JDBC演进之路:从基础操作到高效连接池
文章目录
- 一、JDBC 1.0:手动管理的起点
- 1.1 核心特点
- 1.2 代码示例:
- 1.3 痛点分析
- 二、JDBC 2.0:配置化的升级
- 2.1 核心改进
- 2.2 代码示例
- 2.3 优势与不足
- 三、JDBC 3.0:连接池的革命
- 3.1 核心改进
- 3.2 代码示例
- 3.3 核心优势
- 四、版本对比与演进意义
- 五、实战:从1.0到3.0的查询示例
- 5.1 JDBC 1.0版本
- 5.2 JDBC 3.0版本(优化后)
- 六、总结
一、JDBC 1.0:手动管理的起点
1.1 核心特点
手动加载驱动:通过Class.forName()或DriverManager.registerDriver()显式注册驱动。
硬编码连接信息:数据库URL、用户名、密码直接写在代码中。
资源手动关闭:需逐一手动关闭Connection、Statement、ResultSet。
1.2 代码示例:
public class JdbcUtils {// 硬编码数据库信息public static Connection getConnection() {Connection conn = null;try {DriverManager.registerDriver(new Driver()); // 加载驱动conn = DriverManager.getConnection("jdbc:mysql:///spring_db", "root", "1234");} catch (SQLException e) {e.printStackTrace();}return conn;}// 手动关闭资源public static void close(Connection conn, Statement stmt, ResultSet rs) {try { rs.close(); } catch (Exception e) { e.printStackTrace(); }try { stmt.close(); } catch (Exception e) { e.printStackTrace(); }try { conn.close(); } catch (Exception e) { e.printStackTrace(); }}
}
1.3 痛点分析
- 代码冗余:每次操作需重复编写连接和关闭逻辑。
- 维护困难:修改数据库配置需改动源码。
- 性能低下:频繁创建和销毁连接消耗资源。
二、JDBC 2.0:配置化的升级
2.1 核心改进
- 配置文件分离:使用db.properties存储数据库配置。
- 动态加载配置:通过Properties类读取配置文件,实现解耦。
- 统一资源管理:封装工具类减少重复代码。
2.2 代码示例
# db.properties
driverclass=com.mysql.jdbc.Driver
url=jdbc:mysql:///spring_db
username=root
password=1234
public class JdbcUtils2 {private static String driverclass;private static String url;private static String username;private static String password;static {// 加载配置文件Properties pro = new Properties();try (InputStream in = JdbcUtils2.class.getResourceAsStream("/db.properties")) {pro.load(in);driverclass = pro.getProperty("driverclass");url = pro.getProperty("url");username = pro.getProperty("username");password = pro.getProperty("password");} catch (IOException e) {e.printStackTrace();}}// 动态加载驱动并获取连接public static Connection getConnection() {Connection conn = null;try {Class.forName(driverclass); // 反射加载驱动conn = DriverManager.getConnection(url, username, password);} catch (Exception e) {e.printStackTrace();}return conn;}
}
2.3 优势与不足
-
优势:
- 配置与代码分离,便于维护。
- 减少硬编码,提升灵活性。
-
不足:
- 仍依赖DriverManager,无法解决频繁创建连接的性能问题。
三、JDBC 3.0:连接池的革命
3.1 核心改进
- 连接池管理:使用Druid等连接池,预先创建连接,随用随取。
- 性能飞跃:连接复用减少创建开销,支持并发和高负载。
- 自动化资源管理:通过DataSource接口隐藏底层细节。
3.2 代码示例
# druid.properties
driverClassName=com.mysql.jdbc.Driver
url=jdbc:mysql:///spring_db
username=root
password=1234
initialSize=5
maxActive=20
maxWait=3000
public class JdbcUtils3 {private static DataSource dataSource;static {try {// 加载配置文件并初始化连接池Properties props = new Properties();props.load(JdbcUtils3.class.getResourceAsStream("/druid.properties"));dataSource = DruidDataSourceFactory.createDataSource(props);} catch (Exception e) {throw new RuntimeException("连接池初始化失败", e);}}// 从连接池获取连接public static Connection getConnection() throws SQLException {return dataSource.getConnection();}// 归还连接(实际是关闭资源)public static void close(Connection conn, Statement stmt, ResultSet rs) {try { rs.close(); } catch (Exception ignored) {}try { stmt.close(); } catch (Exception ignored) {}try { conn.close(); } catch (Exception ignored) {}}
}
3.3 核心优势
- 性能提升:连接复用减少70%的创建时间。
- 资源可控:限制最大连接数,防止数据库过载。
- 功能扩展:支持监控、SQL日志等高级功能。
四、版本对比与演进意义
特性 | JDBC 1.0 | JDBC 2.0 | JDBC 3.0 |
---|---|---|---|
配置管理 | 硬编码 | 配置文件 | 配置文件 + 连接池参数 |
连接获取 | 手动创建 | 动态加载 | 连接池自动分配 |
性能 | 低(频繁创建连接) | 中 | 高(连接复用) |
维护成本 | 高(修改需重新编译) | 低(修改配置文件) | 低(配置 + 监控) |
适用场景 | 简单Demo | 中小型项目 | 高并发、生产环境 |
五、实战:从1.0到3.0的查询示例
5.1 JDBC 1.0版本
public class JdbcDemo1 {public static void main(String[] args) {Connection conn = JdbcUtils.getConnection();Statement stmt = null;ResultSet rs = null;try {stmt = conn.createStatement();rs = stmt.executeQuery("SELECT * FROM account");while (rs.next()) {System.out.println(rs.getString("name"));}} catch (SQLException e) {e.printStackTrace();} finally {JdbcUtils.close(conn, stmt, rs);}}
}
5.2 JDBC 3.0版本(优化后)
public class JdbcDemo3 {public static void main(String[] args) {try (Connection conn = JdbcUtils3.getConnection();Statement stmt = conn.createStatement();ResultSet rs = stmt.executeQuery("SELECT * FROM account")) {while (rs.next()) {System.out.println(rs.getString("name"));}} catch (SQLException e) {e.printStackTrace();}}
}
六、总结
- JDBC 1.0:适合快速验证功能,但缺乏扩展性和维护性。
- JDBC 2.0:通过配置文件解耦,适合中小项目。
- JDBC 3.0:连接池大幅提升性能,是高并发场景的标配。
演进启示:技术的升级始终围绕解耦、性能和易用性展开。掌握每个版本的核心思想,才能在实际项目中灵活选择最优方案。
相关文章:
JDBC演进之路:从基础操作到高效连接池
文章目录 一、JDBC 1.0:手动管理的起点1.1 核心特点1.2 代码示例:1.3 痛点分析 二、JDBC 2.0:配置化的升级2.1 核心改进2.2 代码示例2.3 优势与不足 三、JDBC 3.0:连接池的革命3.1 核心改进3.2 代码示例3.3 核心优势 四、版本对比…...
远程调试---在电脑上devtools调试运行在手机上的应用
1、启动项目–以vite项目为例:先ipconfig查看ip地址 ,然后在vite中配置host为ip地址 2、手机上查看项目:保证手机和电脑在同一局域网, 在手机浏览器打开我们vite启动的项目地址, 3、使用chii进行远程调试 (1) 安装 npm install chii -g (2)启动 chii start -p 8080 (3)在…...
街景主观感知全流程(自建数据集+两两对比程序+Trueskill计算评分代码+训练模型+大规模预测)27
目录 0、Emeditor软件1、Place Pluse 2.0数据集2、街景主观感知大框架2.1 街景主观感知:自建数据集2.2 街景主观感知:两两对比程序2.3 街景主观感知:Trueskill评分2.4 街景主观感知:训练模型,Resnet或EfficientNet或V…...
进阶二:基于HC-SR04和LCD1602的超声波测距
一、实验目的 掌握HC-SR04超声波测距模块的工作原理和使用方法。学会使用LCD1602液晶显示屏显示测量数据。熟悉89C51单片机与外设的接口电路设计和编程方法。二、实验原理 1. HC-SR04超声波测距模块原理 HC-SR04超声波测距模块可提供2cm - 400cm的非接触式距离感测功能,测距精…...
单因子实验 方差分析
本文是实验设计与分析(第6版,Montgomery著傅珏生译)第3章单因子实验 方差分析python解决方案。本文尽量避免重复书中的理论,着于提供python解决方案,并与原书的运算结果进行对比。您可以从 下载实验设计与分析(第6版&a…...
《Python星球日记》 第53天:卷积神经网络(CNN)入门
名人说:路漫漫其修远兮,吾将上下而求索。—— 屈原《离骚》 创作者:Code_流苏(CSDN)(一个喜欢古诗词和编程的Coder😊) 目录 一、图像表示与通道概念1. 数字图像的本质2. RGB颜色模型3. 图像预处理 二、卷积…...
基于人工智能的个性化 MySQL 学习路径推荐研究
基于人工智能的个性化 MySQL 学习路径推荐研究 摘要: 随着信息技术的飞速发展,数据库在各行业应用广泛,MySQL 作为主流数据库之一,学习需求庞大。然而,不同学习者在知识水平、学习进度和目标上存在差异,传统统一的学习路径难以满足个性化需求。本研究通过运用人工智能技…...
阿里云OSS-服务端加签直传说明/示例(SpringBoot)
目录 概述 OSS文件上传方式 1. OSS控制台上传 2. 客户端直传 3. 后端上传 4. 加签直传 服务端加签方式 1. 服务端生成PostObject所需的签名和Post Policy 2.服务端生成STS临时访问凭证 3. 服务端生成PutObject所需的签名URL 实现1:生成PostObject所需的签…...
《向上生长》读书笔记day5
哎,好像有点坚持不下去了,有点松懈了 不咋想继续写读书笔记😂,不过我不可能这么轻易放弃的,起码要做完这一本书,话不多说,开始进入的读书📒笔记 今天读了两个章节,穷人翻…...
优选算法——队列+BFS
目录 1. N叉树的层序遍历 2. 二叉树的锯齿层序遍历 3. 二叉树最大宽度 4. 在每个树行中找最大值 1. N叉树的层序遍历 题目链接:429. N 叉树的层序遍历 - 力扣(LeetCode) 题目展示: 题目分析: 层序遍历即可~仅…...
Java MCP 实战 --> AI玩转贪吃蛇
MCP 实战 --> AI玩转贪吃蛇 MCP 更加便捷的扩展了 LLM 的能力,使得 AI 发展更加迅猛。本篇主要为了学习MCP的应用,实现了让AI去玩贪吃蛇,使用 Java 实现了 MCP Server 和 MCP Client 的编码。其他文章如下: thinking 基础版…...
Day20打卡-奇异值SVD分解
今天学习非特征筛选的方法: 知识点回顾: 线性代数概念回顾(可不掌握)奇异值推导(可不掌握)奇异值的应用 特征降维:对高维数据减小计算量、可视化数据重构:比如重构信号、重构图像&am…...
【RT-Thread Studio】nor flash配置Fal分区
前置条件:【RT-Thread Studio】W25Q128配置 添加 FAL软件包 配置SFUD驱动程序,使用FAL的设备为W25Q128 将fal_cfg.h和fal_flash_sfud_port.c提取出来,放到自己创建的fal_porting目录。 修改 fal_flash_sfud_port.c struct fal_flash_dev n…...
在资源受限设备上实现手势识别:基于包络EMG数据和实时测试的Tiny-ML方法
英文标题:Enabling Gesture on a Resource-Constrained Device: A Tiny-ML Approach with Envelope EMG Data and Real-Time Testing 中文标题:在资源受限设备上实现手势识别:基于包络EMG数据和实时测试的Tiny-ML方法 作者信息 Mohsin Ali S…...
动态规划:最长递增子序列
给定一个数组,求最长递增子序列的长度,就是要求我们求出一个序列中最长的上升子序列的长度,最长上升子序列的定义就是从原序列中按照孙旭去除一些数字,这些数字是逐渐增大的。 *定义dp[i]表示以第i个元素结尾的最长上升子序列的长度。 *初始…...
贪心算法专题(Part2)
目录 1. 最优除法 2. 加油站 3. 坏了的计算器 4. 可被三整除的最大和 5. 单调递增的数字 6. 合并区间 7. 无重叠区间 8. 用最少数量的箭引爆气球 1. 最优除法 题目链接:553. 最优除法 - 力扣(LeetCode) 题目展示: 题目分…...
4.9/Q1,GBD数据库最新文章解读
文章题目:The burden of diseases attributable to high body mass index in Asia from 1990 - 2019: results from the global burden of disease study 2019 DOI:10.1080/07853890.2025.2483977 中文标题:1990 年至 2019 年亚洲高体重指数导…...
API 网关核心功能解析:负载均衡、容灾、削峰降级原理与实战摘要
在微服务架构中,API 网关作为流量入口枢纽,通过负载均衡、容灾、削峰降级等核心功能保障系统稳定性与高可用性。本文结合 Spring Cloud Gateway 实战代码、原理剖析及行业最佳实践,深度解析网关核心能力,并对比当前前沿技术方案&a…...
Spring之AOP
什么是AOP AOP:Aspect 0riented Programming(面向切面编程、面向方面编程),可简单理解为就是面向特定方法编程。 场景:案例中部分业务方法运行较慢,定位执行耗时较长的接口,此时需要统计每一个业务方法的 执行耗时。 优势: 1.减少重复代…...
TransmittableThreadLocal:穿透线程边界的上下文传递艺术
文章目录 前言一、如何线程上下文传递1.1 ThreadLocal单线程1.2 InheritableThreadLocal的继承困境1.3 TTL的时空折叠术 二、TTL核心设计解析2.1 时空快照机制2.2 装饰器模式2.3 采用自动清理机制 三、设计思想启示四、实践启示录结语 前言 在并发编程领域,线程上下…...
基于STM32的甲醛检测
一、制作目标 以正点原子的miniSTM32F103RCT6开发板为主控,使用甲醛传感器检测环境空气中的甲醛含量(以mg/m^3为单位)、C02含量(以ppm为单位)和总有机挥发物含量TVOC(以mg/m^3为单位)在OLED显示…...
人形机器人:主控芯片
目前人形机器人领域的主控芯片因厂商和应用场景不同而有所差异,以下是一些主要人形机器人及其可能使用的主控芯片概况,基于公开信息和行业趋势。由于具体型号常为商业机密,部分信息为推测: 主要人形机器人及其主控芯片 特斯拉&am…...
Web自动化测试入门详解
🍅 点击文末小卡片,免费获取软件测试全套资料,资料在手,涨薪更快 一、目的 web自动化测试作为软件自动化测试领域中绕不过去的一个“香饽饽”,通常都会作为广大测试从业者的首选学习对象,相较于C/S架…...
数据结构:树(树的定义和基本术语)
非空树:有且仅有一个根节点 空树:节点数为0的树 在非空树中根节点没有前驱,叶子结点(终端结点)没有后继,分支结点(非终端结点)前驱和后继都有,前驱有且仅有一个。 下图…...
用jsp简单实现C语言标准化测试系统
C语言标准化测试系统 在Web编程技术的学习过程中,我们小组为了深入理解相关技术原理,提升实践能力,开发了一个基于动态Web工程框架的C语言标准化考试系统。现在,就来和大家分享一下我们的项目经历。 一、实验目的剖析 这个项目…...
牛客周赛round91
C 若序列为1 4 5 7 9 1 2 3,1 9一定大于1 1或1 4...所以只需要记录当前数之前数字的最大值,然后遍历取max即可,所以对于上面的序列有效的比较为1 9,2 9,3 9取max 代码 //求大于当前数的最大值,然后…...
java-代理
1.什么是java代理模式? 给目标对象提供一个代理对象,并且由代理对象控制对目标对象的引用 我们可以这样理解 我们是用户,代理类是支付宝,我们想用支付宝的转账功能,但是支付宝本身没有转账功能, 又恰好…...
【数据结构与算法】图的基本概念与遍历
目录 一、图的基本概念 1.1 图的基本组成 1.2 图的分类 1.3 顶点的度数 1.4 路径与回路 1.5 子图与特殊图 二. 图的存储结构 2.1 邻接矩阵 2.2 邻接表 三、深度优先遍历 3.1 原理 3.2 实现步骤 3.3 代码实现 四、广度优先遍历 4.1 原理 4.2 实现步骤 4.3 代码…...
《AI大模型应知应会100篇》第54篇:国产大模型API对比与使用指南
第54篇:国产大模型API对比与使用指南 ——从百度文心到通义千问,一文看懂国内AI平台选型 📌 摘要 随着中国人工智能产业的快速发展,越来越多的国产大模型平台开始崭露头角。本文将系统梳理当前主流国产大模型 API(如…...
论文分享➲ arXiv2025 | TTRL: Test-Time Reinforcement Learning
TTRL: Test-Time Reinforcement Learning TTRL:测试时强化学习 https://github.com/PRIME-RL/TTRL 📖导读:本篇博客有🦥精读版、🐇速读版及🤔思考三部分;精读版是全文的翻译,篇幅较…...
LeetCode 热题 100 24. 两两交换链表中的节点
LeetCode 热题 100 | 24. 两两交换链表中的节点 大家好,今天我们来解决一道经典的链表问题——两两交换链表中的节点。这道题在 LeetCode 上被标记为中等难度,要求两两交换链表中的相邻节点,并返回交换后链表的头节点。 问题描述 给你一个链…...
好用的播放器推荐
以下是一些好用的播放器推荐,按照不同平台和使用场景分类: 电脑端 VLC Media Player 特点:开源、跨平台,支持几乎所有的音视频格式,无需额外安装解码器。具备强大的功能,如播放列表管理、视频和音频滤镜、…...
C语言_函数hook方案
背景 单体测试中测试一个函数时,该函数调用的其他函数,需要按照测试case,依赖其他函数进行调用参数检查,返回特定值。但是其他函数,不容易做到参数检查和返回特定值,这时需要将其他函数进行hook,hook函数用户自己实现,比较容易实现参数检查和返回值特定值。 本文主要…...
翻转数位题目解释和代码
这段代码的功能是计算一个32位整数中,经过至多一次位翻转(0变1或1变0)后能得到的连续1的最大长度。例如,输入1775(二进制11011101111),翻转中间的0后变为11011111111,连续1的最大长度…...
问题及解决01-面板无法随着窗口的放大而放大
在MATLAB的App Designer中,默认情况下,组件的位置是固定的,不会随着父容器的大小变化而改变。问题图如下图所示。 解决: 为了让Panel面板能够随着UIFigure父容器一起缩放,需要使用布局管理器,我利用 MATLA…...
C/C++复习--C语言中的函数详细
一、函数的基本概念 函数是C语言中封装代码的基本单元,类似于数学中的函数。 作用: 提高代码复用性模块化编程,增强可维护性隐藏实现细节 分类: 库函数:由C标准库提供(如printf, strcpy)自定…...
BufferAttribute
BufferAttribute 3D虚拟工厂在线体验 描述 BufferAttribute 是 Three.js 中用于高效管理几何体属性数据的核心类,其主要特点包括: 数据存储 专为存储 BufferGeometry 的各种属性设计,包括: 顶点位置(position&#…...
FreeRTOS Semaphore信号量-笔记
FreeRTOS Semaphore信号量-笔记 **一、信号量与互斥量的核心区别****二、二值信号量(Binary Semaphore)****1. 功能与使用场景****2. 示例:ADC中断与任务同步** **三、计数信号量(Counting Semaphore)****1. 功能与使用…...
HTTP/2概览及内核解析
目录 1. HTTP/2特性概览 1.1. 兼容 HTTP/1 1.2. “语法”层面的改造 1.3. 协议栈 1.4. HTTP/2实验环境 1.5. Question: 2. HTTP/2内核剖析 2.1. 连接前言 2.2. 头部压缩 2.3. 二进制帧 2.4. 流与多路复用 2.5. 流状态转换 1. HTTP/2特性概览 HTTP 协议…...
AI生成视频推荐
以下是一些好用的 AI 生成视频工具: 国内工具 可灵 :支持文本生成视频、图片生成视频,适用于广告、电影剪辑和短视频制作,能在 30 秒内生成 6 秒的高清视频(1440p),目前处于免费测试阶段。 即…...
每日一题洛谷T534125 合数c++
字符串输入,看所有位数加起来的数是不是3的倍数 是,直接输出,不是,删除1或2 特判全是1和全是2的情况 直接检测末尾数字可以特判2 特判1时,还要特判11和111,其他数字,k是奇数时是质数&#x…...
AI大模型学习十七、利用Dify搭建 AI 图片生成应用
一、说明 随着图像生成技术的兴起,涌现了许多优秀的图像生成产品,比如 Dall-e、Flux、Stable Diffusion 等。 本文将使用图像生成模型,学习使用 Dify 快速开发一个 AI 图片生成应用 二、获取Stablility API 密钥 1、注册 Stability AI - De…...
分布式锁原理
1.锁是什么 一个线程拿到锁,另一个线程就拿不到,满足互斥性。 2.Redis的setnx实现 加锁后解锁,但是要先判断是否是当前线程持有的锁,只能释放本线程的锁。 先判断后释放,两步操作Lua实现原子性 3.为什么要给锁加过期…...
近日部署跑通的若干多模态模型总结与论文概述
CLIP模型概述与落地测试 CLIP模型全称是Contrastive Language-Image Pretraining(对比语言图像预训练)。是OpenAI于2021年提出的多模态预训练模型,通过对比学习对齐图像和文本的表示,实现零样本(zero-shot&#x…...
torch.nn.init.uniform_
nn.init.uniform_ 是 PyTorch 中用于初始化张量(tensor)的一个函数,它的作用是将张量的值填充为从均匀分布中采样的随机数。 详细说明: 函数: torch.nn.init.uniform_(tensor, a0., b1.)tensor:需要被初始…...
类加载机制详解:双亲委派模型与打破它的方式
在复杂的 Java 系统中,类加载是最基础却常被忽略的一环。理解 JVM 的类加载机制,特别是 双亲委派模型(Parent Delegation Model),是我们深入掌握热部署、插件机制、ClassLoader 隔离、ClassNotFound 错误等问题的关键。…...
【基于 LangChain 的异步天气查询2】GeoNames实现地区实时气温查询
目录 功能简介 一、创建GeoNames账号 1、进入官网 2、创建账号 二、运行代码 weather_runnable.py main.py 运行结果 功能简介 本文主要通过Langchain,结合GeoNames实现了地区温度的实时查询,并通过GPT-4o对温度进行一段简短的描述。 一、创建Ge…...
Linux终端展示效果优化:【whiptail】使用教程
🧰 Linux终端展示效果优化:whiptail 使用教程 🧭 什么是 whiptail whiptail 是一个轻量级终端对话框工具,功能与 dialog 类似,用于在 Shell 脚本中创建图形交互界面。与 dialog 相比,它依赖更少ÿ…...
spring中的@Inject注解详情
在 Spring 框架中,Inject 是 Java 依赖注入标准(JSR-330) 的核心注解,与 Spring 原生的 Autowired 类似,但具备更标准化的跨框架特性。以下从功能特性、使用场景及与 Spring 原生注解的对比进行详细解析: 一…...
联邦学习图像分类实战:基于FATE与PyTorch的隐私保护机器学习系统构建指南
引言 在数据孤岛与隐私保护需求并存的今天,联邦学习(Federated Learning)作为分布式机器学习范式,为医疗影像分析、金融风控、智能交通等领域提供了创新解决方案。本文将基于FATE框架与PyTorch深度学习框架,详细阐述如…...