开发指南—Sequence—显示用法—查询与获取Sequence

简介: 本文主要介绍如何查询Sequence类型以及获取Sequence值。

查询Sequence

语法


SHOW SEQUENCES

示例

请在命令行输入如下代码:


mysql> SHOW SEQUENCES;

返回结果如下:


+------+--------+------------+------------+------------+--------------+------------+-------------+-------+--------+

| NAME | VALUE | UNIT_COUNT | UNIT_INDEX | INNER_STEP | INCREMENT_BY | START_WITH | MAX_VALUE | CYCLE | TYPE |
+------+--------+------------+------------+------------+--------------+------------+-------------+-------+--------+
| seq1 | 100000 | 1 | 0 | 100000 | N/A | N/A | N/A | N/A | GROUP |
| seq2 | 400000 | 3 | 1 | 100000 | N/A | N/A | N/A | N/A | GROUP |
| seq3 | N/A | N/A | N/A | N/A | N/A | N/A | N/A | N/A | TIME |
| seq4 | 1006 | N/A | N/A | N/A | 2 | 1000 | 99999999999 | N | SIMPLE |
+------+--------+------------+------------+------------+--------------+------------+-------------+-------+--------+
4 rows in set (0.00 sec)


说明 返回结果中的TYPE列,显示的是Sequence类型的缩写。

获取显式Sequence值

语法


[<schema_name>.]<sequence name>.NEXTVAL

示例

  • 方法一请在命令行输入如下代码:
mysql> SELECT sample_seq.nextval FROM dual;
  • 返回结果如下:
+--------------------+
| SAMPLE_SEQ.NEXTVAL |
+--------------------+
| 101001 |
+--------------------+
1 row in set (0.04 sec)
  • 方法二请在命令行输入如下代码:
mysql> INSERT INTO some_users (name,address,gmt_create,gmt_modified,intro) VALUES ('sun',sample_seq.nextval,now(),now(),'aa');
  • 说明
    • 该方法是把sample_seq.nextval当做一个值写入了 SQL中。
    • 如果建表时已经指定了AUTO_INCREMENT参数,INSERT时不需要指定自增列,可以让PolarDB-X自动维护。

批量获取Sequence值

语法

批量获取Sequence值的语法如下:


SELECT [<schema_name>.]<sequence name>.NEXTVAL FROM DUAL WHERE COUNT = <numeric value>

示例

请在命令行输入如下代码:


mysql> SELECT sample_seq.nextval FROM dual WHERE count = 10;

返回结果如下:


+--------------------+
| SAMPLE_SEQ.NEXTVAL |
+--------------------+
| 101002 |
| 101003 |
| 101004 |
| 101005 |
| 101006 |
| 101007 |
| 101008 |
| 101009 |
| 101010 |
| 101011 |
+--------------------+
10 row in set (0.04 sec)
相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
MySQL数据库入门学习
本课程通过最流行的开源数据库MySQL带你了解数据库的世界。 &nbsp; 相关的阿里云产品:云数据库RDS MySQL 版 阿里云关系型数据库RDS(Relational Database Service)是一种稳定可靠、可弹性伸缩的在线数据库服务,提供容灾、备份、恢复、迁移等方面的全套解决方案,彻底解决数据库运维的烦恼。 了解产品详情:&nbsp;https://www.aliyun.com/product/rds/mysql&nbsp;
相关文章
|
运维 网络协议 网络架构
网络技术基础(6)——IP路由基础
【2月更文挑战第10天】网络基础笔记(加班了几天,中途耽搁了,预计推迟6天)
|
JavaScript 前端开发
将本地HTML文件转换成EXE可执行文件
将本地HTML文件转换成EXE可执行文件
711 0
|
5月前
|
运维 安全 网络协议
打印机共享,错误代码0x00000709,0x0000011b等修复
本文介绍了多款打印机共享修复工具,适用于解决Windows系统连接共享打印机时出现的各种问题,例如错误代码0x0000011b、0x00000709等。内容涵盖问题原因分析、推荐工具介绍及详细修复步骤,帮助用户快速恢复打印机连接。
2094 0
|
7月前
|
存储 JSON 数据格式
什么情况,一夜之间冲上热搜,狂揽29.6k星,再见吧SQLite!这个嵌入式分析引擎实在太香了
DuckDB是一款嵌入式OLAP数据库,专为高效分析型查询设计,被誉为“分析型SQLite”。它采用列式存储和向量化查询引擎,显著提升分析任务性能。无需独立服务器,支持Python、R、Java等语言,安装简单,5分钟即可上手。DuckDB可直接查询CSV、JSON、Parquet文件,支持Pandas零拷贝交互,优化SQL语法简化复杂查询。适用于探索性数据分析、数据湖ETL流水线及边缘设备实时分析等场景,是数据科学家和开发者的理想工具。项目地址:https://github.com/duckdb/duckdb
779 4
|
11月前
|
网络协议 数据建模 数据安全/隐私保护
网安快速入门之Windows命令
本文简要介绍了Windows命令行中常用的11个命令,帮助快速入门网络安全和系统管理。这些命令包括:`help`(获取命令帮助)、`copy`(复制文件)、`dir`(显示目录内容)、`cd`(更改当前目录)、`type`(显示文本文件内容)、`del`(删除文件)、`ipconfig`(查看网络配置)、`net`(用户和组管理)、`netstat`(显示网络连接)、`tasklist`(显示进程信息)和`sc`(服务控制)。每个命令都有其特定用途,掌握它们可以大大提高工作效率和系统维护能力。
|
11月前
|
人工智能 数据可视化 数据库
低代码平台:技术复杂性的系统简化
低代码平台通过模块化和自动化技术重新定义开发流程,显著缩短应用构建时间并提高协作效率。其核心特性如“一键编程”和“快速迭代”降低了开发复杂度,提供了敏捷开发能力。可视化开发技术通过组件化设计、实时渲染、分布式协作等功能,实现了高效开发和跨平台适配。引擎优化方面,对SQL、功能、模板、图表和切面五大引擎进行了系统性升级,提升了性能和灵活性。此外,低代码平台还融合了AI技术,提供智能代码助手、故障排查、场景化推荐等智能化工具,进一步提升开发体验和效率。插件生态覆盖多行业场景,支持实时数据处理、AI模型训练、图像处理等多种扩展功能,满足不同业务需求。
|
11月前
|
人工智能 开发框架 自然语言处理
《鸿蒙NEXT:为人工智能开发者打造的“梦想舞台”》
鸿蒙NEXT为AI开发者提供全方位支持,包括强大的AI辅助编程工具DevEco CodeGenie、详尽的开发文档与教程、高效的开发平台DevEco Studio、盘古大模型的深度赋能、开放的生态合作机会及激励政策。这些资源助力开发者高效开发智能应用,推动AI技术在鸿蒙生态系统中的广泛应用与发展。
517 13
|
存储 数据采集 监控
阿里云DTS踩坑经验分享系列|SLS同步至ClickHouse集群
作为强大的日志服务引擎,SLS 积累了用户海量的数据。为了实现数据的自由流通,DTS 开发了以 SLS 为源的数据同步插件。目前,该插件已经支持将数据从 SLS 同步到 ClickHouse。通过这条高效的同步链路,客户不仅能够利用 SLS 卓越的数据采集和处理能力,还能够充分发挥 ClickHouse 在数据分析和查询性能方面的优势,帮助企业显著提高数据查询速度,同时有效降低存储成本,从而在数据驱动决策和资源优化配置上取得更大成效。
442 9
|
机器学习/深度学习 人工智能 PyTorch
AI计算机视觉笔记三十二:LPRNet车牌识别
LPRNet是一种基于Pytorch的高性能、轻量级车牌识别框架,适用于中国及其他国家的车牌识别。该网络无需对字符进行预分割,采用端到端的轻量化设计,结合了squeezenet和inception的思想。其创新点在于去除了RNN,仅使用CNN与CTC Loss,并通过特定的卷积模块提取上下文信息。环境配置包括使用CPU开发板和Autodl训练环境。训练和测试过程需搭建虚拟环境并安装相关依赖,执行训练和测试脚本时可能遇到若干错误,需相应调整代码以确保正确运行。使用官方模型可获得较高的识别准确率,自行训练时建议增加训练轮数以提升效果。
1627 4