sql json查询 sql查询json字段值到表

方法一：

ResultSet转换为List的方法

private static List convertList(ResultSet rs) throws SQLException {

List list = new ArrayList();

ResultSetMetaData md = rs.getMetaData();

int columnCount = md.getColumnCount(); //Map rowData;

while (rs.next()) { //rowData = new HashMap(columnCount);

for (int i = 1; i <= columnCount; i++) {

rowData.put(md.getColumnName(i), rs.getObject(i));

} return list;

}方法二：

/

通用取结果方案,返回list

@param rs

@return

@throws SQLException

/

public List extractData(ResultSet rs) throws SQLException {

ResultSetMetaData md = rs.getMetaData();

int num = md.getColumnCount();

List listOfRows = new ArrayList();

while (rs.next()) {

Map mapOfColValues = new HashMap(num);

for (int i = 1; i <= num; i++) {

}listOfRows.add(mapOfColValues);

}return listOfRows;

}/

通用取结果方案,返回JSONArray

@param rs

@return

@throws SQLException

/

public JSONArray extractJSONArray(ResultSet rs) throws SQLException {

ResultSetMetaData md = rs.getMetaData();

int num = md.getColumnCount();

JSONArray array = new JSONArray();

while (rs.next()) {

JSONObject mapOfColValues = new JSONObject();

for (int i = 1; i <= num; i++) {

}array.add(mapOfColValues);

}return array;

}ResultSet在的二纬结构可以用二维模型处理，即网格数据 处理这里模型时候，通常用list与与Map的合成，json语法格式本质上是map格式，所以在数据与ja,js处理上可以做如上的抽取.

方法三：

原理就是用Map存放单条数据然后放到List里

Druid的优点还是支持实时与查询功能，解约了很多开发工作。用起来可以这样调用 List list = rs.selectRS(sqlStr);

for(int i=0;i

{((Map)list.get(i)).get("username");

}这样的话就不用每次在写数据库连接了，而且有比较复杂的页面格式输出就可以通过对 i 的控制来实现了

下面是具体实现类可以结合struts,webwork2的标签来用，我已经测试过了没问题

我也看到一些人是自己写类来代替Map来用的

package com;

import conn.DBConnMar;

import ja.util.;

public class ResultGather

{private String sql;

public ResultGather()

{}

{this.sql=sqlcom;

{this.sql = sqlStr;

return selectRS();

}public List selectRS()

{List rsall = new ArrayList();

Map rsTree;

DBConnMar conn = null;

Connection con = null;

Statement stmt = null;

ResultSet rs = null;

try{

con = conn.getConnection("mssql");

stmt = con.createStatement();

ResultSetMetaData rd = rs.getMetaData();//取数据库的列名 我觉得名比1，2，3..更好用

int numberOfColumns = rd.getColumnCount();

while(rs.next())

{rsTree = new HashMap(numberOfColumns);//注意要new

for(int r=1;r

{rsTree.put(rd.getColumnName(r),rs.getObject(r));

}rsall.add(rsTree);

}}catch(ja.lang.Exception ex){

ex.printStackTrace();

}finally{

try{

if(rs!=null)

rs.close();

if(stmt!=null)

stmt.close();

conn.releaseConnection("mssql",con);

}catch(Exception e){

return rsall;

简单的东西 交流交流

评论：自己写什么类哦，用spring的jdbc模板干脆

List lst=jdbcTemplate.queryForList(list);

方法四：

public Map > query(String sql){

Map > map = new HashMap >();

try {

preStat = conn.prepareStatement(sql);

ResultSetMetaData rsMeta = rs.getMetaData();

for(int i = 0; i < rsMeta.getColumnCount(); ++i){

}while(rs.next()){

for(int i = 0; i < rsMeta.getColumnCount(); ++i){

String columnName = rsMeta.getColumnName(i+1);

} catch (SQLException e) {

e.printStackTrace();

}finally{

try {

preStat.close();

} catch (SQLException e) {

e.printStackTrace();

public Map > query(String sql){

Map > map = new HashMap >();

try {

preStat = conn.prepareStatement(sql);

ResultSetMetaData rsMeta = rs.getMetaData();

for(int i = 0; i < rsMeta.getColumnCount(); ++i){

}while(rs.next()){

for(int i = 0; i < rsMeta.getColumnCount(); ++i){

String columnName = rsMeta.getColumnName(i+1);

} catch (SQLException e) {

e.printStackTrace();

}finally{

try {

preStat.close();

} catch (SQLException e) {

e.printStackTrace();

NoSQL和关系数据库的区别

a. SQL数据存在特定结构的表中；而NoSQL则更加灵活和可扩展，存储方式可以省是JSON文档、哈希表或者其他方式。

b. 在SQL中，必须定义好表和字段结构后才能添加数据，例如定义表的主键(primary key)，索引(index),触发器(trigger),存储过程(stored procedure)等。表结构可以在被定义之后更新，但是如果有比较大的结构变更的话就会变得比较复杂。在NoSQL中，数据可以在任何时候任何地方添加，不需要先定义表。

c. SQL中如果需要增加外部关联数据的话，规范化做法是在原表中增加一个外键，关联外部数据表。而在NoSQL中除了这种规范化的外部数据表做法以外，我们还能用如下的非规范化方式把外部数据直

接放到原数据集中，以提高查询效率。缺点也比较明显，更新审核人数据的时候将会比较麻烦。

d. SQL 中可以使用JOIN表链接方式将多个关系数据表中的数据用一条简单的查询语句查询出来。NoSQL暂未提供类总之ClickHouse用于在线数据分析，支持功能简单。CPU 利用率高，速度极快。的场景用于行为统计分析。似JOIN的查询方式对多个数据集中的数据做public ResultGather(String sqlcom)查询。所以大部分NoSQL使用非规范化的数据存储方式存储数据。

e. SQL中不允许删除已经被使用的外部数据，而NoSQL中则没有这种强耦合的概念，可以随时删除任何数据。

g. 在相同水平的系统设计的前提下，因为NoSQL中省略了J3.功能。实际开发中，有很多业务需求，其实并不需要完整的关系型数据库功能，非关系型数据库的功能就足够使用了。这种情况下，使用性能更高、成本更低的非关系型数据库当然是更明智的选择。OIN查询的消耗，故理论上性能上是优于SQL的。

Ajax传递到后台值，后台执行SQL查询作，再把查询值返回到前台的问题

当你的前台提交了请求的时候就会一直处于状态，一直到端由数据返Presto由于是基于内存的，缺点可能是多张大表关联作时易引起内存溢出错误。回。

技术选型 - OLAP大数据技术哪家强？

Lambda架构的核心理念是“流批一体化”，因为随着机器性能和数据框架的不断完善，用户其实不关心底层是如何运行的，批处理也好，流式处理也罢，能按照统一的模型返回结果就可以了，这就是Lambda架构诞生的原因。现在很多应用，例如Spark和Flink，都支持这种结构，也就是数据进入平台后，可以选择批处理运行，也可以选择流式处理运行，但不管怎样，一致性都是相同的。

Kylin

Kylin的主要特点是预计算，提前计算好各个cube，这样的优点是查询快速，秒级延迟；缺点也非常明显，灵活性不足，无法做一些 探索 式的，关联性的数据分析。

适合的场景也是比较固定的，场景清晰的地方。

Clickhouse的特点首先是快 ，为了快采用了列式储存，列式储存更好的支持压缩，压缩后的数据传输量变小，所以更快；同时支持分片，支持分布式执行，支持SQL。

ClickHouse很轻量级，支持数据压缩和最终数据一致性，其数据量级在PB级别。

另外Clickhouse不是为关联分析而生，所以多表关联支持的不太好。

与Kylin相比ClickHouse更加的灵活，sql支持的更好，但是相比Kylin，ClickHouse不支持大并发，也就是不能很多访问同时在线。

Hive

主要功能是可以将sql语句转换为相对应的MapReduce任务进行运行，这样可能处理海量的数据批量，

Hive与HDFS结合紧密，在大数据开始初期，提供一种直接使用sql就能访问HDFS的方案，摆脱了写MapReduce任务的方式，极大的降低了大数据的门槛。

当然Hive的缺点非常明显，定义的是分钟级别的查询延迟，估计都是在比较理想的情况。 但是作为数据仓库的每日批量工具，的确是一个稳定合格的产品。

Presto

Presto极大的改进了Hive的查询速度，而且Presto 本身并不存储数据，但是可以接入多种数据源，并且支持跨数据源的级联查询，支持包括复杂查询、聚合、连接等等。

Presto没有使用MapReduce，它是通过一个定制的查询和执行引擎来完成的。它的所有的查询处理是在内存中，这也是它的性能很高的一个主要原因。

另外Presto不支持OLTP的场景，所以不要把Presto当做数据库来使用。

Presto相比ClickHouse优点主要是多表join效果好。相比ClickHouse的支持功能简单，场景支持单一，Presto支持复杂的查询，应用范围更广。

Impala

Impala是Cloudera 公司推出，提供对 HDFS、Hbase 数据的高性能、低延迟的交互式 SQL 查询功能。

Impala 使用 Hive的元数据, 完全在内存中计算。是CDH 平台的 PB 级大数据实时查询分析引擎。

Impala 的缺点也很明显，首先依赖Hive，而且稳定性也稍，元数据需要单独的mysql/pgsql来存储，对数据源的支持比较少，很多nosql是不支持的。但是，估计是cloudera的国内市场推广做的不错，Impala在国内的市场不错。

SparkSQL

SparkSQL的前身是Shark，它将 SQL 查询与 Spark 程序无缝集成，可以将结构化数据作为 Spark 的 RDD 进行查询。

SparkSQL后续不再受限于Hive，只是兼容Hive。

SparkSQL提供了sql访问和API访问的接口。

支持访问各式各样的数据源，包括Hive, Avro, Parquet, ORC, JSON, and JDBC。

Drill好像国内使用的很少，根据定义，Drill是一个低延迟的分布式海量数据交互式查询引擎，支持多种数据源，包括hadoop，NoSQL存储等等。

除了支持多种的数据源，Drill跟BI工具集成比较好。

Druid

Druid是专为海量数据集上的做高性能 OLAP而设计的数据存储和分析系统。

Druid 的架构是 Lambda 架构，分成实时层和批处理层。

Kudu

kudu是一套完全的分布式存储引擎，很多设计概念上借鉴了HBase，但是又跟HBase不同，不需要HDFS，通过raft做数据；分片策略支持keyrange和hash等多种。

数据格式在parquet基础上做了些修改，支持二级索引，更像一个列式存储，而不是HBase schema-free的kv方式。

kudu也是cloudera主导的项目，跟Impala结合比较好，通过impala可以支持update作。

kudu相对于原有parquet和ORC格式主要还是做增量更新的。

Hbase

Hbase使用的很广,更多的是作为一个KV数据库来使用，查询的速度很快。

Hawq

Hawq是一个Hadoop原生大规模并行SQL分析引擎，Hawq采用 MPP 架构，改进了针对 Hadoop 的基于成本的查询优化器。

除了能高效处理本身的内部数据，还可通过 PXF 访问 HDFS、Hive、HBase、JSON 等外部数据源。HAWQ全面兼容 SQL 标准，还可用 SQL 完成简单的数据挖掘和机器学习。无论是功能特性，还是性能表现，HAWQ 都比较适用于构建 Hadoop 分析型数据仓库应用。

nosql数据库有哪些

以下是常见的NoSQL数据库类型： 1. 键值存储（Key-Value Store）: 这类数据库以键值对的形式存储数据，通常提供简单的数据检索功能。Redis就是一种流行的键值存储数据库。

2. 文档数据库（Document Database）: 这类数据库以JSON格式或其他自定义格式存储文档数据，支持复杂的数据结构和查询作。MongoDB和CouchDB是文return date;档数据库的代表。 3. 图形数据库（Gr}public List selectRS(String sqlStr)aph Database）: 这类数据库专门用于处理复杂的关系数据，通过图形模型来存储和查询数据。Neo4j和JanusGraph是图形数据库的代表。

4. 宽列数据库（Wide Column Store）: 这类数据库结合了键值存储和文档数据库的特点，提供高吞吐量的数据读写和宽列查询。HBBigchainDB是去中心化的数据库软件，是专门的文档存储系统。ase和Cassandra是宽列数据库的代表。 5. 分析型数据库（Analytical Database）: 这类数据库通常用于大数据分析，提供高性能的查询和分析能力。Greenplum、ClickHouse和Apache Druid等都是分析型数据库。

每种NoSQL数据库都有其特定的优势和适用场景，具体选择哪种数据库取决于您的需求和数据特点。对于初学者来说，了解每种NoSQL数据库的基本特性和作方式是非常重要的。建议您可以通过阅读相关文档、教程和社区讨论来深入了解这些数据库。