MySQL的图形管理工具-MySQL Workbench的下载安装及使用【保姆级】

MySQL的图形管理工具-MySQL Workbench的下载安装及使用【保姆级】

MySQL的图形管理工具-MySQL Workbench的下载安装及使用

下载

MySQL的图形管理工具有很多,常用的有MySQL Workbench、phpMyAdmin和Navicat等软件。我选择了MySQL Workbench
1.下载地址
https://dev.mysql.com/downloads/workbench/

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

安装

(1)双击安装文件,进入安装向导页面,点击【Next】;

在这里插入图片描述


2.选择安装文件夹界面,点击【Change】按钮,可以更换路径,更换完成后,点击【Next】。

在这里插入图片描述


(3)选择安装类型,默认第一项,点击【Next】。

在这里插入图片描述


(4)点击【Install】,等待安装完成。

在这里插入图片描述


点击【finish】,安装完成。

在这里插入图片描述


(5)MySQL Workbench工具包含以下4个基本功能区域。
主菜单:实现MySQL的主要功能操作。
Shortcut(快捷方式):完整可视化数据库设计和建模。
MySQL Connections:链接信息。
Models:连接方式、MySQL Workbench工具版本信息。

在这里插入图片描述


(7)创建链接。单击主菜单 Database -> Manage Connection,弹出Manage Sever Connections对话框,在对话框中输入连接名称,输入完成后单击Test Connection 按钮进行测试,输入root密码,点击【OK】。

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

使用

首先,打开MySQL Workbench,双击打开即可。打开后的界面如下所示,然后选择数据库实例,双击进行登录。图中数据库的实例是Local instance MySQL 5.7

在这里插入图片描述


在这里插入图片描述


其一:显示的是数据库服务器中已经创建的数据库列表

在这里插入图片描述


其二:关于数据库的操作列表

在这里插入图片描述


其三:sql的编辑器和执行环境

在这里插入图片描述

Workbench 创建数据库

点击创建数据库按钮,输入数据库名称,选择编码方式,点击Apply

在这里插入图片描述


Workbench会自动生成SQL语句,再次点击Apply就可以成功创建数据库
该操作等同于MySQL命令:CREATE SCHEMA ‘jwgl’;
在 MySQL 中,SCHEMA 和 DATABASE 这两个词在功能上是等价的。

在这里插入图片描述


创建成功,点击 finish

在这里插入图片描述

Workbench 创建数据表

1)点击展开数据库,点击“Tables”右键,点击“Create Table”

在这里插入图片描述


(2)创建名为students的表,备注:学生信息表,创建四个字段:id、name、stu_no、status,确认无误后点击"Apply"(也就是之后填写表名,列名,数据类型,约束,点击 Apply)

在这里插入图片描述


(3)该操作等同于以下MySQL命令

CREATETABLE`my_db`.`students`(`id`INTNOTNULLAUTO_INCREMENT,`name`VARCHAR(45)NOTNULL,`stu_no`VARCHAR(45)NOTNULL,`status`TINYINT(1)NOTNULLDEFAULT0,PRIMARYKEY(`id`),UNIQUEINDEX`id_UNIQUE`(`id`ASC) VISIBLE,UNIQUEINDEX`name_UNIQUE`(`name`ASC) VISIBLE)COMMENT='学生信息表';
在这里插入图片描述


(4)数据表创建完成后,左侧出现表student

在这里插入图片描述


(5)常用字段类型Datatype

在这里插入图片描述
  • INT:整数
  • VARCHAR( ) :字符串,括号中的数值表示字符串的最大长度
  • TINYINT(1): 布尔值
  • PK:Primary Key,主键,一个数据表中只能有一个字段是主键,一般通过主键来索引某一条数据
  • NN:Not Null,非空,若勾选,则该键的值不能为空
  • UQ:Unique,值唯一
  • B:Binary,二进制数据
  • UN:UNsigned,无符号(非负数)
  • ZF:zero fill,填充0,若字段内容为1,字段类型是int(3),则内容显示为001
  • AI:Auto Increment,值自动增长,若勾选,每写一条数据,ID自动增加(如果想给一个指定的ID也可以)
  • G:Generated,若勾选,表明该列是基于其他列计算产生的

TEXT:无最大长度上限的字符串
(6)字段选项
数据表中的字段包含以下选项:PK、NN、UQ、B、UN、ZF、AI、G

在这里插入图片描述

数据表中的增删改

增加数据

(1)点击第3步创建的表students,右键,点击“Select Rows”

(2)输入要增加的数据。由于id自增(勾选了AI),增加数据时不需要刻意填写。

在这里插入图片描述


(3)数据增加完成后,点击“Apply”,数据增加成功

在这里插入图片描述


(4)可以使用相同的方法继续增加数据

删除数据

(1)点击行前面白色的地方选中行,然后点击删除按钮

在这里插入图片描述


(2)删除后,点击“Apply”生效

在这里插入图片描述

修改数据

(1)点击要修改数据的所在表格,直接输入修改后的数据,如:将李四的status改成1

在这里插入图片描述


(2)修改后,点击“Apply”生效

在这里插入图片描述

Read more

基于Milvus与混合检索的云厂商文档智能问答系统:Java SpringBoot全栈实现

基于Milvus与混合检索的云厂商文档智能问答系统:Java SpringBoot全栈实现

基于Milvus与混合检索的云厂商文档智能问答系统:Java SpringBoot全栈实现 面对阿里云、腾讯云等厂商海量的产品文档、规格参数与价格清单,如何构建一个精准、高效的智能问答系统?本文将为你揭秘从技术选型到生产部署的完整方案。 云服务商的产品生态系统日益庞大,相关的技术文档、规格参数、定价清单等文档数量急剧增长。传统的文档查找方式已无法满足开发者和运维人员快速获取准确信息的需求。 基于检索增强生成(RAG)的智能问答系统成为解决这一难题的有效方案。本文将详细介绍如何使用 Java SpringBoot 和 Milvus 向量数据库,构建一个面向云厂商文档的高效混合检索问答系统。 一、核心挑战与架构选型 云厂商文档具有鲜明的技术特点,这些特点直接影响了我们的技术选择: 1. 高度结构化:包含大量技术规格表、价格矩阵和配置参数 2. 专业术语密集:如“ECS.g6.2xlarge”、“对象存储每秒请求数”等精确术语 3. 多格式混合:Markdown、PDF、Word、TXT等格式并存 4. 版本频繁更新:产品迭代快,文档需要及时同步

By Ne0inhk
JAVA IO流进阶:字符流与字节流的深度应用

JAVA IO流进阶:字符流与字节流的深度应用

JAVA IO流进阶:字符流与字节流的深度应用 1.1 本章学习目标与重点 💡 掌握字节流与字符流的核心区别,能够根据实际开发场景选择合适的IO流实现文件操作。 💡 熟练运用缓冲流提升IO操作效率,解决大文件读写的性能问题。 💡 理解转换流的作用,处理不同编码格式的文件读写,避免乱码问题。 ⚠️ 本章重点是流的嵌套使用和资源释放的标准写法,这是实际开发中高频考点和易错点。 1.2 字节流与字符流的核心差异(七千字以上内容展开) 1.2.1 基本概念与设计初衷 💡 字节流以byte为基本单位进行数据传输,它可以处理所有类型的文件,比如图片、视频、音频、文本等。 字符流以char为基本单位进行数据传输,它专门用于处理文本文件,底层会涉及字符编码的转换。 字节流的核心类是InputStream和OutputStream,字符流的核心类是Reader和Writer。 两者都是抽象类,实际开发中我们使用的是它们的子类,比如FileInputStream、FileWriter等。 ✅ 核心结论:处理非文本文件用字节流,处理文本文件优先用字符流。 1.2.2 代码实操:字

By Ne0inhk

软件测试中引入人工智能(AI)

在软件测试中引入人工智能(AI),能够解决传统测试的痛点(如重复劳动多、回归测试成本高、难以覆盖复杂场景、缺陷定位慢等),实现测试的自动化、智能化、高效化。以下是AI在软件测试中的核心应用场景、技术方案、工具及实施步骤,兼顾理论与实操。 一、 AI在软件测试中的核心价值 1. 替代重复手工劳动:自动生成测试用例、执行测试、回归验证,减少人力成本。 2. 覆盖复杂场景:模拟真实用户的随机操作、边界场景、异常流,提升测试覆盖率。 3. 提前发现潜在缺陷:通过数据分析预测高风险模块,精准定位缺陷根因。 4. 自适应动态测试:根据软件版本迭代,自动更新测试用例,适配界面/功能变化。 二、 AI在软件测试中的核心应用场景 1. 测试用例智能生成 传统测试用例需人工编写,耗时且易遗漏场景;AI可基于需求文档、代码、历史测试数据自动生成用例。 * 技术原理: * 自然语言处理(NLP)

By Ne0inhk
医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(四)

医疗AI场景下算法编程的深度解析(2026新生培训讲稿)(四)

第7章 k-均值算法:患者分群与精准医疗 在医疗领域,我们常常面临这样的问题:患者是否可以划分为不同的亚型?不同亚型是否有不同的疾病进展模式或治疗反应?这些问题属于无监督学习的范畴。k-均值(k-means)聚类算法是最经典、最常用的无监督学习算法之一,它能够将数据划分为 k 个簇,使得同一簇内的样本高度相似,不同簇间的样本差异显著。本章将从算法原理出发,深入解析 k-均值在医疗场景中的应用,并通过实战案例展示如何利用 k-均值发现慢性病患者的潜在亚型,为精准医疗提供依据。 7.1 算法原理 7.1.1 聚类问题概述 聚类是一种无监督学习任务,目标是将数据集中的样本划分为若干个组(簇),使得同一组内的样本尽可能相似,不同组间的样本尽可能不同。与分类不同,聚类不依赖于预先标记的类别,而是从数据本身发现结构。 7.1.2 k-均值算法的核心思想 k-均值算法试图将 n 个样本划分到 k 个簇中,使得每个样本到其所属簇中心的距离平方和最小。簇中心是簇内所有样本的均值(因此得名“

By Ne0inhk