기본 콘텐츠로 건너뛰기

Spring JPA(Java Persistence API)

application.properties
# JPA
# spring.jpa.hibernate.ddl-auto=create는 table을 새로 생성한다
#spring.jpa.hibernate.ddl-auto=create
spring.jpa.hibernate.ddl-auto=none
spring.jpa.generate-ddl=false
spring.jpa.show-sql=true
spring.jpa.database=oracle
logging.level.org.hibernate=info
spring.jpa.database-platform=org.hibernate.dialect.OracleDialect

pom.xml
<!-- https://mvnrepository.com/artifact/org.springframework.boot/spring-boot-starter-data-jpa -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-data-jpa</artifactId>
    <version>3.0.0</version>
</dependency>

Entity(객체, 속성들의 집합) -> 테이블 생성
Emp.java : Entity 클래스
 - 사번, 이름, 부서, 급여, 입사일 <- 컬럼명
인터페이스(JpaRepository 상속)
 - 단순한 입출력 기능은 미리 준비되어 있음

@Data
@AllArgsConstructor
@NoArgsConstructor
@Entity
@Table(name = "emp4")
public class Emp {
    @Id // PRIMARY KEY가 된다, id로 찾을 때 이 속성으로 찾게 된다
    @SequenceGenerator(sequenceName = "EMP4_EMPNO_SEQ", allocationSize = 1, name = "EMP4_EMPNO_GEN") // 증가값이 1이고 EMP4_EMPNO_SEQ라는 시퀀스를 생성하고, 그것을 할당하는 제너레이터의 이름은 EMP4_EMPNO_GEN이다
    @GeneratedValue(strategy = GenerationType.SEQUENCE, generator = "EMP4_EMPNO_GEN") // 제너레이터를 사용해서 empno가 생성될 때 마다 값을 넣어준다
    private int empno;

    @Column(name = "ename") // 속성의 이름과 컬럼명이 다를 때 써준다
    private String name;

    private int deptno;
    private int sal;
    private java.sql.Date hiredate;
}

public interface EmpRepository extends JpaRepository<Emp, Integer> {
    Optional<List<Emp>> findByName(String name);
    Optional<List<Emp>> findByDeptno(Integer deptno);
    Optional<String> findByDeptnoAndName(Integer deptno, String name);
}

@Controller
@Slf4j
@RequestMapping("/jpa")
public class JpaController {
    @Autowired
    private EmpRepository repo;

    @GetMapping({"","/"})
    @ResponseBody
    public String findAll() {
        List<Emp> list = repo.findAll();
        return list.toString();
    }

    @GetMapping("/save")
    @ResponseBody
    public String save() {
        Date hiredate = Date.valueOf("2022-12-10");
        Emp emp = new Emp(0,"smith",20,3200,hiredate);
        Emp saved = repo.save(emp);
        log.info("추가 성공");
        return saved.toString();
    }

    @GetMapping("/findById")
    @ResponseBody
    public String findById(Integer id) {
        Optional<Emp> list = repo.findById(id);
        return list.toString();
    }

    @GetMapping("/findByName")
    @ResponseBody
    public String findByName(String name) {
        return repo.findByName(name).toString();
    }

    @GetMapping("/findByDeptno")
    @ResponseBody
    public String findByDeptno(Integer deptno) {
        return repo.findByDeptno(deptno).toString();
    }

    @GetMapping("/findByDeptnoAndName")
    @ResponseBody
    public String findByDeptnoAndName(Integer deptno, String name) {
        return repo.findByDeptnoAndName(deptno, name).toString();
    }
}

태그

라벨:

이 블로그의 인기 게시물

React 시작하기

App.js import Hello from './comp/Hello' ; function App() {   return (     < div className = "App" >       < Hello />     </ div >   ); } export default App; export default App; Hello.js import './Hello.css' ; function Hello() {   return (     < h1 > Hello, World! </ h1 >   ); } export default Hello; Hello.css h1 {   color : red; }
더보기

Python 인공신경망 추천 시스템(회귀)

예제 # 인공신경망을 이용한 추천 시스템 # - 순차형(Sequential) 신경망 생성법 # - 함수형(Functional) 신경망 생성법 # - 지금까지 나온 추천 방식 중에서 가장 좋은 성능 # - Regression 방식으로 분석가능 # - 영화의 평점 정보(userid, movieid, rating) # - 이용자는 영화에 대한 취향이 모두 다르다 # - 영화는 다양한 장르가 혼합되어 있다 # - 이용자는 자신의 취향에 맞는 영화에 높은 rating을 제시함 # - 어떤 이용자에게 어떤 장르의 영화를 추천할 것인가? # __call__() 함수를 가진 클래스는 파이썬 함수 callable(클래스)를 사용하면 True를 반환한다 from tensorflow.keras.models import Sequential, Model from tensorflow.keras.layers import Dense, Embedding, Input input = Input(shape=(1,)) # 함수형 신경망 생성법 hidden1 = Dense(2, activation='relu')(input) # Dense(2, activation='relu')__call__() hidden2 = Dense(2, activation='relu')(hidden1) # callable.object callable(Dense) # __call__ 함수가 있으면 True, 없으면 False # Using Functional API from keras.models import Sequential from keras.layers import * model = Sequential() model.add(Input(shape=(3,))) # Input tensor model.add(Dense(4)) # hidden layer 1 model.add(Dense(units=4)) # hidden layer 2 model.add(Dense(units=1)) # ou...
더보기

Python Sklearn make_regression

from sklearn.datasets import make_regression import matplotlib.pyplot as plt X, y = make_regression(n_samples=250, n_features=1, noise=50, random_state=2) plt.scatter(X,y, s=2) plt.show() from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split # 한글 깨짐 없이 나오게 설정 from matplotlib import rcParams # 인코딩 폰트 설정 rcParams['font.family'] = 'New Gulim' rcParams['font.size'] = 10 x_train, x_test, y_train, y_test = train_test_split(X,y, test_size=.20, random_state=0) x_train.shape, x_test.shape, y_train.shape, y_test.shape # 모델 생성 model = LinearRegression() # 학습하기 model.fit(x_train, y_train) # 가중치, 편향치 구하기 model.coef_, model.intercept_ # (array([90.11061494]), 2.4224269924448585) # 결정 계수 model.score(x_train, y_train) # 0.789267454050733 # 추정 pred = model.predict(x_test) # 산점도 plt.scatter(x_test,y_test) plt.plot(x_test, pred, 'r-') plt.show() # 추정 model.predict([[3.0]]) # 학습할 때 주는 데이터의 형식을 따른다 # x의 최소값, 최대값을 계수와 절편을 사용하여 ...
더보기