Sakila 数据库项目教程
1. 项目介绍
Sakila 数据库是一个经过良好规范化的数据库模型,模拟了一个 DVD 租赁商店的运营。它最初由 MySQL 开发,并根据 BSD 许可证开源。Sakila 数据库设计包含了许多优秀的特性,如多对多关系、多路径实体连接、一致的列命名、复合主键的使用以及审计列的添加等。这些特性使得 Sakila 数据库成为学习和实践 SQL 查询的理想工具。
2. 项目快速启动
2.1 环境准备
在开始之前,请确保你已经安装了以下数据库管理系统之一:
- MySQL
- PostgreSQL
- Oracle
- SQL Server
- SQLite
2.2 下载 Sakila 数据库
你可以从 GitHub 仓库下载 Sakila 数据库的 SQL 文件:
git clone https://github.com/jOOQ/sakila.git
2.3 导入数据库
根据你选择的数据库管理系统,选择相应的 SQL 文件进行导入。以下是一些常见的导入命令示例:
MySQL
mysql -u username -p -e "CREATE DATABASE sakila;"
mysql -u username -p sakila < mysql-sakila-db/sakila-schema.sql
mysql -u username -p sakila < mysql-sakila-db/sakila-data.sql
PostgreSQL
psql -U username -d postgres -c "CREATE DATABASE sakila;"
psql -U username -d sakila -f postgres-sakila-db/sakila-schema.sql
psql -U username -d sakila -f postgres-sakila-db/sakila-data.sql
2.4 验证安装
导入完成后,你可以通过以下 SQL 查询验证数据库是否正确安装:
SELECT first_name, last_name, count(*) as films
FROM actor AS a
JOIN film_actor AS fa USING (actor_id)
GROUP BY actor_id, first_name, last_name
ORDER BY films DESC
LIMIT 1;
该查询将返回出演电影最多的演员及其出演的电影数量。
3. 应用案例和最佳实践
3.1 查询演员出演的电影数量
Sakila 数据库中的 actor 和 film_actor 表可以用来查询每个演员出演的电影数量。以下是一个示例查询:
SELECT first_name, last_name, count(*) as films
FROM actor AS a
JOIN film_actor AS fa USING (actor_id)
GROUP BY actor_id, first_name, last_name
ORDER BY films DESC;
3.2 计算累计收入
通过 payment 表,你可以计算所有商店的累计收入。以下是一个示例查询:
SELECT payment_date, amount, sum(amount) OVER (ORDER BY payment_date)
FROM (
SELECT CAST(payment_date AS DATE) AS payment_date, SUM(amount) AS amount
FROM payment
GROUP BY CAST(payment_date AS DATE)
) p
ORDER BY payment_date;
4. 典型生态项目
Sakila 数据库通常与其他数据库工具和框架一起使用,以增强其功能和应用范围。以下是一些典型的生态项目:
4.1 jOOQ
jOOQ 是一个 Java 库,用于将 SQL 查询转换为类型安全的 Java 代码。Sakila 数据库可以与 jOOQ 结合使用,以提高 SQL 查询的类型安全性和可维护性。
4.2 Hibernate
Hibernate 是一个对象关系映射(ORM)框架,可以将数据库表映射为 Java 对象。Sakila 数据库可以与 Hibernate 结合使用,以简化数据库操作和提高开发效率。
4.3 DBeaver
DBeaver 是一个通用的数据库管理工具,支持多种数据库管理系统。Sakila 数据库可以与 DBeaver 结合使用,以进行数据库的可视化管理和操作。
通过这些生态项目的结合,Sakila 数据库可以更好地应用于实际开发和学习中。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00