mysql面试(二)

前言

这是mysql面试基础的第二节,主要是了解一下mysql数据更新的基本流程,还有三大日志的作用。但是具体的比如undolog是如何应用在mvcc机制中的,由于篇幅问题就放在下一在章节

数据更新流程

上面是说了更新真正数据之前的大致流程,下面来说一下更新数据的时候具体会进行哪些操作。

InnoDB重要的内存结构:缓存池

首先是存储引擎访问数据的时候,并不会直接对磁盘进行操作,而是先在内存的缓存池中进行查询,如果查询不到的话再到磁盘中取拿数据,这样能减少大量磁盘的直接操作。
并且执行更新语句的时候,不仅要把数据更新到缓存池中,还需要对数据加独占锁,避免同时有其他数据来进行更新操作(这个独占锁包含行锁、间隙锁,后面再具体聊)

更新undo日志

undoLog起到最重要的作用就是记录数据更新之前的原始数据,以及该线程的事务(在mvcc机制中会用到)。举个栗子,比如我们要把id=1的数据中name=zhangsan 改为name=lisi。那么就需要吧id=1 name=zhangsan这个数据线记录下来,并且标记事务id。

更新buffer pool缓存页

前面的步骤已经拿出来数据,并且加了锁防止其他线程更新,原始数据也进行记录了。这时候就可以把缓存池中的数据进行修改了,把id=1这条数据的name字段修改为lisi。
这时候这条数据就属于一条脏数据,因为在内存中和磁盘中的数据不一致。

更新redoLog

现在已经对缓存中的数据进行了修改,并且记录了原始数据,这么多操作步骤,都需要记录到这个redoLog日志中,它是InnoDB的核心日志。更新的时候会在这个redo日志中新增记录一条“id=1的数据修改了name字段,值改为了lisi”类似这种形式的日志记录。
在当前步骤的所有操作都是在内存中,并没有进行磁盘的物理数据进行操作。所以这个时候也是不怕服务突然宕机断电之类的极端情况,因为如果宕机,内存丢失,对于磁盘数据也是没有任何影响的,下次查询的时候重新从磁盘中获取之前的数据就可以了。

binLog

在更新缓存数据和日志到磁盘之前,还有一个binLog日志也是需要了解的,虽然它记录的数据和redoLog很类似,也是“某个时刻对某某数据进行了某某操作”。但是它和redoLog最大的区别就是redoLog是InnoDB是引擎自己的组件,而binLog是mysql server自己的日志文件。

提交事务

进行了这么多步骤,终于要提交事务了。要提醒的一点是,undoLog、redoLog、binLog都是会在提交事务的这个步骤中写入磁盘中
什么时候更新进磁盘其实是可以配置的
根据innodb_flush_log_at_trx_commit来配置,它有几个选项
当值为0时:提交事务同时,redo日志不会写入磁盘,一旦mysql崩溃便会丢失
当值为1时:提交事务同时,redo日志写入磁盘。
当值为2时:提交事务同时,redo日志会先写入磁盘缓存os cache,过一段时间 可能是一秒钟 再写入磁盘

再次更新redoLog

在commit之后,会在redoLog日志中标记本次更新已经commit,并且会将本次更新对应的binLog文件名称和文件的位置都记录进redoLog中去。标记完mysql的IO线程会随机将缓存中修改后的数据刷进磁盘中
更新流程类如图:
在这里插入图片描述

三大日志

binlog

我们上面已经说了binLog存储的大致数据以及更新时间,其实他的更新策略也是可以修改的
数据同步会使用这个日志,可以扩展一下这一点。
syuc_binlog参数可以控制binlog的刷盘策略。
当值为0时:提交事务时只将binlog存入os cecha缓存
当值为1时:提交事务时会将binlog同步写入磁盘

redoLog

为什么要使用redo log,它可以保证我们在事务提交之后,哪怕缓存中更新的数据没有被刷新到磁盘上,也不会丢失,如果宕机了,根据redolog就可以恢复更新的缓存。
redo log本质上记录的就是在什么位置修改了什么值表空间号+数据页号+偏移量+修改几个字节的值+具体的值
redo log中有一个redo log block的概念,可以理解为是redo log日志的一个个子单元,每个有512字节,那么写入redo log的时候也是这样一个个小单元顺序放进去的;并且将redo log刷进磁盘的时候,也是按照这样一个个小单元更新的。
更新磁盘数据的时候,是先放在redo log buffer缓冲区的,每隔一定时间,把这些数据刷进磁盘中

undoLog

什么是undo log?这个存在是为了做数据回滚的,不仅会存入数据的历史版本,而且会生成反操作语句。比如我们当前一个请求有删除和插入两个操作,当第一个删除delete操作执行完的时候,undo log中会有一个反操作语句insert;就是为了在插入操作失败的时候,用来删除操作的回滚。

预告

为了避免篇幅太长,MVCC机制就放在下一章节

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/49342.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

requets库传data和传json的区别

传data和传json的qubie 被测对象,白月黑羽系统 系统下载地址: https://www.byhy.net/prac/pub/info/bysms/ 测试用例下载地址: https://cdn2.byhy.net/files/selenium/testcases.xlsx 一、传data import json import requests import pytes…

7、Qt5开发及实列(笔记3-系统操作)

说明&#xff1a;此示例包含了基本的常使用的系统操作 效果如下: mainwindos.cpp #pragma execution_character_set("utf-8") #include "mainwindow.h"#include <QDesktopWidget> #include <QApplication> #include <QHostInfo> #in…

uni-app renderjs 的使用

在 uni-app 中使用 renderjs 的一般步骤如下&#xff1a; 在原有 <script> 下方添加一个新的 <script> 标签&#xff0c;用于编写 renderjs 代码。其中&#xff0c; lang 属性需设置为 "renderjs" &#xff0c; module 属性的值可以任意指定&#xff…

迁移学习:跨领域知识迁移的艺术

迁移学习&#xff1a;跨领域知识迁移的艺术 在机器学习的世界里&#xff0c;迁移学习&#xff08;Transfer Learning&#xff09;是一种强大的技术&#xff0c;它允许模型将在一个任务上学到的知识迁移到另一个相关任务上。这种方法在数据稀缺或计算资源受限的情况下尤其有用。…

【JAVA】Hutool CollUtil.sort 方法:多场景下的排序解决方案

在 Java 开发中&#xff0c;集合的排序是常见需求。Hutool 库的 CollUtil.sort 方法提供了一系列用于排序的实用功能&#xff0c;适用于不同的场景。以下是对几种常见场景及其实现方式的总结&#xff1a; <dependency><groupId>org.dromara.hutool</groupId>…

Go基础编程 - 10- 接口(interface)

接口&#xff08;interface&#xff09; 1. 接口1.1. 接口的定义1.2. 接口的实现1.3. 接口的变量类型1.4. 值接收者和指针接收者实现接口的区别1.4.1. 值接收者实现接口1.4.2. 指针接收者实现接口 2. 类型与接口的关系3. 接口的嵌套4. 空接口4.1. 空接口的应用 上一篇&#xff…

docker基础镜像

一、配置 docker 本地源 [docker-ce-stable] nameDocker CE Stable baseurlhttp://10.35.186.181/docker-ce-stable/ enabled1 gpgcheck0 配置阿里云Docker Yum源 yum install -y yum-utils device-mapper-persistent-data lvm2 git yum-config-manager --add-repo http://mirr…

探索PyCharm的调试技巧:深入变量的神秘世界

探索PyCharm的调试技巧&#xff1a;深入变量的神秘世界 在软件开发的过程中&#xff0c;调试是不可或缺的一部分。它帮助开发者理解代码的执行流程&#xff0c;查找并修复错误。PyCharm&#xff0c;作为一款功能强大的IDE&#xff0c;提供了一整套调试工具&#xff0c;让我们能…

动态数据下的稳定器:在线学习在目标检测中的适应之道

动态数据下的稳定器&#xff1a;在线学习在目标检测中的适应之道 在线学习&#xff08;Online Learning&#xff09;是一种灵活的机器学习范式&#xff0c;它允许模型通过连续学习新样本来适应数据分布的变化。这对于目标检测系统来说至关重要&#xff0c;因为它们需要在不断变…

Windows安装Visual Studio2022 + QT5.15开发环境

最近&#xff0c;把系统换成了Windows11&#xff0c;想重新安装QT5.12&#xff0c;结果发现下载不了离线安装包。 最后索性安装QT5.15了&#xff0c;特此记录下。 预祝大家&#xff1a;不论是何时安装&#xff0c;都可以安装到指定版本的QT。 一、VS2022安装 VS2022官网下…

ubuntu 22.04 安装部署gitlab详细过程

目录 gitlab介绍 gitlab安装 步骤1&#xff1a;更新系统 步骤2&#xff1a;添加 GitLab 的 GPG 密钥 gitlab企业版 gitlab社区版 步骤3&#xff1a;安装 GitLab 社区版 社区版 步骤4&#xff1a;初始化 GitLab 步骤5&#xff1a;访问 GitLab 步骤6&#xff1a;查看r…

C++ - 基于多设计模式下的同步异步⽇志系统

1.项目介绍 项⽬介绍 本项⽬主要实现⼀个⽇志系统&#xff0c; 其主要⽀持以下功能: • ⽀持多级别⽇志消息 • ⽀持同步⽇志和异步⽇志 • ⽀持可靠写⼊⽇志到控制台、⽂件以及滚动⽂件中 • ⽀持多线程程序并发写⽇志 • ⽀持扩展不同的⽇志落地⽬标地 2.开发环境 • Cent…

【专家系统】系统地掌握专家系统的基本概念、技术原理、实现方法以及应用实践。

一、基础概念与理论 专家系统基础 定义&#xff1a;专家系统是一种人工智能程序&#xff0c;它利用专家知识和推理能力来解决特定领域中的复杂问题。特点&#xff1a;具有专业知识、可解释性和可靠性。组成部分&#xff1a; 知识库&#xff1a;存储特定领域的专家知识&#x…

AI学习记录 - 导数在神经网络训练中的作用(自己画的图,很丑不要介意!)

导数的作用 我们去调整神经网络的权重&#xff0c;一般不会手动去调整&#xff0c;如果只有很少的神经元&#xff0c;人工调整确实可以实现&#xff0c;当我们有几十层&#xff0c;一层几百上千个神经元的时候&#xff0c;人工调整就不可能了。 一个权重的调整涉及到两个问题&…

TCP的FIN报文可否携带数据

问题发现&#xff1a; 发现FTP-DATA数据传输完&#xff0c;TCP的挥手似乎只有两次 实际发现FTP-DATA报文中&#xff0c;TCP层flags中携带了FIN标志 piggyback FIN 问题转化为 TCP packet中如果有FIN flag&#xff0c;该报文还能携带data数据么&#xff1f; 答案是肯定的 RFC7…

Go协程的运行机制以及并发模型

进程与线程 进程与线程都是os用来运行程序的基本单元。其中进程是正在执行的程序的实例&#xff0c;它包含了程序代码、数据、文件和系统资源等。进程是os资源分配的基本单元&#xff0c;每个进程都有自己独立的地址空间、文件描述符、网络连接、进程ID等系统资源。进程与进程…

【LeetCode:3098. 求出所有子序列的能量和 + 记忆化缓存】

&#x1f680; 算法题 &#x1f680; &#x1f332; 算法刷题专栏 | 面试必备算法 | 面试高频算法 &#x1f340; &#x1f332; 越难的东西,越要努力坚持&#xff0c;因为它具有很高的价值&#xff0c;算法就是这样✨ &#x1f332; 作者简介&#xff1a;硕风和炜&#xff0c;…

【北京迅为】《i.MX8MM嵌入式Linux开发指南》-第三篇 嵌入式Linux驱动开发篇-第四十七章 字符设备和杂项设备总结回顾

i.MX8MM处理器采用了先进的14LPCFinFET工艺&#xff0c;提供更快的速度和更高的电源效率;四核Cortex-A53&#xff0c;单核Cortex-M4&#xff0c;多达五个内核 &#xff0c;主频高达1.8GHz&#xff0c;2G DDR4内存、8G EMMC存储。千兆工业级以太网、MIPI-DSI、USB HOST、WIFI/BT…

connect-multiparty中间件用法以及实例--文件上传中间件(保姆级别教学)

connect-multiparty中间件的用法包括安装和引入、基本设置、路由应用、文件处理以及安全和优化等步骤。 connect-multiparty是一个专为Connect和Express框架设计的文件上传中间件&#xff0c;它基于multiparty库&#xff0c;用于处理多部分表单数据&#xff0c;尤其针对文件上传…

pytorch中的zero_grad()执行时机

在反向传播(backward())前执行即可 zero_grad() 用以清除优化器的梯度对张量执行backward(),以计算累积梯度执行optimizer.step(),优化器使用梯度更新参数当优化器更新完成,梯度即失去意义,即可以清除,为保证下一次梯度开始累积时为0,则在下一次执行反向传播前清除即可