スキップしてメイン コンテンツに移動

secure_file_priv

Introduction
sorry, this page is Japanese only. 
最近SQLを勉強し始めたので自分のメモ代わりに得た知識を書こうと思います。
OSはwindowsでMYSQL server 5.7を使っています。


LOAD DATA INFILE
CSVファイルをLOAD DATA INFILEで取り込おうとしたらエラーが出ました。エラーメッセージではsecure_file_privがどうのこうの......
ではまずsecure_file_privとはなんなのか確認していきます。

secure_file_priv
secure_file_privはデフォルトで設定される項目の一つです。
secure_file_privがデフォルトで設定されているときは、その設定されているディレクトリにあるファイルしか読み取れません。
secure_file_privの値の確認は

 mysql> SELECT @@global.secure_file_priv


で確認できます。



windowsの場合はProgramData/MySQL server 5.7/uploadsが指定されているようです。



CSVファイルのIMPORT

では実際にuploadsの中にあるcsv fileをimportするcodeは以下です。取り込みたいファイルをselect@@global.secure_file_privで得られたディレクトリに置いておくのを忘れないでください。



C:/ProgramData/MySQL/MySQL server 5.7/Uploads/に入っているfile.csvをdbというデータベースのtabというtableにimportします。




 
DATA LOAD INFILE 'C:/ProgramData/MySQL/MySQL Server 5.7/Uploads/
file.csv' INTO TABLE db.table






selec @@global.secure_file_privで指定されているディレクトリ以外からファイルを取り込む方法は以下に記しておきます。



secure_file_privの変更

secure_file_privを変更したい、もしくはどのディレクトリからもcsvファイルを取り込みたいときは以下のようなことをします。




    

  1. C:/ProgramData/MySQL/MySQL server 5.7 のmy.iniというファイルを開く
    2. 

  2. 125行目くらいにあるsecure_file_priv="C:/ProgramData/MySQL/MySQL server 5.7/Uploads/"の行を見つけます。
    3. 

  3. secure_file_priv="C:/ProgramData/MySQL/MySQL server 5.7/Uploads/"　の" "の間に指定したいディレクトリのpathを書きます。どのディレクトリからもimportしたいときは空白にしてください。
    

    

    

    

    4. 

  4. MySQLを再起動します。
    5. 

  5. SELECT @@global.secure_file_privを実行し、指定したディレクトリのpathが入っていればOKです。
    

    

    6. 






ProgramdDataの場所がわからない場合は以下を参考にしてください。



ProgramDataの場所

uploadsにファイルを入れなければいけないのは分かったが、そもそもProgramDataが見つからない。

ProgramDataは隠しファイルになっているのでデフォルトのままでは表示されないことになっています。

ですので、隠しファイルを表示するように設定する必要があります。

ファイルを開くところに行き、



表示 -> 隠しファイル　のところチェック！！







これだけです。(^▽^)/







Reference

https://fisproject.jp/2016/03/mysql5-7-import-from-csv/

http://androidlover.net/android-emulator/bluestacks/windows-hidden-programdata-folder-appear.html













































Labels:





























コメント











コメントを投稿































このブログの人気の投稿



















K-means 理論編




























Introduction   English ver     今日はK-meansアルゴリズムの理論について書きます。  K-meansアルゴリズムはクラスタリングのためのアルゴリズムです。   K-meansの実装の記事は  カーネルK-meansの実装  を御覧ください。  この記事はカーネルK-menasの実装についての記事ですが、通常のK-meansの実装も行っています。カーネルK-meansについてはまた、今度別の記事で紹介したいと思います。   概要    1 of K 符号化法  プロトタイプ  歪み尺度  最適化   1 of K 符号化法   K-meansはK個のクラスについて分類することを考えます。 K-meansでは $x_n$がkのクラスに属していることを次のように表します。  ベクトル$r_n:1 \times K$ を  $$r_n := (0,0,..,1,..,0)$$  このベクトルはk番目にのみ1を持ち、それ以外は0を要素に持つようなベクトルです。   こののような表現の仕方を1 of K符号化法と呼びます。   プロトタイプ   K-meansではプロトタイプと呼ばれるベクトルを選びます。このベクトルは各クラスに一つあり、そのクラスの代表のようなベクトルです。 K-means ではそのようなベクトルは各クラスの平均ベクトルとなります。これは目的関数から自然と導かれます。   歪み尺度   プロトタイプベクトルを $\mu_i ~\forall k \in K$とします。  この時、k-meansの目的関数は次のようになります。   $$J = \sum_{n=1}^{N} \sum_{k=1}^{K} r_{nk} ||x_n-\mu_k||^2$$   ここで、 $r_{nk}$ は$r_n$のk番目の要素です。   この目的関数について少し説明をします。$r_{n}$は$x_n$が属しているクラスのラベルの場所だけ1で他は０であるので、   $$J = \sum_{n=1}^{N} ||x_n - \mu_{x_n}||$$   ここで、$\mu_{k_n}$は$x_n$が属しているクラスのプロトタイプです。   よって、  $$J = ||x_1 - \mu_{x_1}|| + ||x_2 -\mu_{x_2}|| + ...




















コメントを投稿









続きを読む






























ダイクストラ法




























Introduction    English ver     今日は、ダイクストラ法について書きます。ダイクストラ法とは最短距離を求めるアルゴリズムです。地図はグラフで表されます。もし、まだ this page を見ていない方は先にこちらをご覧ください。今回はこの記事を前提としています。このページでは、グラフの定義と、ヒープ構造について書いています。ダイクストラ法ではヒープ構造を使って、かなりの計算量を落とします。  この スライド はダイクストラ法を説明したスライドです。   Overview    アルゴリズム  実装      アルゴリズム     このアルゴリズムは    スタート始点のノードを決める。そして、それをAと名付ける。  各ノードに$d=\infty$を割り当てる。ただし、スタート地点はd=0  Aの隣接ノードのリストをadj_listと名付ける。   For adj in adj_list:  If d of adj > d of A + weight to adj -> d = A + weight to adj.  グラフnetworkからAを取り除く  グラフnetworkの中で最初のdを持っているノードをAとし、4に戻る。    となっています。  このアルゴリズムを図を用いて説明します。        このグラフを使って説明します。     初めに、スタート地点を決めます。そして、各ノードに$d=\infty$を割り当てます。      Aから始まります。Aの隣接ノードであるBのdを更新します。もし、現在のBよりもAのdとA->Bへの重みを足したもののほうが小さいならdをその値に更新します。同じようにCnのdを更新します。       次にAを取り除きます。     次はBから始まります。Aと同じことをやります。          このダイクストラ法では今のような操作をグラフの全てのノードに×がつくまで続きます。       実装     このアルゴリズムでは$O(log(|V|^2))$という計算量を持っています。最小のdを持つノードを探すのに時間がかかります。   しかし、ヒープ構造を使えばO((E+V)log(V))に減らせます。ヒープ構造で現時点での...




















コメントを投稿









続きを読む






























カーネルK-means 理論編




























Introduction   English ver    今日は、カーネルK-meansの理論について書きます。カーネルK-meansは通常のK-meansの欠点を補うことができます。通常のK-meansの欠点とカーネルK-meansの強みも説明します。もし、まだ御覧になられていなければ、通常の K-means 理論編 の記事を見ていただけるとよいのではないかと思います。   カーネルK-meansの実装編 も併せてご覧ください。   概要    K-meansの弱点  カーネルトリック  カーネルK-means  アルゴリズム     K-meansの弱点  例えば、次のようなデータを用意します。     このデータはK-meansによってうまく分類することはできません。なぜなら通常のK-meansでは、データとプロトタイプのユークリッド距離に依存しているからです。そのため、このような円状に分布しているデータはうまく分類することができません。 プロトタイプとはそれぞれのクラスにあり、そのクラスを代表するようなもののことです。K-meansでは各クラスの平均ベクトルとなります。それゆえ、以下のような分類になってしまいます。     このようなデータではK-meansはうまくいきません。  K-meansで分類できるデータセットは次のように各クラスで固まっている必要があります。      カーネルK-meansはK-meansの弱点を補います。   カーネルトリック   初めに、カーネルトリックを説明します。  線形分離できないようなデータ$X$を例えば次のように線形分離できるように$\phi(x)$に送る写像$\phi$を考えます。      カーネルは次のように定義されます。  $$K(x,y) = \phi(x)^T \phi(y)$$   $\phi$を具体的に計算することは難しいですが、$K(x,y)$を計算することなら簡単です。  この手法をカーネルトリックと呼ばれます。   カーネルK means   K-meansの目的関数を復習しておきます。   $$J = \sum_{n=1}^{N} \sum_{k=1}^{K} r_{nk} ||x_n-\mu_k||^2$$   ここで、 プロトタイプは$\mu_i ~\forall k \in K$としま...




















コメントを投稿









続きを読む