day49 Pyhton 数据库Mysql 06

多表查询

连表查询

　　要进行连接,那一定涉及两个表,两个表中要有关联条件才能进行连接

　　内连接 只有表一和表二中的连接条件都满足的时候才能显示出来

　　　　inner join on /where 条件

　　　　select * from t1 inner join t2 on t1.id  =t2.t2_id;

　　　　select * from t1,t2 where t1.id = t2.t2_id

　　左外连接 一定显示左表中所有内容,如果右表中的内容没有符合连接条件就不显示

　　　　left join

　　　　select * from t1 left join t2 on t1.id = t2.t2_id;

　　右外连接

　　　　right join

　　　　select * from t1 right join t2 on t1.id = t2.t2_id

　　全外连接

　　　　select * from t1 left join t2  on t1.id = t2.t2_id

　　　　union

　　　　select * from t1 right join t2 on t1.id = t2.t2_id

　　所谓的连表,实际上就是把多张表通过条件的连接,变成一张大表,然后所有的查询条件都和原来一张表是一样的

　　但是我们要注意两张表中如果字段的名字不同,可以直接使用

　　但是我们要注意两张表中如果字段的名字相同,需要使用 表名.字段名来表示具体的字段

　　当表的名字过长的时候,可以对表进行一个临时重命名,重命名之后在本条sql中就可以使用新名字来代替原来的表名了

# table1 : id name sex
# table2 : id salary t1_id
# select table1.id,table2.id,name,salary from table1 inner join table2 on table1.id = table2.t1_id;
# select t1.id,t2.id from table1 t1 inner join table2 t2 on t1.id = t2.t1_id;

　　子查询

　　　　是先查一个表,得到一个结果,这个结果要么是n条,要么是1条,通常是一个字段

　　　　用这个结果作为条件去查另外一张表

　　　　子查询:结果在哪个表,最后你查的一定是那张表

　　　　如果结果是n条:在外层查询中你可能会用到in条件

　　　　如果结果是1条:在外层查询中你可以用 = != > < is

　　索引

　　　　加速查询速度

　　　　mysql的存储引擎的索引基于 b+树\hash做的

　　　　　　innodb b+树  聚集索引/聚簇索引  非聚簇索引

　　　　　　myisam b+树 非聚簇索引

　　　　　　memory hash

　　　　b+树做了那些事儿?为什么基于b+树的索引会快?

　　　　　　一颗平衡树

　　　　　　在非叶子节点不存储数据相关的信息,只存放指针  :  让树的高度降低了,所有的数据的寻找的时间是固定的

　　　　　　在叶子节点会直接存储数据或者数据的指针       :  能够直接找到对应的数据
　　　　　叶子节点的各个数据块之间使用双向链表来连接   :  能够更好的进行范围\排序相关的操作
　　　　　要想缩短树的高度,我们能做的事情     
　　　　　　1.就是让每一列的宽度尽量的小
　　　　　聚簇索引和非聚簇索引
　　　　　　聚簇索引
　　　　　　　　一张表只能有一个
　　　　　　　　只在innodb存储引擎中存在
　　　　　　　　b+树 : 在叶子节点会直接存储数据
　　　　　　　　所有的数据存储的物理地址是根据索引顺序: 排序快
　　　　　　非聚簇索引
　　　　　　　　每张表可以有多个
　　　　　　　　在myisam,innodb中都存在
　　　　　　　　b+树 : 在叶子节点会存储数据的指针
　　　　　　　　所有的数据存储的物理地址和索引顺序无关
　　　　　　　　如果创建多个非聚簇索引,那么insert delete数据都会非常慢,并且占用更多的硬盘和内存
今日内容
　　在创建表的时候创建索引
　　CREATE TABLE ind1(
　　　　　　　　　　　　id int primary key,
　　　　　　　　　　　　name char(12),
　　　　　　　　　　　　index ind_name(name)
　　　　　　　　　　　　);
　　在建表之后添加索引
　　CREATE TABLE ind2(
　　　　　　　　　　　　id int primary key,
　　　　　　　　　　　　email char(12)
　　　　　　　　　　　　);
　　CREATE INDEX ind_email on ind2(email);
　　alter table ind2 add index ind_email(email);
删除索引
DROP INDEX ind_email ON ind2;
索引的基础用法　
你设置了哪个字段为索引,那么查找条件就使用这个字段,就能够加速查询　　
如果我们给id字段创建了索引,但是查找的确实email条件,那么就未命中索引,并不会加速查询　　
一次sql查询只能用上一个索引id = 1000 and email='eva1000@oldboy'

索引的正确使用
1.如果查询的结果是很多条数据的话我们仍然不能命中索引

　　> < >= <= != like between and
2. 当我们选定某一列作为索引的时候,这一列必须是区分度比较高的列
　　如果这一列的内容都是重复的,那么创建了索引也不会有任何的加速效果
3.索引列不能在条件中参与计算
4.对于sql中的or来说,即便找到一个为假的条件也还是要去判断另外的条件是否成立,所以mysql并没有进行优化

所有的查询都是从左向右一次进行的,所以使用了or的条件语句很难命中索引

对于sql中的and,由于只要找到一个为假的条件就可以放弃判断整个语句,所以mysql进行了优化

在所有的and条件中会找到第一个区分度最高的列来使用它的索引,来达到加快查询速度的效果

5.联合索引:最左前缀匹配原则

　　create  index  union_ind  on s1(id,email,name)

　　联合索引,第一个索引项是这个索引的姓,每一次查询条件必须带着第一个索引项字段(例id),才能命中联合索引

　　如果条件中丢失了第一个索引项来创建条件,那么不能命中联合索引

　　create index union_ind on s1(id,email,name,sex)

　　id

　　email,id

　　id,email,name

　　id,email,name,sex

　　id,name # id,sex

　　id,name,sex

聚集索引
1.纪录的索引顺序与无力顺序相同
因此更适合between and和order by操作
2.叶子结点直接对应数据
从中间级的索引页的索引行直接对应数据页
3.每张表只能创建一个聚集索引

非聚集索引
1.索引顺序和物理顺序无关
2.叶子结点不直接指向数据页
3.每张表可以有多个非聚集索引，需要更多磁盘和内容
多个索引会影响insert和update的速度

使用python操作数据库

import pymysql
conn = pymysql.connect(
    host = 'localhost',
    port = 3306,
    user = 'root',
    password = '123',
    database = 'homework',
    charset='utf8'
)
cur = conn.cursor(pymysql.cursors.DictCursor)   # 设置返回的数据类型是字典
cur = conn.cursor()   # 默认返回的数据类型是元组
# cur 数据库操作符
# sql = 'drop table ind1;'
# sql = """CREATE TABLE EMPLOYEE (
#          FIRST_NAME  CHAR(20) NOT NULL,
#          LAST_NAME  CHAR(20),
#          AGE INT,
#          SEX CHAR(1),
#          INCOME FLOAT )"""
try:
    sql = 'select * from class'
    ret = cur.execute(sql)
    conn.commit()
except:
    conn.rollback()

print(ret)
res = cur.fetchone()
print(res)
ret = cur.fetchmany(2)
# res = cur.fetchall()
print(ret)
cur.close()
conn.close()