对于复杂的查询，往往是有多个数据表进行关联查询而得到，如果数据库因为需求等原因发生了改变，为了保证查询出来的数据与之前相同，则需要在多个地方进行修改，维护起来非常麻烦。这是可以通过定义视图来解决这个问题
通俗的讲，视图就是一条select语句执行后返回的结果集。所以我们在创建视图的时候，主要的工作就落在创建这条SQL查询语句上。
视图是对若干张基本表的引用，一张虚表，查询语句执行的结果，不存储具体的数据（基本表数据发生了改变，视图也会跟着改变）；
方便操作，特别是查询操作，减少复杂的SQL语句，增强可读性；
create view 视图名称 as select语句；
查看表会将所有的视图也列出来
show tables;
视图的用途就是查询
select * from v_stu_score;
drop view 视图名称;
# 查询3张表的信息
select * from goods as g left join goods_cates as c on g.cate_id=c.id left join goods_brands as b on g.brand_id=b.id;
# 将查询的结果，只作为一个虚拟的表，这就是视图
create view v_goods_info as select * from goods as g left join goods_cates as c on g.cate_id=c.id left join goods_brands as b on g.brand_id=b.id;
# 查看视图
select * from v_goods_info;
# 更新字段
update goods set name="苹果电脑" where id=21;
提高了重用性，就像一个函数
对数据库重构，却不影响程序的运行
提高了安全性能，可以对不同的用户
让数据更加清晰
事务广泛的运用于订单系统、银行系统等多种场景
A用户和B用户是银行的储户，现在A要给B转账500元，那么需要做以下几件事：
检查A的账户余额是否大于500元；
A账户中扣除500元；
B账户中增加500元；
正常的流程走下来，A账户扣了500，B账户加了500，皆大欢喜。
那如果A账户扣了钱之后，系统出故障了呢？A白白损失了500，而B也没有收到本该属于他的500。
以上的案例中，隐藏着一个前提条件：A扣钱和B价钱，要么同时成功，要么同时失败。事物的需求就在于此
所谓事务，它是一个操作序列，这些操作要么都执行，要么都不执行，它是一个不可分割的工作单位。
例如，银行转账工作:从一个账号扣款并使另一个账号赠款，这两个操作要么都执行，要么都不执行。 所以，应该把他们看成一个事务。事务是数据库维护数据一致性的单位，在每个事务结束时，都能保持数据一致性。
原子性(Atomicity)
一致性(Consistency)
隔离性(Isolation)
持久性(Durability)
以上面那个银行业务为例，三个步骤的操作必须打包在一个事务中，任何一个步骤失败，则必须回滚所有的步骤。
可以使用START TRANSACTION语句开始一个事务，然后要么使用COMMIT提交将修改的数据永久保存，要么使用ROLLBACK撤销所有的修改。
start transaction
select balance from checking where customer_id = 10233276;
update checking set balance = balance -200.00 where customer_id = 10233276;
update savings set balance = balance + 200.00 where customer_id = 10233276;
commit;
一个很好的事务处理系统，必须具备这些标准特性：
一个事务必须被视为一个不可分割的最小工作单位，整个事务中的所有操作要么全部提交成功，要么全部失败回滚，对于一个事务来说，不可能只执行其中的一部分操作，这就是事务的原子性
数据库总是从一个一致性的状态转换到另一个一致性的状态。(在前面的例子中，一致性确保了，即使在执行第三、四条语句之间时系统崩溃，支票账户中也不会损失200美元，因为事务最终没有提交，所以事务中所做的修改也不会保存到数据库中。)
通常来说，一个事务所做的修改在最终提交以前，对其他事务是不可见的。(在前面的例子中，当执行完第三条语句、第四条语句还未开始时，此时有另外的一个账户汇总程序开始运行，则其看到支票账户的余额并没有被减去200美元。)
一旦事务提交，则其所做的修改会永久保存到数据库。(此时即使系统崩溃，修改的数据也不会丢失。)
表的引擎类型必须是innodb类型才可以使用事务，这是MySQL表的默认引擎
-- 查看jd下的goods表
show create table goods;
开启事务后执行修改命令，变更会维护到本地缓存中，而不维护到物理表中
begin;
-- 或者
start transaction;
将缓存中的数据变更维护到物理表中
commit;
放弃缓存中变更的数据
rollback;
修改数据的命令会自动的触发事务，包括insert,update,delete
而在SQL语句中有手动开启事务的原因是：可以进行多次数据的修改，如果成功一起成功，否则一起回滚到之前的数据
begin;
insert into good_cates(name) values('游戏机')
commit;
begin;
insert into good_cates(name) values('保健品')
rollback;
一般的应用系统对比数据库的读写比例在10:1左右(即10次查询操作时有1次写的操作)，而且插入操作和更新操作很少出现性能问题，遇到最多、最容易出问题还是一些复杂的查询操作，所以查询语句的优化显然是重中之重。
当数据库中数据量很大时，查找数据会变得很慢。这时可以使用索引来解决。
索引是一种特殊的文件(InnoDB数据表上的索引是表空间的一个组成部分)，它们包含着对数据表里所有记录的引用指针。
更通俗的说，数据库索引好比是一本书前面的目录，能加快数据库的查询速度
索引的目的在于提高查询效率，可类比字典，如果要查mysql这个单词，我们肯定需要定位到m字母，然后从下往下找到y字母，再找到剩下的sql。如果没有索引，那么你可能需要把所有单词看一遍才能找到你想要的
除了字典，生活中随处可见索引的例子，如火车站的车次表、图书的目录等。它们的原理都是一样的，通过不断的缩小想要获得数据的范围来筛选出最终想要的结果，同时把随机的事件变成顺序的事件。也就是我们总是通过同一种查找方式来锁定数据。
数据库也是一样，但显然要复杂许多，因为不仅面临着等值查询，还有范围查询、模糊查询、并集查询等等。数据库应该选择怎么样的方式来应对所有的问题呢？我们回想字典的例子，能不能把数据分成段，然后分段查询？最简单的如果1000条数据，1到100分成一段，101到200分成第二段，以此类推。这样查询第250条数据，只要找到第三段就可以了，一下子去除了90%的无效数据。
show index from 表名;
创建索引
如果指定字段是字符串，需要指定长度，建议长度与定义字段的长度一致
字段类型如果不是字符串，可以不填写长度部分
create index 索引名称 on 表名(字段名称(长度))
drop index 索引名称 on 表名;
创建测试表test_index
create table test_index(title varchar(10))
导入十万条数据
from pymysql import connect
def main():
# 创建Connection连接
conn = connect(host='localhost', port=3306, database='jd', user='root', password='pwd', charset='utf8')
# 获得Cursor对象
cursor = conn.cursor()
# 插入10万次数据
for i in range(100000):
cursor.execute("insert into test_index values('testing-%d')" % i)
# 提交数据
coon.commit()
if __name__ == "__main__":
main()
查询
set profiling=1;
select * from test_index where title='testing-9999';
show profiles;
create index title_index on test_index(title(10));
select * from test_index where title='testing-9999';
show profiles;
要注意的是，建立太多的索引将会影响更新和插入的速度，因为它需要同样更新每个索引文件。对于一个经常需要更新和插入的表格，就没有必要为一个很少使用的where字句单独建立索引了，对于比较小的表，排序的开销不会很大，也没有必要建立另外的索引。
建立索引会占用磁盘空间
基于Nginx+Supervisord+uWSGI+Django1.11.1+Python3.6.5构建
