Linux 安装 mysql 【使用 tar.gz | tar.xz安装包-离线安装】

简介: 在Linux系统中使用tar.xz压缩包安装MySQL数据库的详细步骤。包括下载MySQL压缩包,解压到指定目录,创建mysql用户和组,设置目录权限,初始化MySQL,配置my.cnf文件,启动服务,以及修改root用户密码。此外,还提供了如何设置Windows远程登录MySQL服务器的方法。

一、以tar.xz压缩包为安装源

网址:https://downloads.mysql.com/archives/community/

在这里插入图片描述

二、解压压缩包

首先,将压缩包从windows传输到linux上

在这里插入图片描述

解压到/usr/local下,并且将解压的目录名称改为mysql

tar -xvf /tmp/mysql-8.1.0-linux-glibc2.28-x86_64.tar.xz -C /usr/local/ # 解压
mv /usr/local/mysql-8.1.0-linux-glibc2.28-x86_64/ /usr/local/mysql # 重命名

三、建立用户和组

先查看一下,当前的Linux中是否存在mysql的用户和组 (我这里并不存在)

cat /etc/passwd | grep mysql
cat /etc/group  | grep mysql

在这里插入图片描述

添加用户和组

groupadd mysql
useradd -r -g mysql mysql

四、创建目录并修改权限

mkdir -p /data/mysql

查看一下 /data/mysql 以及刚刚解压缩的 /usr/local/mysql 的权限,发现其所属用户和组均为root

ls -dl /usr/local/mysql/
ls -dl /data/mysql/

在这里插入图片描述

将所有者和组均改为mysql

chown -R mysql.mysql /usr/local/mysql
chown -R mysql.mysql /data/mysql

五、初始化mysql

/usr/local/mysql/bin/mysqld --user=mysql --basedir=/usr/local/mysql/ --datadir=/data/mysql --initialize

初始化时,会生成一个初始的密码,需要记录一下,待会儿使用 “qGlt6e<yeDa=”

在这里插入图片描述

六、配置my.cnf配置文件

因为我们是那个压缩包安装,即离线安装,所以这个my.cnf是需要自己手动配置的
命令: vim /etc/my.cnf

将下面的内容,输入到 /etc/my.cnf中

[mysqld]
datadir=/data/mysql
basedir=/usr/local/mysql
socket=/tmp/mysql.sock
user=mysql
port=3306
character-set-server=utf8
# 取消密码验证
# skip-grant-tables
# # Disabling symbolic-links is recommended to prevent assorted security risks
symbolic-links=0
[mysqld_safe]
log-error=/var/log/mysqld.log
pid-file=/var/run/mysqld/mysqld.pid

七、启动服务

① 这里的话,需要将mysqld服务找到,然后复制到 /etc/init.d/mysqld(因为默认的离线安装,它是不识别这个mysqld的)

find / -name mysql-server  # 查找mysql服务
# 如果不存在 /etc/init.d 那么就自己 mkdir /etc/init.d 再进行拷贝
cp /usr/local/mysql/support-files/mysql.server /etc/init.d/mysqld # 复制

② 然后需要安装一下mariadb-server的服务,因为mysql.service依赖于此

yum install -y mariadb-server # 1. 安装服务
systemctl start mariadb.service # 2.启动服务
systemctl enable mariadb.service # 3.设置为开机自启

③ 启动mysql服务

service mysqld start

在这里插入图片描述

④ 接着,需要将 /tmp/mysql.sock 与 /var/lib/mysql/mysql.sock 建立一个软连接 ln -s /tmp/mysql.sock /var/lib/mysql/mysql.sock

八、修改root密码

mysql -uroot -p # 进入mysql
# 输入临时密码  例如我的:qGlt6e<yeDa=

修改密码为 2020SOLO@root

ALTER USER 'root'@'localhost' IDENTIFIED BY '2020SOLO@root';

九、设置windows远程登录

use mysql;
update user set host ='%' where user ='root' and host ='localhost'; # root@localhost 实际访问名称
flush privileges;
exit;

在这里插入图片描述

相关文章
|
10天前
|
弹性计算 人工智能 架构师
阿里云携手Altair共拓云上工业仿真新机遇
2024年9月12日,「2024 Altair 技术大会杭州站」成功召开,阿里云弹性计算产品运营与生态负责人何川,与Altair中国技术总监赵阳在会上联合发布了最新的“云上CAE一体机”。
阿里云携手Altair共拓云上工业仿真新机遇
|
6天前
|
机器学习/深度学习 算法 大数据
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
2024“华为杯”数学建模竞赛,对ABCDEF每个题进行详细的分析,涵盖风电场功率优化、WLAN网络吞吐量、磁性元件损耗建模、地理环境问题、高速公路应急车道启用和X射线脉冲星建模等多领域问题,解析了问题类型、专业和技能的需要。
2506 14
【BetterBench博士】2024 “华为杯”第二十一届中国研究生数学建模竞赛 选题分析
|
6天前
|
机器学习/深度学习 算法 数据可视化
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
2024年中国研究生数学建模竞赛C题聚焦磁性元件磁芯损耗建模。题目背景介绍了电能变换技术的发展与应用,强调磁性元件在功率变换器中的重要性。磁芯损耗受多种因素影响,现有模型难以精确预测。题目要求通过数据分析建立高精度磁芯损耗模型。具体任务包括励磁波形分类、修正斯坦麦茨方程、分析影响因素、构建预测模型及优化设计条件。涉及数据预处理、特征提取、机器学习及优化算法等技术。适合电气、材料、计算机等多个专业学生参与。
1519 14
【BetterBench博士】2024年中国研究生数学建模竞赛 C题:数据驱动下磁性元件的磁芯损耗建模 问题分析、数学模型、python 代码
|
8天前
|
编解码 JSON 自然语言处理
通义千问重磅开源Qwen2.5,性能超越Llama
击败Meta,阿里Qwen2.5再登全球开源大模型王座
531 13
|
1月前
|
运维 Cloud Native Devops
一线实战:运维人少,我们从 0 到 1 实践 DevOps 和云原生
上海经证科技有限公司为有效推进软件项目管理和开发工作,选择了阿里云云效作为 DevOps 解决方案。通过云效,实现了从 0 开始,到现在近百个微服务、数百条流水线与应用交付的全面覆盖,有效支撑了敏捷开发流程。
19282 30
|
1月前
|
人工智能 自然语言处理 搜索推荐
阿里云Elasticsearch AI搜索实践
本文介绍了阿里云 Elasticsearch 在AI 搜索方面的技术实践与探索。
18836 20
|
1月前
|
Rust Apache 对象存储
Apache Paimon V0.9最新进展
Apache Paimon V0.9 版本即将发布,此版本带来了多项新特性并解决了关键挑战。Paimon自2022年从Flink社区诞生以来迅速成长,已成为Apache顶级项目,并广泛应用于阿里集团内外的多家企业。
17524 13
Apache Paimon V0.9最新进展
|
8天前
|
人工智能 自动驾驶 机器人
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
过去22个月,AI发展速度超过任何历史时期,但我们依然还处于AGI变革的早期。生成式AI最大的想象力,绝不是在手机屏幕上做一两个新的超级app,而是接管数字世界,改变物理世界。
458 48
吴泳铭:AI最大的想象力不在手机屏幕,而是改变物理世界
|
1天前
|
云安全 存储 运维
叮咚!您有一份六大必做安全操作清单,请查收
云安全态势管理(CSPM)开启免费试用
355 4
叮咚!您有一份六大必做安全操作清单,请查收
|
2天前
|
存储 关系型数据库 分布式数据库
GraphRAG:基于PolarDB+通义千问+LangChain的知识图谱+大模型最佳实践
本文介绍了如何使用PolarDB、通义千问和LangChain搭建GraphRAG系统,结合知识图谱和向量检索提升问答质量。通过实例展示了单独使用向量检索和图检索的局限性,并通过图+向量联合搜索增强了问答准确性。PolarDB支持AGE图引擎和pgvector插件,实现图数据和向量数据的统一存储与检索,提升了RAG系统的性能和效果。