`

可更新和对更新敏感的结果集

阅读更多

可更新的结果集(说明这些都是JDBC特殊的用法,有些数据库可能不支持)

       conn.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE,

                                   ResultSet.CONCUR_UPDATABLE);

       rs.updateString("col name", "new value");

       rs.updateRow();

      

public class OtherApi {

    public static void main(String[] args) throws SQLException,

           InterruptedException {

           read();

    }

 

    static void read() throws SQLException, InterruptedException {

       Connection conn = null;

       Statement st = null;

       ResultSet rs = null;

       try {

           // 2.建立连接

           conn = JdbcUtils.getConnection();

           // conn = JdbcUtilsSing.getInstance().getConnection();

           // 3.创建语句

           st = conn.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE,

                  ResultSet.CONCUR_UPDATABLE);

           //ResultSet.TYPE_SCROLL_INSENSITIVEResultSet.TYPE_SCROLL_SENSITIVE区别

           //TYPE_SCROLL_SENSITIVE能够感应到数据库中的变化,即在未出查询得到结果集ResultSet时如果数据库在的

           //记录发生改变了,查询得到结果集ResultSet它能够知道.当然这样会消耗性能的.

           //TYPE_SCROLL_INSENSITIVE是不能够感应到数据库中的变化.

           // 4.执行语句

           rs = st

                  .executeQuery("select id, name, money, birthday  from user where id < 5");

 

           // 5.处理结果

           while (rs.next()) {

              int id = rs.getInt("id");

              System.out.println("show " + id + "...");

              System.out.println(id + "\t" + rs.getObject("name") + "\t"

                     + rs.getObject("birthday") + "\t"

                     + rs.getObject("money"));

              //在结果集中修改结果集,数据库也修改了。如下面把李四money修改为500f了。

              String name=rs.getString("name");

              if(name.equals("lisi")){

                  rs.updateFloat("money", 500f);

                  rs.updateRow();

              }

           }

       } finally {

           JdbcUtils.free(rs, st, conn);

       }

    }

}

分享到:
评论

相关推荐

    JAVA100例之实例55 可滚动结果集

    这里,`ResultSet.TYPE_SCROLL_INSENSITIVE`表示结果集对数据库中的变化不敏感,而`ResultSet.CONCUR_READ_ONLY`表示结果集是只读的。如果需要更新结果集,可以使用`ResultSet.CONCUR_UPDATABLE`。 接下来,执行SQL...

    训练集与测试集文件.rar

    3. **训练模型**:将`ddd`文件中的数据作为训练集,通过反向传播算法和优化器(如Adam)更新模型参数。 4. **验证与调优**:在验证集上评估模型性能,根据验证结果调整超参数,如学习率、层数、滤波器数量等。 5. ...

    k-means分类算法,含测试集

    - 对初始质心敏感,不同的初始设置可能导致不同的结果。 - 假设簇为凸形,对非凸或异形数据分布效果不佳。 - 需要预先设定簇的数量K,不合适于未知类别数量的情况。 - 对异常值敏感,一个异常值可能会影响整个簇...

    thumb-2指令集

    Thumb-2指令集广泛应用于各种嵌入式系统和移动设备中,特别是在那些对功耗敏感、空间受限的应用场景中尤为适用。例如,在智能手机、平板电脑、物联网设备、汽车电子系统等领域,Thumb-2指令集因其高效率和低功耗特性...

    课程数据集_Kmeans_K._minist数据集_数据集_

    - **初始化敏感性**:K-means的结果可能因初始化聚类中心的不同而不同,可以通过多次运行并选择最优结果来减轻这个问题。 通过本课程数据集,你可以深入理解K-means算法的工作原理,以及如何将其应用于实际问题,如...

    ENZYMES数据集 图神经网络

    模型训练后,通过验证集评估模型性能,如准确率、精确率、召回率和F1分数,然后根据评估结果调整模型参数。 总之,“ENZYMES”数据集为研究和实践图神经网络在生物信息学领域的应用提供了宝贵的资源。通过GNN,我们...

    水平集图像分割

    其优势在于能够处理复杂的边界形状,同时对初始条件的敏感性较低,适合处理具有噪声和模糊边界的图像。 总结,水平集图像分割是一种强大的图像处理技术,通过在MATLAB中实现相关算法,可以有效地解决复杂边界识别的...

    企业股票特质收益率数据集-含原始数据+计算代码+参考文件+结果数据(1996-2022年).txt

    对于金融机构来说,这份数据集可用于构建量化交易模型、风险管理策略等。通过对特质收益率的研究,可以帮助投资者识别具有较高潜在回报的股票。 #### 3.3 数据科学研究 此外,数据科学家也可以利用这些数据进行...

    SEA 数据集

    SEA数据集,全称为Schönlau数据集,是一个专门用于内部威胁检测的研究性数据集...通过深入研究和应用SEA数据集,不仅可以提升内部威胁检测的能力,也能促进对网络安全防护策略的改进,从而更好地保护组织的信息安全。

    用于深度学习的花卉数据集

    然而,需要注意的是,深度学习模型可能会对数据分布的变化敏感,因此在实际应用中,需要定期更新和维护模型,以适应新的花卉种类或环境变化。 总之,这个“用于深度学习的花卉数据集”为研究者和开发者提供了一个...

    K-means算法的Matlab实现以及Iris数据集

    然而,它也有一些局限性,比如对初始中心点的选择敏感,可能会陷入局部最优解,且不能处理非凸形状的簇。此外,K值的选择对结果影响很大,需要通过尝试不同K值或使用肘部法则等方法来确定。 在实际应用中,我们还...

    使用matlab进行实现的kmeans算法。数据集。

    在实际应用中,k-means算法有其局限性,例如对初始质心敏感、难以处理非凸形状的类别以及对异常值敏感。但MATLAB提供了许多工具和优化策略,如多次运行并选择最优结果,来克服这些问题。在处理大型数据集时,可以...

    用电量预测,数据集及算法

    数据集的质量和完整性直接影响预测结果的准确性,因此在使用前,需要对数据进行清洗,处理缺失值、异常值,并确保时间序列的连续性。 算法的选择和设计是预测模型的核心。常见的预测算法有线性回归、时间序列分析...

    GBDT相关实验代码及数据集,详细展示可参考主页GBDT介绍部分的博文

    - 鲁棒性:GBDT对异常值不敏感,因为每个决策树都是基于残差进行训练的。 - 自动特征交互:决策树可以捕捉特征间的非线性关系,无需手动构造特征组合。 - 高效优化:通过梯度下降法,能有效地找到损失函数的...

    在matlab中使用k-means算法及isodata算法对鸢尾花数据集进行分类

    3. 优化与注意事项:k-means算法的初始中心选择对结果有很大影响,MATLAB默认使用'++'策略(K-means++)来初始化,以减少对初始条件的敏感性。此外,算法可能陷入局部最优,需要多次运行并选择最佳结果。 二、...

    神经网络手写数据集.zip

    CNN以其对空间结构的敏感性和权重共享的特点,特别适合图像识别。在网络的训练过程中,反向传播算法被用来更新权重,以最小化预测结果与实际标签之间的差异,即损失函数。常见的损失函数有均方误差或交叉熵损失。 ...

    论文研究-MFWSR:数据流上的频繁闭项集挖掘算法 .pdf

    其次,频繁闭项集的挖掘可以降低内存消耗,因为它避免了对非闭合频繁项集的挖掘,这些项集在最终结果中并不是必需的。 MFWSR算法的目标是在保持挖掘结果准确性的同时,提高数据流挖掘的效率。在数据流上进行频繁项...

    图像分析水平集方法

    尽管水平集方法在图像分析中取得了显著成就,但仍面临一些挑战,如计算效率、参数选择和对噪声的敏感性等。未来的研究可能会集中在优化算法、开发新的能量函数以及结合深度学习等现代技术,以进一步提升水平集方法在...

Global site tag (gtag.js) - Google Analytics