问MySQL指南

Centos7 安装ODBC访问 Mysql 1、安装 unixODBC yum install unixODBC unixODBC-devel libtool-ltdl libtool-ltdl-devel 2、安装MySQL Connector/ODBC 在mysql网站下载MySQL Connector , 目前最新版本是 8.0.17 https://dev.mysql.com/downloads/connector/o... 阅读详情

采用ODBC接口访问MySQL指南

当前作者: 王猛 ( HeartIcy@163.com )
创建日期: 2003年1月15日
修订版本: 1.1

MySQL的好与坏我想来想去自己始终认为这不是一个程序员或者系统设计师所应该深究的。
假如有权利选择,程序员或者系统设计师应该做的是为项目选择最经济也最合适的解决方
案。MySQL只是众多解决方案中的一种,真的不应该深究。

MySQL的ODBC接口实现是通过安装MyODBC驱动,这个驱动程序是跨平台的。如果在Linux等
unix体系操作系统下使用,需要先安装iodbc这些第三方ODBC标准支援平台。

简单的ASP示例代码:

<%
dim sql,mysql
set sql = server.createobject("adodb.connection")
mysql="driver={mysql odbc 3.51 driver};database=库;server=主机;uid=用户;password
 =密码;" 'option = 设置
sql.open mysql
%>

上边这段代码是采用MyODBC开发版3.51连接的示例,使用开发版是因为一些新的特性和稳定性
2.x正式版所不具备的。前几天看了篇微软安全专家所撰写的如何编写安全程序的教程。上边提
到如果按照上边示例的方法一旦ASP文件的代码被骇客看到,那么数据库可能不保,然后引发一
连串的问题,甚至被夺得管理权限。文章中顺便提到了解决方法,是通过编写com组件,然后由
ASP调用组件的方法连接数据库。这么做的好处是提高了安全性,但是问题是有能力这么做的人
毕竟是少数。那么我的折衷方案是定义数据源。将库、用户、密码以及设置这些连接信息统统在
数据源中定义,从很大程度简单化了实现的难度,而且也起到增强安全性的作用。当然,为了保
证数据源可以在实际运作环境中被访问到,一定要定义为“系统数据源”,开发时定义为“用户
数据源”或者“系统数据源”我倒觉得无伤大雅。

使用数据源的ASP示例代码

<%
dim sql
set sql = server.createobject("adodb.connection")
sql.open "dns=MySQL数据源名称"
%>

本来我想谈谈配置参数的一些具体细节,不过我看到MyODBC的参考手册简短而且明确,所以就不
再班门弄斧。如果关于本文你有什么问题可以通过电子邮件和我联系 - HeartIcy@163.com 。希
望能结识到更多的朋友。

抛砖引玉一下,希望这篇指南对你有用。

**本文档遵循美国自由软件基金会通用文档许可协议发布**

通过JDBC-ODBC桥访问MySQL数据库        通过JDBC-ODBC桥的方式访问数据库,需要经过多层的调用,因此利用JDBC-ODBC桥访问数据库的效率比较低。不过在数据没有提供JDBC驱动而只有ODBC驱动的情况下,也只能利用JDBC-ODBC桥的方式访问数据库。本示例通过JDBC-ODBC桥的方式访问MySQL数据库(Windows系统)。1.安装ODBC驱动      首先下载ODBC驱动并安装,下载地址:        ... 阅读详情

相关推荐

组态王与mysql数据库通过ODBC连接

重点写在前面! 环境:mysql5.5 32位 + mysql-connector-odbc-5.1(注意5.1可行,5.3不可行!!!); 注意:在win7控制面板中的ODBC默认是64位的,所以不可用!需要用“C:\Windows\SysWOW64\odbcad32.exe”才能创建ODBC连接,此应用为32位连接用! 结果:win7和win10下测试通过! 目录 一、安装mysql-c...

ACanswer的专栏 1万+

.Net和MySql数据库连接

先去mysql的网站下载MySql.Data.msi(连.net用)mysql-connector-odbc-5.1.1-win32.msi(连ODBC用)引用命名空间,可以在项目中引用MySql.Data;代码中引用:using MySql.Data;using MySql.Data.MySqlClient;//.netusing System.Data.Odbc;//odbc

ahshow的专栏 2975

MySQL ODBC驱动安装及配置指南

MySQL Connector/ODBC,常被称为MyODBC,是一个开放源代码的数据库连接器,它遵循Open Database Connectivity (ODBC)标准。ODBC是一种通用的数据库接口标准,允许应用程序连接和操作数据库,而无需关心具体的数据库系统。MyODBC允许ODBC兼容应用程序连接MySQL数据库,提供了一种跨平台的解决方案,无论是Windows、Linux还是macOS系统,都能够支持。

weixin_42103128的博客 2649

mysql odbc option 3,MySQL ODBC连接字符串中的Option = N是什么?

I have seen both Option=3 and Option=4 in connection string samples for MySQL ODBC but no explanation or documentation. What do those numbers mean?解决方案The Option= value is the sum of the numeric value...

weixin_42502060的博客 664

MySQL ODBC驱动安装与配置指南

ODBC(Open Database Connectivity)是一个由Microsoft开发的数据库访问标准。它的核心是一个数据库抽象层,允许程序员通过统一的API来访问不同的数据库管理系统(DBMS)。ODBC驱动程序充当了应用程序和数据库之间的桥梁,使得应用程序不需要了解不同数据库的内部工作方式和访问方法。工作原理方面,ODBC采用分层结构,最底层是数据库管理系统,中间是ODBC驱动程序,最上层是ODBC API。

weixin_33256096的博客 1259

C++中使用MySQL ODBC连接MySQL数据库的全面指南

MySQL作为全球最受欢迎的开源关系数据库管理系统之一,因其高性能、高可靠性和易用性而广受欢迎。本章将概述MySQL的发展历史、核心特点以及数据库架构的基础知识,为理解后续章节打下坚实基础。ODBC(Open Database Connectivity,开放数据库连接)是一种在不同数据库系统之间实现数据通信的标准应用程序编程接口(API)。它提供了一种与数据库进行交互的标准方法,使得开发者能够编写应用程序,这些程序可以与多种数据库进行通信,而不需要依赖于特定数据库的API。

weixin_42604188的博客 1298

mysql odbc参数_Mysql ODBC 连接Mysql参数的问题

之前使用ODBC连接Mysql时,希望将Conection String写入代码,可以动态生成,并在必要的时候才注册ODBC数据源。在http://www.connectionstrings.com上找到了Connection String的写法:“DRIVER={MySQL ODBC 3.51 Driver};SERVER=localhost;PORT=3306;DATABASE=test; U...

weixin_39611037的博客 496

【完美解决】Anaconda3安装后缺失大量文件,没有scripts、Library等目录

Anaconda3是官网下载的:https://www.anaconda.com/distribution/#download-section 我选择的是64位python 3.7的版本。 问题出现及现象: 我自己选择了一个D盘的目录D:\Tools\Anaconda3进行安装,装完后发现conda list命令无法执行,首先都到的是配置环境变量,然后发现安装目录下缺失大量文件(如下图)...

android之行 3万+

mysql odbc_MySQL数据库之mysql odbc 配置详解、解决方案

本文主要向大家介绍了MySQL数据库之mysql odbc 配置详解、解决方案 ,通过具体的内容向大家展现,希望对大家学习MySQL数据库有所帮助。1.安装mysql以及mysqlodbc要注意自己的版本版本都要统一(32位或者64位)2.出现的error1989126错误代码Error1918.ErrorinstallingODBCdriverMySQLODBC5....

weixin_32823993的博客 1581

WRF模式学习入门基础(建议收藏!!!)

本文详细介绍了WRF-ARW(Advanced Research WRF)模式的结构组成,重点讲解了前处理系统(WPS)和主模式中的各个关键程序的功能与流程。通过对geogrid、ungrib、metgrid、real和wrf等模块的逐步解析,帮助初学者全面理解数值天气预报模型在初始化和运行过程中所需的关键步骤。

2503_90234341的博客 3084

数据库访问接口之ODBC详解

ODBC是“开放数据库互联的简称”(Open Database Connectivity)的简称。ODBC是MicroSoft公司提出的应用程序通用编程接口标准,用于对数据库的访问。 ODBC实际上是一个数据库访问函数库,使应用程序可以直接操纵数据库中的数据。ODBC是基于SQL语言的,是一种在SQL和应用界面之间的标准接口,他解决了嵌入式SQL接口非规范核心,免除了应用软件随数据库的改变而改变...

此去亦是经年 2万+

fluent linux运行算例,Fluent算例精选|03利用VOF和蒸发-冷凝模型

通过学习本算例您将获得?1、学会基本的VOF模型设置流程2、学会利用蒸发-冷凝模型来模拟传热沸腾目录1摘要42传热沸腾模型介绍43前处理44求解设置54.1启动Fluent54.2网格缩放64.3求解器设置74.4多相流模型设置84.5能量方程求解设置94.6紊流模型设置104.7添加材料114.8多相流中相设置124.9操作条件设置144.10边界条件设置154.10.1heatsource边界...

weixin_33278819的博客 3187

mysql odbc api_采用ODBC接口访问MySQL指南 (转)

采用ODBC接口访问MySQL指南 (转)[@more@]采用OdbC接口访问Mysql指南当前作者: 王猛 ( Mailto:HeartIcy@163.com">HeartIcy@163.com )创建日期: 2003年1月15日修订版本: 1.1MYSQL的好与坏我想来想去自己始终认为这不是一个程序员或者系统设计师所应该深究的。假如有权利选择,程序员或者系统设计师应该做的是为项目选择最经...

weixin_28811227的博客 283

安卓直链APK安装拦截全解析:从Play Protect到厂商管控的应对指南

在移动应用分发领域,APK(Android Package)安装是开发者与用户交互的关键环节。其核心原理涉及安卓系统的安全沙箱机制与权限管理体系,旨在保护用户设备免受恶意软件侵害。这一机制的技术价值在于平衡了应用生态的开放性与安全性,但也在应用推广、企业内部分发等场景中带来了挑战。尤其在通过官网、广告等直链渠道分发APK时,常会遇到安装转化率骤降的问题。这背后主要受到Google Play Protect云端扫描、安卓系统安装权限模型演进(如Android 8.0+的安装源授权)以及设备制造商附加安全层(如

weixin_33894640的博客 472

基于模板匹配实现手写汉字识别matlab源码含GUI

主要包括三个按钮和三个图像显示框:第一个按钮用于选择待匹配的手写汉字图像,第二个按钮用于进行匹配,第三个按钮用于清除所有内容。当用户点击匹配按钮时,会自动调用模板匹配函数,并在图像显示框中显示匹配结果。上述代码首先将之前提取的Hu不变矩特征存储在T矩阵中,并将对应的类别信息存储在L向量中。然后读取待匹配汉字,提取其Hu不变矩特征,并使用pdist2函数计算待匹配汉字与所有汉字模板的距离。本文介绍了如何使用matlab实现手写汉字识别,包括汉字模板提取、模板匹配算法、GUI界面设计等方面。

pytorchCode的博客 260

采用ODBC接口访问MySQL指南 (转)

采用ODBC接口访问MySQL指南 (转)[@more@]采用OdbC接口访问Mysql指南 当前作者: 王猛 ( Mailto:HeartIcy@163.com">HeartIcy@163.com )创建日期: 200...

cuiji1279的博客 115

uniapp(全端兼容) - 超详细接入百度统计功能,给uniapp全平台各端项目引入添加百度统计的插件统计流量详细的步骤教程(提供最新的百度统计源代码,详细的示例代码复制粘贴即可快速搞定!)

uniapp h5 app 使用加入接入百度统计,uniapp百度统计,uniapp详细引入百度统计的教程,uniapp接入百度统计,uniapp如何实现加入百度的统计代码,uniapp怎么植入百度统计详细教程,uniapp如何对接百度统计,uniapp百度统计不生效怎么办,uniapp使用百度统计不生效常见问题,uniapp引入百度统计后没有生效,uniapp h5网页接入百度统计代码后没有统计无效,uniapp最新接入使用百度统计功能,uniapp增加百度统计代码,uniapp app如何接入百度统计,

✅ 精选推荐文章 1万+

通过odbc来访问mysql_使用ODBC接口访问MySQL的实际操作

以下的文章主要介绍的是如何正确的使用ODBC接口来访问MySQL的实际操作,一般的说,用户都是以命令行的方式对MySQL(和PHP搭配之***组合)进行使用。很多用户在Windows环境中一直使用图形用户界面(GUI)来操作和管理数据库。对命令行方式可能不习惯,而很多新手更是觉得接口访问MySQL(和PHP搭配之***组合)不容易掌握。为了方便用户对MySQL(和PHP搭配之***组合)数据库进行...

weixin_30039395的博客 889

PostgreSQL:详解如何搭建流复制集群

PostgreSQL流复制集群搭建指南摘要 本文详细介绍了PostgreSQL流复制集群的部署流程。流复制通过主节点实时传输WAL日志到备节点实现数据同步,支持高可用和读写分离。部署步骤包括:1)准备相同版本的主备节点环境;2)配置主节点的postgresql.conf和pg_hba.conf;3)创建专用复制用户;4)使用pg_basebackup初始化备库;5)验证复制状态。文章还涵盖复制槽、同步复制等高级配置,以及故障切换方法。该方案可实现数据实时同步,备库提供只读查询服务,是构建高可用Postgre

数据知道的博客 2573

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

MySQL ODBC驱动简介

ODBC 或 MySQL 连接器表示 MySQL ODBC 驱动程序的集合。MySQL ODBC 驱动程序在早期被称为 myODBC 驱动程序。MySQL ODBC 驱动程序负责在开放式数据库连接 API (ODBC API) 的帮助下访问 MySQL 数据库。最新版本的 ODBC 即 ODBC 8.0 带有 Unicode 和 ANSI 驱动程序。当我们使用 MySQL ODBC 驱动程序时,我们可以使用基于驱动程序管理器的接口的本机接口连接到 MySQL 数据库。该驱动程序为所有 MySQL 功能提供完

allway2的博客 1万+

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")

【MYSQL】玩转 MySQL 之 MySQL ODBC

MySQL ODBC(开放数据库连接)是一种用于访问MySQL数据库的标准应用程序编程接口(API)。ODBC是Open Database Connectivity的缩写,意为“开放数据库连接”,它是由SQL Access Group制定的标准规范,并由Microsoft等厂商大力推广和使用。ODBC提供了一套标准的函数调用、错误代码和数据类型,使得应用程序可以通过统一的接口访问不同类型的数据库,而无需关心底层数据库的具体实现。

qq_41133965的博客 2411

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。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Linux环境下通过ODBC访问MySQL

在安装配置之前,需要先大概了解一下MyODBC的架构. MyODBC体系结构建立在5个组件上,如下图所示: Driver Manager: 负责管理应用程序和驱动程序间的通信,主要功能包括:解析DSN (数据源名称,ODBC的数据源名称在ODBC.INI文件中配置),加载和卸载驱动程序,处理ODBC调用,将其传递给驱动程序. Connector/ODBC(MyODBC...

bobbypeng的专栏 1575

通过ODBC远程访问MySQL的一种简便方法

最近在网上搜了一些关于通过ODBC远程访问MySQL数据库服务器的方法,感觉都不是很方便,在这里介绍一种自己摸索出来的自我感觉良好的利用MySQLAdministrator通过ODBC远程访问MySQL数据库服务器的方法:1、从MySQL官方网站下载MySQL GUI Tools(MySQL的可视化管理工具)到MysQL数据库所在的服务器,在GUI Tools工具包中有一个软件工具叫MySQL

老扁的专栏 1万+

mysql odbc 驱动_mysql odbc驱动 mysql odbc connector

mysql odbc connector又名《mysql odbc驱动》,MySQL Connector ODBC是一个有效且实用的ODBC连接器,安装后它允许您将应用程序连接到MySQL数据库并从表中提取数据。适合连接到MySQL数据库,执行查询和从表中提取数据的开发人员和程序员。界面预览图:MySQL ODBC驱动程序使用行业标准的开放式数据库连接(ODBC)API提供对异构环境中MySQL数...

weixin_39801613的博客 2770
上一篇: Zend Optimizer 配置指南
下一篇: C99风格Hello,World演示
swotcoder
博客等级 码龄24年 11粉丝 21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