• MYSQL 二进制日志


    Mysql 二进制日志
    
       Mysql 服务层日志
    
          mysql 二进制日志 慢查日志 通用日志
             二进制日志:记录了所有对Mysql数据库的修改事件,包括增删改查事件和对表结构的事件
             二进制日志的格式:
                    show :  show VARIABLES like 'binlog_format';(查看二进制日志格式)
                    set :  set SESSION binlog_format=statement;(设置位段的 5.7为row)
                基于段的格式 binlog_format=STATEMENT (5.7之前默认使用的格式)
                   优点:
                      日志记录量相对较小,节省磁盘及网络I/O
                   缺点;
                      必须要记录上下文的信息    保证语句在从服务器上执行的结果在主服务器上相同
                      特定函数如 UUID(),user()
                      这样非确定性函数还是无法复制
                      可能造成MySQL复制的主备服务器数据不一致
                    基于行的格式 binlog_format=ROW
                        show : show VARIABLES like 'binlog_format';
                        set : set session binlog_format=row;
                        Row格式可以避免MySQL复制中出现得主从不一致问题
                        同一SQL语句修改了10000条数据的情况下,基于段的日志格式只会记录这个sql语句,而基于行的日志会有10000条记录分别记录每一行
                        的数据修改
                        *优点:
                            1.使mysql主从复制更加安全
                            2.对每一行数据对修改比基于段对复制高效,降低主从复制的时间
                            3.误操作而修改了数据库中的数据,同时有没有备份可以恢复时,我们可以通过分析二进制日志,对日志中记录的数据修改操作
                            做反向的处理方式来达到恢复数据的目的
                        *缺点:
                            1.记录日志量大。
                                show: show variables like 'binlog_row_image'
                                binlog_row_image = [FULL|MINIMAL|NOBLOB](提供了三种日志方式)
                    混合日志格式
                        binlog_format=NIXED
                        特点 
                            1.根据SQL语句由系统决定在基于段和基于行段日志格式中进行选择
                            2.数据量大小由所执行段sql语句决定
                                
        Mysql 存储引擎层日志
    
          innodb重做日志,回滚日志等
    
  • 相关阅读:
    样式
    笔试:输入输出
    kafka hbase MR
    数据库
    Spring
    转:Numpy扩充矩阵维度(np.expand_dims, np.newaxis)和删除维度(np.squeeze)的方法
    PyTorch LSTM,batch_first=True对初始化h0和c0的影响
    矩阵F范数的平方转化为矩阵的迹
    Python自带的random库,numpy的随机库,torch的随机函数
    转:sklearn中的高斯混合模型GMM
  • 原文地址:https://www.cnblogs.com/phpwyl/p/16361494.html
Copyright © 2020-2023  润新知