Test_Update：
- 初始数据：
Server1:
Server2:
-
Server1，Server2正常启动，Client基于Server1
update test set name = '111' where id = 1;
commit;
update test set name = '222' where id = 2;
commit;
update test set name = '333' where id = 3;
commit;
update test set name = '555' where id = 5;
commit;
update test set name = '666' where id = 6;
commit;
结果：
update test set name = '111' where id = 1;
Update count: 1
(15 ms)
commit;
Update count: 0
(0 ms)
update test set name = '222' where id = 2;
Update count: 1
(0 ms)
commit;
Update count: 0
(0 ms)
update test set name = '333' where id = 3;
Update count: 0
(0 ms)
commit;
Update count: 0
(0 ms)
update test set name = '555' where id = 5;
Update count: 1
(0 ms)
commit;
Update count: 0
(0 ms)
update test set name = '666' where id = 6;
Update count: 1
(16 ms)
commit;
Update count: 0
(0 ms)
Server1:
|
ID
|
NAME
|
|
1
|
111
|
|
2
|
222
|
|
3
|
333
|
|
4
|
4
|
|
5
|
555
|
Server2:
|
ID
|
NAME
|
|
1
|
111
|
|
2
|
222
|
|
4
|
4
|
|
5
|
555
|
|
6
|
666
|
说明更新对两个DB都启作用了，即使DB中的记录不一致
-
重启Server1，Client 不重连接（基于Server2）
update test set name = '3333' where id = 3;
commit;
update test set name = '444' where id = 4;
commit;
结果：
update test set name = '3333' where id = 3;
Update count: 0
(0 ms)
commit;
Update count: 0
(0 ms)
update test set name = '444' where id = 4;
Update count: 1
(0 ms)
commit;
Update count: 0
(0 ms)
Server1:
|
ID
|
NAME
|
|
1
|
111
|
|
2
|
222
|
|
3
|
333
|
|
4
|
4
|
|
5
|
555
|
Server2:
|
ID
|
NAME
|
|
1
|
111
|
|
2
|
222
|
|
4
|
444
|
|
5
|
555
|
|
6
|
666
|
说明没重连，对Server2的操作没有同步到Server1
-
重启Server2，Client 不重连接（基于Server1）
update test set name = '1111' where id = 1;
commit;
update test set name = '44' where id = 4;
commit;
结果：
update test set name = '1111' where id = 1;
Update count: 1
(0 ms)
commit;
Update count: 0
(0 ms)
update test set name = '44' where id = 4;
Update count: 1
(0 ms)
commit;
Update count: 0
(0 ms)
Server1:
|
ID
|
NAME
|
|
1
|
1111
|
|
2
|
222
|
|
3
|
333
|
|
4
|
44
|
|
5
|
555
|
Server2:
|
ID
|
NAME
|
|
1
|
111
|
|
2
|
222
|
|
4
|
444
|
|
5
|
555
|
|
6
|
666
|
说明没重连，Server2没有影响
分享到：
相关推荐
几篇关于空间数据库的聚类算法的研究《基于空间数据库的数据挖掘方法研究》《基于SVM的空间数据库的层次聚类分析》《从空间数据库发现聚类》
最新纯JAVA数据库，支持集群，支持私有内存数据库，
应用于大型数据库的聚类技术研究
本文件为常见聚类算法测试数据集 ，UCI上常用的聚类算法数据集
聚类分析常用的人工数据集，包括：UCI:wine、Iris、yeast，还有4k2_far、leuk72_3k等数据集。它们在聚类分析、数据挖掘、机器学习、模式识别领域经常用到。
聚类数据集，有人工、真实数据集。带标签
two_cluster、three_cluster、five_cluster为不同簇数的点集，适用于Kmeans聚类 spiral、Twomoons、ThreeCircles分别为螺旋分布、月牙分布、环形分布数据集。
用于聚类方法的数据集，包括不同数目的块状聚类、月牙形、同心环形及螺旋形分布，可用于Kmeans、谱聚类等聚类方法的测试。
该人脸数据库用于人脸识别，聚类分析，图像处理等问题
该文件有六百条数据，每100条是一类。可用于聚类的测试。
数据库挖掘聚类分析PPT学习教案.pptx
对聚类算法进行测试的数据
UCI常用数据集-聚类、分类
kmeans聚类java实现附测试数据及结果
聚类数据集 %% 利用不同方法对债券样本进行聚类 %说明 %分别采用不同的方法，对数据进行聚类 %可以选择的pdist/clustering距离 % methods = {'euclidean'; 'seuclidean'; 'cityblock'; 'chebychev'; ... % '...
使用mysql 进行数据库连接，把分析聚类的结果再存储到 mysql数据库中，代码实现了连接数据库， 分析数据，把结果返回数据库的相关内容。有注释。
模式识别中k均值聚类的程序及数据：包括初始中心点的选择、新中心点的选择，距离的定义等
一些聚类常用的数据集，自己做实验也在用的，很好用也很齐全。
这里面是机器学习里面聚类所需的数据集，分为人工的二维数据集，如月牙形，双螺旋型等，和UCI真实数据集，是我搜集好久才弄出来的，有一些二维数据集是自己生成的，提供给大家做算法实验。
ChineseLyrics中文歌词数据库【NLP自然语义处理数据集】 10W+首歌词数据, 给做NLP和数据分析领域的朋友们提供参考 通过网络收集整理的中文歌词数据库, 包含: 绝大多数华语歌手在2019年之前的歌曲 4019位歌手, 其中...