新闻详情

新闻详情

首页 / 资讯中心 / 详情

Docker Desktop | 本地化挂载 Postgresql

发布时间:2026/11/21 0:03:02来源:尧图网络
Docker Desktop | 本地化挂载 Postgresql
Docker Desktop | 本地化挂载 Postgresql挂载夸克网盘链接PowerShell创建postgre1 简单2想自定义的UTCCST在Docker Desktop中查看信息StateEnv查看信息版本目录差别测试-- -- seed.sql —— myapp 测试数据可重复执行会先清空重建 -- DROP TABLE IF EXISTS order_items CASCADE; DROP TABLE IF EXISTS orders CASCADE; DROP TABLE IF EXISTS products CASCADE; DROP TABLE IF EXISTS users CASCADE; -- 用户表顺便演示 PG 特色JSONB 和数组类型 CREATE TABLE users ( id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY, username VARCHAR(50) NOT NULL UNIQUE, email VARCHAR(100) NOT NULL UNIQUE, password_hash TEXT NOT NULL, profile JSONB NOT NULL DEFAULT {}, tags TEXT[] NOT NULL DEFAULT {}, is_active BOOLEAN NOT NULL DEFAULT TRUE, created_at timestamp NOT NULL DEFAULT now() ); -- 商品表 CREATE TABLE products ( id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY, name VARCHAR(100) NOT NULL, price NUMERIC(10,2) NOT NULL CHECK (price 0), stock INT NOT NULL DEFAULT 0 CHECK (stock 0), description TEXT, created_at TIMESTAMPTZ NOT NULL DEFAULT now() ); -- 订单表 CREATE TABLE orders ( id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY, user_id BIGINT NOT NULL REFERENCES users(id), status VARCHAR(20) NOT NULL DEFAULT pending CHECK (status IN (pending,paid,shipped,completed,cancelled)), total NUMERIC(12,2) NOT NULL DEFAULT 0, created_at TIMESTAMPTZ NOT NULL DEFAULT now() ); -- 订单明细 CREATE TABLE order_items ( id BIGINT GENERATED ALWAYS AS IDENTITY PRIMARY KEY, order_id BIGINT NOT NULL REFERENCES orders(id) ON DELETE CASCADE, product_id BIGINT NOT NULL REFERENCES products(id), quantity INT NOT NULL CHECK (quantity 0), unit_price NUMERIC(10,2) NOT NULL ); -- 索引 CREATE INDEX idx_orders_user ON orders(user_id); CREATE INDEX idx_orders_status ON orders(status); CREATE INDEX idx_items_order ON order_items(order_id); CREATE INDEX idx_users_tags ON users USING GIN (tags); -- 数组字段的 GIN 索引MySQL 没有 -- 测试数据 INSERT INTO users (username, email, password_hash, profile, tags) VALUES (alice, aliceexample.com, fakehash1, {age: 28, city: 北京}, ARRAY[vip,early-adopter]), (bob, bobexample.com, fakehash2, {age: 35, city: 上海}, ARRAY[vip]), (charlie, charlieexample.com, fakehash3, {age: 22, city: 深圳}, ARRAY[]::TEXT[]), (diana, dianaexample.com, fakehash4, {age: 31, city: 广州}, ARRAY[beta-tester]), (eve, eveexample.com, fakehash5, {age: 26, city: 杭州}, ARRAY[vip]); INSERT INTO products (name, price, stock, description) VALUES (机械键盘 K870, 399.00, 120, 红轴 87 键), (无线鼠标 M220, 129.00, 300, 2.4G 蓝牙双模), (4K 显示器 27寸, 1899.00, 45, IPS 面板), (USB-C 扩展坞, 249.00, 80, 8 合 1), (降噪耳机 HC45, 799.00, 60, 主动降噪); INSERT INTO orders (user_id, status, total) VALUES (1, completed, 528.00), -- alice: 键盘 鼠标 (1, pending, 799.00), -- alice: 耳机 (2, paid, 1899.00), -- bob: 显示器 (3, shipped, 258.00), -- charlie: 鼠标 x2 (4, cancelled, 129.00), -- diana: 鼠标已取消 (5, paid, 1047.00); -- eve: 键盘x2 扩展坞 INSERT INTO order_items (order_id, product_id, quantity, unit_price) VALUES (1, 1, 1, 399.00), (1, 2, 1, 129.00), (2, 5, 1, 799.00), (3, 3, 1, 1899.00), (4, 2, 2, 129.00), (5, 2, 1, 129.00), (6, 1, 2, 399.00), (6, 4, 1, 249.00); -- 验证查询 -- 每个用户的订单数和实际消费排除已取消 SELECT u.username, COUNT(o.id) AS order_count, COALESCE(SUM(o.total), 0) AS total_spent FROM users u LEFT JOIN orders o ON o.user_id u.id AND o.status cancelled GROUP BY u.id, u.username ORDER BY total_spent DESC; -- 卖得最好的商品 SELECT p.name, SUM(i.quantity) AS sold FROM order_items i JOIN products p ON p.id i.product_id GROUP BY p.id, p.name ORDER BY sold DESC;由于UTC所以我们在进入客户端查看的时候也需要配置时区客户端配置时区√ 有设置× 无设置
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/20 20:45:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/20 16:11:20

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/20 18:41:01

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉