什么是MRP SRP BRP

        1、MRP： Material Requirement Planning是物料需求计划的简称，依据主生产计划或客户订单及需求预测，利用物料清单资料，同时考虑现有库存量信息、以及有效订单（如请购单、采购订单、生产订单、委外订单等）供应量，以计算物料净需求并提出新的供应计划，这一过程称为物料需求计划

        2、SRP：Single-material Requirement Planning是单项物料需求计划的简称,按照新收到的单个销售订单展开计算出物料需求计划，是一种补充计划，如当前的供应计划已经可以满足接收到的销售订单的物料需求，不会产生新的供应计划，如当前的供应计划不能满足接收到的销售订单的物料需求，会在现有计划基础之上产生新的供应计划；主要用于处理插单.即在已经运算好的MRP上增加一个订单.是一种净改变式重排ERP.

        3、BRP：Batch-material Requirement Planning是批量物料需求计划的简称,即将预测订单或客户订单通过其BOM的直接展开，得到各阶物料的毛需求，以毛需求来计划采购、委外、自制订单等。或者再将BOM展开的毛需求进行手动调整后，再供相关系统计划用，以帮助资料尚未完整建立之初导入系统的用户使用。如果制造企业完全采取批对批的生产方式，也可以按此方式以取代MRP 的计划方式

        一、SRP基本逻辑：

        1．在MPS/MRP已事先规划的前提下，看销售订单插单对“料”的净需求的供需平衡。

        实际上是站在与销售订单相关的“料”的角度，同时展MPS/MRP，得到新的“独立需求和相依需求”的“净改变”。

        2．不对现有供需资料提出重规划建议，即采取追加计划订单的方式执行物料需求计划。

        3．既然是在“料”的角度看，自然依据MRP的基本运算逻辑，考虑优先级，这样就可能会影响展SRP之前该“料”的“供需”关系（指未规划资料）4．这里的“净改变”只算“缺”，即因销售订单增加了，导致可能的“缺料”，从而提供建议的“计划订单”。

        5．SRP推算子件需求量时，以该母件计划订单的预开工日默认母件当前有效的审核状态的主要清单，不考虑替代清单。ATO模型的计划订单其子件需求按其对应的客户订单的客户BOM展开。

        6．指定计划代号中的“时栅”为计算需求来源规则。

        7．支持“插单”和原销售订单的增加或减少。

        * 跑出的srp计划是否与原来的mrp计划合并要看供应期间。无论是否合并，原计划号都会变。例如：mrp跑出的计划是，存货A，1个，GEN000000425；1个，GEN000000426。再跑一个SRP，是存货A销售订单5个。最后发现：其他存货的计划号都没有变；但存货A变成了GEN000000430，1个，GEN000000431，1个和GEN000000432，5个。（或者最后发现：其他存货的计划号都没有变；但存货A变成了GEN000000430，1个，GEN000000431，6个）使用SRP的几点主意事项：

        1．必须先展MPS/MRP。（注意：这是指在展SRP之前该计划代号有展过MPS/MRP，并不是每次展SRP都要先展MPS/MRP）

        2．必须指定MPS/MRP计划代号，不然无法找到“参数”。

        3．不支持表头指定的MRP计划代号中对应的“来源MPS计划代号”与表头指定的MPS计划代号不一致。

        4．展完SRP后必须分别在MPS/MRP模块查询供需资料。

        5．关于“重展否”：选择是否包含最近已执行过MPS/MRP/BRP展开的订单。6．MPS/MRP/BRP/SRP不支持一个代号对应不同的“来源MPS/MRP计划代号”,即只考虑一个锁定计划。

        7．展SRP的销售订单遵循常规MPS/MRP供需政策和存货供应参数的设置。8．某销售订单第一次展SRP时，必须被“选中”。

        9．SRP计划执行时会“刷新”供需档，故产生的SRP供需资料无法追溯。

        二、BRP运算逻辑:

        1.  直接按物料清单上记录的使用数量推算各物料的毛需求量

        2.  BRP推算子件需求量时，以该母件计划订单的预开工日默认母件当前有效的审核状态的主要清单，不考虑替代清单ATO模型的计划订单子件需求按其对应的客户订单的客户BOM展开

        3.  BRP计算时不考虑物料现存量、锁定及审核采购请购单/采购订单/进口订单/生产订单/委外订单余量，也不考虑计划、锁定及审核生产订单/委外订单子件未领用量。

        4.  BRP计算时考虑各物料的提前期。

        5.  BRP展开时，不计算产出品子件的需求。

        6.  对于重复计划物料，BRP皆视同非重复计划物料处理，即不生成重复计划而是产生标准生产订单。

        7.  BRP支持直接供应计划，运算逻辑同MRP。

        *  SRP和BRP的区别

        SRP主要是为了解决插单，它是为了解决在运行了MRP后，出现插单的情况时，能快速规划生产计划和采购计划，运算逻辑同MRP,只是SRP采用的是净改变法，而MRP采用的是全重排法，因此需求只会增加而不会减少；这点对于紧急插单还是比较有用的；

        BRP是按照即将预测订单或客户订单通过其BOM的直接展开，得到各阶物料的毛需求，以毛需求来计划采购、委外、自制订单等。或者再将BOM展开的毛需求进行手动调整后，再供相关系统计划用，以帮助资料尚未完整建立之初导入系统的用户使用。如果制造企业完全采取批对批的生产方式，也可以按此方式以取代MRP的计划方式。

参考：http://jsyonyou.cn/detail.php?cid=23&did=196&page_type=info

Streamlit是第一个专门针对机器学习和数据科学团队的应用 开发框架，它是开发自定义机器学习工具的最快的方法，你可以认为 它的目标是取代Flask在机器学习项目中的地位，可以帮助机器学习 工程师快速开发用户交互工具。

相关链接： Streamlit API中文手册 |  Streamlit学习交流群

1、Hello world

Streamlit应用就是Python脚本，没有隐含的状态，你可以使用函数调用 重构。只要你会写Python脚本，你就会开发Streamlit应用。例如，下面 的代码使用streamlit的通用显示方法 write 在网页中输出Hello, world! ：

                      1

                      2

                      import streamlit as st

                      st.write('Hello, world!')

结果如下：

2、使用UI组件

Streamlit将组件视为变量，在Streamlit中没有回调，每一个交互都是 简单地返回，从而确保代码干净。例如下面的代码使用方法 slider 创建一个可交互的滑动拉杆，并显示其当前值：

                      1

                      2

                      3

                      4

                      import streamlit as st

                      

                      x = st.slider('x')

                      st.write(x, 'squared is', x * x)

结果如下：

3、数据重用和计算

如果你要下载大量数据或者运行复杂的计算该怎么实现？关键在于 安全地重用数据。Streamlit引入了缓存原语可以让Steamlit应用 安全、轻松的重用信息。例如，下面的代码只需要从Udacity的自动 驾驶车项目下载一次数据，从而得到一个简单、快速的应用：

                      1

                      2

                      3

                      4

                      5

                      6

                      7

                      8

                      9

                      10

                      import streamlit as st

                      import pandas as pd

                      

                      # Reuse this data across runs!

                      read_and_cache_csv = st.cache(pd.read_csv)

                      

                      BUCKET = "https://streamlit-self-driving.s3-us-west-2.amazonaws.com/"

                      data = read_and_cache_csv(BUCKET + "labels.csv.gz", nrows=1000)

                      desired_label = st.selectbox('Filter to:', ['car', 'truck'])

                      st.write(data[data.label == desired_label])

结果如下：

简而言之，Streamlit的工作方式如下：

• 对于用户的每一次交互，整个脚本从头到尾执行一遍

• Streamlit基于UI组件的状态给变量赋值

• 缓存让Streamlit可以避免重复请求数据或重复计算

或者参考下图：

如果上面的内容还没有说清楚，你可以直接上手尝试Streamlit！

                1

                2

                3

                4

                5

                $ pip install --upgrade streamlit 

                $ streamlit hello   

                    You can now view your Streamlit app in your browser.   

                    Local URL: http://localhost:8501

                    Network URL: http://10.0.1.29:8501

这会自动打开本地的web浏览器并访问Streamlit应用：

4、实例：自动驾驶数据集工具

下面的Streamlit应用让你可以在整个Udacity自动驾驶车辆照片数据集 中进行语义化搜索，可视化人工标注，并且可以实时运行一个YOLO 目标检测器：

整个应用只有300行Python代码，绝大多数是机器学习代码。实际上 其中只有23个Streamlit调用。你可以尝试自己运行：

                1

                2

                $ pip install --upgrade streamlit opencv-python

                $ streamlit run https://raw.githubusercontent.com/streamlit/demo-self-driving/master/app.py

原文链接： Turn Python Scripts into Beautiful ML Tools

汇智网翻译整理，转载请标明出处

---

### **一、需求定义与场景聚焦**

#### **1. 明确核心目标**

- **生产痛点**：例如生产排程低效、库存积压、设备停机频繁、质量缺陷率高。

- **决策场景**：选择 **1-2个优先级最高的问题** 作为起点，例如：

  - **智能排产**：根据订单、设备状态、工人排班生成生产计划。

  - **库存优化**：动态调整原材料安全库存。

  - **质量预测**：通过生产参数预测产品不良率。

#### **2. 功能设计**

- **输入**：ERP生产模块数据（订单、BOM表、设备状态、库存等）。

- **输出**：可视化生产建议（如排产甘特图、采购清单、质量预警）。

- **交互方式**：Web界面、邮件通知或直接写入ERP系统。

---

### **二、数据准备与处理**

#### **1. 数据整合**

- **数据源**：从ERP中提取结构化数据，例如：

  - 订单数据（交期、产品类型、数量）。

  - 生产工单（设备使用记录、工时、良品率）。

  - 库存数据（原材料当前库存、供应商交货周期）。

- **工具**：使用SQL查询或Python库（如`pymysql`）导出数据。

#### **2. 数据清洗与特征工程**

- **清洗**：处理缺失值（删除或插补）、异常值（如设备异常停机时间）。

- **特征构建**：

       ```python
  import pandas as pd

        # 示例：计算设备利用率

        df['设备利用率'] = df['实际运行时间'] / df['计划运行时间']

        

        # 示例：订单紧急程度（根据交期距离当前时间的天数）

        df['订单紧急度'] = (df['交货日期'] - pd.Timestamp.now()).dt.days

        ```

#### **3. 数据存储**

- 小型系统可直接用CSV或SQLite，复杂场景用MySQL或云数据库（如AWS RDS）。

---

### **三、模型开发与训练**

#### **1. 模型选择**

根据场景选择轻量级算法：

- **排产优化**：遗传算法、规则引擎（优先级规则）。

- **库存预测**：时间序列模型（ARIMA、Prophet）或回归模型（XGBoost）。

- **质量预测**：分类模型（随机森林、逻辑回归）。

#### **2. 示例代码（库存预测）**

      ```python
# 使用Prophet预测原材料需求

      from prophet import Prophet

      # 假设df包含历史每周库存消耗数据

      df = pd.read_csv('inventory_history.csv')

      df = df.rename(columns={'date': 'ds', 'consumption': 'y'})

      model = Prophet()

      model.fit(df)

# 预测未来4周需求

      future = model.make_future_dataframe(periods=4, freq='W')
forecast = model.predict(future)

      print(forecast[['ds', 'yhat', 'yhat_lower', 'yhat_upper']])

```

#### **3. 规则引擎（排产逻辑）**

      ```python
# 简易排产规则：交期越近、订单量越大的任务优先

      def schedule_orders(orders):

          # 按交期和订单量加权排序

          orders['优先级'] = orders['订单紧急度'] * 0.7 + orders['订单量'] * 0.3

          sorted_orders = orders.sort_values('优先级', ascending=False)

          return sorted_orders

      # 调用示例

      orders = pd.DataFrame({

          '订单ID': [1, 2, 3],

          '订单量': [100, 200, 150],

          '订单紧急度': [5, 3, 8]  # 数值越小越紧急

      })

      scheduled = schedule_orders(orders)

      print(scheduled)

      ```

      ---

### **四、系统实现**

#### **1. 技术架构（简易版）**

```

用户界面 (Web/Excel) → 决策逻辑 (Python) → 数据存储 (SQLite/CSV)

```

#### **2. 开发工具**

- **前端**：Streamlit（快速构建Web界面）或Excel+VBA。

- **后端逻辑**：Python（Pandas、Scikit-learn、规则引擎）。

- **数据交互**：定期从ERP导出CSV，或通过API实时获取。

#### **3. 示例：Streamlit可视化界面**

      ```python
# 安装：pip install streamlit

      import streamlit as st

      import pandas as pd

      # 标题

      st.title("生产排产决策系统")

      # 上传ERP数据

      uploaded_file = st.file_uploader("上传生产订单CSV")

      if uploaded_file:

          orders = pd.read_csv(uploaded_file)

          # 调用排产函数

          scheduled_orders = schedule_orders(orders)

          # 展示结果

          st.write("推荐排产顺序：")

          st.dataframe(scheduled_orders)

          

          # 可视化甘特图（示例）

          st.bar_chart(scheduled_orders.set_index('订单ID')['优先级'])

      ```

      ---

### **五、部署与验证**

#### **1. 本地部署**

      - 运行Streamlit应用：`streamlit run app.py`。
- 导出模型为API（可选）：

        ```python

        # 使用Flask暴露预测接口

        from flask import Flask, request, jsonify

        app = Flask(__name__)

        @app.route('/predict', methods=['POST'])

        def predict():

            data = request.json

            # 调用模型预测逻辑

            result = {"建议采购量": 500}

            return jsonify(result)

        if __name__ == '__main__':

            app.run(port=5000)

        ```

#### **2. 验证与迭代**

- **人工复核**：对比AI建议与实际人工决策，计算准确率。

- **反馈优化**：定期更新模型（如每周重新训练一次）。

---

### **六、扩展方向**

1. **集成到ERP**：通过API将决策结果写回ERP系统（如自动生成工单）。

2. **实时数据**：接入IoT设备数据（如设备传感器）实现实时监控。

3. **复杂模型**：引入强化学习动态优化排产规则。

---

### **七、工具与资源**

- **数据工具**：Pandas（数据处理）、SQLite（轻量数据库）。

- **AI框架**：Scikit-learn（传统ML）、Prophet（时序预测）。

- **快速开发**：Streamlit（前端）、Flask（API）。

---

通过以上步骤，可在1-2周内搭建一个简易但实用的生产决策系统原型，后续逐步扩展复杂功能。

1.  数据采集 和整合：AI 可以用于自动化数据采集和整合。通过连接传感器、设备和生产线， AI 可以实时收集大量的生产数据，包括生产过程中的温度、湿度、压力、速度等参数。这些数据可以通过 AI 算法进行分析和整合，以生成全面的生产数据报告，帮助决策者更好地了解生产过程中的性能和问题。

2. 预测性维护： AI 可以通过分析生产设备的 传感器数据 ，识别设备的健康状况，并预测设备可能出现的故障。这样，维护团队可以提前采取行动，进行预防性维护，避免设备故障导致的生产中断。AI 还可以优化维护计划，根据设备使用情况和预测结果，制定更合理的维护时间表，最大程度地减少生产停机时间。

3. 生产优化： AI 可以通过分析大量的生产数据，识别生产线上的瓶颈和瓶颈原因。基于这些数据， AI 可以提供实时建议和优化方案，以改善生产线的效率。 AI 可以根据生产需求和实时数据，自动调整生产计划和生产资源的分配，以确保最佳的生产效率和资源利用率。

4. 质量控制： AI 可以在生产过程中实时监测产品质量，通过分析传感器数据和图像识别技术，检测产品的缺陷和质量问题。 AI 可以及时报警并提供解决方案，帮助生产团队减少次品率和废品率。

5. 自动化和机器人化： AI 可以与自动化设备和机器人系统集成，实现生产线的自动化和智能化。通过 AI 的控制和决策能力，生产设备和机器人可以实现自主协作，完成复杂的生产任务。这样可以大大提高生产线的效率和生产能力。

6. 供应链优化： AI 可以在 MES 系统中集成供应链数据，并通过分析和预测技术，优化供应链的运作。 AI 可以帮助优化供应商选择、库存管理、交付时间预测等方面，从而减少供应链中的延迟和浪费，提高整体生产效率。

人工智能在优化MES 系统中具有巨大的潜力。通过利用 AI 的数据分析、预测和自动化能力，生产企业可以实现生产效率的显著提升，减少生产成本，提高产品质量，从而保持竞争优势。然而，实施 AI 技术需要充分考虑数据安全和隐私保护的问题，确保数据的安全性和合规性。同时，也需要培养相关人员的 AI 技术能力，以便充分利用 AI 在 MES 系统中的潜力。

本文相关的知识问答：

问：什么是MES 系统，人工智能如何优化它？

答：MES 系统（制造执行系统）是一种用于管理和监控制造过程的软件系统，它涵盖了生产计划、物料追踪、生产过程控制等方面。人工智能可以通过数据分析、预测和自动化技术，优化 MES 系统的性能。例如， AI 可以通过分析大量的生产数据，提供实时的生产预测和优化建议，从而提高生产效率和产品质量。

问：实施AI 技术对 MES 系统可能存在的数据安全和隐私问题是什么？

答：实施AI 技术可能导致 MES 系统中的数据面临安全威胁和隐私泄露的风险。例如，未经适当保护的生产数据可能被黑客攻击或恶意利用。另外，由于 MES 系统涉及到生产过程中的关键数据，未经授权的访问可能会导致商业机密泄露或违反法规，因此数据安全和隐私保护是实施 AI 技术时需要充分考虑的问题。

问：如何确保在MES 系统中实施 AI 技术时数据的安全性和合规性？

答：确保数据安全性和合规性的方法包括采用加密技术保护数据传输和存储、实施权限控制和访问审计、对数据进行匿名化处理以保护个人隐私，以及遵循相关的数据保护法规和标准，如GDPR （通用数据保护条例）和 ISO 27001 （信息安全管理体系）。此外，还应定期对系统进行安全漏洞扫描和风险评估，及时更新安全措施以应对新的威胁。

问：在MES 系统中培养相关人员的 AI 技术能力的重要性是什么？

答：培养相关人员的AI 技术能力对于充分利用 AI 在 MES 系统中的潜力至关重要。具备良好的 AI 技术能力的人员可以更好地理解和应用 AI 技术，从而更有效地利用生产数据进行分析、预测和优化。此外，他们还能更好地应对 AI 技术引入过程中可能出现的问题，并及时调整和优化系统，以实现更好的生产效率和质量。

问：实施AI 技术对 MES 系统可能产生的挑战是什么？

答：实施AI 技术可能面临数据质量不佳、技术集成复杂、人员培训成本高等挑战。首先，如果生产数据质量不佳， AI 模型的预测和优化效果可能会受到影响。其次，将 AI 技术集成到现有的 MES 系统中可能需要大量的技术投入和资源调配。此外，培训相关人员掌握 AI 技术所需的时间和成本也可能较高。因此，在实施 AI 技术时需要认真评估这些挑战，并采取相应的措施来解决。

https://www.wulian6.com/a/202307041448.html

一、核心功能与优势

1. 数据整合与实时分析

• 集成内外部多源数据（销售、库存、市场等），通过机器学习进行清洗与结构化处理。

• 实时处理海量数据，提供动态业务洞察（如库存异常预警、市场需求趋势）。

2. 智能预测与决策建议

• 基于历史数据构建预测模型，预判市场趋势（如销售预测、供应链风险）。

• 通过模拟和情景分析生成多维度决策方案，辅助管理层选择最优策略。

3. 流程自动化与资源优化

• 自动化执行重复性任务（如财务审核、库存调度），减少人工干预。

• 优化资源配置（如物流路径规划、生产排程），提升运营效率。

二、技术架构与实现

1. 核心技术支撑

• 机器学习算法：用于数据建模与预测（如时间序列分析、分类模型）。

• 自然语言处理（NLP）：解析非结构化数据（如客户反馈、舆情）。

• 大数据平台：支持高并发数据处理与存储（如Hadoop、Spark）。

2. 系统部署模式

• 云原生架构：支持弹性扩展与快速迭代，例如通过阿里云、AWS等平台部署。

• 数字孪生技术：构建业务场景的虚拟模型，模拟决策影响。

三、典型应用场景

1. 零售与电商

• 用户行为分析优化商品推荐，动态定价策略提升转化率。

• 案例：某电商通过AI系统整合销售与市场数据，市场份额提升20%。

2. 制造业与供应链

• 预测设备故障率，优化维护周期；实时调整生产计划应对需求波动。

3. 金融与风险管理

• 信贷风险评估模型降低坏账率，实时监测交易异常防止欺诈。

四、价值与挑战

1. 核心价值

• 效率提升：决策周期缩短50%-70%。

• 风险控制：通过数据模型规避潜在经营风险（如库存积压、市场波动）。

• 创新驱动：发现新业务机会（如细分市场需求、产品优化方向）。

2. 实施挑战

• 数据质量：需解决数据碎片化、噪声问题，确保模型输入可靠性。

• 技术适配：需结合企业现有IT架构进行定制化开发。

• 安全与合规：需符合数据隐私法规（如GDPR），防范算法偏见。

五、未来趋势

1. 实时决策增强：边缘计算与5G技术结合，实现毫秒级响应。

2. 人机协同深化：AI系统逐步从“辅助决策”转向“自主决策”，与人类专家协同优化。

3. 多模态融合：整合文本、图像、传感器数据，构建全景业务视图。

企业若需落地AI分析决策系统，建议优先选择模块化平台（如阿里云、企云方），分阶段验证业务场景效果。更多技术细节与案例可参考等来源。

1. 自动化流程和决策：企业智能管理软件系统利用AI技术可以实现流程的自动化和决策的智能化。通过数据的采集和分析，AI可以自动化执行任务、优化流程，并根据数据和算法进行智能决策，减少人工干预和提升决策的准确性。

2. 数据驱动的洞察和预测：企业智能管理软件系统能够收集、分析和识别大量的数据，并通过AI算法提供洞察和预测。它可以根据历史数据和模型预测未来趋势，帮助企业做出更具前瞻性的决策，提前发现市场机会和风险，并优化资源分配和业务策略。

3. 智能化的协作和沟通：企业智能管理软件系统可以提供智能化的协作和沟通工具，促进部门之间的信息共享和团队的协同工作。通过AI技术，系统能够自动化处理和归档信息、提供智能推荐和定制化的工作流程，提高团队的效率和协作性。

4. 定制化和灵活性：企业智能管理软件系统具备定制化和灵活性的特点，允许根据企业的需求和业务流程进行个性化配置。企业可以根据自己的特殊要求选择不同的AI模块和功能，实现定制化的管理解决方案，满足企业特定的业务需求。

1. 智能供应链管理：企业可以利用智能管理软件系统对供应链的各个环节实现智能化的管理。通过AI技术，可以优化供应链的调配、提高预测和需求规划的准确性，实现精确配送和库存优化，提升供应链的效率和灵活性。

2. 智能销售和客户关系管理：企业智能管理软件系统可以通过AI算法分析客户数据、行为模式和趋势，提供个性化的销售和客户关系管理解决方案。它可以帮助企业识别潜在客户、推动销售机会，并提供定制化的客户服务，提升客户满意度和忠诚度。

3. 智能人力资源管理：企业智能管理软件系统能够利用AI技术优化人力资源的管理和决策。通过智能招聘、智能考核和智能推荐等功能，可以提高招聘效率、准确评估员工绩效，并为员工提供个性化的培训和发展计划，提升人力资源管理的效能和员工满意度。

4. 智能财务和风控管理：企业智能管理软件系统可以运用AI算法对财务数据进行智能化的分析和预测，帮助企业进行财务决策和风险控制。它可以提供金融模型、预测市场趋势，提高财务决策的准确性和风控管理的效能，降低风险和提升企业长期盈利能力。

企业智能管理软件系统在实现数字化转型、提升运营效率和创新能力方面具有巨大的潜力。随着AI技术的不断进步和应用场景的扩大，企业智能管理软件系统将不仅仅是提供自动化和洞察的工具，更将成为企业数字化转型和创新的核心引擎。AI的发展将进一步推动企业管理的智能化，更好地满足企业的需求，提高企业的竞争力和可持续发展能力。

企业智能管理软件系统以其自动化流程和决策、数据驱动的洞察和预测、智能化的协作和沟通、定制化和灵活性等关键特点，为企业提供了强大的管理工具。它的广泛应用涵盖供应链管理、销售与客户关系管理、人力资源管理、财务与风险管理等多个领域。随着AI技术的不断发展，企业智能管理软件系统将在企业管理中发挥越来越重要的作用，推动企业实现数字化转型、提高运营效率和创新能力，引领企业迈入智能化管理的新时代。

SQL> select sum(sal) from emp;

SQL> --人数

SQL> select count(*) from emp;

SQL> --平均工资

SQL> select sum(sal)/count(*) 一,avg(sal) 二 from emp;

SQL> --平均奖金

SQL> --null 5.

SQL> select sum(comm)/count(*) 一,sum(comm)/count(comm) 二, avg(comm) 三

  2  from emp;

SQL> select count(*),count(comm) from emp;

SQL> select * from emp;

SQL> --null 5. 组函数自动滤空

SQL> select count(*),count(nvl(comm,0)) from emp;

SQL> --null 5. 组函数自动滤空; 可以嵌套滤空函数来屏蔽他的滤空功能

SQL> host cls

SQL> --分组数据

SQL> --求每个部门的平均工资

SQL> select deptno,avg(sal)

  2  from emp

  3  group by deptno;

SQL> --多个列的分组

SQL> select deptno,job,sum(sal) from emp group by deptno,job order by 1;

SQL> --求平均工资大于2000的部门

SQL> select deptno,avg(sal)

  2  from emp

  3  group by deptno

  4  having avg(sal) > 2000;

SQL> --where和having最大的区别：where后面不能使用组函数

SQL> --求10号部门的平均工资

SQL> select deptno,avg(sal)

  2  from emp

  3  group by deptno

  4  having deptno=10;

SQL> ed

已写入 file afiedt.buf

  1  select deptno,avg(sal)

  2  from emp

  3  where deptno=10

  4* group by deptno

SQL> /

SQL> --SQL原则 3： 尽量使用where

SQL> host cls

SQL> /*

SQL> group by的增强

SQL> select deptno,job,sum(sal) from emp group by deptno,job

SQL> +

SQL> select deptno,sum(sal) from emp group by deptno

SQL> +

SQL> select sum(sal) from emp

SQL> 

SQL> ====

SQL> 

SQL> select deptno,job,sum(sal) from emp group by rollup(deptno,job);

SQL> 

SQL> group by rollup(a,b)

SQL> =

SQL> group by a,b

SQL> +

SQL> group by a

SQL> +

SQL> group by null

SQL> */

SQL> select deptno,job,sum(sal) from emp group by rollup(deptno,job);

SQL> break on deptno skip 2

SQL> select deptno,job,sum(sal) from emp group by rollup(deptno,job);

SQL> break on null

SQL> /

SQL> spool off

SQL> --查询10号部门的员工

SQL> select *

  2  from emp

  3  where deptno=10;                                    

SQL> -- 字符串大小写敏感

SQL> --查询名叫KING的员工

SQL> select *

  2  from emp

  3  where ename='KING';

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where ename='King'

SQL> /

未选定行

SQL> --日期格式敏感

SQL> --查询入职日期是17-11月-81的员工

SQL> select *

  2  from emp

  3  where hiredate='17-11月-81';

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where hiredate='1981-11-17'

SQL> /

where hiredate='1981-11-17'

              *

第 3 行出现错误: 

ORA-01861: 文字与格式字符串不匹配 

SQL> --修改日期格式

SQL> select * from v$nls_parameters;

SQL> set linesize 200

SQL> select * from v$nls_parameters;

SQL> alter session set NLS_DATE_FORMAT='yyyy-mm-dd'

会话已更改。

SQL> select *

  2  from emp

  3  where hiredate='1981-11-17';

SQL> select *

  2  from emp

  3  where hiredate='17-11月-81';

where hiredate='17-11月-81'

               *

第 3 行出现错误: 

ORA-01861: 文字与格式字符串不匹配 

SQL> alter session set NLS_DATE_FORMAT='DD-MON-RR';

SQL> host cls

SQL> --between and

SQL> --查询薪水1000~2000之间的员工

SQL> select *

  2  from emp

  3  where sal between 1000 and 2000;

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where sal between 2000 and 1000

SQL> /

SQL> --between and: 1. 包含边界  2. 小值在前 大值在后

SQL> --in在集合中

SQL> --查询10和20号部门的员工

SQL> select *

  2  from emp

  3  where deptno in (10,20);

SQL> --null 值 3：如果集合中含有null，不能使用not in；但是可以使用in

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where deptno in (10,20,null)

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where deptno not in (10,20)

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where deptno not in (10,20,null)

SQL> /

SQL> host cls

SQL> --模糊查询

SQL> --  %  _

SQL> --查询名字以S打头的员工

SQL> select *

  2  from emp

  3  where ename like 'S%';                             

SQL> --查询名字是4个字的员工

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where ename like '____'

SQL> /  

SQL> host cls

SQL> insert into emp(empno,ename,sal,deptno) values(1001,'Tom_AB',3000,10);

SQL> select * from emp;

SQL> --查询名字中含有下划线的员工

SQL> select *

  2  from emp

  3  where  ename like '%_%';

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* where  ename like '%\_%' escape '\'

SQL> /

SQL> rollback;

SQL> select * from emp;

SQL> host cls

SQL> --SQL 原则2. where解析的顺序: 右  ---> 左

SQL> --查询员工信息，按照月薪排序

SQL> select *

  2  from emp

  3  order by sal;

SQL> --order by后面  +  列，表达式，别名，序号

SQL> select empno,ename,sal,sal*12

  2  from emp

  3  order by sal*12 desc;

SQL> ed

已写入 file afiedt.buf

  1  select empno,ename,sal,sal*12 年薪

  2  from emp

  3* order by 年薪 desc

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select empno,ename,sal,sal*12 年薪

  2  from emp

  3* order by 4 desc

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select empno,ename,sal,sal*12 年薪

  2  from emp

  3* order by 5 desc

SQL> /

order by 5 desc

         *

第 3 行出现错误: 

ORA-01785: ORDER BY 项必须是 SELECT-list 表达式的数目 

SQL> --多个列排序

SQL> select *

  2  from emp

  3  order by deptno,sal;

SQL> --a命令  append

SQL> a  desc

  3* order by d

SQL> --order by 作用于后面所有的列，desc只作用于离他最近的一列

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* order by deptno desc,sal desc

SQL> /

SQL> host cls

SQL> --查询员工信息，按照奖金排序

SQL> --null 4：null的排序

SQL> select *

  2  from emp

  3  order by comm;

SQL> set pagesize 20

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3* order by comm desc

SQL> /

SQL> ed

已写入 file afiedt.buf

  1  select *

  2  from emp

  3  order by comm desc

  4* nulls last

SQL> /

SQL> --Oracle中，null最大

SQL> spool off

SQL> host cls

SQL> --当前用户

SQL> show user

USER 为 "SCOTT"

SQL> --当前用户下的表

SQL> select * from tab;

SQL> --员工表的结构

SQL> desc emp

SQL> --查询所有员工的所有信息

SQL> select * from emp;                      

SQL> --设置行宽

SQL> show linesize

linesize 80

SQL> set linesize 120

SQL>  --设置列宽

SQL> col ename for a8

SQL> col sal for 9999

SQL> /

SQL> --通过列名查询

SQL> select empno,ename,job,mgr,hiredate,sal,comm,deptno

  2  form emp;

form emp

     *

第 2 行出现错误: 

ORA-00923: 未找到要求的 FROM 关键字 

SQL> 2

  2* form emp

SQL> --c命令  change

SQL> c /form/from

  2* from emp

SQL> /

SQL> /*

SQL> SQL优化原则

SQL> 1. 尽量使用列名

SQL> */

SQL> host cls

SQL> --查询员工信息：员工号 姓名 月薪

SQL> select empno,ename,sal

  2  from emp;

SQL> --查询员工信息：员工号 姓名 月薪  年薪

SQL> select empno,ename,sal,sal*12

  2  from emp;

SQL>  --查询员工信息：员工号 姓名 月薪  年薪 奖金 年收入

SQL> select empno,ename,sal,sal*12,comm,sal*12+comm

  2  from emp;

SQL> /*

SQL> SQL中的null

SQL> 1. SQL中，包含null的表达式都为null

SQL> 2. SQL中，null永远!=null

SQL> */

SQL> select empno,ename,sal,sal*12,comm,sal*12+nvl(comm,0)

  2  from emp;

SQL> --查询奖金为null的员工

SQL> select *

  2  from emp

  3  where comm=null;

未选定行

SQL> select *

  2  from emp

  3  where comm is null;

SQL> select empno,ename,sal,sal*12,comm,sal*12+nvl(comm,0)

  2  from emp;

SQL> ed

已写入 file afiedt.buf

  1  select empno as "员工号",ename "姓名",sal 月  薪,sal*12,comm,sal*12+nvl(comm,0)

  2* from emp

SQL> /

select empno as "员工号",ename "姓名",sal 月  薪,sal*12,comm,sal*12+nvl(comm,0)

第 1 行出现错误: 

ORA-00923: 未找到要求的 FROM 关键字 

SQL> ed

已写入 file afiedt.buf

  1  select empno as "员工号",ename "姓名",sal "月  薪",sal*12,comm,sal*12+nvl(comm,0)

  2* from emp

SQL> /

SQL> host cls

SQL> --distinct 去掉重复记录

SQL> select deptno from emp;

SQL> select distinct deptno from emp;

SQL> select job from emp;

SQL> select distinct job from emp;

SQL> select distinct deptno,job from emp;

SQL> --distinct作用于后面所有的列

SQL> host cls

SQL> --concat 函数

SQL> select concat('Hello','  World');

select concat('Hello','  World')

 *

第 1 行出现错误: 

ORA-00923: 未找到要求的 FROM 关键字 

SQL> select concat('Hello','  World') from emp;

SQL> select concat('Hello','  World') from dual;          

SQL> select 3+2 from dual;

SQL> select * from tab;

SQL> --dual: 伪表

SQL> --伪列

SQL> select 'hello'||' world' 字符串 from dual;

SQL> --查询员工信息：***的薪水是***

SQL> select ename||'的薪水是'||sal 信息 from emp;

SQL> host cls

SQL> --字符串

SQL> select * from emp;

SQL> spool off

请求头，英文为 Request Headers，用来说明服务器要使用的附加信息，比较重要的信息有 Cookie、Referer、User-Agent 等。

请求体（Request Body）

请求体，即 Request Body 一般承载的内容是 POST 请求中的表单数据，而对于 GET 请求，请求体则为空。

响应（Response）

响应，即 Response，由服务器返回给客户端，可以分为三部分：响应状态码（Response Status Code）、响应头（Response Headers）和响应体（Response Body）。

响应状态码（Response Status Code）

响应状态码，即 Response Status Code，表示服务器的响应状态，如 200 代表服务器正常响应，404 代表页面未找到，500 代表服务器内部发生错误。在爬虫中，我们可以根据状态码来判断服务器响应状态，如状态码为 200，则证明成功返回数据，再进行进一步的处理，否则直接忽略。

响应头（Response Headers）

响应头，即 Response Headers，包含了服务器对请求的应答信息，如 Content-Type、Server、Set-Cookie 等。下面简要说明一些常用的头信息。

响应体（Response Body）

响应体，即 Response Body，这可以说是最关键的部分了，响应的正文数据都在响应体中，比如请求网页时，它的响应体就是网页的 HTML 代码；请求一张图片时，它的响应体就是图片的二进制数据。我们做爬虫请求网页后，要解析的内容就是响应体

参考：

https://cuiqingcai.com/202212.html