由 dawei 副标题#e#
本文基于python, 使用pandas, pymysql等三方库实现了向数据库中高效批量插入数据，一方面提供被网上很多瞎转载的答案给坑蒙了的人(因为我也是)，一方面自己也做个笔记，以后方便查阅
需求原因
最近在处理一个需求，有关批量往数据库插入数据的，描述如下
原来的程序是基于sql的存储过程进行数据的更新修改操作，由于数据量较大，导致对数据库压力太大，于是需要将程序重构为用python读取文件的方式将数据做计算处理，减少这部分的压力，最后仅仅将计算的结果调用aws的lambda服务重新更新到数据库中就可以了，减少了极大的压力，也降低了成本。涉及数据库主要是插入及更新操作
版本库信息
基于linux系统写的
三方库 >>> pandas 1.0.5, pymysql 0.9.3
python版本 >>> 3.7
标准库 >> os
逻辑梳理
实际上，最后一步，要写入数据库的文件数据是存储在内存中的。因为读取文件后进行的计算都是在内存中进行的，那么计算的结果也没必要再写到本地，再去读取，再写入数据库,这是会影响程序的效率的。逻辑如下
读取文件
文件的拼接及计算，生成新的df
初始化数据库的连接
将df所需数据转换为元组数据(取决于数据库的三方库的接口是如何支持批量操作的)
将数据写入数据库
检查数据库内容即可
分步实现及分析
读取文件
给文件路径，然后去读文件就行了，强调一下需要注意的点
绝对路径: 这种最简单，直接给路径字符串就行了，但是一旦文件夹目录结构变化，就需要频繁的改
相对路径: 我一般喜欢先在脚本中定位当前脚本的位置，然后通过相对路径去找，这样只要你整个包内部的目录结构不变化，都不用改，就算部署上线也是直接根据包的位置来，很方便
pandas默认会将所有数字读取为float类型，所以对于那种看起来是数字，但实际上是需要当作字符串使用的字段进行类型的转换
import pandas as pd
import numpy as np
# 当前脚本的位置
current_folder_path = os.path.dirname(__file__)
# 你的文件的位置
your_file_path1 = os.path.join(current_folder_path, "文件的名字1")
your_file_path2 = os.path.join(current_folder_path, "文件的名字2")
# 我这里是以读取csv文件为例, delimiter为我们内部约定的列之间的分割符
df1 = pd.read_csv(your_file_path1, dtype={"column1": str, "column2": str}, delimiter="/t")
df2 = pd.read_csv(your_file_path2, dtype={"column1": str, "column2": str}, delimiter="/t")
文件的拼接及计算
文件的拼接主要就是merge和concat两个语法的使用，强调一下小知识点
merge语法主要是对应于sql语言的内连接，外连接，左连接和右连接等
concat主要是用来将相同结构的df单纯的拼接起来(也就是列表的总行数增加)
# 这里以左连接举例, 假设只有两个文件拼接
ret_df = pd.merge(df1, df2, left_on=["column_name"], right_on=["column_name"], how="left")
初始化连接
导入三方库pymysql，初始化连接
# pymysql的接口获取链接
def mysql_conn(host, user, password, db, port=3306, charset="utf8"):
# 传参版本
conn = pymysql.connect(host=host, user=user, password=password, database=db, port=port, charset=charset)
return conn
对应接口转换数据
数据插入要考虑写入一个事务，因为失败的话，要保证对数据库没有影响
构造符合对应接口的数据格式，通过查询，pymysql有两种可以执行语句的接口
execute(单条插入语句)
执行单条语句的接口
类似这种: Insert into table_name (column) values (value);
executemany(批量插入语句)
执行多条语句的接口
类似这种: Insert into table_name (column1, column2, column3) values (value1, value2, value3);
具体实现如下
# 先创建cursor负责操作conn接口
#p#副标题#e#
conn = mysql_conn("your db host", "your username", "your password", "db name")
cursor = conn.cursor()
# 开启事务
conn.begin()
############# 构造批量数据的过程 #############
# 先构造需要的或是和数据库相匹配的列
columns = list(df.columns)
# 可以删除不要的列或者数据库没有的列名
columns.remove("列名")
# 重新构造df,用上面的columns,到这里你要保证你所有列都要准备往数据库写入了
new_df = df[columns].copy()
# 构造符合sql语句的列，因为sql语句是带有逗号分隔的,(这个对应上面的sql语句的(column1, column2, column3))
columns = ','.join(list(new_df.columns))
# 构造每个列对应的数据，对应于上面的((value1, value2, value3))
data_list = [tuple(i) for i in gdsord_df.values] # 每个元组都是一条数据，根据df行数生成多少元组数据
# 计算一行有多少value值需要用字符串占位
s_count = len(data_list[0]) * "%s,"
# 构造sql语句
#p#副标题#e##p#分页标题#e#
insert_sql = "insert into " + "数据库表名" + " (" + columns + ") values (" + s_count[:-1] + ")"
将数据写入数据库
这个简单，直接上代码
cursor.executemany(insert_sql, data_list)
conn.commit()
cursor.close()
conn.close()
检查数据库是否插入成功
如果没问题的话，就可以同时进行多个文件读写，计算，最后启用多线程同时向数据库中写入数据了，非常高效!
完整代码
import pandas as pd
import numpy as np
# pymysql接口
def mysql_conn(host, user, password, db, port=3306, charset="utf8"):
conn = pymysql.connect(host=host, user=user, password=password, database=db, port=port, charset=charset)
return conn
# 当前脚本的位置
current_folder_path = os.path.dirname(__file__)
# 你的文件的位置
your_file_path1 = os.path.join(current_folder_path, "文件的名字1")
your_file_path2 = os.path.join(current_folder_path, "文件的名字2")
# 我这里是以读取csv文件为例, delimiter为我们内部约定的列之间的分割符
df1 = pd.read_csv(your_file_path1, dtype={"column1": str, "column2": str}, delimiter="/t")
#p#副标题#e#
df2 = pd.read_csv(your_file_path2, dtype={"column1": str, "column2": str}, delimiter="/t")
# 合并
ret_df = pd.merge(df1, df2, left_on=["column_name"], right_on=["column_name"], how="left")
# 先创建cursor负责操作conn接口
conn = mysql_conn("your db host", "your username", "your password", "db name")
cursor = conn.cursor()
# 开启事务
conn.begin()
# 先构造需要的或是和数据库相匹配的列
columns = list(df.columns)
# 可以删除不要的列或者数据库没有的列名
columns.remove("列名")
# 重新构造df,用上面的columns,到这里你要保证你所有列都要准备往数据库写入了
new_df = df[columns].copy()
# 构造符合sql语句的列，因为sql语句是带有逗号分隔的,(这个对应上面的sql语句的(column1, column2, column3))
columns = ','.join(list(new_df.columns))
# 构造每个列对应的数据，对应于上面的((value1, value2, value3))
data_list = [tuple(i) for i in gdsord_df.values] # 每个元组都是一条数据，根据df行数生成多少元组数据
# 计算一行有多少value值需要用字符串占位
s_count = len(data_list[0]) * "%s,"
# 构造sql语句
insert_sql = "insert into " + "数据库表名" + " (" + columns + ") values (" + s_count[:-1] + ")"
try:
cursor.executemany(insert_sql, data_list)
conn.commit()
cursor.close()
conn.close()
except Exception as e:
# 万一失败了，要进行回滚操作
conn.rollback()
cursor.close()
conn.close()