MySQL 元数据的使用小结

本文主要介绍了MySQL 元数据的使用,通过INFORMATION_SCHEMA数据库访问,文中通过示例代码介绍的非常详细,需要的朋友们下面随着小编来一起学习学习吧

目录
  • 1.数据库级元数据
  • 2.表级元数据
  • 3.列级元数据
  • 4.索引元数据
  • 5.权限元数据
  • 6.其他关键元数据表
  • 元数据访问方式
  • 注意事项

MySQL 元数据是描述数据库结构和属性的信息,包括数据库、表、列、索引等对象的定义和状态。以下是核心元数据类型及其详细说明:

1.数据库级元数据

描述数据库本身的属性:

  • SCHEMATA 表
    存储所有数据库信息,关键字段:
    • CATALOG_NAME:目录名(通常为 def)
    • SCHEMA_NAME:数据库名称
    • DEFAULT_CHARACTER_SET_NAME:默认字符集
    • DEFAULT_COLLATION_NAME:默认排序规则
  • 查询示例
    SELECT * FROM INFORMATION_SCHEMA.SCHEMATA 
    WHERE SCHEMA_NAME = 'your_database';
    

2.表级元数据

描述表的定义和属性:

  • TABLES 表
    关键字段:
    • TABLE_SCHEMA:所属数据库
    • TABLE_NAME:表名
    • TABLE_TYPE:表类型(BASE TABLE/VIEW)
    • ENGINE:存储引擎(如 InnoDB)
    • ROW_FORMAT:行格式(如 Dynamic)
    • TABLE_ROWS:预估行数
    • AVG_ROW_LENGTH:平均行长度(字节)
  • 统计公式
    表大小估算:
    $$ \text{表大小} \approx \text{TABLE_ROWS} \times \text{AVG_ROW_LENGTH} $$
  • 查询示例
    SELECT TABLE_NAME, ENGINE, TABLE_ROWS 
    FROM INFORMATION_SCHEMA.TABLES 
    WHERE TABLE_SCHEMA = 'your_database';
    

3.列级元数据

描述表中列的详细定义:

  • COLUMNS 表
    关键字段:
    • COLUMN_NAME:列名
    • DATA_TYPE:数据类型(如 int, varchar)
    • CHARACTER_MAXIMUM_LENGTH:字符类型最大长度
    • IS_NULLABLE:是否允许 NULL
    • COLUMN_DEFAULT:默认值
    • COLUMN_KEY:是否为主键/索引(PRI/UNI)
  • 查询示例
    SELECT COLUMN_NAME, DATA_TYPE, IS_NULLABLE 
    FROM INFORMATION_SCHEMA.COLUMNS 
    WHERE TABLE_NAME = 'your_table';
    

4.索引元数据

描述表的索引信息:

  • STATISTICS 表
    关键字段:
    • INDEX_NAME:索引名称
    • NON_UNIQUE:是否唯一索引(0=唯一)
    • SEQ_IN_INDEX:索引中列的顺序
    • CARDINALITY:索引唯一值数量(用于查询优化)
  • 索引效率公式
    选择性计算公式:
    $$ \text{选择性} = \frac{\text{CARDINALITY}}{\text{TABLE_ROWS}} $$
  • 查询示例
    SELECT INDEX_NAME, COLUMN_NAME, CARDINALITY 
    FROM INFORMATION_SCHEMA.STATISTICS 
    WHERE TABLE_NAME = 'your_table';
    

5.权限元数据

描述用户权限信息:

  • USER_PRIVILEGES 表
    存储全局权限,关键字段:
    • GRANTEE:被授权用户(格式 'user'@'host')
    • PRIVILEGE_TYPE:权限类型(如 SELECT, UPDATE)
  • SCHEMA_PRIVILEGES 表
    存储数据库级权限。
  • 查询示例
    SELECT * FROM INFORMATION_SCHEMA.USER_PRIVILEGES 
    WHERE GRANTEE LIKE 'your_user%';
    

6.其他关键元数据表

  • ROUTINES:存储过程和函数定义。
  • TRIGGERS:触发器信息。
  • KEY_COLUMN_USAGE:外键约束关系。

元数据访问方式

所有元数据通过 INFORMATION_SCHEMA 数据库 访问,这是符合 SQL 标准的只读虚拟数据库。例如:

-- 查看所有元数据表列表
SHOW TABLES IN INFORMATION_SCHEMA;

-- 查看表结构定义
SHOW CREATE TABLE your_table;

注意事项

  1. 权限要求:用户需具有 SELECT 权限才能访问 INFORMATION_SCHEMA
  2. 动态更新:元数据实时更新,但部分统计字段(如 TABLE_ROWS)可能为估算值。
  3. 性能影响:频繁查询元数据可能影响性能,建议缓存结果。
  4. 存储引擎差异:如 MyISAMInnoDBTABLE_ROWS 精度不同。

通过元数据,开发者可动态分析数据库结构、优化查询或构建自动化管理工具。

到此这篇关于MySQL 元数据的使用小结的文章就介绍到这了,更多相关MySQL 元数据内容请搜索骃骐网以前的文章或继续浏览下面的相关文章希望大家以后多多支持骃骐网!

您可能感兴趣的文章:

  • MySQL 元数据锁及问题排查的解决
  • 一文搞懂MySQL元数据锁(MDL)
  • MySQL和Oracle的元数据抽取实例分析
  • 配置hive元数据到Mysql中的全过程记录
  • 详细分析mysql MDL元数据锁
  • MySQL如何查看元数据锁阻塞在哪里
  • Mysql元数据如何生成Hive建表语句注释脚本详解
  • MySQL 元数据查看及实例代码
  • 调用MySQL中数据库元数据的方法

相关推荐:

如何在Python中进行地理空间数据的聚类分析_使用PySAL与Geopandas

PySAL与geopandas组合是地理感知聚类的务实选择,能尊重地球曲率、构建空间权重、识别空间自相关;sklearn直接对经纬度聚类会因纬度差异导致距离失真,结果不可解释。 PySAL 和 geopandas 的组合,是做真正地理感知聚类(而非简单把经纬度当平面坐标扔进 sklearn.DBSCAN)的务实选择。它能尊重地球曲率、处理空间权重、识别空间自相关——这些恰恰是多数教程跳过、但业务中...

Python 大数据清洗中利用 RabbitMQ 实现多租户多队列的数据流向精细化控制

RabbitMQ的vhost不宜直接作租户隔离单位,因其不支持运行时动态增删、管理成本高、连接数易指数级上涨;应改用消息头tenant_id或routing key前缀实现逻辑隔离,并结合DLX+TTL实现可控重试。 为什么 RabbitMQ 的 vhost 不能直接当租户隔离单位用 因为 vhost 是权限和资源隔离边界,但不支持运行时动态创建/销毁,且管理成本高——每次新增租户都要调用 PUT...

怎么在Python TensorFlow里合并多个数据集_通过dataset.concatenate解决

concatenate会静默丢弃batch维度,导致batch_size变为1;须确保结构完全一致、统一batch后再concatenate,或改用sample_from_datasets实现比例混合。 concatenate 会静默丢弃 batch 维度,必须提前对齐 直接用 dataset.concatenate() 合并两个已 batch() 的数据集,结果往往出人意料:它不会报错,但会把 ...

如何按字符串首字母对数据进行分组

本文详解如何正确使用 Python 的 itertools.groupby 按字符串首字母分组,强调必须先排序再分组,并提供简洁、可读、无冗余的实现方案。 本文详解如何正确使用 python 的 `itertools.groupby` 按字符串首字母分组,强调**必须先排序再分组**,并提供简洁、可读、无冗余的实现方案。 itertools.groupby 是一个高效但易被误用的工具:它仅对连续相...

Python中如何快速进行探索性数据分析_结合Scikit-learn与Pandas

不能用scikit-learn做基础EDA,因其专为建模设计,缺乏describe()、hist()、corr()等统计与可视化功能,强行使用会污染原始数据、增加冗余步骤且无法交互调试;EDA应仅用pandas+seaborn+matplotlib完成数据概览、分布分析、相关性探索等。 直接用 pandas 做 EDA,scikit-learn 不参与——它不提供统计摘要、分布图或相关性热力图这类...

Python中如何解决Pandas打印数据被省略的问题_设置set_option显示全行

必须同时设置行数、列数、列宽三类选项才能显示全,单设一个无效;推荐执行四行set_option将max_rows、max_columns、width、max_colwidth均设为None。 为什么 pd.set_option 设了还不显示全? 因为 Pandas 默认对列数、行数、列宽都做了截断,单设一个选项(比如只设 display.max_columns)没用,必须同时控制三类限制:列数量、...

Python怎么加速PyTorch的文本数据读取_使用HDF5与LMDB配合DataLoader

文本数据用LMDB或HDF5加速效果有限,因其体积小、解析开销低,而LMDB/HDF5引入序列化、反序列化、键查找和内存映射等固定成本,反而成为瓶颈;真正受益场景是含大尺寸二进制数据或受磁盘随机IO限制时。 为什么文本数据用LMDB或HDF5加速效果有限 直接把纯文本(比如句子、token ID序列)塞进 LMDB 或 HDF5,往往不会明显提速,甚至更慢。原因很实在:文本本身体积小、解析开销低,...

如何在 Jinja2 模板中正确渲染 Pandas DataFrame 的数据

Jinja2 无法直接遍历 Pandas DataFrame 对象,需先将其转换为字典列表(如 to_dict('records')),才能在 HTML 模板中通过 {% for %} 正确访问字段值。 jinja2 无法直接遍历 pandas dataframe 对象,需先将其转换为字典列表(如 `to_dict('records')`),才能在 html 模板中通过 `{% for %}` 正...

如何在Python中实现数据驱动测试_结合pytest与Excel/YAML文件

pytest参数化读Excel最稳方式是用pandas或openpyxl直接读取,再传给@pytest.mark.parametrize;需处理空行、列名规范、数值类型转换,并用ids参数自定义用例名提升可读性。 pytest参数化怎么读Excel里的测试数据 直接用 pandas 或 openpyxl 读Excel,再传给 @pytest.mark.parametrize 最稳。别碰那些封装了“...

如何在Python中执行在线学习模型更新_使用Creme或River库处理流数据

River 是当前唯一活跃、API 稳定、文档完整的在线学习框架,取代已停止维护且不兼容新 Python/NumPy 版本的 Creme;其核心为单样本增量更新 learn_one(),需手动处理数据映射、缺失值、类别编码及概念漂移检测,并注意序列化、线程安全与指标监控等部署细节。 在线学习模型更新不是“训练完再加载”,而是模型必须能接收单条或小批量新数据、实时调整参数——Creme 已停止维护,...