python實時查詢數據庫的簡單介紹

本文目錄一覽：

• 1、python查詢AD域信息的方法總結
• 2、python 怎麼查詢mysql數據庫
• 3、如何用 Python 實現一個圖數據庫（Graph Database）？
• 4、如何用python pymysql查看數據庫
• 5、掌握Python 操作 MySQL 數據庫

python查詢AD域信息的方法總結

很多公司都在使用AD域來管理用戶及組織架構，我們可以使用Python來進行自動化運維。網上很多資料不全而且都很古老，特地根據最近的代碼編寫經歷，編寫了如下通過python查詢AD域信息方法總結：

環境：

原理匯總 ：

通過LDAP協議來連接及訪問AD域服務，可以把AD域理解成某種類型數據庫，我們通過AD賬號和密碼來訪問其中存儲數據庫字段信息。為了更好地了解其中字段及含義，建議下載一個ADExplorer.exe綠色工具軟件，直接去微軟官網下載免費的綠色軟件，以下是下載鏈接（查看左邊的菜單Networking Utilities中包含的Active Directory Explorer）：

通過這個軟件，我們可以很方便地查看各種字段信息，為後面的連接獲取足夠的前提信息 。

#建立和關閉域連接

以上代碼把連接和關閉連接分開，是為了避免在一個程序中需要頻繁調用連接時，避免經常關閉，可以節省大量的資源和時間，可以在程序開頭建立連接，在程序退出時才關閉即可

#模糊查詢組信息

#模糊查詢域中的workstation信息

查詢到所需信息以後，還可以直接調用pandas，保存為excel文件

python 怎麼查詢mysql數據庫

#!/usr/bin/python

import MySQLdb

# 打開數據庫連接

db = MySQLdb.connect(“localhost”,”testuser”,”test123″,”TESTDB” )

#打開游標

cursor = db.cursor()

# 執行數據庫查詢

cursor.execute(“SELECT * from users”)

# 獲取結果集的第一行

data = cursor.fetchone()

print “Database version : %s ” % data

# 關閉連接

db.close()

如何用 Python 實現一個圖數據庫（Graph Database）？

本文章是 重寫 500 Lines or Less 系列的其中一篇，目標是重寫 500 Lines or Less 系列的原有項目：Dagoba: an in-memory graph database。

Dagoba 是作者設計用來展示如何從零開始自己實現一個圖數據庫（ Graph Database ）。該名字似乎來源於作者喜歡的一個樂隊，另一個原因是它的前綴 DAG 也正好是有向無環圖 （ Directed Acyclic Graph ） 的縮寫。本文也沿用了該名稱。

圖是一種常見的數據結構，它將信息描述為若干獨立的節點（ vertex ，為了和下文的邊更加對稱，本文中稱為 node ），以及把節點關聯起來的邊（ edge ）。我們熟悉的鏈表以及多種樹結構可以看作是符合特定規則的圖。圖在路徑選擇、推薦算法以及神經網絡等方面都是重要的核心數據結構。

既然圖的用途如此廣泛，一個重要的問題就是如何存儲它。如果在傳統的關係數據庫中存儲圖，很自然的做法就是為節點和邊各自創建一張表，並用外鍵把它們關聯起來。這樣的話，要查找某人所有的子女，就可以寫下類似下面的查詢：

還好，不算太複雜。但是如果要查找孫輩呢？那恐怕就要使用子查詢或者 CTE(Common Table Expression) 等特殊構造了。再往下想，曾孫輩又該怎麼查詢？孫媳婦呢？

這樣我們會意識到，SQL 作為查詢語言，它只是對二維數據表這種結構而設計的，用它去查詢圖的話非常笨拙，很快會變得極其複雜，也難以擴展。針對圖而言，我們希望有一種更為自然和直觀的查詢語法，類似這樣：

為了高效地存儲和查詢圖這種數據結構，圖數據庫（ Graph Database ）應運而生。因為和傳統的關係型數據庫存在極大的差異，所以它屬於新型數據庫也就是 NoSql 的一個分支（其他分支包括文檔數據庫、列數據庫等）。圖數據庫的主要代表包括 Neo4J 等。本文介紹的 Dagoba 則是具備圖數據庫核心功能、主要用於教學和演示的一個簡單的圖數據庫。

原文代碼是使用 JavaScript 編寫的，在定義調用接口時大量使用了原型（ prototype ）這種特有的語言構造。對於其他主流語言的用戶來說，原型的用法多少顯得有些彆扭和不自然。

考慮到本系列其他數據庫示例大多是用 Python 實現的，本文也按照傳統，用 Python 重寫了原文的代碼。同樣延續之前的慣例，為了讓讀者更好地理解程序是如何逐步完善的，我們用迭代式的方法完成程序的各個組成部分。

原文在 500lines 系列的 Github 倉庫中只包含了實現代碼，並未包含測試。按照代碼注釋說明，測試程序位於作者的另一個代碼庫中，不過和 500lines 版本的實現似乎略有不同。

本文實現的代碼參考了原作者的測試內容，但跳過了北歐神話這個例子——我承認確實不熟悉這些神祇之間的親緣關係，相信中文背景的讀者們多數也未必了解，雖然作者很喜歡這個例子，想了想還是不要徒增困惑吧。因此本文在編寫測試用例時只參考了原文關於家族親屬的例子，放棄了神話相關的部分，儘管會減少一些趣味性，相信對於入門級的代碼來說這樣也夠用了。

本文實現程序位於代碼庫的 dagoba 目錄下。按照本系列程序的同意規則，要想直接執行各個已完成的步驟，讀者可以在根目錄下的 main.py 找到相應的代碼位置，取消注釋並運行即可。

本程序的所有步驟只需要 Python3 ，測試則使用內置的 unittest , 不需要額外的第三方庫。原則上 Python3.6 以上版本應該都可運行，但我只在 Python3.8.3 環境下完整測試過。

本文實現的程序從最簡單的案例開始，通過每個步驟逐步擴展，最終形成一個完整的程序。這些步驟包括：

接下來依次介紹各個步驟。

回想一下，圖數據庫就是一些點（ node ）和邊（ edge ）的集合。現在我們要做出的一個重大決策是如何對節點/邊進行建模。對於邊來說，必須指定它的關聯關係，也就是從哪個節點指向哪個節點。大多數情況下邊是有方向的——父子關係不指明方向可是要亂套的！

考慮到擴展性及通用性問題，我們可以把數據保存為字典（ dict ），這樣可以方便地添加用戶需要的任何數據。某些數據是為數據庫內部管理而保留的，為了明確區分，可以這樣約定：以下劃線開頭的特殊字段由數據庫內部維護，類似於私有成員，用戶不應該自己去修改它們。這也是 Python 社區普遍遵循的約定。

此外，節點和邊存在互相引用的關係。目前我們知道邊會引用到兩端的節點，後面還會看到，為了提高效率，節點也會引用到邊。如果僅僅在內存中維護它們的關係，那麼使用指針訪問是很直觀的，但數據庫必須考慮到序列化到磁盤的問題，這時指針就不再好用了。

為此，最好按照數據庫的一般要求，為每個節點維護一個主鍵（ _id ），用主鍵來描述它們之間的關聯關係。

我們第一步要把數據庫的模型建立起來。為了測試目的，我們使用一個最簡單的數據庫模型，它只包含兩個節點和一條邊，如下所示：

按照 TDD 的原則，首先編寫測試：

與原文一樣，我們把數據庫管理接口命名為 Dagoba 。目前，能夠想到的最簡單的測試是確認節點和邊是否已經添加到數據庫中：

assert_item 是一個輔助方法，用於檢查字典是否包含預期的字段。相信大家都能想到該如何實現，這裡就不再列出了，讀者可參考 Github 上的完整源碼。

現在，測試是失敗的。用最簡單的辦法實現數據庫：

需要注意的是，不管添加節點還是查詢，程序都使用了拷貝後的數據副本，而不是直接使用原始數據。為什麼要這樣做？因為字典是可變的，用戶可以在任何時候修改其中的內容，如果數據庫不知道數據已經變化，就很容易發生難以追蹤的一致性問題，最糟糕的情況下會使得數據內容徹底混亂。

拷貝數據可以避免上述問題，代價則是需要佔用更多內存和處理時間。對於數據庫來說，通常查詢次數要遠遠多於修改，所以這個代價是可以接受的。

現在測試應該正常通過了。為了讓它更加完善，我們可以再測試一些邊緣情況，看看數據庫能否正確處理異常數據，比如：

例如，如果用戶嘗試添加重複主鍵，我們預期應拋出 ValueError 異常。因此編寫測試如下：

為了滿足以上測試，代碼需要稍作修改。特別是按照 id 查找主鍵是個常用操作，通過遍歷的方法效率太低了，最好是能夠通過主鍵直接訪問。因此在數據庫中再增加一個字典：

完整代碼請參考 Github 倉庫。

在上個步驟，我們在初始化數據庫時為節點明確指定了主鍵。按照數據庫設計的一般原則，主鍵最好是不具有業務含義的代理主鍵（ Surrogate key ），用戶不應該關心它具體的值是什麼，因此讓數據庫去管理主鍵通常是更為合理的。當然，在部分場景下——比如導入外部數據——明確指定主鍵仍然是有用的。

為了同時支持這些要求，我們這樣約定：字段 _id 表示節點的主鍵，如果用戶指定了該字段，則使用用戶設置的值（當然，用戶有責任保證它們不會重複）；否則，由數據庫自動為它分配一個主鍵。

如果主鍵是數據庫生成的，事先無法預知它的值是什麼，而邊（ edge ）必須指定它所指向的節點，因此必須在主鍵生成後才能添加。由於這個原因，在動態生成主鍵的情況下，數據庫的初始化會略微複雜一些。還是先寫一個測試：

為支持此功能，我們在數據庫中添加一個內部字段 _next_id 用於生成主鍵，並讓 add_node 方法返回新生成的主鍵：

接下來，再確認一下邊是否可以正常訪問：

運行測試，一切正常。這個步驟很輕鬆地完成了，不過兩個測試（ DbModelTest 和 PrimaryKeyTest ）出現了一些重複代碼，比如 get_item 。我們可以把這些公用代碼提取出來。由於 get_item 內部調用了 TestCase.assertXXX 等方法，看起來應該使用繼承，但從 TestCase 派生基類容易引起一些潛在的問題，所以我轉而使用另一個技巧 Mixin ：

實現數據庫模型之後，接下來就要考慮如何查詢它了。

在設計查詢時要考慮幾個問題。對於圖的訪問來說，幾乎總是由某個節點（或符合條件的某一類節點）開始，從與它相鄰的邊跳轉到其他節點，依次類推。所以鏈式調用對查詢來說是一種很自然的風格。舉例來說，要知道 Tom 的孫子養了幾隻貓，可以使用類似這樣的查詢：

可以想像，以上每個方法都應該返回符合條件的節點集合。這種實現是很直觀的，不過存在一個潛在的問題：很多時候用戶只需要一小部分結果，如果它總是不計代價地給我們一個巨大的集合，會造成極大的浪費。比如以下查詢：

為了避免不必要的浪費，我們需要另外一種機制，也就是通常所稱的「懶式查詢」或「延遲查詢」。它的基本思想是，當我們調用查詢方法時，它只是把查詢條件記錄下來，而並不立即返回結果，直到明確調用某些方法時才真正去查詢數據庫。

如果讀者比較熟悉流行的 Python ORM，比如 SqlAlchemy 或者 Django ORM 的話，會知道它們幾乎都是懶式查詢的，要調用 list(result) 或者 result[0:10] 這樣的方法才能得到具體的查詢結果。

在 Dagoba 中把觸發查詢的方法定義為 run 。也就是說，以下查詢執行到 run 時才真正去查找數據：

和懶式查詢（ Lazy Query ）相對應的，直接返回結果的方法一般稱作主動查詢（ Eager Query ）。主動查詢和懶式查詢的內在查找邏輯基本上是相同的，區別只在於觸發機制不同。由於主動查詢實現起來更加簡單，出錯也更容易排查，因此我們先從主動查詢開始實現。

還是從測試開始。前面測試所用的簡單數據庫數據太少，難以滿足查詢要求，所以這一步先來創建一個更複雜的數據模型：

此關係的複雜之處之一在於反向關聯：如果 A 是 B 的哥哥，那麼 B 就是 A 的弟弟/妹妹，為了查詢到他們彼此之間的關係，正向關聯和反向關聯都需要存在，因此在初始化數據庫時需要定義的邊數量會很多。

當然，父子之間也存在反向關聯的問題，為了讓問題稍微簡化一些，我們目前只需要向下（子孫輩）查找，可以稍微減少一些關聯數量。

因此，我們定義數據模型如下。為了減少重複工作，我們通過 _backward 字段定義反向關聯，而數據庫內部為了查詢方便，需要把它維護成兩條邊：

然後，測試一個最簡單的查詢，比如查找某人的所有孫輩：

這裡 outcome/income 分別表示從某個節點出發、或到達它的節點集合。在原作者的代碼中把上述方法稱為 out/in 。當然這樣看起來更加簡潔，可惜的是 in 在 Python 中是個關鍵字，無法作為函數名。我也考慮過加個下劃線比如 out_.in_ 這種形式，但看起來也有點怪異，權衡之後還是使用了稍微啰嗦一點的名稱。

現在我們可以開始定義查詢接口了。在前面已經說過，我們計劃分別實現兩種查詢，包括主動查詢（ Eager Query ）以及延遲查詢（ Lazy Query ）。

它們的內在查詢邏輯是相通的，看起來似乎可以使用繼承。不過遵循 YAGNI 原則，目前先不這樣做，而是只定義兩個新類，在滿足測試的基礎上不斷擴展。以後我們會看到，與繼承相比，把共同的邏輯放到數據庫本身其實是更為合理的。

接下來實現訪問節點的方法。由於 EagerQuery 調用查詢方法會立即返回結果，我們把結果記錄在 _result 內部字段中。雖然 node 方法只返回單個結果，但考慮到其他查詢方法幾乎都是返回集合，為統一起見，讓它也返回集合，這樣可以避免同時支持集合與單結果的分支處理，讓代碼更加簡潔、不容易出錯。此外，如果查詢對象不存在的話，我們只返回空集合，並不視為一個錯誤。

查詢輸入/輸出節點的方法實現類似這樣：

查找節點的核心邏輯在數據庫本身定義：

以上使用了內部定義的一些輔助查詢方法。用類似的邏輯再定義 income ，它們的實現都很簡單，讀者可以直接參考源碼，此處不再贅述。

在此步驟的最後，我們再實現一個優化。當多次調用查詢方法後，結果可能會返回重複的數據，很多時候這是不必要的。就像關係數據庫通常支持 unique/distinct 一樣，我們也希望 Dagoba 能夠過濾重複的數據。

假設我們要查詢某人所有孩子的祖父，顯然不管有多少孩子，他們的祖父應該是同一個人。因此編寫測試如下：

現在來實現 unique 。我們只要按照主鍵把重複數據去掉即可：

在上個步驟，初始化數據庫指定了雙向關聯，但並未測試它們。因為我們還沒有編寫代碼去支持它們，現在增加一個測試，它應該是失敗的：

運行測試，的確失敗了。我們看看要如何支持它。回想一下，當從邊查找節點時，使用的是以下方法：

這裡也有一個潛在的問題：調用 self.edges 意味着遍歷所有邊，當數據庫內容較多時，這是巨大的浪費。為了提高性能，我們可以把與節點相關的邊記錄在節點本身，這樣要查找邊只要看節點本身即可。在初始化時定義出入邊的集合：

在添加邊時，我們要同時把它們對應的關係同時更新到節點，此外還要維護反向關聯。這涉及對字典內容的部分複製，先編寫一個輔助方法：

然後，將添加邊的實現修改如下：

這裡的代碼同時添加正向關聯和反向關聯。有的朋友可能會注意到代碼略有重複，是的，但是重複僅出現在該函數內部，本着「三則重構」的原則，暫時不去提取代碼。

實現之後，前面的測試就可以正常通過了。

在這個步驟中，我們來實現延遲查詢（ Lazy Query ）。

延遲查詢的要求是，當調用查詢方法時並不立即執行，而是推遲到調用特定方法，比如 run 時才執行整個查詢，返回結果。

延遲查詢的實現要比主動查詢複雜一些。為了實現延遲查詢，查詢方法的實現不能直接返回結果，而是記錄要執行的動作以及傳入的參數，到調用 run 時再依次執行前面記錄下來的內容。

如果你去看作者的實現，會發現他是用一個數據結構記錄執行操作和參數，此外還有一部分邏輯用來分派對每種結構要執行的動作。這樣當然是可行的，但數據處理和分派部分的實現會比較複雜，也容易出錯。

本文的實現則選擇了另外一種不同的方法：使用 Python 的內部函數機制，把一連串查詢變換成一組函數，每個函數取上個函數的執行結果作為輸入，最後一個函數的輸出就是整個查詢的結果。由於內部函數同時也是閉包，儘管每個查詢的參數形式各不相同，但是它們都可以被閉包「捕獲」而成為內部變量，所以這些內部函數可以採用統一的形式，無需再針對每種查詢設計額外的數據結構，因而執行過程得到了很大程度的簡化。

首先還是來編寫測試。 LazyQueryTest 和 EagerQueryTest 測試用例幾乎是完全相同的（是的，兩種查詢只在於內部實現機制不同，它們的調用接口幾乎是完全一致的）。

因此我們可以把 EagerQueryTest 的測試原樣不變拷貝到 LazyQueryTest 中。當然拷貝粘貼不是個好注意，對於比較冗長而固定的初始化部分，我們可以把它提取出來作為兩個測試共享的公共函數。讀者可參考代碼中的 step04_lazy_query/tests/test_lazy_query.py 部分。

程序把查詢函數的串行執行稱為管道（ pipeline ），用一個變量來記錄它：

然後依次實現各個調用接口。每種接口的實現都是類似的：用內部函數執行真正的查詢邏輯，再把這個函數添加到 pipeline 調用鏈中。比如 node 的實現類似下面：

其他接口的實現也與此類似。最後， run 函數負責執行所有查詢，返回最終結果；

完成上述實現後執行測試，確保我們的實現是正確的。

在前面我們說過，延遲查詢與主動查詢相比，最大的優勢是對於許多查詢可以按需要訪問，不需要每個步驟都返回完整結果，從而提高性能，節約查詢時間。比如說，對於下面的查詢：

以上查詢的意思是從孫輩中找到一個符合條件的節點即可。對該查詢而言，主動查詢會在調用 outcome(‘son’) 時就遍歷所有節點，哪怕最後一步只需要第一個結果。而延遲查詢為了提高效率，應在找到符合條件的結果後立即停止。

目前我們尚未實現 take 方法。老規矩，先添加測試：

主動查詢的 take 實現比較簡單，我們只要從結果中返回前 n 條記錄：

延遲查詢的實現要複雜一些。為了避免不必要的查找，返回結果不應該是完整的列表（ list ），而應該是個按需返回的可迭代對象，我們用內置函數 next 來依次返回前 n 個結果：

寫完後運行測試，確保它們是正確的。

從外部接口看，主動查詢和延遲查詢幾乎是完全相同的，所以用單純的數據測試很難確認後者的效率一定比前者高，用訪問時間來測試也並不可靠。為了測試效率，我們引入一個節點訪問次數的概念，如果延遲查詢效率更高的話，那麼它應該比主動查詢訪問節點的次數更少。

為此，編寫如下測試：

我們為 Dagoba 類添加一個成員來記錄總的節點訪問次數，以及兩個輔助方法，分別用於獲取和重置訪問次數：

然後瀏覽代碼，查找修改點。增加計數主要在從邊查找節點的時候，因此修改部分如下：

此外還有 income/outcome 方法，修改都很簡單，這裡就不再列出。

實現後再次運行測試。測試通過，表明延遲查詢確實在效率上優於主動查詢。

不像關係數據庫的結構那樣固定，圖的形式可以千變萬化，查詢機制也必須足夠靈活。從原理上講，所有查詢無非是從某個節點出發按照特定方向搜索，因此用 node/income/outcome 這三個方法幾乎可以組合出任意所需的查詢。

但對於複雜查詢，寫出的代碼有時會顯得較為瑣碎和冗長，對於特定領域來說，往往存在更為簡潔的名稱，例如：母親的兄弟可簡稱為舅舅。對於這些場景，如果能夠類似 DSL （領域特定語言）那樣允許用戶根據專業要求自行擴展，從而簡化查詢，方便閱讀，無疑會更為友好。

如果讀者去看原作者的實現，會發現他是用一種特殊語法 addAlias 來定義自己想要的查詢，調用方法時再進行查詢以確定要執行的內容，其接口和內部實現都是相當複雜的。

而我希望有更簡單的方法來實現這一點。所幸 Python 是一種高度動態的語言，允許在運行時向類中增加新的成員，因此做到這一點可能比預想的還要簡單。

為了驗證這一點，編寫測試如下：

無需 Dagoba 的實現做任何改動，測試就可以通過了！其實我們要做的就是動態添加一個自定義的成員函數，按照 Python 對象機制的要求，成員函數的第一個成員應該是名為 self 的參數，但這裡已經是在 UnitTest 的內部，為了和測試類本身的 self 相區分，新函數的參數增加了一個下劃線。

此外，函數應返回其所屬的對象，這是為了鏈式調用所要求的。我們看到，動態語言的靈活性使得添加新語法變得非常簡單。

到此，一個初具規模的圖數據庫就形成了。

和原文相比，本文還缺少一些內容，比如如何將數據庫序列化到磁盤。不過相信讀者都看到了，我們的數據庫內部結構基本上是簡單的原生數據結構（列表+字典），因此序列化無論用 pickle 或是 JSON 之類方法都應該是相當簡單的。有興趣的讀者可以自行完成它們。

我們的圖數據庫實現為了提高查詢性能，在節點內部存儲了邊的指針（或者說引用）。這樣做的好處是，無論數據庫有多大，從一個節點到相鄰節點的訪問是常數時間，因此數據訪問的效率非常高。

但一個潛在的問題是，如果數據庫規模非常大，已經無法整個放在內存中，或者出於安全性等原因要實現分佈式訪問的話，那麼指針就無法使用了，必須要考慮其他機制來解決這個問題。分佈式數據庫無論採用何種數據模型都是一個棘手的問題，在本文中我們沒有涉及。有興趣的讀者也可以考慮 500lines 系列中關於分佈式和集群算法的其他一些文章。

本文的實現和系列中其他數據庫類似，採用 Python 作為實現語言，而原作者使用的是 JavaScript ，這應該和作者的背景有關。我相信對於大多數開發者來說， Python 的對象機制比 JavaScript 基於原型的語法應該是更容易閱讀和理解的。

當然，原作者的版本比本文版本在實現上其實是更為完善的，靈活性也更好。如果想要更為優雅的實現，我們可以考慮使用 Python 元編程，那樣會更接近於作者的實現，但也會讓程序的複雜性大為增加。如果讀者有興趣，不妨對照着去讀讀原作者的版本。

如何用python pymysql查看數據庫

1、python安裝目錄設定為d:/python342、pymysql安裝方法為：解壓下載的文件，在cmd中運行: python setup.py install。

檢驗安裝安裝是否成功的方法：import pymysql 。 如果不報錯 說明安裝成功。

3、mysql安裝目錄為D:/phpStudy/MySQL。為避免更多配置問題，可在啟動phpstudy後，將其設為系統服務

4、基本操作：

（1）導入pymysql: import pymysql

（2）連接數據庫：

conn=pymysql.connect(host=’localhost’,user=’root’,passwd=’root’,db=’ere’，charset=’utf8′)

務必注意各等號前面的內容！charset參數可避免中文亂碼

（3）獲取操作游標：cur=conn.cursor()

（4）執行sql語句,插入記錄：sta=cur.execute(“insert 語句”) 執行成功後sta值為1。更新、刪除語句與此類似。

（5）執行sql語句，查詢記錄：cur.execute(“select語句”) 執行成功後cur變量中保存了查詢結果記錄集，然後再用循環打印結果：

for each in cur:

print(each[1].decode(‘utf-8’)) # each[1] 表示當前游標所在行的的第2列值，如果是中文則需要處理編碼

掌握Python 操作 MySQL 數據庫

本文Python 操作 MySQL 數據庫需要是使用到 PyMySQL 驅動

Python 操作 MySQL 前提是要安裝好 MySQL 數據庫並能正常連接使用，安裝步驟詳見下文。

注意： 安裝過程我們需要通過開啟管理員權限來安裝，否則會由於權限不足導致無法安裝。

首先需要先下載 MySQL 安裝包， 官網下載地址 下載對應版本即可,或直接在網上拉取並安裝：

權限設置：

初始化 MySQL：

啟動 MySQL：

查看 MySQL 運行狀態：

Mysql安裝成功後，默認的root用戶密碼為空，你可以使用以下命令來創建root用戶的密碼：

登陸：

創建數據庫：

查看數據庫：

PyMySQL 模塊使用 pip命令進行安裝：

假如系統不支持 pip 命令，可以使用以下方式安裝：

pymysql .connect 函數：連接上數據庫

輸出結果顯示如下：表面數據庫連接成功

使用 pymysql 的 connect() 方法連接數據庫，connect 參數解釋如下：

conn.cursor():獲取游標

如果要操作數據庫，光連接數據是不夠的，咱們必須拿到操作數據庫的游標，才能進行後續的操作，游標的主要作用是用來接收數據庫操作後的返回結果，比如讀取數據、添加數據。通過獲取到的數據庫連接實例 conn 下的 cursor() 方法來創建游標，實例如下：

輸出結果為：

cursor 返回一個游標實例對象，其中包含了很多操作數據的方法，如執行sql語句，sql 執行命令： execute() 和 executemany()

execute(query,args=None):

executemany(query,args=None)：

其他游標對象如下表：

完整數據庫連接操作實例如下：

以上結果輸出為：

創建表代碼如下：

如下所示數據庫表創建成功：

插入數據實現代碼：

插入數據結果：

Python查詢Mysql使用 fetchone() 方法獲取單條數據, 使用fetchall() 方法獲取多條數據。

查詢數據代碼如下：

輸出結果：

DB API中定義了一些數據庫操作的錯誤及異常，下表列出了這些錯誤和異常:

本文給大家介紹 Python 如何連接 Mysql 進行數據的增刪改查操作，文章通過簡潔的代碼方式進行示例演示，給使用 Python 操作 Mysql 的工程師提供支撐。