- 综合排序
- 最热优先
- 最新优先
- 来自专栏idba
浅谈一致性读
一 前言 MySQL 在不同的事务隔离级别下提供两种读模式 一致性读(非加锁), 当前读(加锁读)。本文主要研究一致性读取。 在RR模式下,同一个事务内的一致性读的快照都是基于第一次读取操作时所建立的。下面我们做测试进行对RR模式下一致性读进行解读。 a. RR模式下的一致性读，是以第一条select语句的执行时间点作为snapshot建立的时间点的，即使是访问不同的表。 image.png c. 四 当前读 和一致性读不太一样 ，当前读需要使用select xx for update，或者 lock in share mode ,读取最新的数据并且锁定被访问的行，(RC 加行锁，RR加gap 参考文章 [1] 一致性读深入研究 [2] 官方文档
55130发布于 2018-08-09 - 来自专栏飞天小牛肉
三分钟小短文：一致性非锁定读与一致性锁定读
台上三分钟，台下三小时，兄弟们，今天咱们花三分钟了解下数据库中的两种读（select）操作：一致性非锁定读 和 一致性锁定读 一致性非锁定读 一致性非锁定读是什么？ 也就是说，在事务 1 刚开始的时候，id = 1 的数据行是什么样，现在读到的就是什么样的： 可以结合下面这张图来回顾下上述的过程： 一致性锁定读 其实从名字上也能看出来，非一致性锁定读适用于对数据一致性要求不是很高的情况 也即，非锁定读机制极大地提高了数据库的并发性。 而一致性锁定读适用于对数据一致性要求比较高的情况，这个时候我们需要对读操作进行加锁以保证数据逻辑的一致性。 其它事务可以向被锁定的行加 S 锁，但是不允许添加 X 锁，否则会被阻塞住 So，如何用大白话解释一致性锁定读？上面这两条特殊的 select 语句就是一致性锁定读！ 一致性锁定读就是给行记录加 X 锁或 S 锁！ 简单不？
68220编辑于 2022-02-23 - 来自专栏爱可生开源社区
技术分享 | 什么是半一致性读？
---- 什么是半一致性读？ 先看下官方的描述： 是一种用在 Update 语句中的读操作（一致性读）的优化，是在 RC 事务隔离级别下与一致性读的结合。 测试案例 InnoDB 引擎的强大之处就在于它能完美地支持事务，而事务的一致性则是由事务隔离级别和并发事务锁来保证的。接下来，我们先通过 2 个测试案例来观察半一致性读会对事务产生哪些影响。 | 1000 | +------+------+ 10 rows in set (0.00 sec) -- 查看加锁详情 -- 线程8的1317事务获得了1个IX表锁和10个X记录锁，即：把表中的10 Session 3：同样地，最开始也需要对读取到的记录一条条加锁，由于 id=7 的记录与 id=4、id=5 上的行锁并不冲突，此处可以利用半一致性读对 Update 的优化特性，提前将 id=7 上的行锁释放掉了 总结 在 RC 事务隔离级别下，Update 语句可以利用到半一致性读的特性，会多进行一次判断，当 where 条件匹配到的记录与当前持有锁的事务中的记录不冲突时，就会提前释放 InnoDB 锁，虽然这样做违背了二阶段加锁协议
4.2K30发布于 2020-06-28 - 来自专栏程序员历小冰
MySQL探秘(六):InnoDB一致性非锁定读
一致性非锁定读(consistent nonlocking read)是指InnoDB存储引擎通过多版本控制(MVVC)读取当前数据库中行数据的方式。 上图直观地展现了InnoDB一致性非锁定读的机制。之所以称其为非锁定读，是因为不需要等待行上排他锁的释放。快照数据是指该行的之前版本的数据，每行记录可能有多个版本，一般称这种技术为行多版本技术。 一致性非锁定读是InnoDB默认的读取方式，即读取不会占用和等待行上的锁。但是并不是在每个事务隔离级别下都是采用此种方式。此外，即使都是使用一致性非锁定读，但是对于快照数据的定义也各不相同。 在事务隔离级别READ COMMITTED和REPEATABLE READ下，InnoDB使用一致性非锁定读。然而，对于快照数据的定义却不同。 由于InnoDB在READ COMMITTED和REPEATABLE READ事务隔离级别下使用一致性非锁定读，这时如果会话A再次读取id为1的记录，仍然能够读取到相同的数据。
1.3K20发布于 2018-11-26 - 来自专栏腾讯云数据库(TencentDB)
TDSQL全局一致性读技术详解
针对这一点，腾讯云数据库TDSQL设计了全局一致性读方案，解决了分布式节点间数据的读一致性问题。 TDSQL全局一致性读方案 刚刚介绍了为什么分布式下会存在一致性读的问题，接下来分享TDSQL一致性读的解决方案： 首先引入了全局的时间戳服务，它用来对每一笔事务进行标记，即每一笔分布式事务绑定一个全局递增的序列号 至此，我们有了全局一致性读的基本思路和方案，下一步就是针对优化项的考虑了。 一致性读下的性能优化 这部分内容的是在上述解决方案的基础上进行的优化。 即TDSQL可以提供两种一致性服务，一种是全局一致性读，即基于全局GTS串行化实现，另外一种是关闭这个开关，只保证事务最终一致性。 开启一致性读特性虽然能够解决分布式场景下的可重复读问题，但是由于新引入了全局GTS组件，该组件一定程度上属于关键路径组件，如果其故障业务会受到短暂影响。除此之外， 全局一致性读对性能也有一定影响。
2.2K92发布于 2021-11-05 - 来自专栏程序员历小冰
MySQL探秘(六):InnoDB一致性非锁定读
一致性非锁定读(consistent nonlocking read)是指InnoDB存储引擎通过多版本控制(MVVC)读取当前数据库中行数据的方式。 一致性非锁定读示意图 上图直观地展现了InnoDB一致性非锁定读的机制。之所以称其为非锁定读，是因为不需要等待行上排他锁的释放。 一致性非锁定读是InnoDB默认的读取方式，即读取不会占用和等待行上的锁。但是并不是在每个事务隔离级别下都是采用此种方式。此外，即使都是使用一致性非锁定读，但是对于快照数据的定义也各不相同。 在事务隔离级别READ COMMITTED和REPEATABLE READ下，InnoDB使用一致性非锁定读。然而，对于快照数据的定义却不同。 由于InnoDB在READ COMMITTED和REPEATABLE READ事务隔离级别下使用一致性非锁定读，这时如果会话A再次读取id为1的记录，仍然能够读取到相同的数据。
63610发布于 2019-01-23 - 来自专栏aoho求索
MySQL探秘(六):InnoDB一致性非锁定读
一致性非锁定读(consistent nonlocking read)是指InnoDB存储引擎通过多版本控制(MVVC)读取当前数据库中行数据的方式。 一致性非锁定读示意图 上图直观地展现了InnoDB一致性非锁定读的机制。之所以称其为非锁定读，是因为不需要等待行上排他锁的释放。 一致性非锁定读是InnoDB默认的读取方式，即读取不会占用和等待行上的锁。但是并不是在每个事务隔离级别下都是采用此种方式。此外，即使都是使用一致性非锁定读，但是对于快照数据的定义也各不相同。 在事务隔离级别READ COMMITTED和REPEATABLE READ下，InnoDB使用一致性非锁定读。然而，对于快照数据的定义却不同。 由于InnoDB在READ COMMITTED和REPEATABLE READ事务隔离级别下使用一致性非锁定读，这时如果会话A再次读取id为1的记录，仍然能够读取到相同的数据。
61940发布于 2018-12-17 - 来自专栏林德熙的博客
win10 UWP 你写我读
想要电脑读出我们写的内容，在win10，很简单 其实这个技术在windows7就有了，但是现在 win10 写出一个你写我读的软件很简单。 我们需要一个类 MediaElement 来播放，因为 windows10 的M arkdown 软件用的不是很好，所有我自己写一个。 这个软件我用了你写我读，如果需要代码，请自己去下 https://github.com/lindexi/Markdown 点击 读出文本 在使用SpeechSynthesizer需要代码功能点 麦克风
50720编辑于 2022-08-04 - 来自专栏三流程序员的挣扎
2022-10-14-读《代码整洁之道》
《设计模式之禅》读完。开始重读《代码整洁之道》。 命名 用有意义的名字，不用无意义的字符 名字要能够读出来，比如一个表明年月日的变量，不要用 ymd，要用 yearMonthDay 避免误导，不是 List 结构名字就不要有 list，不用用小写英文 l、大写英文 O，和数字 0、1 傻傻分不清楚 如果一个名字要在很多地方用到，不要太短，要便于搜索，比如一个名字叫 a，那一搜到处都是这字符，基本上不可能定位到想找的名字 变量名不用加 m 前缀，不能提供更多的信息，是冗余 接口名不用添加前缀 I，不用让人特地
48230编辑于 2022-10-25 - 来自专栏智能生信
【AAAI】四篇好文简读-专题10
Improved Text Classification via Contrastive Adversarial Training
88950编辑于 2022-05-23 - 来自专栏linjinhe的专栏
LevelDB 完全解析（10）：读操作之 Iterator
通过前面的文章，我们了解到 LevelDB 的数据是保存在内部多个不同组件的，并且每个组件的数据格式都不一样。
2.3K30发布于 2020-06-02 - 来自专栏智能生信
【ICLR】四篇好文简读-专题10
Compositional Attention: Disentangling Search and Retrieval 论文摘要：
60020编辑于 2022-04-06 - 来自专栏智能生信
【NeurIPS】四篇好文简读-专题10
AutoGEL: An Automated Graph Neural Network with Explicit Link Information 论文摘要：
58910编辑于 2022-10-05 - 来自专栏智能生信
【Bioinformatics】四篇好文简读-专题10
Protein–RNA interaction prediction with deep learning: structure matters 论文摘要：
84630编辑于 2022-02-11 - 来自专栏林德熙的博客
win10 UWP 你写我读
想要电脑读出我们写的内容，在win10，很简单 其实这个技术在windows7就有了，但是现在 win10 写出一个你写我读的软件很简单。 我们需要一个类 MediaElement 来播放，因为 windows10 的M arkdown 软件用的不是很好，所有我自己写一个。 这个软件我用了你写我读，如果需要代码，请自己去下 https://github.com/lindexi/Markdown ? 点击 ?
73210发布于 2018-09-18 - 来自专栏数据和云
【深度好文】有关延迟块清除和一致性读
本文进一步讨论一些有关延迟块清除和一致性读方面的内容. 先来看看一个数据块中ITL的转储： ? 如果一个SQL语句对该块进行一致性读时，发现ITL中的Upper bound的SCN比一致性读需要的SCN大，这时会发生什么？ 要回答这些问题，先来看下面的一系列测试过程： 1. 基于这个原理，会话1知道，ITL中需要清除的事务小于等于UNDO段头中TRN CTL记录的SCN，而这个SCN值已经比它的一致性读SCN要小，所以会话1足够判断不需要回滚该事务就能得到一致性读结果，所以这个时候 上面的测试这也证明了本文得到的两个结论： 在一致性读时进行块清除，并不需要得到事务的精确提交SCN（尽管它通过回滚事务表可能会得到精确的提交SCN），只需要它发现事务的提交SCN比自己的一致性读的时间点小就可以了 如果在一致性读时发现了更小的（更接近精确提交的）SCN值或精确的提交SCN值，它还会做一次块清除，修改ITL，以记录更小或更精确的SCN。 ?
1.5K50发布于 2018-03-07 - 来自专栏爱可生开源社区
技术分享 | etcd 与 Consul 的一致性读对比
etcd[1] 和 Consul[2] 是现在比较流行的分布式一致性 KV 存储，本文就来分享和对比一下这两个存储的一致性读的实现。 1Consul 一致性读的实现 Consul 有三种读模式： default consistent stale 其中 stale 是非一致性的读模式，而 default 和 consistent 是一致性的 小结 从这几段逻辑可以看出，Consul 的一致性读是通过转发读请求给 Leader 来实现的。 2etcd 一致性读的实现 etcd 的读分为串行读（Serialize）和线性读（Linearizable）两种模式。其中线性读是一致性的读模式。 同样的我们来看下一致性读的实现： 可以看到串行读和线性读的区别只是在串行读之前调用了 linearizableReadNotify 方法。
1.2K10编辑于 2023-12-11 - 来自专栏huofo's blog
MySQL事务（二）事务隔离的实现原理：一致性读
实际上，这个快照是基于InnoDB在实现MVCC时用到的一致性读视图来实现的。 MVCC的全称是“多版本并发控制”。 在更新时如何使用一致性读 image.png 图3 示例1 我们来看示例1，如果事务B在事务C更新之前查询，这个查询返回值是1。 而事务B是当前读，而且必须要加锁，因此被锁住了，必须等到事务C'释放这个锁，才能继续它的当前读。 到这里，把一致性读、当前读和行锁串起来了。 小结 本节问题，事务的可重复读隔离级别是如何实现的？ 可重复读的核心就是一致性读；而事务更新数据的时候，只能用当前读。如果当前的记得的行锁被其他事务占用的话，就需要进入锁等待。 读提交 读提交的实现方式跟可重复读类似，它们最主要的区别是： 在可重复读隔离级别下，只需要在事务开始的时候创建一致性视图，之后事务里的其他查询都共用这个一致性视图； 在读提交隔离级别下，每个语句执行前都会重新算出一个新的视图
59240编辑于 2022-03-18 - 来自专栏加米谷大数据
10本值得你读的Apache Spark书籍
在这里，我们整理了10本值得你读的Apache Spark书籍。 10.使用Spark进行大数据分析 使用Spark进行大数据分析是针对初学者的另一本最佳Apache Spark书。它从轻轻地开始，然后重点介绍有用的主题，例如Spark流和Spark SQL。
5.2K10发布于 2020-06-02 - 来自专栏智能生信
【Nature communications】四篇好文简读-专题10
该模型产生了新的序列，两种设计的高分辨率晶体结构显示出与硅模型的一致性。研究结果证明了一个完全学习的蛋白质序列设计方法的可操作性。
59220编辑于 2022-05-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号