Cours-1A SIx2 PDF

Cours dInformatique
Bases de donnes
1 anne
Antoine Cornujols
www.lri.fr/~antoine
antoine.cornuejols@agroparistech.fr
http://www.lri.fr/~antoine/Courses/AGRO/TC/Cours-1A-BD-(v3)x2.pdf
Partie 1 - Place de linformatique

Partie 2 - Les bases de donnes
Partie 3 - Bases sur les BD
Partie 4 - Conception des BD
Partie 5 - Manipulation : SQL

Partie 6 - PHP / MySQL
1. Linformatique, cest quoi finalement ?
Informatique - Bases de donnes ! A. Cornujols 2011
2 /170
1. Linformatique
Que serait le monde sans linformatique ?
/170
/170
1. Linformatique
Transports
Avions
Voitures (des ordinateurs sur roues)
Communications
Rseaux (communications par paquets)
Satellites
Modes de pense
Calculs complexes / Simulations
Connaissances toujours porte de clics
Modification de la mmoire et de la cognition
1. Linformatique
1- Science du calcul et de son automatisation

Machine
Algorithmes
2- Science du codage de linformation

Numrisation
Indpendance du support matriel
/170
/170
1. Questions qui occupent les informaticiens

Comment organiser un calcul
2
!
xi yj
i,j=1
2
!
xi yj = x1 y1 + x1 y2 + x2 y1 + x2 y2
i,j=1
4 produits + 3 sommes
2
!
xi yj = (x1 + x2 ) (y1 + y2 )
i,j=1
2 sommes + 1 produit

Comment organiser un calcul : le tri
/170
/170

Tris nafs
Slection : chercher
llment le + petit et
lchanger avec le 1er
lment du tableau, puis
rpter sur le tableau - le 1er
lment
Tri par insertion

Tri par slection
Complexit en O(n2)
Insertion : comme on
range des cartes
n = 106 => O(1012) oprations
Tris rflchis
Quicksort : on prend un
pivot et on range tous les
lments < avant et >=
aprs et on ritre sur les
sous-tableaux
Tri par fusion

Tri rapide (quicksort)
Complexit en O(n log(n))
n = 106 => O(2 x 106) oprations !!

/170

10 /148

11 /148

12 /170

13 /148

14 /148

15 /148

16 /148

Comment organiser un calcul : appariemment de graphe
17 /170

Comment organiser un calcul : intelligence artificielle
18 /170

Comment organiser un calcul : Lennemi absolu
19 /170

Lennemi absolu : le bug
Plantage des ordinateurs, distributeurs bancaires, systmes de rservation,
sites Web, etc.
Blocages de tlphones ou dappareils photos
Crash du tlphone interurbain amricain
une ligne mal place sur un million
Explosion dAriane 501 (1996) et perte de satellites

Dbordement arithmtique dans un calcul inutile
Bug subtil dans la division flottante du Pentium

Cot : 470 millions de dollars pour Intel
20 /170

Comment coder / reprsenter de linformation
21 /170
1. Changement de paradigme
Carte analogique vs. carte numrique sur tablette graphique
22 /170
La photo numrique
23 /170
La photo numrique
Support numrique
Copies multiples
Affichage sur plusieurs dispositifs
Effets spciaux : calculs
Les appareils venir vont tre trs peu chers et trs bons ...
... grce linformatique
24 /170
La photo numrique
25 /170
1. Linformatique comme outil de pense en biologie
La gntique comme un langage : codage / dcodage

Les algorithmes de squencement (shotgun) ont permis le dchiffrement
du gnome
Les rseaux boolens permettent de modliser la dynamique des

rseaux biologiques
Le calcul des processus permet de modliser linteraction entre

molcules
Le calcul sur graphe permet de modliser la :

diffusion dun virus
la comptition entre espces
Les systmes multi-agents permettent de modliser les :
insectes sociaux
bancs de poissons
La rcursion permet de modliser la croissance des plantes
...
26 /170
1. Linformatique ... et vous

Outils de travail
La bureautique
Le travail collaboratif et Internet
Simulation
Comprhension / prdiction de systmes complexes
Ralit virtuelle / augmente
Fouille de donnes
Rgularits, tendances, prdictions, ...
Programmation - Bases de Donnes

Quest-ce qui est possible ?
Interaction avec des informaticiens
Ralisations de petits systmes
27 /170
1. Linformatique ... et vous ?

Outils de travail
1A Bureautique
2A (ATHENS) Publier
sur Internet
La bureautique
Le travail collaboratif et Internet
Simulation
2A (ATHENS)
Informatique et
Comprhension / prdiction de systmes complexes
Sciences de la Vie
Ralit virtuelle / augmente
1A Module Intgratif
Fouille de donnes
Rgularits, tendances, prdictions, ...
3A DA IODAA
Programmation - Bases de Donnes
1A TC SI
1A C et tldtection
2A Java
28 /170
1. Linformatique
Reprsenter le monde
Calculer / infrer / raisonner
1- Savoir reprsenter
Structures de donnes
Reprsentation des connaissances
2- Tous les calculs ne sont pas possibles
Notion de complexit
Distribution / Paralllisation / Cloud computing
3- Il nest pas facile de programmer de manire fiable
Mthodes de production de logiciel
Vrification / Certification
29 /170
1. Linformatique
Linformatique est une science (comme les mathmatiques ou la physique)
Ensemble organis de concepts et doutils
Pour :
aider comprendre le monde
crer des artefacts
30 /170
1. Quest-ce que linformatique
Science du traitement automatis de linformation
Science : un ct thorique (mathmatique) + un ct exprimental

(e.g. simulations (jeux), rseaux par paquets, multi-tches, ...)
Traitement automatis : algorithmes (plus exigeant que les maths)
Information : tout ce qui est numrisable
(e.g. texte, images, musique, signal, ADN, ...)
31 /170
Linformatique concerne les abstractions ...
Choisir les bonnes abstractions

Utiliser plusieurs niveaux dabstraction simultanment
Dfinir les relations entre ces niveaux dabstraction
Comme les maths
32 /170
Linformatique concerne les abstractions ...

... en faisant attention :
Lefficacit
Rapidit
Taille mmoire
Cot calcul
Fonctionnement correct
Est-ce que cela fait ce que lon veut ?
Est-ce que le programme donne une rponse ?
-ilit
Simplicit et lgance
Utilisabilit
Comme les sciences

de lingnieur
Modifiabilit
Maintenabilit
Cot
...
33 /170
1. Linformatique et VOUS
En quoi cela vous concerne ?
1- Acteur direct / en interaction directe avec linformatique
Programmation de simulation
Utilisation de BD, de SIG
Traitement dimages, tldtection
Bio-informatique
E.g. AA :
- Croire que cest magique
- Ne pas demander assez
2- En interaction avec des acteurs directs
Que puis-je attendre de loutil informatique ?
Quest-ce qui est possible / difficile / impossible
Comment interagir / dialoguer / orienter
34 /170
Classes dabstractions et de concepts
Notion de calcul : entre ; sortie ; spcification

Notion dalgorithme : organisation des calculs ; approximation ; heuristiques ; ...
Complexit : calculabilit ; performance
Structures de donnes
Raisonnement : correction ; logique ; heuristiques ; raisonnement imprcis ;
Contrle du calcul : rcursion ; itration ; non-dterminisme ; paralllisme ; distribution
Communication : information ; code ; synchrone/asynchrone ; P2P ; client-serveur ; ...
Contraintes du monde physique : tolrance aux fautes ; imprcisions ; cots ; ...
etc.
35 /170
Des aspects multiples :

Informatique thorique : algorithmique, automates, logique, calculabilit, complexit,
thorie des graphes, . . .
Programmation : plusieurs paradigmes (impratif, fonctionnel, logique, orient objet, ...)
Rseau : transmission de linformation (protocoles, routage, serveurs, ...)
Scurit : cryptologie, vrification de programme, ...
Architecture de systmes : code assembleur, gestion de la mmoire, ...
Intelligence artificielle : raisonnement, apprentissage, reprsentation des
connaissances, ...
Et beaucoup dautres : bases de donnes, bio-informatique, optimisation, ...
36 /170
1. Informatique et recherche AgroParisTech
tude des changes thermiques dans lAtlantique Nord :
Le Gulf-Stream est-il moins actif ?

Grosses bases de donnes rparties ; apprentissage
artificiel ; Systmes experts, ...
tude du risque alimentaire :
partir de textes slectionn sur Internet (EU / USA)

Ontologies, traitement de la langue, ...
Analyse en imagerie mdicale :
dtection en temps rel du contour du rein

Apprentissage artificiel, analyse dimages
37 /170
Ce cours et vous : le projet
partir dun cahier des charges :
Modliser le monde (Entits / Relations)
Traduire en donnes et relations : tables
Choisir et mettre en oeuvre un SGBD (Systme de Gestion de Bases

de Donnes)
Administrer la base de donnes
Grer les utilisateurs ; les ressources
Entretenir la base de donnes
38 /170


2. Les Bases de Donnes
39 /170
2. Quelles donnes ?
Les donnes sont omniprsentes autour de nous ...
Base de donnes sur des films (e.g. Allocin)

Base de donnes bibliothcaire (e.g. BN, Amazon, ...)
Marathon de New-York (Paris, Londres, du Mdoc, ...)
Location de voitures (e.g. Hertz, ...) / Rservation de place davion
Scurit sociale (carte Vital), Hpitaux, ...
Communications tlphoniques (oprateurs)
Second Life
Systmes dinformation gographique
...
40 /170
2. Quelles donnes ?
41 /170
2. Quelles donnes ?
Les donnes sont omniprsentes autour de nous ... dans lentreprise
Les clients
Les produits
Les commandes
Les factures
...
42 /170
2. Quelles donnes ?
43 /170
2. Comment les stocker ?
Comment les ranger dans un ordinateur ?
44 /170
2. Comment les stocker ?
Comment les ranger dans un ordinateur ?
scanner les bons de commande [1/10]

copier les donnes dans un tableau Word [2/10]
copier les donnes dans une feuille Excel [4/10]
copier les donnes dans une base de donnes [10/10]
45 /170
2. Comment structurer les donnes ?
En regardant d'un peu plus prs ...
donnes
du client
donnes
de la
commande
donnes
d'un dtail
46 /170
Reportons ces donnes dans des tableaux :

donnes de la commande
NCOM
DATECOM
donnes du client
TOTAL-COMMANDE
NCLI
NOM
ADRESSE
LOCALITE
69720
B512
GILLET
14,r. de l'Et
Toulouse
30188 2/1/2009
donnes des dtails
NPRO
LIBELLE
PRIX
QCOM
SOUS-TOTAL
CS464
CHEV. SAPIN 400x6x4
220
180
39600
PA45
POINTE ACIER 45 (2K)
105
22
2310
PA60
095
70
6650
PH222
PL. HETRE 200x20x2
230
92
21160
Observations :
1. les donnes TOTAL-COMMANDE et SOUS-TOTAL sont calcules : inutile de
les conserver, on pourra les recalculer en cas de besoin
2. il est impossible de reconstituer le bon de commande d'origine : quel est le
client de la commande, quelle est la commande d'un dtail ?
47 /170
Donnes sans redondances et avec rfrences :

donnes du client
NCOM
NCLI
DATECOM
NCLI
30188
B512
2/1/2009
B512
NOM
ADRESSE
LOCALITE
GILLET 14,r. de l'Et Toulouse
donnes des dtails

NCOM
NPRO
QCOM
LIBELLE
PRIX
30188
CS464
180
CHEV. SAPIN 400x6x4
220
30188
PA45
22
105
30188
PA60
70
095
30188
PH222
92
PL. HETRE 200x20x2
230
Observation
si plusieurs dtails mentionnent le mme produit, ses caractristiques
sont rptes autant de fois : on isole les donnes des produits dans un
tableau spcifique
48 /170
Distribution optimale des donnes des bons de commande

donnes du client
NCOM
NCLI
DATECOM
NCLI
NOM
ADRESSE
LOCALITE
30188
B512
2/1/2009
B512
GILLET
14,r. de l'Et
Toulouse
donnes des dtails
donnes des produits
NCOM
NPRO
QCOM
NPRO
LIBELLE
PRIX
30188
CS464
180
CS464
CHEV. SAPIN 400x6x4
220
30188
PA45
22
PA45
105
30188
PA60
70
PA60
95
30188
PH222
92
PH222
PL. HETRE 200x20x2
230
49 /170
Ajoutons d'autres donnes : notre premire base de donnes
50 /170
Quelques leons partielles
On a besoin de systmes spcifiques pour conserver et manipuler les

donnes
Les donnes sont reprsentes dans des tables
Les lignes sont des entits
Les colonnes sont des proprits
Le dcoupage en tables demande une analyse et une optimisation
Lanalyse doit aller au-del des besoins immdiats (abstraction)
51 /170
2. Utiliser une base de donnes
Que peut-on faire de ces donnes ?

Avant tout, les conserver aussi longtemps que ncessaire !
Les interroger : quel est le numro, le nom et l'adresse des clients de

Toulouse ?
select NCLI, NOM, ADRESSE

from
CLIENT
where LOCALITE = 'Toulouse';
ou encore :
quelles sont les commandes des clients de Toulouse ?
fa c
ile
lus
up
select NCOM
pe ile
un iffic
d
from
COMMANDE
where NCLI in (select NCLI
from CLIENT where LOCALITE = 'Toulouse');
requtes rdiges dans le langage SQL

52 /170

Vrifier une commande lors de son enregistrement : le client est-il connu ? son
adresse a-t-elle chang ? les produits commands sont-ils rpertoris ?
Produire les factures
Prparer le rapprovisionnement des produits en rupture de stock
Calculer le chiffre d'affaire mensuel
Etudier la rpartition gographique des ventes
Et mille autres applications ...
53 /170

Un dernier exemple :
calculer la rpartition du chiffre d'affaire par localit et par produit
select C.LOCALITE, P.NPRO, sum(D.QCOM*P.PRIX)

er
from
CLIENT C, COMMANDE M, DETAIL D, PRODUIT P
ay
ss dre
e
'
d
n
where C.NCLI = M.NCLI and M.NCOM = D.NCOM
tile pre nt !
inu com nsta
and
D.NPRO = P.NPRO
de ur l'i
po
group by C.LOCALITE, P.NPRO;
Cette question complexe est rsolue en une seule instruction SQL de 5 lignes !
54 /170
2. Les SGBD
La gestion d'une base de donnes pose des problmes complexes. Cette gestion est
assure par des logiciels spcialiss : les systmes de gestion de bases de
donnes ou SGBD.
Organisation des donnes : le SGBD organise les donnes en tables permanentes

stockes sur disque; il cre les mcanismes garantissant un accs rapide aux donnes;
il informe les utilisateurs sur ces structures.
Gestion des donnes : le SGBD garantit l'volution cohrente des donnes; il vrifie
que les contraintes (unicit, rfrence entre tables, etc.) sont respectes.
Accs aux donnes : le SGBD permet l'accs aux donnes la fois par l'utilisateur
occasionnel et par les programmes de traitement de donnes.
55 /170
2. Les SGBD
Protection contre les accidents :

le SGBD garantit l'intgrit et l'accessibilit des donnes en cas d'incident ou d'attaque.
Gestion des accs concurrents :

le SGBD permet l'accs simultan aux donnes par des centaines voire des milliers
d'utilisateurs. Il contrle rigoureusement les oprations simultanes sur les mmes
donnes.
Contrle des accs :

le SGBD garantit que seuls les utilisateurs autoriss peuvent accder aux donnes et
les modifier.
56 /170
2. Les dfis des BDs aujourdhui et demain
Multiplicit des types de donnes.

Une base de donnes moderne peut contenir :
des donnes multimdias,
des donnes textuelles,
des donnes spatiales (donnes GPS par exemple),
des donnes historiques (plusieurs lignes par entit),
des donnes semi-structures.
Volumes et performances.
Une base de donnes peut contenir des dizaines de milliers de tables, des milliards
de lignes.
Comment garantir l'accessibilit de ces donnes, leur protection contre les

incidents, des temps d'accs satisfaisants ?
57 /170
Maintenance et volution.
La structure d'une base de donnes peut voluer : ajouter ou supprimer une table,
une colonne, une contrainte.
Comment prserver les donnes et les programmes utilisateurs lors de cette

volution ?
Les donnes distribues et nomades.
Une base de donnes peut tre rpartie et/ou dupliques sur plusieurs ordinateurs
rpartis gographiquement.
Certains de ceux-ci peuvent tre des appareils mobiles (embarqus, portables,

smart phones).
Comment garantir la cohrence, la protection et l'accessibilit des donnes.
58 /170
Les BD et le Web. De nombreuses bases de donnes sont intimement lies au Web.

En outre, le Web peut tre vu comme une gigantesque base de donnes (largement
incohrente et redondante !)
Qu'en est-il des principes rigoureux des bases de donnes dans ce contexte ?
Les donnes dcisionnelles.

Les donnes ne servent pas seulement contrler la gestion et le fonctionnement d'une
entreprise au jour le jour. Elles sont aussi souvent utilises pour soutenir des
dcisions tactiques et stratgiques.
Caractristiques : traitement de trs gros volumes de donnes complexes pour
produire une rponse courte (une heure de traitement de plusieurs traoctets pour en
extraire un seul nombre !)
Comment structurer une base de donnes dans ce sens (= entrepts de donnes) ?
II- Les bases de donnes

59 /170

3- Bases ... sur les Bases de Donnes
60 /170
3. Notions de base
Base de donnes = ensemble de tables
Chaque table a un nom unique (ex : Film)

Chaque table contient les donnes relatives des entits de mme nature.
Chaque ligne (enregistrement) dune table dcrit les donnes relatives une entit.
Chaque colonne dune table dcrit une proprit des entits (ex : Prix).
Les lignes dune table sont distinctes.
Les noms de table et de colonnes constituent le schma de la base.
Les lignes (entits) constituent le contenu de la base.
61 /170
3. Notions de base
Tables, lignes et colonnes

schma
ligne
donnes
colonne
obligatoire
colonne
facultative
62 /170
3. Notions de base
Le schma d'une table dfinit sa structure. Il spcifie notamment :

1. le nom de la table,
2. pour chaque colonne, son nom, son type, son caractre obligatoire,
3. l'identifiant primaire (liste de colonnes)
4. les identifiants secondaires ventuels (liste de colonnes)
5. les cls trangres ventuelles (liste de colonnes et table cible).
Le contenu d'une table est form d'un ensemble de lignes conformes au

schma.
Le contenu d'une table est sujet de frquentes modifications.

Le schma d'une table peut voluer mais moins frquemment.
63 /170
3. Notions de base
identifiant
(cl primaire)
cl trangre
dans le schma
dans les donnes
64 /170
3. Notions de base
Identifiants et cls trangres

Un identifiant est un groupe de colonnes d'une table T tel qu'il ne puisse,
tout moment, exister plus d'une ligne dans T qui possde des valeurs
dtermines pour ces colonnes.
La valeur de l'identifiant permet de dsigner une ligne de T.
Une cl trangre est un groupe de colonnes d'une table S tel qu'il existe,
tout moment, dans une table T, une ligne dont l'identifiant a pour valeur(s)
celle(s) de ce groupe.
La valeur de la cl trangre dans S sert rfrencer une ligne de la
table T.
65 /170
3. Identifiants et cls trangres
Une table peut possder plusieurs identifiants. On choisit l'un d'eux, qu'on
dclare primaire (cl primaire). Les autres sont ds lors secondaires.
L'identifiant primaire est constitu de colonnes obligatoires.
Un identifiant est minimal si chacune de ses colonnes est ncessaire pour

garantir la contrainte d'unicit.
Il est possible de dclarer une table sans identifiant mais ceci n'est pas
recommand.
66 /170
Une cl trangre est associe une contrainte rfrentielle.
Une cl trangre rfrence en principe l'identifiant primaire de la table

cible. Elle peut rfrencer un identifiant secondaire mais ceci n'est pas
recommand.
Une cl trangre et l'identifiant qu'elle rfrence ont la mme composition :

mme nombre de colonnes et colonnes de mmes types prises deux
deux.
Contrainte rfrentielle : il
faut que chaque cl trangre
dsigne une ligne existante de
la table cible.
67 /170
Un identifiant minimal est aussi appel cl candidate (candidate key). [*]

Un identifiant primaire s'appelle aussi cl primaire (primary key).
Cl trangre = foreign key.
[*] problme : le terme cl admet plus de 20 acceptions diffrentes dans le domaine des
bases de donnes !
68 /170
3. Notions de base - Exemple
Un schma
69 /170
3. Notions de base - Exemple

Les donnes
70 /170
3. Notions de base
Variantes de schma


3.1 Introduction
3.2 Modle Entit-Association
3.3 Types d'entits
3.4 Attributs
71 /170
3.5 Types d'associations

3.6 Exemples de schma conceptuel
3.7 Exemple dtaill
4 - Conception dune base de donnes
72 /170
4.1 Pourquoi est-ce difficile de concevoir une BD
Comment construire une base de donnes ?

dfinir les tables, les contraintes, les index, etc.
introduire les donnes dans ces tables (ceci est un autre problme).
Encore faut-il que le schma des tables satisfasse les besoins des utilisateurs des
donnes !
On constate rapidement que les structures d'un schma relationnel constituent un

support inadquat pour exprimer naturellement ces besoins.
L'esprit humain n'est pas conu pour rflchir en termes de tables !
73 /170
4.1 Pourquoi est-ce difficile de concevoir une BD
Gestion des tudiants dans

un tablissement suprieur.
74 /170
4.2 Le modle Entit-Association (E/A)
Il faut un autre langage pour exprimer naturellement les informations que doit
contenir une base de donnes :
le modle Entit-association
Le monde est peru comme form d'entits, dotes de proprits et en

associations les unes avec les autres.
Le monde = ce dont on parle = l'univers du discours = la partie du rel au sujet de

laquelle on dsire enregistrer de l'information = le domaine d'application
=> Modlisation
75 /170
Que sont les besoins des utilisateurs ?

une base de donnes qui contienne toutes les donnes dcrivant son
domaine d'application et elles seulement;
la structure de ces donnes doit tre simple, naturelle, expressive, sans
redondance, ...
On construit une base de donnes (en fait son schma) en deux phases :
1. on identifie les concepts pertinents du domaine d'application, leurs
proprits et leurs associations
= schma conceptuel;
2. on traduit le schma conceptuel en structures de tables
= schma de la base de donnes
76 /170
nonc
Analyse
conceptuelle
Schma
conceptuel
Production du
schma de la BD
Schma SQL
77 /170
Le modle Entit-association propose une lecture du monde (le domaine

d'application) simple mais limite :
le monde est constitu d'objets ou entits
les entits sont classes en types d'entits
les entits d'un type ont des attributs spcifiques
les entits sont en association les unes avec les autres
les associations sont classes en types d'associations.
78 /170
4.3 Types d'entits
dessin des types
CLIENT
CONTRAT
VEHICULE
ACCIDENT
quelques instances
=
population
79 /170
4.4 Attributs
quelques attributs
!
NumClient = C400
Nom = FERARD
Adresse = 65, r. du Tertre
NumClient = B332
Nom = MONTI
Adresse = 112, r. Neuve
quelques
valeurs
NumClient = F010
Nom = TOUSSAINT
Adresse = 5, r. Godefroid
80 /170
4.4 Attributs - Type et attribut obligatoire/facultatif
type d'un attribut
attribut obligatoire/facultatif
81 /170
CLIENT
CLIENT
NumClient
Nom
Adresse
CONTRAT
VEHICULE
NumCtr
NumVh
Marque
Modle
signe
couvre
Type
DateSign
Anne
Cylindre
VEHICULE
appartient
ACCIDENT
implique
CONTRAT
NumAcc
DateAcc
ACCIDENT
Montant[0-1]
dessin des types
quelques instances
82 /170
4.5 Types d'associations - Classe fonctionnelle un--plusieurs (1:N)
DEPARTEMENT
occupe
DEPARTEMENT
EMPLOYE
EMPLOYE
e1
d1
e6
d2
e2
d4
e3
e4
d3
e7
e5
83 /170
4.5 Types d'associations - Classe fonctionnelle un--un (1:1)
DEPARTEMENT
DEPARTEMENT
dirige
EMPLOYE
EMPLOYE
e1
d1
e6
d2
d4
d3
e2
e3
e4
e7
e5
84 /170
4.5 Types d'associations - Classe fonctionnelle plusieurs--plusieurs (N:N)
USINE
fabrique
PRODUIT
USINE
PRODUIT
p1
u1
u4
p2
u2
p3
p4
u3
p5
85 /170
4.5 Types d'associations - Rle obligatoire/facultatif - Cardinalit
rle
facul
tatif
Contrainte de cardinalit
o
rle
bliga
toire
Combinaisons admises
1-1
[0-1] [0-N]
0-1
[1-1] [0-N]
0-N
[0-1] [0-1]
[1-1] [0-1]
86 /170
87 /170
4.6 Exemples - Structure administrative
88 /170
4.6 Exemples - Gestion d'une bibliothque
89 /170
4.6 Exemples - Voyages en train
90 /170
Complment - Outil de dessin de schmas conceptuels
3.7 Exemple dtaill
91 /170
4.7 Exemple - Conception dune BD pour un GIE agricole
Cahier des charges (simplifi)
Des agriculteurs possdent des parcelles
Une parcelle a un et un seul propritaire
Un agriculteur possde une ou plusieurs parcelles
Pour exploiter ces parcelles, les agriculteurs font appel un GIE. Celui-ci
fournit de la main doeuvre dappoint, la journe.
Cette main doeuvre est assure par des employs du GIE.
Chaque employ du GIE a un tarif, qui constitue son salaire journalier brut.
92 /170
Cahier des charges (simplifi)
Des agriculteurs possdent des parcelles
Une parcelle a un et un seul propritaire
Un agriculteur possde une ou plusieurs parcelles
Pour exploiter ces parcelles, les agriculteurs font appel un GIE. Celui-ci
fournit de la main doeuvre dappoint, la journe.
Cette main doeuvre est assure par des employs du GIE.
Chaque employ du GIE a un tarif, qui constitue son salaire journalier

brut.
93 /170
Cahier des charges (simplifi) (2)
Le GIE paie ses employs mensuellement, en fonction de leurs

interventions.
Chaque intervention concerne une parcelle, un employ et un nombre

de jours.
Le systme dinformation dsir doit pouvoir fournir :
la liste des agriculteurs
la liste des employs
la liste des interventions par employ
la liste des interventions par agriculteur
94 /170
Inventaire des donnes (simplifi)
Nom
Prnom
Lieu de
rsidence
Agriculteur : Nom, prnom, lieu de
Dulhac
Anne-Marie
Arith
rsidence
Martoz
Christian
Montargy
Carrez
Franois
Arith
Ferrer
Mariette
Lenoyer
Employ GIE : Nom et prnom
Parcelle : nom, superficie, lieu et
Mernaz
Francine
Lescheraines
propritaire
Martoz
Christian
Lescheraines
Employ : numro insee et salaire

journalier
Comment identifier ?
Interventions : employ, parcelle,

date de dbut, nombre de jours
95 /170
Cl primaire
IdAgri
Nom
Prnom
Lieu de
rsidence
Dulhac
Anne-Marie
Arith
Martoz
Christian
Montargy
Carrez
Franois
Arith
Ferrer
Mariette
Lenoyer
Mernaz
Francine
Lescheraines
Martoz
Christian
Lescheraines
96 /170
Cl primaire : pas ncessairement une seule colonne
Ville_Dep
Ville_Arr
Distance
Aiglun
Saint-Auban
25
Aix-les-Bains
Chambery
14
Rennes
Paris
342
Rennes
Saint-Mal
75
Saint-Alban
Aiglun
23
Table des distances entre villes
97 /170
Type des attributs (colonnes)
Agr-Id
Champ
Type
Agr_id
int(11)
Agr_Nom
varchar(30)
Agr_Prn
varchar(20)
Agr_Resid varchar(50)
Agr_Nom
Agr_Prn
Agr_Resid
Extra
auto_increment
Dulhac
Anne-Marie
Arith
Martoz
Christian
Montargy
Carrez
Franois
Arith
Ferrer
Mariette
Lenoyer
Mernaz
Francine
Lescheraines
Martoz
Christian
Lescheraines
98 /170
Les parcelles
Par_Idf
Par_Nom
Par_Lieu
Par_Superficie
Le Pr au Vent
Arith
350
Le grand Verger
Arith
300
Plan des Bauges
Montargy
220
Les Prs Rus
Arith
750
Lafosse
Montargy
600
Comment indiquer le propritaire ?
99 /170
Les parcelles et leur propritaire

Par_Idf
Par_Nom
Par_Lieu
Le Pr au Vent
Arith
350
Le grand Verger
Arith
300
Montargy
220
Plan des
Bauges
Les Prs Rus
Arith
750
Lafosse
Montargy
600
Parcelles
Une relation entre

deux tables
Par_Superficie Par_Prop
Agr_Id
Agr_Nom
Agriculteur
Agr_Prn
Agr_Resid
Dulhac
Anne-Marie
Arith
Martoz
Christian
Montargy
Carrez
Franois
Arith
Ferrer
Mariette
Lenoyer
Mernaz
Francine
Lescheraines
Martoz
Christian
Lescheraines
100 /170
Les parcelles et leur propritaire

Agriculteur
Agr_id
Parcelle
Par_id
Agr_Nom
Par_Nom
Agr_Prn
Par_Lieu
Agr_Resid
Agriculteur
Cl trangre
Par_Sup
Par_Prop
Une relation 1 n
entre deux tables
Parcelles
101 /170
La table employ
Emp-nss
Emp_Nom
Emp_prn
Emp_tarif
1,75077E+12
Grandet
Marc
110
1,82023E+12
Barnier
Nicole
115
1,79011E+12
Pernet
Henri
119
Quelle cl primaire ?
102 /170
Quelle relation entre les tables parcelle et employ ?
Un employ peut tre amen travailler sur plusieurs parcelles
Sur une mme parcelle peuvent travailler plusieurs employs

(simultanment ou lun aprs lautre)
Cest une relation plusieurs plusieurs : on la reprsente par une

nouvelle table
103 /170

Les parcelles et les employs
Parcelle
Employ
Intervention
Agr_id
Int_Emp_nss
Agr_Nom
Int_Par_id
Int_Deb
Agr_Resid
Int_Nb_Jours
Emp_nss
1,75077E+12
Emp_Nom
Grandet
Emp_prn
Marc
Employ
Par_id
Par_Nom
Par_Lieu
Agr_Prn
Lemploy Grandet a
travaill sur la parcelle du
pr au vent, 5 jours partir
du 5 juillet 2004.
Par_Sup
Par_Prop
Intervention
Int_Emp_nss
Int_Par_i
d
Int_Deb
Int_Nb_Jours
1,75077E+12
2004-07-05
Emp_tarif
110
Parcelle
Par_Idf
Par_Nom
Le Pr au
Vent
Par_Lieu Par_Superficie Par_Prop

Arith
350
104 /170


4.1 Introduction : LDD et LMD

4.2 Cration / modification de table
4.3 Extractions simples
4.4 Extractions complexes
4.5 Les fonctions agrgatives

4.6 Les sous-requtes
5 - LE LANGAGE SQL
(Structured Query Language)
105 /170
5.1 Introduction SQL : LDD et LMD
SQL nest pas un langage de programmation complet

SQL permet :
de dfinir le schma de la base de donnes (LDD)
de charger les tables relationnelles (LMD)
de manipuler les donnes stockes (LMD)
de grer la base de donnes (LDD) : scurit, organisation
physique
Ici
: aperu de la partie LDD
Plus loin : le LMD

106 /170
1. LE LANGAGE SQL LDD

Contenu
1.1 Introduction
1.2 Cration d'un schma
1.3 Cration d'une table
1.4 Modification d'une table
1.5 Exemple
107 /170
5.1 Introduction
Le sous-langage LDD de SQL permet de crer des structures de

donnes et de les modifier.
Les oprations du LDD :
Cration dun schma
Cration dune table
colonnes (obligatoire)
domaine
identifiants primaire et secondaire
cl trangre
Suppression dune table
Ajout, suppression, modification dune colonne
Ajout, suppression dune contrainte
Ajout, suppression dun index
Cration dun espace de stockage
108 /170
CREATION D'UNE TABLE

Contenu
a) Tables, colonnes et domaines

b) Les identifiants
c) Les cls trangres
d) Suppression d'une table
109 /170
5.2 Cration d'une table - Tables, colonnes et domaines
Cration d'une table et de ses colonnes
create table CLIENT ( NCLI

NOM
ADRESSE
LOCALITE
CAT
COMPTE
char(10),
char(32),
char(60),
char(30),
char(2),
decimal(9,2) );
110 /170
Les types de base

numrique
exact
approch
chane de
bits
longueur fixe
longueur variable
longueur indfinie
bit
bit varying
BLOB
caractres
longueur fixe
longueur variable
longueur indfinie
char
character varying
CLOB
temps
smallint, integer, decimal, numeric

real, float, double
date
instant
instant dat
intervalle
date
time
timestamp
interval
boolen
boolean
111 /170
Les colonnes obligatoires

Une colonne est facultative par dfaut.
Il faut dclarer explicitement les colonnes obligatoires

NOM
ADRESSE
LOCALITE
CAT
COMPTE
);
char(10) not
char(32) not
char(60) not
char(30) not
char(2),
decimal(9,2)
null,
null,
null,
null,
not null
112 /170
Valeur par dfaut d'une colonne

Sera assigne la colonne si on ne spcifie pas de valeur
lors de la cration d'une ligne
create table CLIENT (
NCLI
NOM
ADRESSE
LOCALITE
CAT
COMPTE
char(10) not null,

char(32) not null,
char(60) not null,
char(30) not null default 'Paris',
char(2) default 'B1',
decimal(9,2) not null default 0.0
);
create domain MONTANT decimal(9,2) default 0.0;
113 /170
5.2 Cration d'une table - Les identifiants
Les identifiants primaires (primary key)

char(10) not
NOM
char(32) not
ADRESSE char(60) not
LOCALITE char(30) not
CAT
char(2),
COMPTE
decimal(9,2)
primary key (NCLI) );
null,
null,
null,
null,
not null,
114 /170
5.2 Cration d'une table - Les identifiants
Les identifiants secondaires (candidate key)

char(10) not
NOM
char(32) not
ADRESSE char(60) not
LOCALITE char(30) not
CAT
char(2),
COMPTE
decimal(9,2)
primary key (NCLI),
unique (NOM) );
null,
null,
null,
null,
not null,
115 /170
5.2 Cration d'une table - Les cls trangres (foreign key)
create table COMMANDE (NCOM

char(12) not null,
NCLI
char(10) not null,
DATECOM date not null,
primary key (NCOM),
foreign key (NCLI) references CLIENT);
Si l'identifiant cible est secondaire (possible mais dconseill) :

foreign key (NOM) references CLIENT(NOM)
116 /170
5.2 Cration d'une table - Les cls trangres

Variante : contraintes de colonne
NCLI char(10) not null primary key,
. . .
);
NCLI char(10) not null,
NOM char(32) not null unique,
. . .
);
create table COMMANDE (
NCOM char(12) not null,
NCLI char(10) not null references CLIENT,
. . . );
117 /170
5.2 Cration d'une table - Suppression d'une table

Suppression d'une table
drop table COMMANDE;
Attention, opration sous haute surveillance !

la table ne doit plus tre rfrence par une cl trangre;
(E.g. la table DETAIL (ou sa cl trangre vers COMMANDE) doit
avoir t supprime)
118 /170
MODIFICATION D'UNE TABLE

Contenu
a) Ajout, retrait et modification d'une colonne

b) Ajout et retrait d'une contrainte
119 /170
5.3 Modification d'une table - Colonnes

Ajout, retrait et modification d'une colonne
alter table PRODUIT add column POIDS smallint;
r
ute
ajo
alter table PRODUIT drop column PRIX;

s
p
up
rim
er
alter table CLIENT modify column CAT set '00';
r
leu
va t
r
u
ie
dif fa
mo ar d
p
alter table CLIENT modify column CAT drop default;
le
va
er ut
m
ri
fa
pp d
su par
ur
120 /170
5.3 Modification d'une table - Contraintes

Ajout et retrait d'une contrainte
alter table PROSPECT add primary key (NCLI);
alter table CLIENT add unique (NOM,ADRESSE,LOCALITE);
alter table CLIENT modify CAT not null;

alter table CLIENT modify ADRESSE null;
alter table CLIENT
add foreign key (CAT) references CATEGORIE ;
121 /170
5.3 Exemple - Le schma
Traduire ce schma en SQL
122 /170
5.3 Exemple - Le schma et les espaces de stockage
create schema CLICOM;

create dbspace CLI_PRO_DAT;
create dbspace COM_DAT;
123 /170
5.3 Exemple - Les tables
NCLI
NOM
ADRESSE
LOCALITE
CAT
COMPTE
primary key
char(10) not null,

char(32) not null,
char(60) not null,
char(30) not null,
char(2),
decimal(9,2) not null,
(NCLI) ) in CLI_PRO_DAT;
create table PRODUIT ( NPRO

LIBELLE
PRIX
QSTOCK
primary key
char(15) not null,

char(60) not null,
decimal(6) not null,
(NPRO) ) in CLI_PRO_DAT;
create table COMMANDE (NCOM

NCLI
DATECOM
primary key
foreign key
char(12) not null,

char(10) not null,
date not null,
(NCOM),
(NCLI) references CLIENT) in COM_DAT;
create table DETAIL (
NCOM
char(12) not null,
NPRO
char(15) not null,
QCOM
primary key (NCOM,NPRO),
foreign key (NCOM) references COMMANDE,
foreign key (NPRO) references PRODUIT) in COM_DAT;
124 /170
2. LE LANGAGE SQL LMD (1)

Contenu
2.1 Introduction
2.2 Extraction simple
2.3 Conditions plus complexes
2.4 Donnes extraites et donnes drives
2.5 Les fonctions agrgatives
2.6 Les sous-requtes
125 /170
Introduction
Le sous-langage LMD de SQL permet de consulter le contenu des
tables et de les modifier. Il comporte 4 verbes :
La requte select extrait des donnes des tables
La requte insert insre de nouvelles lignes dans une table
La requte delete supprime des lignes d'une table
La requte update modifie les valeurs de colonnes de lignes
existantes
126 /170
5.4 Extraction simple - projection

Personnes
nom
prnom
adresse
tlphone
Martin
Pierre
7 alle des vers 258941236
Dupond
Jean
32 all Poivrot
526389152
Dupond
Marc
8 rue de loctet
123456789
On projette la table
Personnes sur les
colonnes nom et prnom.
SELECT nom, prnom

FROM Personnes
nom
prnom
Martin
Pierre
Dupond
Jean
Dupond
Marc
127 /170
5.5 Extraction simple - slection

Personnes
nom
prnom
adresse
tlphone
Martin
Pierre
Dupond
Jean
32 all Poivrot
526389152
Dupond
Marc
8 rue de loctet
123456789
SELECT *
FROM Personnes
WHERE nom = Dupond
On ne slectionne que les

tuples dont lattribut nom
est gale Dupond.
nom
prnom
adresse
tlphone
Dupond
Jean
32 all Poivrot
526389152
Dupond
Marc
8 rue de loctet
123456789
128 /170
Relation de dpart :
SELECT * FROM Gens
Gens
Nom
Prenom
Age
Dupond
Pierre
24
Martin
Marc
48
Dupont
Jean
51
Martin
Paul
36
Dupond
Lionel
68
Chirac
Jacques
70
SELECT Nom
FROM Gens
Gens
Nom
Dupond
SELECT DISTINCT Nom

FROM Gens
Martin
Dupont
Martin
Gens
Nom
Dupond
Dupond
Martin
Chirac
Dupont
Chirac
129 /170
Gens
Nom
Chirac
SELECT DISTINCT Nom

FROM Gens
ORDER BY Nom ASC
Dupond
Dupont
Martin
Gens
Nom
Chirac
Dupond
Gens
Nom
Dupond
SELECT DISTINCT Nom

FROM Gens
ORDER BY Nom ASC
LIMIT 2
SELECT DISTINCT Nom

FROM Gens
WHERE Nom <> Chirac
ORDER BY Nom ASC
LIMIT 2
130 /170
5.6 Extraction complexe - jointure

Bibliothque
Personnes
nom
Dernierlivre
Dupond
Robinson
32 all Poivrot
Jospin
Faust
Martin
Misre
nom
prnom
adresse
Martin
Pierre
Dupond
Jean
tlphone
526389152
On joint les deux tables, grce

la colonne nom.
SELECT Personnes.prnom, dernierlivre
FROM Personnes, Bibliothque
WHERE Personnes.nom = Bibliothque.nom
prnom
Dernierlivre
Jean
Robinson
Pierre
Misre
Et on combine cette jointure

une projection sur les attributs
nom et dernierlivre.
Attention lever toute ambigut sur les noms dattribut
dans le cas o deux tables
possdent des colonnes de
mme nom.
131 /170
5.7 Conditions plus complexes - les valeurs null
select NCLI
from
CLIENT
where CAT = null;
null ne peut tre compar rien,

mme pas lui-mme !
NCLI
select NCLI
from
CLIENT
where CAT is null;
NCLI
D063
K729
select NCLI
from
CLIENT
where CAT is not null;
132 /170
5.7 Conditions plus complexes - exemples
select nom
from
produit
where prix <= 100.5;
Liste des noms de produits dont le

prix est infrieur ou gal 100.5
select nom, prnom

from
ELEVES
where age between 12 and 16;
Liste des noms et prnoms des

lves dont lge est dans [12,16]
select modle
from
VOITURES
where couleur in (bleu, blanc, noir);
Liste des modles de voitures dont la

couleur est dans la liste : bleu, blanc,
noir.
select modle
from
VOITURES
where couleur not in (rose, violet);
Liste des modles de voitures dont la

couleur nest pas dans la liste : rose,
violet.
133 /170
5.7 Conditions plus complexes - Les masques
select NCLI
from
CLIENT
where CAT like 'B_';
'_' = un caractre
quelconque
masques
select NPRO
from
PRODUIT
where LIBELLE like '%SAPIN%';
'%' = une chane

quelconque
Un masque dfinit une famille de chanes de caractres :

'B_'
"#
'B1'
'Bd'
'B '
'%SAPIN%'
"#
'PL. SAPIN 200x20x2'

'Boite en SAPIN'
'SAPIN VERNI'
'B_'
"#
'xB'
'B'
'B12'
'%SAPIN%'
"#
'Boite en Sapin'
'Achetez S A P I N !'
134 /170
5.7 Conditions plus complexes - Combinaisons logiques
select NOM, ADRESSE, COMPTE

from
CLIENT
where LOCALITE = 'Toulouse' and COMPTE < 0;
select NOM, ADRESSE, COMPTE

where COMPTE > 0
and (CAT = 'C1' or LOCALITE = 'Paris')
135 /170
5.7 Donnes extraites et donnes drives - expressions de calcul
select 'TVA de ', NPRO, ' = ',0.21*PRIX*QSTOCK

from
PRODUIT
where QSTOCK > 500;
TVA de
NPRO
TVA de
TVA de
TVA de
TVA de
CS264
PA45
PH222
PS222
=
=
=
=
0,21*PRIX*QSTOCK
67788
12789
37770.6
47397
e
select NPRO as Produit, 0.21*PRIX*QSTOCK as Valeur_TVA
st
nn
" e colo
t
i
from
PRODUIT
u de
rod
where QSTOCK > 500;
"P alias
un
Produit
CS264
PA45
PH222
PS222
Valeur_TVA
67788
12789
37770.6
47397
136 /170
5.8 Les fonctions agrgatives (statistiques)
select 'Namur',avg(COMPTE) as Moyenne,

max(COMPTE)-min(COMPTE) as Ecart_max,
count(*) as Nombre
from
CLIENT
where
LOCALITE = 'Namur';
Namur
Moyenne Ecart_max Nombre
Namur
-2520
4580
le rsultat ne comprend
qu'une seule ligne
select sum(QSTOCK*PRIX)
from
PRODUIT
where
LIBELLE like '%SAPIN%';
137 /170
5.8 Les fonctions agrgatives (statistiques)
select count(NCLI) as Nombre,

count(NOM) as Noms,
count(LOCALITE) as Localits,
count(CAT) as Catgories
from
CLIENT;
Nombre
16
Noms
16
select count(distinct
count(distinct
count(distinct
count(distinct
from
CLIENT;
Nombre
16
Noms
15
Localits
Catgories
16
14
Si catgories a 2
valeurs nulles de plus
que les autres attributs
NCLI) as Nombre,
NOM) as Noms,
LOCALITE) as Localits,
CAT) as Catgories
Localits
Catgories
7
138 /170
5.9 Les sous-requtes - Principe
select *
from
PRODUIT
where NPRO in
(select NPRO
from
DETAIL
where NCOM in
(select NCOM
from
COMMANDE
where NCLI in
(select NCLI
from
CLIENT
where LOCALITE='Namur')));
les clients de Namur

les commandes des clients de Namur
les dtails des commandes des clients de Namur
les produits rfrencs par les dtails des commandes des clients de Namur
139 /170
5.9 Les sous-requtes - Condition d'association
Une condition in (sous-requte) correspond le plus souvent

une condition d'association = qui sont associs ...
select *
from
T
where CT in (select CS
from
S
where <condition>);
"on recherche les T qui sont associs des S qui ..."
140 /170
5.9 Les sous-requtes - Condition d'association
Insertion et mise jour
insert into CLIENT (NCLI, NOM, ADRESSE, COMPTE)

values (C402, BERNIER, 28 avenue de France, 2367);
update CLIENT
set ADRESSE = 29, avenue de la Magne,
LOCALITE = Niort
where NCLI = F011 ;


141 /170
6.1 Introduction
6.2 Le langage MySQL
6.3 Administration avec phpMyAdmin
6.4 Interface avec PHP
6 - PHP / MySQL
142 /170
6. MySQL
MySQL est un Systme de Gestion de Bases de Donnes
Se charge du stockage, de laccs, de la recherche, de la scurit ... des donnes

Utilise le langage SQL
Systme libre (disponible sous Mac OS X, Linux, Windows, ...)
Lun des plus utilis au monde (e.g. Wikipedia, Google, YouTube, ...)
Multi-utilisateur
Utilisable depuis une grande varit de langages de programmation (C, C++, Java, Python, PHP, ...)
...
143 /170
6. Administration avec phpMyAdmin
phpMyAdmin est une application PHP dveloppe pour administrer une

base MySQL distance via un navigateur web
Application intgre EasyPHP
phpMyAdmin permet galement de visualiser les requtes SQL
144 /170
6. Administration avec phpMyAdmin

Interface intuitive pour ladministration des bases de donnes du serveur
Outil pour :
crer de nouvelles bases
crer / modifier / supprimer des tables
afficher / ajouter / modifier / supprimer des tuples
dans des tables
effectuer des sauvegarde de la structure et/ou des
donnes
effectuer nimporte quelle requte
grer les privilges des utilisateurs
Concrtement, PhpMyAdmin est un ensemble de pages PHP. Ce n'est pas un programme,

mais des pages PHP toutes prtes dont on se sert pour gagner du temps.
145 /170
6. Administration phpMyAdmin : Cration / slection dune base de donnes
Cration / slection dune base de donnes
Et aussi.. choix de la langue de linterface de phpMyAdmin
146 /170
6. Administration avec phpMyAdmin : Gestion de la base de donnes
Introduction
147 /170
6. Administration avec phpMyAdmin : Gestion de la base de donnes
148 /170
6. Administration avec phpMyAdmin : Affichage dune table
149 /170
6. Administration avec phpMyAdmin : Insertion / modification dune ligne
150 /170
6. Administration avec phpMyAdmin : Gestion dune table
151 /170
152 /170
6. Administration avec phpMyAdmin : Affichage de la structure dune table
Affiche le schma de la table :

Structure et/ou donnes
Structure :
dfinition des proprits des attributs
cls
Sortie = requtes SQL de

cration de la table
et dinsertion des enregistrements
Le format CSV est un fichier texte dont chaque ligne reprsente un enregistrement
153 /170
154 /170
6. Administration avec phpMyAdmin : Insertion de donnes dans une table
Accs cet cran par le lien

Insrer des donns provenant
dun fichier texte dans la table de
la page de gestion de la table.
Permet dinsrer des

enregistrements dans une table
partir dun fichier de donnes au
format CSV.
On peut changer les valeurs par dfaut des sparateurs standards du CSV.
155 /170
6. Administration avec phpMyAdmin : Insertion de donnes dans une table
Accs cet cran par le lien

Crer une cl sur X colonnes de
la page de gestion de la table.
Permet de crer une cl sur une

ou plusieurs colonnes.
Il faut nommer la cl, en spcifier le type, et les attributs sur lesquels elle sapplique.
On peut ajouter une autre colonne cette cl avant de valider lajout de la cl.
156 /170
6. Conclusions
Base de donnes = ensemble de donnes structures, persistantes plac

dans des fichiers
Gestion par SGBD (Systme de Gestion de Bases de Donnes)
Stockage ; accs ; recherche ; scurit ...
Exemples : MySQL, ORACLE, PostgreSQL, ...
Langage spcialis : SQL
On choisit une application cliente permettant de dialoguer avec un serveur

MySQL : PHP ; phpMyAdmin ; ...


157 /170
6.1 Introduction
6.2 Le langage MySQL
6.3 Administration avec phpMyAdmin
6.4 Interface avec PHP
Utilisation de MySQL sous PHP
158 /170
6. MySQL et PHP
MySQL dans lenvironnement client-serveur web

MySQL est souvent utilis dans le cadre dun serveur web
avec le langage PHP
Jusquici :
Script
PHP
Page
HTML
HTTP
Client
Serveur
159 /170
6. MySQL et PHP
MySQL dans lenvironnement client-serveur web

MySQL est souvent utilis dans le cadre dun serveur web
avec le langage PHP
Dsormais :
Base de
MySQL
donnes
Serveur
Script
PHP
HTTP
Page
HTML
Client
160 /170
6. Interface avec PHP - connexion
Pour se connecter une base depuis un script PHP
spcifier un nom de serveur
un mot de passe
un nom de base
mysql_connect($server,$user,$password) : permet de se connecter au

serveur $server en tant quutilisateur $user avec le mot de passe
$password, retourne lidentifiant de connexion si succs, FALSE sinon.
mysql_select_db($base[,$id]) : permet de choisir la base $base, peut
prendre un identifiant $id de connexion ; retourne TRUE en cas de succs,
sinon FALSE.
161 /170
6. Interface avec PHP - dconnexion
Pour se dconnecter dune base depuis un script PHP
mysql_close([$id]) : permet de fermer la connexion un serveur de bases

de donnes, largument optionnel $id est lidentifiant de session retourn
louverture de la connexion.
162 /170
6. Interface avec PHP - Exemple
if( $id = mysql_connect(localhost,foobar,0478) ) {

if(mysql_select_db(gigabase) ) {
echo Succs de connexion.;
/* code du script */
} else {
die(Echec de connexion la base.);
}
mysql_close($id);
} else {
die(Echec de connexion au serveur de base de donnes.);
}
V- PHP / MySQL
163 /170
6. Interface avec PHP - Interrogation
Pour envoyer une requte une base de donne, il existe la fonction :

mysql_query($str) qui prend pour paramtre une chane de caractres qui
contient la requte crite en SQL et retourne un identificateur de rsultat
ou FALSE si chec.
$result = mysql_query(SELECT tlphone FROM Personnes WHERE
nom=\$name\);
Recherche le tlphone dune personne portant pour nom la valeur de la chane $name.
Lidentificateur de rsultat $result permettra dautres fonctions dextraire ligne par ligne
les donnes retournes par le serveur.
Chaque appel cette fonction retournera un tuple du rsultat. Cest pourquoi cette
instruction pourra tre utilise au sein dune boucle while qui sarrtera lorsque
mysql_query() renverra FALSE.
164 /170
6. Interface avec PHP - Extraction de donnes (par tableau)
mysql_fetch_row($result) : retourne une ligne de rsultat (un tuple) sous la forme

dun tableau. Les lments du tableau tant les valeurs des attributs de la ligne.
Retourne FALSE sil ny a plus aucune ligne.
$request = SELECT * FROM users;
if($result = mysql_query($request)) {
while($ligne = mysql_fetch_row($result)) {
$id = $ligne[0];
$name = $ligne[1];
$address = $ligne[2];
echo $id - $name, $address <br />;
}
} else {
echo Erreur de requte de base de donnes.;
}
Ici, on accde aux valeurs de la ligne par leur indice dans le tableau.
165 /170
6. Interface avec PHP - Extraction de donnes (par association)
mysql_fetch_array($result) et mysql_fetch_assoc($result) : retournent un tableau

associatif. Les cls tant les noms des attributs et leurs valeurs associes leurs valeurs
respectives. Retourne FALSE sil ny a plus aucune ligne.
$request = SELECT * FROM users;
while($ligne = mysql_fetch_array($result)) {
$id = $ligne[id];
$name = $ligne[name];
$address = $ligne[address];
echo $id - $name, $address <br />;
}
} else {
echo Erreur de requte de base de donnes.;
}
Ici, on accde aux valeurs de la ligne par lattribut dans le tableau associatif.
166 /170
6. Interface avec PHP - Statistiques sur une requte
mysql_num_rows($result) : retourne le nombre de lignes retournes par la

dernire requte SELECT dont on connat lidentifiant de rsultat $result.
$request = SELECT name FROM users WHERE birth > \1980-05-10\;

$result = mysql_query($request) or die(Erreur de base de donnes.);
$num = mysql_num_rows();
167 /170
6. Interface avec PHP - Fonctions sur le serveur
mysql_create_db($base [, $id]) : cration de la base $base.

mysql_db_name($result, $row [, $field]) : Lit les noms des bases de donnes. $result
est lidentifiant de rsultat issu de mysql_list_dbs(). $row est l'index dans le rsultat.
Retourne FALSE si chec.
mysql_db_query($base, $query [, $id]) : excution de la requte $query sur la base
$base. Retourne un identifiant de rsultat si succs ou FALSE si chec.
mysql_drop_db($base [, $id]) : supprime la base de donnes $base. Retourne TRUE si
succs ou FASE si chec.
$result = mysql_list_dbs();
$num = mysql_num_rows($result);
for ($i=0; $i<$num; $i++)
Affiche la liste des bases de donnes

du serveur.
echo mysql_db_name($result, $i).<br />;
168 /170
6. Interface avec PHP - Gestion des erreurs
Il est recommand de tester systmatiquement les valeurs retournes par les fonction
de traitement sur une base de donnes afin dviter la pollution de la page web par des
Warning.
mysql_errno([$id]) : retourne le numro derreur de la dernire opration MySQL
effectue sur la connexion courante ou celle didentifiant $id.
mysql_error([$id]) : retourne le message derreur de la dernire opration MySQL
effectue sur la connexion courante ou celle didentifiant $id.
$request = DELETE FROM users WHERE name LIKE \Martin%\;

} else {
echo Erreur de base de donnes n.mysql_errno().: .mysql_error();
}
169 /170
Remerciements
Ces transparents doivent beaucoup :
Grard Berry
Hugo Etivant
Jean-Luc Hainaut (auteur dun excellent livre sur les BDs)
dont les transparents sont extraordinairement complets et bien faits.
Merci !!
170 /170

Cours-1A SIx2 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours-1A SIx2 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Cours dInformatique

Partie 1 - Place de linformatique

Partie 5 - Manipulation : SQL

1. Linformatique, cest quoi finalement ?

Informatique - Bases de donnes ! A. Cornujols 2011

Que serait le monde sans linformatique ?

Informatique - Bases de donnes ! A. Cornujols 2011

1- Science du calcul et de son automatisation

2- Science du codage de linformation

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Tri par insertion

n = 106 => O(1012) oprations

Tri par fusion

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

1. Questions qui occupent les informaticiens

Explosion dAriane 501 (1996) et perte de satellites

Bug subtil dans la division flottante du Pentium

1. Questions qui occupent les informaticiens

Informatique - Bases de donnes ! A. Cornujols 2011

Informatique - Bases de donnes ! A. Cornujols 2011

Informatique - Bases de donnes ! A. Cornujols 2011

Effets spciaux : calculs

Informatique - Bases de donnes ! A. Cornujols 2011

Informatique - Bases de donnes ! A. Cornujols 2011

1. Linformatique comme outil de pense en biologie

La gntique comme un langage : codage / dcodage

Les rseaux boolens permettent de modliser la dynamique des

Le calcul des processus permet de modliser linteraction entre

Le calcul sur graphe permet de modliser la :

1. Linformatique ... et vous

Programmation - Bases de Donnes

1. Linformatique ... et vous ?

Programmation - Bases de Donnes

Informatique - Bases de donnes ! A. Cornujols 2011

Calculer / infrer / raisonner

Reprsentation des connaissances

2- Tous les calculs ne sont pas possibles