100%让你在10分钟内学会如何用Python将数据批量的插入到数据库

 

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

1. 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
2. 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

1. 类似这种: Insert into table_name (column) values (value);
2. 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 
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 
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") 
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()