Python如何实现SQL自动化

本篇内容主要讲解“Python如何实现SQL自动化”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“Python如何实现SQL自动化”吧!

从基础开始

import pyodbc from datetime import datetime classSql:     def__init__(self,  database, server="XXVIR00012,55000"):         # here we are  telling python what to connect to (our SQL Server)         self.cnxn = pyodbc.connect("Driver={SQL  Server Native Client 11.0};"                                    "Server="+server+";"                                    "Database="+database+";"                                    "Trusted_COnnection=yes;")         # initialise  query attribute         self.query ="--  {}\n\n-- Made in Python".format(datetime.now()                                                           .strftime("%d/%m/%Y"))

这个代码就是操作MS SQL服务器的基础。只要编写好这个代码，通过Python 连接到SQL 仅需:

sql = Sql(&＃39;database123&＃39;)

很简单对么?同时发生了几件事，下面将对此代码进行剖析。class Sql:

首先要注意，这个代码包含在一个类中。笔者发现这是合乎逻辑的，因为在此格式中，已经对此特定数据库进行了增添或移除进程。若见其工作过程，思路便能更加清晰。

初始化类:

def __init__(self, database,server="XXVIR00012,55000"):

因为笔者和同事几乎总是连接到相同的服务器，所以笔者将这个通用浏览器的名称设为默认参数server。

在“Connect to Server”对话框或者MS SQL Server Management Studio的视窗顶端可以找到服务器的名称：

下一步，连接SQL:

self.cnxn =pyodbc.connect("Driver={SQL Server Native Client 11.0};"                           "Server="+self.server+";"                           "Database="+self.database+";"                           "Trusted_COnnection=yes;")

pyodbc 模块，使得这一步骤异常简单。只需将连接字符串过渡到 pyodbc.connect(...) 函数即可，点击以了解详情here。

最后，笔者通常会在 Sql 类中编写一个查询字符串，sql类会随每个传递给类的查询而更新:

self.query = "-- {}\n\n--Made in Python".format(datetime.now()                                              .strftime("%d/%m/%Y"))

这样便于记录代码，同时也使输出更为可读，让他人读起来更舒服。

请注意在下列的代码片段中，笔者将不再更新代码中的self.query 部分。

组块

一些重要函数非常有用，笔者几乎每天都会使用。这些函数都侧重于将数据从数据库中传入或传出。

以下图文件目录为始:

对于当前此项目，需要:

• 将文件导入SQL

• 将其合并到单一表格内

• 根据列中类别灵活创建多个表格

SQL类不断被充实后，后续会容易很多:

import sys sys.path.insert(0, r&＃39;C:\\User\medium\pysqlplus\lib&＃39;) import os from data importSql sql =Sql(&＃39;database123&＃39;)  # initialise the Sql object directory =r&＃39;C:\\User\medium\data\\&＃39;  # this is where our generic data is  stored file_list = os.listdir(directory)  # get a list of all files for file in  file_list:  # loop to import  files to sql     df = pd.read_csv(directory+file)  # read file to dataframe     sql.push_dataframe(df, file[:-4]) # now we  convert our file_list names into the table names we have imported to SQL table_names = [x[:-4] for x in file_list] sql.union(table_names, &＃39;generic_jan&＃39;)  # union our files into one new table  called &＃39;generic_jan&＃39; sql.drop(table_names)  # drop our original tables as we now  have full table # get list of  categories in colX, eg [&＃39;hr&＃39;, &＃39;finance&＃39;, &＃39;tech&＃39;, &＃39;c_suite&＃39;] sets =list(sql.manual("SELECT  colX AS &＃39;category&＃39; FROM generic_jan GROUP BY colX", respOnse=True)[&＃39;category&＃39;]) for category in sets:     sql.manual("SELECT *  INTO generic_jan_"+category+" FROM  generic_jan WHERE colX = &＃39;"+category+"&＃39;")

从头开始。

入栈数据结构

defpush_dataframe(self, data,  table="raw_data", batchsize=500):     # create execution cursor     cursor = self.cnxn.cursor()     # activate fast execute     cursor.fast_executemany =True     # create create table statement     query ="CREATE  TABLE ["+ table +"] (\n"     # iterate through each column to be  included in create table statement     for i inrange(len(list(data))):         query +="\t[{}]  varchar(255)".format(list(data)[i])  # add column (everything is varchar  for now)         # append correct  connection/end statement code         if i !=len(list(data))-1:             query +=",\n"         else:             query +="\n);"     cursor.execute(query)  # execute the create table statement     self.cnxn.commit()  # commit changes     # append query to our SQL code logger     self.query += ("\n\n--  create table\n"+ query)     # insert the data in batches     query = ("INSERT  INTO [{}] ({})\n".format(table,                                                &＃39;[&＃39;+&＃39;], [&＃39;  # get columns                                                .join(list(data)) +&＃39;]&＃39;) +              "VALUES\n(?{})".format(",  ?"*(len(list(data))-1)))     # insert data into target table in  batches of &＃39;batchsize&＃39;     for i inrange(0, len(data), batchsize):         if i+batchsize >len(data):             batch = data[i: len(data)].values.tolist()         else:             batch = data[i: i+batchsize].values.tolist()         # execute batch  insert         cursor.executemany(query, batch)         # commit insert  to SQL Server         self.cnxn.commit()

此函数包含在SQL类中，能轻松将Pandas dataframe插入SQL数据库。

其在需要上传大量文件时非常有用。然而，Python能将数据插入到SQL的真正原因在于其灵活性。

要横跨一打Excel工作簿才能在SQL中插入特定标签真的很糟心。但有Python在，小菜一碟。如今已经构建起了一个可以使用Python读取标签的函数，还能将标签插入到SQL中。

Manual(函数)

defmanual(self, query,  respOnse=False):     cursor = self.cnxn.cursor()  # create execution cursor     if response:         returnread_sql(query,  self.cnxn)  # get sql query  output to dataframe     try:         cursor.execute(query)  # execute     except pyodbc.ProgrammingErroras error:         print("Warning:\n{}".format(error))  # print error as a warning     self.cnxn.commit()  # commit query to SQL Server     return"Query  complete."

此函数实际上应用在union 和 drop 函数中。仅能使处理SQL代码变得尽可能简单。

response参数能将查询输出解压到DataFrame。generic_jan 表中的colX ，可供摘录所有独特值，操作如下:

sets =list(sql.manual("SELECT colX AS &＃39;category&＃39; FROM generic_jan GROUP BYcolX", respOnse=True)[&＃39;category&＃39;])

Union(函数)

构建 了manual 函数,创建 union 函数就简单了:

defunion(self,  table_list, name="union", join="UNION"):     # initialise the query     query ="SELECT *  INTO ["+name+"] FROM (\n"     # build the SQL query     query +=f&＃39;\n{join}\n&＃39;.join(                         [f&＃39;SELECT [{x}].* FROM [{x}]&＃39;for x in table_list]                         )     query +=")  x"  # add end of  query     self.manual(query, fast=True)  # fast execute

创建 union 函数只不过是在循环参考 table_list提出的表名，从而为给定的表名构建  UNION函数查询。然后用self.manual(query)处理。

Drop(函数)

上传大量表到SQL服务器是可行的。虽然可行，但会使数据库迅速过载。 为解决这一问题，需要创建一个drop函数:

defdrop(self,  tables):     # check if single or list     ifisinstance(tables, str):         # if single  string, convert to single item in list for for-loop         tables = [tables]     for table in tables:         # check for  pre-existing table and delete if present         query = ("IF  OBJECT_ID (&＃39;["+table+"]&＃39;, &＃39;U&＃39;)  IS NOT NULL "                  "DROP TABLE  ["+table+"]")         self.manual(query)  # execute

到此，相信大家对“Python如何实现SQL自动化”有了更深的了解，不妨来实际操作一番吧！这里是编程笔记网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！