自动备份数据库

tomhat tomhat 博客等级 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 100+累计阅读 130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17年
关注
原创 最新推荐文章于 2026-10-15 09:29:05 发布 130 阅读 AI 写同款· GEO 优化 ›
最近数据库出现问题，想到定时备份数据库SQL于是查到点资料自己总结了一下：

[size=large]linux在shell中获取时间[/size]

获得当天的日期
date +%Y-%m-%d
输出： 2011-07-28

将当前日期赋值给DATE变量
DATE=$(date +%Y%m%d)

有时候我们需要使用今天之前或者往后的日期，这时可以使用date的 -d参数

获取明天的日期
date -d next-day +%Y%m%d

获取昨天的日期
date -d last-day +%Y%m%d

获取上个月的年和月
date -d last-month +%Y%m

获取下个月的年和月
date -d next-month +%Y%m

获取明年的年份
date -d next-year +%Y

名称 : date
使用权限 : 所有使用者
使用方式 : date [-u] [-d datestr] [-s datestr] [--utc] [--universal] [--date=datestr] [--set=datestr] [--help] [--version] [+FORMAT] [MMDDhhmm[[CC]YY][.ss]]
说明 : date 能用来显示或设定系统的日期和时间，在显示方面，使用者能设定欲显示的格式，格式设定为一个加号后接数个标记，其中可用的标记列表如下 :
时间方面 :
% : 印出
% %n : 下一行
%t : 跳格
%H : 小时(00..23)
%I : 小时(01..12)
%k : 小时(0..23)
%l : 小时(1..12)
%M : 分钟(00..59)
%p : 显示本地 AM 或 PM
%r : 直接显示时间 (12 小时制，格式为 hh:mm:ss [AP]M)
%s : 从 1970 年 1 月 1 日 00:00:00 UTC 到目前为止的秒数 %S : 秒(00..61)
%T : 直接显示时间 (24 小时制)
%X : 相当于 %H:%M:%S
%Z : 显示时区
日期方面 :
%a : 星期几 (Sun..Sat)
%A : 星期几 (Sunday..Saturday)
%b : 月份 (Jan..Dec)
%B : 月份 (January..December)
%c : 直接显示日期和时间
%d : 日 (01..31)
%D : 直接显示日期 (mm/dd/yy)
%h : 同 %b
%j : 一年中的第几天 (001..366)
%m : 月份 (01..12)
%U : 一年中的第几周 (00..53) (以 Sunday 为一周的第一天的情形)
%w : 一周中的第几天 (0..6)
%W : 一年中的第几周 (00..53) (以 Monday 为一周的第一天的情形)
%x : 直接显示日期 (mm/dd/yy)
%y : 年份的最后两位数字 (00.99)
%Y : 完整年份 (0000..9999)
若是不以加号作为开头，则表示要设定时间，而时间格式为 MMDDhhmm[[CC]YY][.ss]，
其中 MM 为月份，
DD 为日，
hh 为小时，
mm 为分钟，
CC 为年份前两位数字，
YY 为年份后两位数字，
ss 为秒数

[size=large]备份数据库[/size]
#!/bin/sh
# File: /home/mysql/backup.sh
# Database info
DB_NAME="test"
DB_USER="username"
DB_PASS="password"

# Others vars
BIN_DIR="/usr/local/mysql/bin"
BCK_DIR="/home/mysql/backup"
DATE=`date +%F`

# TODO
$BIN_DIR/mysqldump --opt -u$DB_USER -p$DB_PASS $DB_NAME | gzip > $BCK_DIR/db_$DATE.gz


[size=large]然后使用将此脚本加到 /etc/crontab 定时任务中：[/size]

每日早上5点01执行备份
01 5 * * 0 mysql /home/mysql/backup.sh

crontab 的时间设定详情：http://yangqijun.iteye.com/blog/1173016

简要说明crontab时间参数：

#MIN HOUR DAY MONTH DAYOFWEEK COMMAND

#每天早上6点10分
10 6 * * * date

#每两个小时
0 */2 * * * date

#晚上11点到早上8点之间每两个小时，早上8点
0 23-7/2，8 * * * date

#每个月的4号和每个礼拜一到礼拜三的早上11点
0 11 4 * 1-3 date

#1月1日早上4点
0 4 1 1 * date
收录于
linux

当前文章被收录于：

linux
31 篇文章 0 人学习
订阅专栏 查看详情
mysql

当前文章被收录于：

mysql
9 篇文章 0 人学习
订阅专栏 查看详情
SQL

当前文章被收录于：

SQL
9 篇文章 0 人学习
订阅专栏 查看详情
标签
#linux #mysql #sql #脚本 #crontab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
【STM32开源实战】基于STM32的智能输液监控系统设计与实现 本文详细介绍了基于STM32F103C8T6主控芯片的智能输液监控系统设计与实现。该系统通过光学液位传感器、温度传感器和红外滴速检测模块实时监测输液状态，利用步进电机自动调节滴速，并通过蓝牙实现数据远程传输，为医院提供了一套低成本、高可靠性的智能输液解决方案。 阅读详情

相关推荐

告别手动标注！用ENVI Classic高效搞定高光谱图像语义分割标签（以农业/地物分类为例）

本文详细介绍了如何利用ENVI Classic实现高光谱图像的半自动化智能标注，特别针对农业和地物分类场景。通过光谱特征分析、智能标注技巧和MAT文件转换，显著提升标注效率和质量，助力AI模型训练。

weixin_28694169的博客 251

docker-db-auto-backup：一键自动化备份 Docker 容器数据库

docker-db-auto-backup：一键自动化备份 Docker 容器数据库 项目介绍 docker-db-auto-backup 是一个功能强大的开源脚本，它能够自动备份运行在 Docker 容器中的所有数据库。该项目支持多种数据库，包括 MySQL（包括 MariaDB 和 LSIO 的 MariaDB）、PostgreSQL（包括 TimescaleDB、pgvecto.rs 以及 ...

gitblog_00219的博客 754

数字IC设计实现之hierarchical flow系列（一）

数字IC设计实现之hierarchical flow系列（一） 最近这段时间小编又比较忙起来了，今天抽空来咖啡厅码字来了，刚到时脑子一片空白，不知道要分享些什么（项目结束后将会在知识星球上分享数字 IC 设计实现 Tapeout 前要review的那些 checklist）。突然间想起来有个星友希望小编分享些数字 IC 设计实现 hierarchical flow 的相关内容。考虑到现在大都采用这种方式来做 design 和实现，那就选这个 topic 了。限于篇幅和时间限制，今天只分享逻辑综合部分和布局布

weixin_37584728的博客 6000

SQL Server数据库（自动、手动）备份

SQL Server数据库（自动、手动）备份： 一、为备份文件建一个独立文件夹，方便区分； Win+R,输入services.msc进入服务管理界面查找sqlserver服务，复制此账户后所有用户名； 首先单独建立一个备份文件夹； 给文件夹分配权限 然后粘贴到对象名称空白处； 点击确定后点击高级设置，进入高级权限配置，权限配置到此成功； 二、MS ...

weixin_39758376的博客 9万+

apm软件仿真+QGC地面站 环境搭建

本教程使用场景：apm软件仿真运行于虚拟机 ubuntu环境。qgc地面站位于windows 系统。两个环境在同一台电脑上。 一.apm仿真环境搭建 1.安装vm虚拟机及ubuntu 18。 2.ubuntu下 下载Ardupilot 飞控源码 并配置环境。 下载源码： git clone https://github.com/ArduPilot/ardupilot cd ardupilot git submodule update --init --recursive 配置所需运行的环境：

qthello 6111

【SAP报错】BK128&K5112

在ECC中使用CO1F进行Progressive confirmation时，依次遇到了如下的报错。

weixin_45228526的博客 784

Wing 语言的变量遮蔽（Shadowing）语义解析：inflight 捕获与编译器的“DefinedLater“约束

本文以 Wing 开源仓库中 [shadowing.test.w 的 sim 平台测试快照](https://link.gitcode.com/i/f477bb6bb6761972a3c281b9eaba73c5) 为切入点，深入讲解 Wing 语言的变量遮蔽（Shadowing）规则，尤其是它和 inflight 闭包"捕获（capture）"机制的相互作用。你将理解：为什么在嵌套作用域里遮蔽一

gitblog_00934的博客 406

10分钟训练你的AI歌手：RVC WebUI声音克隆保姆级教程

本文提供了一份详细的RVC WebUI声音克隆保姆级教程，指导用户如何在10分钟内利用Retrieval-based-Voice-Conversion技术训练专属AI歌手。教程涵盖从环境配置、数据准备、模型训练到最终推理应用的全流程，即使是新手也能快速上手，实现高质量的声音克隆与歌曲生成。

weixin_29073241的博客 821

达梦数据库自动备份(全库)+还原(全库) 控制台

原因：当前是dmdba用户，可是备份还原的文件DMHR.DBF等表空间文件都是在root用户下的，导致dmdba没有权限，将这些文件的所有权改为dinstall用户组下的dmdba用户后，服务即可重新启动。点击归档配置开启归档 /app/dmDB8为归档日志目录 这个我设置错了应该是 /app/dmDB8/arch。右键->管理服务->系统管理->选择配置->点击转换->确定->归档配置。重新开启数据库打开状态，系统管理—打开—转换。我的数据库安装目录是 /app/dmDB8。

weixin_41018853的博客 4123

DexProtector内存态匿名段检测绕过与dex重组技术

Dex文件是Android应用的核心执行单元，其结构规范（如header_item、class_def_item、code_item）决定了运行时加载与解析的底层逻辑。DexProtector通过将dex数据拆解为多个无文件名、受保护的内存匿名段（如[anon:dp_header]、[anon:dp_code]），规避传统基于文件特征或标准加载路径的检测机制。该策略依赖Android mmap内存管理与ART虚拟机对dex结构的刚性要求，形成可被观测的布局规律。理解其内存态组织原理，结合权限/大小/命名/内

weixin_30855761的博客 691

MacBook 上 LaTeX 环境搭建：从 Mactex 到 Sublime Text 与 Skim 的保姆级配置流程

本文详细介绍了在MacBook上搭建LaTeX环境的完整流程，从Mactex安装到Sublime Text与Skim的配置优化。涵盖基础环境准备、编辑器设置、PDF预览同步等关键步骤，帮助用户快速建立高效的LaTeX工作流，特别适合学术写作和技术文档创作。

weixin_30824599的博客 681

Mysql数据库自动备份

Mysql数据库自动备份 一、情景 在做数据库修改或删除操作中，可能会导致数据错误，甚至数据库奔溃，而有效的定时备份能很好地保护数据库。本篇文章主要讲述Navicat for MySQL定时备份数据库和数据恢复等功能。之前也参照其他同学的博客但一些设置过程具有不稳定行，于是个人对于设置加以完善，从而避免了一些系统环境而导致任务的设置与执行成功等问题。如果觉得可以还望多多点赞~嘻嘻…… 二、提前 ...

yhcqlong的博客 4万+

微信小程序逆向实战：从HTTPS抓包到API接口全解构

方案原理优点缺点方案一：使用低版本微信+系统代理微信7.0以下版本未强制不走代理操作简单容易被封号，无法使用新版小程序方案二：Hook SSL层（Xposed/Frida）动态Hook Java的TrustManager或系统的SSLContext，绕过证书校验灵活可控需要Root/越狱，技术门槛高方案三：VPN转发抓包（PacketCapture）利用Android VPNService将所有流量转发到本地代理无需Root，兼容性好部分机型存在性能问题。

2201_76125261的博客 267

数据库的自动备份

1、意义 数据库备份和恢复的作用和价值主要体现在以下几个方面。 ①提高系统的高可用性和灾难可恢复性，在数据库系统崩溃的时候没有数据库备份就没有办法找到数据进行恢复。 ②使用数据库备份还原数据库是数据库系统崩溃时提供数据恢复最小代价的最优方案，如果让客户重新填报数据，代价太大。 ③没有数据就没有一切，数据库备份就是一种防范灾难于未然的强力手段，没有了数据，功能再强大的应用也是镜中花水中月。 ...

血饮渊虹的博客 6868

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

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

Oracle数据库自动备份压缩,oracle数据库自动备份压缩bat

以下为window下自动备份oracle数据库的bat脚本，可实现备份数据库的.dmp文件，并且压缩。在服务器设置一个每天凌晨执行的计划任务，可时间每天自动化备份打包。rem windows环境下Oracle数据库的自动备份脚本。rem 可以将本批处理设成windows任务计划下自动执行。@echo off@echo ========================================...

weixin_28890831的博客 808

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")

设定sql server定期自动备份数据库

企业管理器中的Tools，Database Maintenance Planner，可以设置数据库的定期自动备份计划。并通过启动Sql server Agent来自动运行备份计划。具体步骤如下:1、打开企业管理器，在控制台根目录中依次点开Microsoft SQL Server-->SQL Server组-->双击打开你的服务器2、然后点上面菜单中的工具-->选择数据库维护计划器3、下一步选择要进

wang8712的专栏 956

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。

10分钟上手tiredofit/docker-db-backup：从安装到自动备份的完整教程

tiredofit/docker-db-backup 是一款强大的 Docker 容器工具，专为 MySQL 和 PostgreSQL 数据库备份设计。它支持 Tar 命令备份数据库数据，并可对备份数据进行加密，非常适合在 Docker 环境下实现自动化备份和加密数据库数据的场景。 ## 为什么选择 tiredofit/docker-db-backup？ 这款 Docker 容器工具具有以下核

gitblog_00182的博客 996

oracle数据库备份存储过程,通过oracle 数据库链接db link自动化备份生产库的脚本存储过程...

create or replace procedure proc_auto_backup/************************************************************************************编写者:翟勋杨编写日期:2013-2-25功能:定期备份库至专用备份库,且仅备份表结构及其它对象;备份前判断,若未备份且备份已变更,则备份;否...

weixin_39963534的博客 440

图解设定Sql Server2000定期自动备份数据库

企业管理器中的Tools，Database Maintenance Planner，可以设置数据库的定期自动备份计划。并通过启动Sql server Agent来自动运行备份计划。具体步骤如下: 1、打开企业管理器，在控制台根目录中依次点开Microsoft SQL Server-->SQL Server组-->双击打开你的服务器;2、然后点上面菜单中的工具-->选择数据库维护计划器;  3、

2374

Sybase数据库自动备份的实现

数据库备份是一项需要定期和重复进行的工作。那么有什么方法实现对数据库的自动备份呢？其实方法有很多。下面介绍笔者平时使用的、简单而容易实现的、针对本地网监控系统Sybase数据库备份方法。     1  全量备份方案     （1）传统方法：使用Sybase的BackupServer（备份服务器）进行Dump备份     转储数据库（DumpDatabase）就是为整个数据库（数据、表

wwp1026的专栏 2791

postgresql自动备份linux,postgresql linux安装与定时自动备份数据库

安装PostgreSQL前，确认Internet连接正常，以便下载安装文件。先使用yum -y update指令升级系统到最新版本。本安装将PostgreSQL的数据文件与执行文件分离，如果你打算设置到不同的路径，注意修改对应的执行命令和数据库初始化脚本。＃ 修改防火墙设置，打开5432端口vi /etc/sysconfig/iptables-A INPUT -m state --state NE...

weixin_39605894的博客 198

Oracle数据库自动备份

这个脚本为 Oracle 数据库设置了一个自动备份方案，并且通过RMAN工具来执行备份和清理工作。你可以根据自己的需求调整备份策略和存储路径。结合cron定时任务，你可以实现完全自动化的备份操作，确保数据库的安全性。

xu011011的博客 1494

Shell示例：数据库备份&服务自动部署

1.数据库备份 1.执行db_dump.sh westos(数据库密码) 2. 脚本执行后会备份数据库中的所有库到/mnt/mysqldump目录中 3. 备份文件名称为 “库名称.sql”当此文件存在时报错并询问动作：输入“S”跳过备份；当输入“B"时备份“库名称.sql”文件为“库名称_backup.sql”,当输入“O”时，覆盖源文件 ...

weixin_46074899的博客 222

freebsd mysql删_FreeBSD自动备份数据库.删除备份

#!/bin/shBACKUP_BASE_DIR=”/data/backup/database”max_old_backup=12clean_old_backup(){count=0for name in `ls $BACKUP_BASE_DIR|grep -E ‘[0-9]{6,6}\-[0-9]{6,6}’ | sort -r`docount=$((count+1))if [ $count -...

weixin_42360237的博客 182

mysql定时自动备份数据库

我们都知道数据是无价，如果不对数据进行备份，相当是让数据在裸跑，一旦服务器出问题，只有哭的份了。下面将介绍mysql数据库的自动备份，大家可根据情况自行选择将备份数据存放在哪里。 第一种，数据跑在服务器上，如果只想定时把数据库备份放在服务器（此处服务器系统为centos7）上，可如下设置： 首先编写sh文件 : /usr/local/backup/bkDatabase.sh： #!/bi...

凌风飞扬的专栏 3万+

Windows下自动备份Oracle数据库

Windows下自动备份Oracle数据库

weixin_42464282的博客 2869
上一篇： 检测远程端口是否开通 ssh通过.pem密钥登录
下一篇： JS,Jquery获取各种屏幕的宽度和高度,clientX,offsetX,在父窗口中获取iframe中的元素...
点赞 0
评论 0
书签 书签 0
tomhat
tomhat
博客等级 码龄17年 6粉丝 142原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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