MySQL实战:用LEFT、RIGHT和SUBSTRING搞定身份证号、手机号脱敏处理

7招教你轻松搞定MySQL隐私保护查询,GDPR合规真的这么难? 接下来,我们要明确哪些数据被视为“敏感”。根据GDPR的规定,任何可以直接或间接识别自然人的信息都被认为是敏感数据。因此,在设计数据库结构时,应该特别注意那些可能包含个人身份标识符(PII)的字段,比如身份证号、电子邮件地址、银行卡号等。对于这类数据,我们应该采取更加严格的保护措施。如果你发现自己经常需要对某些特定类型的敏感数据进行相同的脱敏处理,那么创建一个自定义函数可能是更好的选择。这不仅可以减少重复劳动,还能提高代码的可读性和维护性。BEGIN。 阅读详情

MySQL数据脱敏实战:用字符串函数实现隐私保护

在数字化时代,数据安全已成为企业不可忽视的重要议题。特别是涉及用户身份证号、手机号等敏感信息时,如何在保证业务需求的同时兼顾隐私保护,是每位开发者都需要掌握的技能。本文将深入探讨如何利用MySQL内置的字符串函数,高效实现常见敏感数据的脱敏处理。

1. 数据脱敏的核心需求与实现思路

数据脱敏(Data Masking)是指对某些敏感信息通过特定的规则进行变形,使得这些数据在非生产环境中可以被安全使用而不泄露真实信息。在实际业务场景中,我们通常需要:

  • 身份证号:保留前3位和后4位,中间用星号填充
  • 手机号码:显示前3位和后4位,中间4位用星号替代
  • 银行卡号:显示最后4位,其余用星号代替

MySQL提供了丰富的字符串处理函数,我们可以组合使用LEFT()、RIGHT()、SUBSTRING()和CONCAT()等函数实现这些需求。相比在应用层代码中处理,直接在数据库层面实现脱敏有以下优势:

  1. 性能更优:减少网络传输数据量
  2. 一致性保证:所有查询结果自动脱敏
  3. 维护方便:修改脱敏规则只需调整SQL语句

2. 核心字符串函数详解

2.1 LEFT()函数:截取左侧字符

LEFT(str, len)函数从字符串左侧开始截取指定长度的字符:

-- 截取手机号前3位
SELECT LEFT('13812345678', 3); 
-- 结果: '138'

参数说明:

  • str:要处理的字符串,可以是字段名或字符串常量
  • len:要截取的字符长度,必须为正整数

2.2 RIGHT()函数:截取右侧字符

RIGHT(str, len)函数从字符串右侧开始截取指定长度的字符:

-- 截取身份证号后4位
SELECT RIGHT('110105199003072316', 4);
-- 结果: '2316'

2.3 SUBSTRING()函数:灵活截取任意位置

SUBSTRING(str, pos, len)函数可以从任意位置开始截取字符串:

-- 从第4位开始截取5个字符
SELECT SUBSTRING('ABCDEFGHIJK', 4, 5);
-- 结果: 'DEFGH'

-- 使用负数位置从末尾倒数
SELECT SUBSTRING('ABCDEFGHIJK', -3, 2);
-- 结果: 'IJ'

参数说明:

  • pos:起始位置(从1开始计数),可为负数表示从末尾倒数
  • len:可选参数,指定截取长度,省略时截取到字符串末尾

3. 实战脱敏方案实现

3.1 身份证号脱敏处理

标准的18位身份证号脱敏需求是保留前3位和后4位,中间用星号填充:

SELECT 
    CONCAT(
        LEFT(id_card, 3),
        REPEAT('*', 11),
        RIGHT(id_card, 4)
    ) AS masked_id_card
FROM users;

对于15位的旧身份证号,我们需要先判断长度:

SELECT 
    CASE 
        WHEN LENGTH(id_card) = 15 THEN 
            CONCAT(LEFT(id_card, 3), REPEAT('*', 9), RIGHT(id_card, 3))
        ELSE 
            CONCAT(LEFT(id_card, 3), REPEAT('*', 11), RIGHT(id_card, 4))
    END AS masked_id_card
FROM users;

3.2 手机号脱敏处理

手机号通常显示前3位和后4位,中间4位用星号替代:

SELECT 
    CONCAT(
        LEFT(mobile, 3),
        '****',
        RIGHT(mobile, 4)
    ) AS masked_mobile
FROM customers;

更严谨的实现应该考虑手机号长度可能不统一的情况:

SELECT 
    CASE 
        WHEN LENGTH(mobile) = 11 THEN 
            CONCAT(LEFT(mobile, 3), '****', RIGHT(mobile, 4))
        ELSE 
            mobile  -- 不符合常规手机号长度则不处理
    END AS masked_mobile
FROM customers;

3.3 银行卡号脱敏处理

银行卡号通常只显示最后4位:

SELECT 
    CONCAT(
        REPEAT('*', LENGTH(card_number) - 4),
        RIGHT(card_number, 4)
    ) AS masked_card_number
FROM bank_accounts;

4. 高级脱敏技巧与性能优化

4.1 使用视图封装脱敏逻辑

对于频繁使用的脱敏查询,可以创建视图简化操作:

CREATE VIEW v_masked_customers AS
SELECT 
    id,
    name,
    CONCAT(LEFT(mobile, 3), '****', RIGHT(mobile, 4)) AS mobile,
    CASE 
        WHEN LENGTH(id_card) = 15 THEN 
            CONCAT(LEFT(id_card, 3), REPEAT('*', 9), RIGHT(id_card, 3))
        ELSE 
            CONCAT(LEFT(id_card, 3), REPEAT('*', 11), RIGHT(id_card, 4))
    END AS id_card
FROM customers;

4.2 函数索引优化查询性能

当对脱敏字段进行条件查询时,可以创建函数索引提高性能:

-- 为手机号后4位创建索引
ALTER TABLE customers ADD INDEX idx_mobile_last4 (RIGHT(mobile, 4));

-- 查询后4位为1234的用户
SELECT * FROM customers WHERE RIGHT(mobile, 4) = '1234';

4.3 存储过程实现批量脱敏

对于需要批量更新数据的场景,可以使用存储过程:

DELIMITER //
CREATE PROCEDURE mask_sensitive_data()
BEGIN
    -- 更新手机号
    UPDATE customers SET 
        mobile_masked = CONCAT(LEFT(mobile, 3), '****', RIGHT(mobile, 4))
    WHERE mobile_masked IS NULL;
    
    -- 更新身份证号
    UPDATE customers SET 
        id_card_masked = CASE 
            WHEN LENGTH(id_card) = 15 THEN 
                CONCAT(LEFT(id_card, 3), REPEAT('*', 9), RIGHT(id_card, 3))
            ELSE 
                CONCAT(LEFT(id_card, 3), REPEAT('*', 11), RIGHT(id_card, 4))
        END
    WHERE id_card_masked IS NULL;
END //
DELIMITER ;

5. 实际应用中的注意事项

  1. 数据一致性验证:脱敏后的数据应保持原有数据的格式和长度
  2. 性能考量:大量数据脱敏处理时,避免在WHERE子句中使用字符串函数
  3. 日志记录:敏感数据操作应记录日志,但日志本身也需要脱敏
  4. 备份策略:备份数据也应进行脱敏处理,降低数据泄露风险
  5. 法律合规:不同地区对数据脱敏的要求可能不同,需了解相关法律法规
-- 错误的性能实践:全表扫描无法使用索引
SELECT * FROM customers WHERE RIGHT(mobile, 4) = '1234';

-- 更好的做法:单独存储脱敏部分并建立索引
ALTER TABLE customers ADD COLUMN mobile_last4 CHAR(4);
UPDATE customers SET mobile_last4 = RIGHT(mobile, 4);
CREATE INDEX idx_mobile_last4 ON customers(mobile_last4);

在实际项目中,我们曾遇到一个性能问题:某报表系统对百万级用户表执行脱敏查询导致响应缓慢。通过预先计算脱敏字段并建立索引,查询时间从5秒降低到0.1秒以内。这个案例告诉我们,脱敏不仅要考虑安全性,也需要关注性能影响。

基于SpringBoot+Vue的入校申报审批系统设计与实现 在企业数字化建设中,审批流程与权限管理是业务系统的核心能力。以SpringBoot作为后端框架,搭配Vue构建前端,前后端分离的架构已成为主流实践。通过JWT实现无状态身份认证,结合Redis控制登录态,确保系统安全;借助状态机设计,让审批状态流转清晰可控。这类技术组合既提升了开发效率,又保障了系统可维护性。在校园访客管理、访客预约等场景中,类似设计可快速落地。本文围绕一个入校申报审批系统的毕业设计项目,复盘需求分析、数据库设计及核心模块实现,为开发者提供参考。 阅读详情

相关推荐

景观格局指数计算方法及代表的生态学意义(待补充)

景观指数 斑块密度(PD) 斑块密度(PD)表现某种斑块在景观中的密度,可反映出景观整体的异质性与破碎度[17],公式为PD=NP/A(1)式中NP———斑块数量,个A———景观或斑块的总面积,hm2PD———斑块密度,个/hm2 最大斑块指数(LPI) 最大斑块指数(LPI)用于确定景观中的优势斑块类型,间接反映人类活动干扰的方向和大小,公式为LPI=amaxA×100%(0≤LPI≤100%)(2)式中amax———景观或某一种斑块类型中最大斑块的面积,hm2LPI———最大斑块指数,% 凝聚

soderayer的博客 13万+

数据脱敏

什么是数据脱敏 数据脱敏(Data Masking),又称数据漂白、数据去隐私化或数据变形。 百度百科是这样描述的: 数据脱敏是指对某些敏感信息通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。在涉及客户安全数据或者一些商业性敏感数据的情况下,在不违反系统规则条件下,对真实数据进行改造并提供测试使用,如身份证号、手机号、卡号、客户姓名、客户地址、等个人敏感信息都需要通过脱敏规则进行数据的变形,实现敏感隐私数据的可靠保护。这样就可以在开发、测试和其他非生产环境以及外包环境中可以安全的使用脱敏后的真实数据

小栗子的博客 5186

MPN – 制造商物料编号(延伸)

此外,用户还可以在物料主数据中定义阻止MPN材料的原因,以及在采购订单创建时,是否可以将现有的MPN材料修改为其他MPN材料,从而实现对MPN材料的精细控制和管理。通过使用AMPL,用户可以指定每个MPN材料是否仅能为特定工厂或整个企业所有工厂采购、采购的时间段、是否必须属于特定修订级别、是否只能从特定制造商工厂采购以及是否被阻止及其原因。通过AMPL管理,企业可以规范采购流程,避免使用未经批准的材料,从而提高采购的透明度和效率,同时也为质量控制提供了保障‌。3、QM中的制造商物料。质量信息记录QI01。

yanzibing99的博客 2488

MySQL 对身份证号、手机号等敏感数据脱敏

在日常开发需求中会经常遇到数据脱敏处理,比如身份证号、手机号,需要使用*进行部分替换显示。这样能使敏感隐私信息在一定程度上得到保护。那么什么是数据脱敏呢?

蜗牛老师,专注编程领域 1万+

手把手教你用VM实现欧姆龙PLC数据采集(含Fins协议配置详解)

本文详细介绍了如何使用VM(VisionMaster)实现与欧姆龙PLC的数据采集,重点解析了Fins协议(包括Fins TCP/UDP)的配置步骤。从网络环境搭建、PLC的IP地址设置,到VM端Fins通讯通道的详细配置与数据点映射,提供了完整的实战指南。文章还涵盖了数据收发解析、常见问题排查清单,帮助工程师快速完成视觉系统与PLC的稳定集成。

weixin_29171087的博客 189

黑马程序员Pink的javaScript课程APIday4

本文摘要:介绍了JavaScript中日期对象的实例化方法(有参/无参)及三种获取时间戳的方式。讲解了DOM节点操作,包括节点查找(父、子、兄弟节点)、增加/克隆/删除节点的方法。详细说明了移动端touch事件和Swiper插件的使用,包括自动播放和小圆点配置。最后提及学成在线案例中表单验证和取消默认跳转的实现。

JLY19970726的博客 827

常用的JS格式化函数,手机号和身份证号脱敏处理等

以下为一些常用的格式化函数,建议收藏备用! 隐藏手机号中间4位 // 隐藏手机号中间4位 formatPhone(phone) { phone += ''; return phone.replace(/(\d{3})\d*(\d{4})/g, '$1***$2') }, 隐藏身份证号中11位 // 隐藏身份证号中11位 formatIdentity(number) { number += ''; .

卡洛背心的博客 1231

通信原理与MATLAB(八):2PSK的调制解调

通信原理和MATLAB

菜yuan~的博客 3万+

mysql对姓名、手机号、身份证号码进行脱敏处理

mysql对姓名、手机号、身份证号码进行脱敏处理

zxc_wzhzjqeds的博客 2252

CAMERALINK硬件封装说明

闲言少叙,直接上活,Cameralink硬件接口当前主要分为MDR26和SDR26两种,其中MDR对应封装较大价格比较便宜,SDR对应尺寸较小价格比较贵,这点我个人总是记错的图1 MDR26实物图图2 SDR26实物图。

6177

ESP32-C3模组上跑通HTTPS分次传输文件(1)

ESP32-C3模组上跑通HTTPS分次传输文件(1)

phmatthaus的专栏 761

连续时间模型(Continuous-time)、循环神经网络(Recurrent),以及卷积神经网络(Convolutional)模型的工作机制及其特点。

连续时间模型适合处理连续和不规则采样的数据,常用于物理系统建模。循环神经网络擅长处理时间序列数据,能够捕捉序列中的依赖关系,适用于自然语言处理等领域。卷积神经网络则在图像处理和一些序列数据处理中表现出色,能够高效地提取局部特征并且易于并行化训练。

m0_51200050的博客 2349

电子电气架构 --- 整车电源管理

保证启动能力:防止因电池电量耗尽而导致的车辆无法启动,这对于确保车辆在任何时候都能可靠运行至关重要。 延长电池寿命:通过避免电池深度放电,有助于延长其使用寿命,减少更换电池的需求和成本。 提升用户体验:虽然负载被关闭可能会暂时影响舒适度,但通过在必要时自动采取行动,可以减少驾驶员的焦虑和不确定性,提高整体的用户满意度。

Soly_kun的博客 1088

MySQL实战:用LEFT、RIGHT和SUBSTRING搞定字符串截取的5个常见场景

本文通过5个真实业务场景,详细讲解了如何运用MySQL的LEFT、RIGHT和SUBSTRING函数进行字符串截取。涵盖订单号解析、身份证信息脱敏、日志时间戳提取、文件路径处理及多字段拼接拆分,帮助开发者高效完成数据清洗与分析工作。

snow3的博客 173

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")

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

用快马 AI 一键生成 MySQL SUBSTRING 查询:告别手动编写 SQL

今天我要分享的是如何利用快马平台快速创建一个 MySQL 查询生成器,专门用于生成包含 SUBSTRING 函数的 SQL 查询。我们需要创建一个包含输入表单的界面,用户可以填写表名、字段名、起始位置和截取长度。通过快马平台的模块化设计,我们可以轻松添加这些功能,打造一个完整的 SQL 字符串处理工具集。利用快马平台的 AI 能力,我们可以自动生成处理这些情况的健壮代码,省去大量调试时间。的AI辅助功能特别实用,它能理解我的需求描述,自动补全复杂的SQL逻辑,让原本需要半小时编写的查询现在几分钟就能搞定。

BlackironLynx23的博客 931

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

MySQL常用函数详解:字符串、日期、聚合一次搞定

SQL查询效率的差异,往往体现在对函数的灵活运用上。面对几十万行数据,不会用函数的人可能要先拉回程序处理,而熟练者一条SQL就能解决。MySQL函数分为单行函数与聚合函数两类,前者逐行变换,后者分组压缩。掌握字符串拼接截取、日期格式化与运算、条件判断、聚合统计这四类高频函数,能大幅提升数据处理效率,减少程序与数据库之间的数据搬运。无论是手机号去重、按天统计订单,还是支付方式横向转置、用户分层打标,函数都是连接原始数据与业务结果的关键桥梁。本文按零基础路径,系统讲解常用函数的用法、实际业务场景及常见坑点,帮助

weixin_32306957的博客 299

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

一文搞定MySQL基础

本文摘要总结了MySQL数据库操作的核心命令,分为四大部分:基础命令、数据定义语言(DDL)、数据操作语言(DML)和数据查询语言(DQL)。基础命令包括MySQL连接、版本查看和退出等操作;DDL部分涵盖数据库、表和字段的创建、修改、删除等操作;DML部分包含数据插入、删除和更新操作;DQL部分详细介绍了查询语句的语法结构,包括分组、排序、分页以及各种连接查询方式。此外还简要提及了数据控制语言(DCL)中的用户管理命令。这些命令为MySQL数据库的日常操作提供了完整参考。

Des_pupilles的博客 1039

MySQL 零基础保姆级教程:3 万字干货梳理,一篇搞定入门全知识点

本文总结了新手学习MySQL时常见的环境搭建与SQL操作陷阱,涵盖安装配置、中文乱码、权限问题及基础语法误区。通过详解zip版安装、my.ini配置、初始化服务、字符集设置(utf8mb4)、密码修改与环境变量配置,手把手解决服务启动失败、登录异常等问题。同时梳理建表规范、数据类型选择与SQL执行逻辑,强调理解底层原理而非盲目复制代码,帮助读者避开“只会粘贴”的误区,实现从零到一的扎实入门。

那些看似不起波澜的日复一日,会在某天让你看到坚持的意义 311

测试岗MySQL实战:从SQL查询到数据校验的完整指南

MySQL作为关系型数据库的基石,在软件测试领域扮演着不可替代的角色。无论是功能测试、接口自动化还是性能排查,掌握SQL操作都是测试工程师的基本功。本文从数据库连接工具与权限边界讲起,深入解析索引机制、执行计划、事务隔离级别等核心原理,并结合测试场景说明其技术价值——通过数据准备、结果验证、清理与统计,快速定位bug归属、复现线上问题、构造极端数据。同时覆盖接口测试中的落库校验、慢SQL分析及常见避坑指南,帮助测试人员建立从“会写SQL”到“会想数据”的工程实践能力,提升测试效率与数据敏感度。

cqwmy840702的博客 384

《商业数据分析师MySQL结丹教程》

本文介绍了MySQL在商业数据分析中的应用,重点针对人力资源和财务数据仓库的三层架构(ODS/DWD/ADS)。第一章详细讲解了SQL逻辑执行顺序(FROM→WHERE→GROUP BY→HAVING→SELECT→ORDER BY→LIMIT)及其在ETL过程中的应用场景,包括基础查询、运算符使用、NULL值处理和分页优化。第二章强调数据类型选择对数据精度和性能的影响,特别指出数值类型在HR/财务系统中的重要性。全文结合具体业务场景示例,为数据分析师提供从SQL基础到数据仓库建模的实用指导。

yourkind的博客 474

mysql数据库应用①

本内容仅是自己看视频学习记笔记,视频来源于【黑马程序员 MySQL数据库入门到精通,从mysql安装到mysql高级、mysql优化全囊括】https://www.bilibili.com/video/BV1Kr4y1i7ru?p=8&vd_source=2d4a5dc5bb70ee9a749abd01192995f0,如有侵权,请联系我删除!

2501_93855189的博客 237

Tableau Live与Extract连接原理及性能优化实战指南

Live连接与Extract连接是Tableau数据连接的两大核心范式,本质区别在于计算执行位置:Live将查询下推至源数据库实时执行,依赖SQL下推能力与网络稳定性;Extract则在本地构建优化的.hyper列式缓存,支持预聚合、离线分析与高级功能(如数据混合)。其技术价值体现在性能确定性、系统解耦与安全可控三方面,广泛应用于BI仪表板加速、大屏监控、合规脱敏及混合数据分析等场景。深入理解二者在数据新鲜度、功能支持、资源消耗与运维约束上的权衡,是实现高效Tableau开发与通过Desktop Speci

534

Java对姓名, 手机号, 身份证号, 地址进行脱敏

替换几位就用几个*号 一、姓名 1, 脱敏规则: 只显示第一个汉字,比如李某某置换为李**, 李某置换为李* private static String desensitizedName(String fullName){ if (!Strings.isNullOrEmpty(name)) { String name = StringUtils.left(fullName, 1); return StringUtils.rightPad(nam

倒骑驴走着瞧的博客 5202

身份证号脱敏处理,各页面的身份证号隐藏11-16位

解决思路:正则匹配 身份证 从前几个字符,到后几个字符,中间的全部替换为 ****** let str = "331082199611095387"; str = str.replace(/(\w{10})\w*(\w{2})/, '$1******$2'); console.log(str); 建议后端对身份证进行隐藏11-16位,前端隐藏的只是显示,但是这样的保护还是有...

人间草木 3万+

mysql对身份证号进行隐藏、脱敏处理

一、客户要求身份证号取前3和后3、中间用*,于是有: CONCAT( LEFT(SAFE_DIRECTOR_ID_CARD,3), '************' , RIGHT(SAFE_DIRECTOR_ID_CARD,3) ) as idcard 二、然后发现如果字段没有身份证号会显示“************”,这肯定不行,于是先判空再处理; IF( (SAFE_DIRECTOR_ID_CARD is null or SAFE_DIRECTOR_ID_CARD='' ) , '

weixin_43988238的博客 2034
上一篇: 通达信对子数指标实战:从公式编写到选股应用(附完整代码)
下一篇: 无感FOC控制实战:用Cordic算法快速求解atan反正切角度(附代码)
vim8coder
博客等级 码龄1天 0粉丝 1693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  | 博主筛选后可见
 
 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