在putty安装目录下，存在可执行文件pscp.exe，用法跟scp命令相似，

win+R 输入 cmd进入命令行，

比如要将本地的LICENCE文件上传到远程计算机192.168.1.105的home/god中，远程主机登陆账号为god，命令如下：

pscp   LICENCE    god@192.168.1.105:/home/god

然后提示输入密码，然后OK

当然，也可以使用putty安装包自带的psftp.exe工具，初级用法跟pscp相同：

pscp LICENCE god@192.168.1.105:/home/god

若是双击运行该psftp.exe，可使用open打开远程主机、cd改变远程目录、lcd改变本地目录、ls查看远程文件列表、put上传文件、get下载文件等命令

还是上例：open 192.168.1.105开始：

1. iBatis的特性易于掌握

iBatis的特性拿来文档看半天到两天就可以掌握了。Hibernate可能需要3倍以上的时间来掌握。

2.iBatis的特性更容易进行SQL的优化

这个应该大家都有共识了。另外Hibernate生成的SQL也实在是太难看了。鉴于有的朋友提到了SQL不太重要。我想在这里强调一下我的经验，一般系统性能的瓶颈都在数据库上。所以这一点是iBatis和Hibernate比较后非常重要的一个优势。

3.iBatis的特性是可以进行细粒度的优化

3.1比如说我有一个表，这个表有几个或者几十个字段，我需要更新其中的一个字段，iBatis 很简单，执行一个SQLUPDATE TABLE_A SETcolumn_1=#column_1# WHERE id=#id#但是用Hibernate的话就比较麻烦了,缺省的情况下Hibernate会更新所有字段。当然我记得Hibernate有一个选项可以控制只保存修改过的字段，但是我不太确定这个功能的负面效果，因此iBatis和Hibernate比较，iBatis的优势很明显。

3.2我需要列出一个表的部分内容，用iBatis的时候，这里面的好处是可以少从数据库读很多数据，节省流量SELECT ID, NAME FROMTABLE_WITH_A_LOT_OF_COLUMN WHERE

3.2.1一般情况下Hibernate会把所有的字段都选出来。比如说有一个上面表有8个字段，其中有一两个比较大的字段，varchar(255)/text。上面的场景中我为什么要把他们也选出来呢？

3.2.2用Hibernate的话，你又不能把这两个不需要的字段设置为 lazy load，因为还有很多地方需要一次把整个 domain object加载出来。这个时候就能显现出iBatis的好处了。

3.2.3Hibernate还有一个方案，就是生成javabean/map/object[](感谢 leelun/cjmm)，但是这样的话就可能会产生大量的多余 class。map/object[]的方式应该不错，我比较喜欢这种方式。

3.3如果我需要更新一条记录（一个对象），如果使用Hibernate，需要现把对象 select 出来，然后再做update。这对数据库来说就是两条SQL。而iBatis只需要一条 update 的SQL就可以了。减少一次与数据库的交互，对于性能的提升是非常重要。

4. 开发方面

4.1开发效率上，我觉得iBatis和Hibernate应该差不多

4.2可维护性方面，我觉得iBatis更好一些。因为iBatis的 SQL都保存到单独的文件中。而Hibernate在有些情况下可能会在 java代码中保存sql/hql。

5. 运行效率

5.1 在不考虑cache 的情况下，iBatis 应该会比Hibernate快一些或者很多（根据实际情况会有所不同）。

当然iBatis和Hibernate相比也有比较大的缺点

1.不同数据库类型的支持不好，如果你要开发的系统是要在对中数据间移植，那可能用Hibernate比较好。

2. 缺省的 cache支持不好，但是Hibernate的 cache 支持其实也不是很好，而且很复杂。尤其是对于大并发量的应用。所以我更倾向于自己管理 cache。

      如果我们想进行数据的查找，最直接的方法就是将待查询的数据与数据库中的数据逐个比对一遍（顺序查找），当然这种方法查找的时间复杂度也是最高的，只能用于数据库容量较小的应用场景，因此我们需要想一些办法来降低查找的时间复杂度。为了进行快速的查找，通常的思路是：1）对数据库中的数据进行预处理，建立某种便于快速查找的数据结构。2）使用多个线程、进程或是机器来并行的查找。

      第二种思路实现起来只需要一些工程性的技巧就可以了；而对于第一种思路来说，则需要人们设计出很聪明的算法才能实现：例如二分查找（首先对数据按照某种属性排序）、分块顺序查找（首先对数据进行排序，然后分成很多块）、Hash查找（首先对数据建立Hash表）、Balance Tree（首先对数据建立平衡的树结构）等等。这些很聪明的算法中所用到的便于快速查找的数据结构，我们通常叫做索引；它就像插在书里的书签一样，便于我们很快地找到之前看到的那一页。

      这些传统的数据索引算法，通常需要人为的指定一些规则，才能对数据库中数据的分布进行分析；那么计算机科学发展到今天，我们是否可以用机器学习的算法来让计算机自动的发现数据的分布特性，从而对数据进行索引呢。答案是肯定的，下面介绍一种简单的，利用聚类算法对数据进行索引的方法。

      假设上图中所有的点为数据库当中每个数据的属性（这里假设数据的属性有两个，所以是二维的点；算法可以直接推广到更高维或低维的情况）。那么利用机器学习算法，首先我们可以利用某些聚类算法（例如k-means），将这些点聚成K类；然后在查询时，我们只需先将待查询数据的属性与这K类数据的中心相比较，然后确定数据所在的区域后，仅顺序的比较这一个区域内的所有数据即可。上面的例子将500个点划分成了K=2类，在查询数据时，首先我们将这个待查数据与2个类的中心进行比较，假设待查询的点与上方的中心较为接近，那么我们只需要将待查询的数据与所有红色的点相比较就可以了，直到找到与其最近的点。

      当然上面聚类个数K也是可以根据数据库的规模进行调整的，并且在每个区域当中，也可以继续划分子区域，使得落入每个区域内点的个数处于合理的水平。在CVPR 2012当中，也有作者提出了更好的基于学习的索引算法，The Inverted Multi-Index；该算法可以在千万甚至上亿级别的数据库中，取得毫秒级别的查询速度。

      这种数据点的快速查找或匹配算法在完善之后是非常有用的，因为它在计算机科学的很多领域当中都有比较重要的应用，例如数据库查询、搜索引擎中基于文本或图像的查询、模式识别、三维重建等等。

http://blog.csdn.net/raocong2010/article/details/9206583