mysql导出bacpac_在 Azure 中备份应用

利用Azure App Service中的备份和还原功能,可以轻松地手动或按计划创建应用备份。可以将备份配置为无限期保留。通过覆盖现有应用或还原为另一应用可将应用还原为先前状态的快照。

有关从备份中还原应用的信息,请参阅在Azure中还原应用。

备份的内容

应用服务可将以下信息备份到你配置应用使用的Azure存储帐户和容器。

应用配置

文件内容

连接到应用的数据库

备份功能支持以下数据库解决方案:

SQL数据库

Azure Database for MySQL

Azure Database for PostgreSQL

MySQL应用内产品

备注

每个备份都是应用的完整脱机副本,而不是增量更新。

要求和限制

备份和还原功能要求应用服务计划处于标准层、高级层或隔离层。有关缩放应用服务计划以使用更高层的详细信息,请参阅增加Azure中的应用。与标准层相比,高级层和隔离层每日允许更多备份量。

在与要备份的应用相同的订阅中,需要有一个Azure存储帐户和容器。有关Azure存储帐户的详细信息,请参阅Azure存储帐户概述。

最多可备份10 GB的应用和数据库内容。如果备份大小超过此限制,会出错。

不支持备份启用了TLS的Azure Database for MySQL。如果配置备份,备份将失败。

不支持备份启用了TLS的Azure Database for PostgreSQL。如果配置备份,备份将失败。

应用内MySQL数据库无需任何配置即可自动备份。如果对应用内MySQL数据库进行手动设置,例如添加连接字符串,则备份可能无法正常工作。

不支持将启用了防火墙的存储帐户用作备份目标。如果配置备份,备份将失败。

创建手动备份

1.在Azure门户中,导航到应用的页面,然后选择“备份”。将显示“备份”页。

e214d222944dd626a4d2a50d845d8450.png

备注

若显示以下消息,请单击该消息升级应用服务计划,才能继续备份。有关详细信息,请参阅增加Azure中的应用。

05b32d1a85e89884f7560ae8c7e6ad1f.png

2.在“备份”页上,选择“未配置备份”。单击此处为应用配置备份。

f679895fd7fd6464cde3814dff41c101.png

3.在“备份配置”页中,单击“未配置存储”来配置存储帐户。

16ab51741db825787a19eff7b828f03f.png

4.选择“存储帐户”和“容器”来选择备份目标。该存储帐户必须与要备份的应用属于同一订阅。也可在各自的页面中新建存储帐户或容器。完成后,单击“选择”。

5.在仍处于打开状态的“备份配置”页中,可配置“备份数据库”,接着选择要包含在备份中的数据库(SQL数据库或MySQL),然后单击“确定”。

6a319e62691e63e56b5fed6afae64491.png

备注

若要使数据库显示在此列表中,其连接字符串必须位于应用中“应用程序设置”页的“连接字符串”部分中。

应用内MySQL数据库无需任何配置即可自动备份。如果对应用内MySQL数据库进行手动设置,例如添加连接字符串,则备份可能无法正常工作。

6.在“备份配置”页中,单击“保存”。

7.在“备份”页中,单击“备份”。

e4f8dc965b71c54b769386b1cdb98df7.png

备份过程中会显示进度消息。

配置存储帐户和容器后,可随时启动手动备份。

配置自动执行的备份

1.在“备份配置”页中,将“计划备份”设置为“开”。

8339aefcbc259bacf95aa32b88d805c1.png

2.根据需要配置备份计划,并选择“确定”。

配置部分备份

有时你不想备份应用中的所有内容。以下是一些示例:

·设置每周备份应用,其中包含永远不会更改的静态内容,例如旧的博客文章或图像。

·应用的内容超过10 GB(这是一次可以备份的最大量)。

·不想备份日志文件。

使用部分备份可以精确选择需要备份的文件。

备注

备份中的单个数据库最大可为4GB,但备份的最大总大小为10GB

从备份中排除文件

假定应用中包含的日志文件和静态映像已经过备份且不会发生更改。这种情况下,可排除这些文件夹和文件,以免其存储在将来的备份中。若要从备份中排除文件和文件夹,请在应用的D:homesitewwwroot文件夹中创建一个_backup.filter文件。指定要在此文件中排除的文件和文件夹列表。

可以通过导航到https://.scm.chinacloudsites.cn/DebugConsole来访问文件。如果出现系统提示,请登录到你的Azure帐户。

确定要从备份中排除的文件夹。例如,筛选出突出显示的文件夹和文件。

d07229c90bd9e3703e9a91270bf1c628.png

创建名为_backup.filter的文件并将上述列表放在文件中,但删除D:home。每行列出一个目录或文件。文件的内容应为:

sitewwwrootImagesbrand.png

sitewwwrootImages2014

sitewwwrootImages2013

使用ftp或任何其他方法,将_backup.filter文件上传到站点的D:homesitewwwroot目录。如果需要,可使用Kudu DebugConsole直接创建此文件,并在其中插入内容。

采用通常使用的相同方式运行备份,即手动或自动。现在,_backup.filter中指定的任何文件和文件夹已从计划启动或手动启动的将来备份中排除。

备注

采用与还原定期备份相同的方式,还原站点的部分备份。还原过程会执行正确的操作。

还原完整备份后,站点上的所有内容都被替换为备份中的任何内容。如果文件在站点上但不在备份中,则会将其删除。但在还原部分备份时,位于其中一个限制目录或任何限制文件中的任何内容保持不变。

如何存储备份

对应用进行了一次或多次备份后,可在存储帐户的“容器”页中看到备份以及应用。在存储帐户中,每个备份都由一个.zip文件和一个.xml文件组成,前者包含备份数据,后者包含.zip文件内容的清单。如果想要在无需实际执行应用还原的情况下访问备份,则可以解压缩并浏览这些文件。

应用的数据库备份存储在.zip文件的根目录中。对于SQL数据库,这是BACPAC文件(无文件扩展名),并且可以导入。若要基于BACPAC导出在Azure SQL数据库中创建数据库,请参阅导入BACPAC文件以在Azure SQL数据库中创建数据库。

警告

改动websitebackups容器中的任何文件都导致备份无效,进而无法还原。

使用脚本自动化

可以在Azure CLI或Azure PowerShell中使用脚本自动备份管理。

相关示例如下所示:

Azure CLI示例

Azure PowerShell示例

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值