(2.1)DDL增强功能-数据类型、同义词、分区表

1.数据类型

(1)常用数据类型 

1.整数类型

int

 存储范围是-2,147,483,648到2,147,483,647之间的整数,主键列常设置此类型。

(每个数值占用 4字节)

smallint

 存储范围是-32,768 到 32,767 之间的整数,用来存储限定在特定数值范围内的数据。

(每个数值占用 2 字节)

tinyint

 存储范围是0到255 之间的整数,用来存储有限数目的数值。

(每个数值占用 1 字节)

bigint

 存储范围是-9,223,372,036,854,775,808到 9,223,372,036,854,775,807之间的整数。

(每个数值占用 8 字节)

bit

 值只能是0或1,当输入0以外的其他值时,系统均把它们当1看待。常用来表示真假、男女等二值选择。

 

2.数值类型

decimal(p,s)

 p 为精度(有效位),表示可储存数值的最大位数,小数点左右两侧都包括在内,默认最大位为38 位;s为小数位数,标识小数点后  面所能储存的最大位数,默认最小位为0位。如:123.45,则 p=5,s=2(内存大小取决于精度p)

numeric(p,s)

 numeric 和 decimal 是功能相同的,同是用来保存精度可变的浮点型数据。

float

 浮点型,它是一种近似数值类型,float(n)可储存1-53的可变精度浮点数值。

(内存大小取决于精度n)

money

 货币型,能存储从-9220 亿到 9220 亿之间的数据,精确到小数点后四位。

(每个数值占用 8 字节)

 

3.日期时间

datetime

 储存有效日期范围是1753/1/1~9999/12/31,可精准到3.33毫秒。(每个数值占用 8 字节)

smalldatetime

 储存有效日期范围是1900/1/1~2079/6/6,精确到分钟。(每个数值占用 4 字节)

 

4.二进制类型

image

 虽然类型名为image, 但是并不意味着只能保存图片二进制数据,实际上它可以保存任何二进制数据。

 

 

5.字符串类型

char(m)

 固定长度字符串,长度为 m。

nchar(m)

 国际化固定长度字符串,长度为 m。

varchar(m)

 可变长度字符串,最大长度为m,且必须是一个介于 1 和 8,000 之间的数值。

nvarchar(m)

 国际化可变长度字符串,最大长度为m, 且必须是一个介于 1 和 4,000 之间的数值。

text

 可变长度字符串,最大长度为 231 - 1个字节。

ntext

 国际化可变长度字符串,最大长度为 230 - 1个字符。

  国际化就是通用与标准。char、varchar、text储存的字符是基于ASCII编码格式,对于其他编码格式的字符可能会造成存储问题。Unicode字符集(万国码)就是为了解决字符集这种不兼容的问题而产生的,它所有的字符都用两个字节表示,即英文字符也是用两个字节表示。nchar、 nvarchar、ntext存储的正是Unicode编码格式的字符。所以一般来说,如果含有中文字符,用nchar、nvarchar、ntext, 如果只含英文字符,就用char、varchar、text。

 

  

(2)新增数据类型:

  ~ XML:专门用来存储xml

  ~varchar(max)与nvarchar(max):加个max是什么意思呢,不是传统意义上的8000,max指示该类型最大存储大小为2^32 - 1,约为2G。该类型用来替代原本的text与ntext类型,text与ntext在未来更高的版本会被抛弃

  ~varbinary(max):与varbinary相同特性,max指示该类型最大存储大小为2^32 - 1,约为2G

(3)数据存储基本拓展:

  概念:数据以页为单位存储,一个页8KB,去掉固定要用的相关开销,还有8060个字节可以使用。8个页组成一个扩展区;

  分配单元:

  【1】IN_ROW_DATA:存储行内数据

  【2】ROW_OVERFLOW_DATA:当【1】中的行数据超过一个页最大存储空间(即8060B时),存储溢出数据。原行内留下一个24B的指针

  【3】LOB_Data:存储Lob(二进制)对象

2.同义词

  概念:同义词的概念我是这么理解的,其实就是再起个名字;举个例子,李狗蛋有3个称呼,大名李狗蛋,外号二狗子,小名蛋蛋。

        由此可以看出,大名、外号、小名都代表的是同一个人,外号和小名是基于大名得来的,所以大名就叫做基对象,而小名和外号就叫做同义词。

  特点:

    (1)局部同义词名称唯一

    (2)对同义词做的任何更改其实就是在修改基对象

    (3)不能引用用户定义的聚合函数

  基本形式:

--基本形式
create synonym 同义词名
for 基对象
--实例演示
create synonym test102
for dbo.test101

 

 

3.分区表

  概念:其实就是把表中数据,根据水平或者垂直分割

    (1)水平分割:其实就是列太多,把它分到多个表中,要查的时候就join起来

    (2)垂直分割:其实就是行数据太多,导致单表太大,把它分成多个相同结构的表,分别根据某个逻辑(比如说时间字段)去进行分割

  操作:

       (1). 创建分区函数 

    (2). 创建分区方案

    (3). 对表进行分区

  概念加实操参考:

    (1)基础:http://www.cnblogs.com/gered/p/8074747.html

    (2)深入:http://www.cnblogs.com/gered/p/8856585.html

    (3)探究:http://www.cnblogs.com/CareySon/archive/2011/12/30/2307766.html

转载于:https://www.cnblogs.com/gered/p/9117522.html

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/news/389533.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

充分利用昂贵的分析

By Noor Malik努尔马利克(Noor Malik) Let’s say you write a query in Deephaven which performs a lengthy and expensive analysis, resulting in a live table. For example, in a previous project, I wrote a query which pulled data from an RSS feed to create a li…

层次聚类和密度聚类思想及实现

层次聚类 层次聚类的概念: 层次聚类是一种很直观的算法。顾名思义就是要一层一层地进行聚类。 层次法(Hierarchicalmethods)先计算样本之间的距离。每次将距离最近的点合并到同一个类。然后,再 计算类与类之间的距离&#xff0…

通配符 或 怎么浓_浓咖啡的咖啡渣新鲜度

通配符 或 怎么浓How long could you wait to brew espresso after grinding? Ask a barista, any barista, and I suspect their answer is immediately or within a few minutes. The common knowledge on coffee grounds freshness is that after 30 minutes or so, coffee…

《netty入门与实战》笔记-02:服务端启动流程

为什么80%的码农都做不了架构师?>>> 1.服务端启动流程 这一小节,我们来学习一下如何使用 Netty 来启动一个服务端应用程序,以下是服务端启动的一个非常精简的 Demo: NettyServer.java public class NettyServer {public static v…

谱聚类思想及实现

(这个我也没有怎么懂,为了防止以后能用上,还是记录下来) 谱聚类 注意:谱聚类核心聚类算法还是K-means 算法进行聚类~ 谱聚类的实现过程: 1.根据数据构造一个 图结构(Graph) &…

Tengine HTTPS原理解析、实践与调试【转】

本文邀请阿里云CDN HTTPS技术专家金九,分享Tengine的一些HTTPS实践经验。内容主要有四个方面:HTTPS趋势、HTTPS基础、HTTPS实践、HTTPS调试。 一、HTTPS趋势 这一章节主要介绍近几年和未来HTTPS的趋势,包括两大浏览器chrome和firefox对HTTPS的…

opencv:SIFT——尺度不变特征变换

SIFT概念: Sift(尺度不变特征变换),全称是Scale Invariant Feature Transform Sift提取图像的局部特征,在尺度空间寻找极值点,并提取出其位置、尺度、方向信息。 Sfit的应用范围包括 物体辨别、机器人地图…

pca(主成分分析技术)_主成分分析技巧

pca(主成分分析技术)介绍 (Introduction) Principal Component Analysis (PCA) is an unsupervised technique for dimensionality reduction.主成分分析(PCA)是一种无监督的降维技术。 What is dimensionality reduction?什么是降维? Let us start with an exam…

npm link run npm script

npm link & run npm script https://blog.csdn.net/juhaotian/article/details/78672390 npm link命令可以将一个任意位置的npm包链接到全局执行环境,从而在任意位置使用命令行都可以直接运行该npm包。 app-cmd.cmd #!/usr/bin/env nodeecho "666" &a…

一文详解java中对JVM的深度解析、调优工具、垃圾回收

2019独角兽企业重金招聘Python工程师标准>>> jvm监控分析工具一般分为两类,一种是jdk自带的工具,一种是第三方的分析工具。jdk自带工具一般在jdk bin目录下面,以exe的形式直接点击就可以使用,其中包含分析工具已经很强…

借用继承_博物馆正在数字化,并在此过程中从数据中借用

借用继承Data visualization is a great way to celebrate our favorite pieces of art as well as reveal connections and ideas that were previously invisible. More importantly, it’s a fun way to connect things we love — visualizing data and kicking up our fee…

高斯噪声,椒盐噪声的思想及多种噪声的实现

图像噪声: 概念: • 图像噪声是图像在获取或是传输过程中受到随机信号干扰,妨碍人们对图像理解及分析处理 的信号。 • 很多时候将图像噪声看做多维随机过程,因而描述噪声的方法完全可以借用随机过程的描述, 也就是使…

如何识别媒体偏见_描述性语言理解,以识别文本中的潜在偏见

如何识别媒体偏见TGumGum can do to bring change by utilizing our Natural Language Processing technology to shed light on potential bias that websites may have in their content. The ideas and techniques shared in this blog are a result of the GumGum Hackatho…

分享 : 警惕MySQL运维陷阱:基于MyCat的伪分布式架构

分布式数据库已经进入了全面快速发展阶段。这种发展是与时俱进的,与人的需求分不开,因为现在信息时代的高速发展,导致数据量和交易量越来越大。这种现象首先导致的就是存储瓶颈,因为MySQL数据库实质上还是一个单机版本的数据库&am…

数据不平衡处理_如何处理多类不平衡数据说不可以

数据不平衡处理重点 (Top highlight)One of the common problems in Machine Learning is handling the imbalanced data, in which there is a highly disproportionate in the target classes.机器学习中的常见问题之一是处理不平衡的数据,其中目标类别的比例非常…

最小二乘法以及RANSAC(随机采样一致性)思想及实现

线性回归–最小二乘法(Least Square Method) 线性回归: 什么是线性回归? 举个例子,某商品的利润在售价为2元、5元、10元时分别为4元、10元、20元, 我们很容易得出商品的利润与售价的关系符合直线&#xf…

糖药病数据集分类_使用optuna和mlflow进行心脏病分类器调整

糖药病数据集分类背景 (Background) Data science should be an enjoyable process focused on delivering insights and real benefits. However, that enjoyment can sometimes get lost in tools and processes. Nowadays it is important for an applied data scientist to…

Android MVP 框架

为什么80%的码农都做不了架构师?>>> 前言 根据网络上的MVP套路写了一个辣鸡MVP DEMO 用到的 android studio MVPHelper插件,方便自动生成框架代码rxjavaretrofit什么是MVP MVP就是英文的Model View Presenter,然而实际分包并不是只有这三个包…

相似图像搜索的哈希算法思想及实现(差值哈希算法和均值哈希算法)

图像相似度比较哈希算法: 什么是哈希(Hash)? • 散列函数(或散列算法,又称哈希函数,英语:Hash Function)是一种从任何一种数据中创建小 的数字“指纹”的方法。散列函数把消息或数…

腾讯云AI应用产品总监王磊:AI 在传统产业的最佳实践

欢迎大家前往腾讯云社区,获取更多腾讯海量技术实践干货哦~ 背景:5月23-24日,以“焕启”为主题的腾讯“云未来”峰会在广州召开,广东省各级政府机构领导、海内外业内学术专家、行业大咖及技术大牛等在现场共议云计算与数字化产业创…