【超详细教程】Python 连接 MySQL 全流程实战

Python 连接 MySQL 全流程实战教程(2026版超详细指南)

以下是基于 Python 3.12+ 和 MySQL 8.0+ 的从零到精通实战教程。我会按实际开发流程组织内容:环境准备 → 连接基础 → CRUD 操作 → 高级技巧 → 性能优化 → 完整项目示例 → 常见问题排查。

这个教程假设你有基本的 Python 知识(如变量、函数、异常处理)。我们优先使用 mysql-connector-python(Oracle 官方驱动,推荐),备用 pymysql(纯 Python,轻量)。

为什么学这个?

  • MySQL 是最流行的关系型数据库(2026 年市场份额仍超 40%)。
  • Python + MySQL 是 Web/App/数据分析的黄金组合(e.g., Django/Flask 后端、数据 ETL)。
  • 掌握后,能轻松扩展到其他数据库(如 PostgreSQL via psycopg2)。
0. 环境准备(5 分钟搞定)
  1. 安装 MySQL 服务器(如果没有):
    • Windows/Mac:下载 MySQL Community Server(官网 mysql.com)。
    • Linux:sudo apt install mysql-server (Ubuntu) 或 sudo yum install mysql-server (CentOS)。
    • 启动:mysql -u root -p 测试连接(默认密码为空或 root)。
    • 创建测试数据库:登录 MySQL 后,执行 CREATE DATABASE test_db CHARACTER SET utf8mb4;
  2. 测试环境
    • Python 版本:python --version(≥3.8)。
    • MySQL 版本:mysql --version(≥8.0,支持 JSON 等新特性)。
    • 防火墙/权限:确保 Python 主机能访问 MySQL(默认 localhost:3306)。

安装 Python 驱动(必须):

# 推荐官方驱动(支持连接池、预编译) pip install mysql-connector-python==9.0.0 # 2026 最新稳定版# 备用:纯 Python 驱动(无 C 依赖,轻便) pip installpymysql==1.1.1 
1. 基础连接(Hello World 级)

核心:用 connect() 创建连接对象。

import mysql.connector # 或 import pymysql# 配置(替换为你自己的) config ={'host':'localhost',# 服务器地址(云数据库用 IP/域名)'port':3306,# 默认端口'user':'root',# 用户名'password':'your_password',# 密码'database':'test_db',# 数据库名'charset':'utf8mb4',# 支持 emoji 等'auth_plugin':'mysql_native_password'# 兼容旧客户端}# 建立连接try: conn = mysql.connector.connect(**config)# pymysql 用 pymysql.connect(**config)print("连接成功!MySQL 版本:", conn.get_server_info())except mysql.connector.Error as err:print(f"连接失败:{err}")finally:if'conn'inlocals()and conn.is_connected(): conn.close()print("连接已关闭。")

输出示例

连接成功!MySQL 版本: 8.0.35 连接已关闭。 

关键点

  • 异常处理:总是用 try-except(常见错误:权限、密码、网络)。
  • 关闭连接:防止资源泄漏(用 with 语句更好,后面讲)。
  • pymysql 差异:几乎相同,但 pymysql 是线程安全的(多线程首选)。
2. CRUD 操作全解(Create/Read/Update/Delete)

游标(Cursor) 执行 SQL。

  • 步骤:连接 → 创建游标 → 执行 SQL → 处理结果 → 提交/回滚 → 关闭。
2.1 Create(插入数据)

先建表(只执行一次):

# 建表 SQL(示例:用户表) create_table_sql =""" CREATE TABLE IF NOT EXISTS users ( id INT AUTO_INCREMENT PRIMARY KEY, name VARCHAR(50) NOT NULL, age INT, email VARCHAR(100) UNIQUE, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4; """ conn = mysql.connector.connect(**config) cursor = conn.cursor() cursor.execute(create_table_sql) conn.commit()# DDL 也需 commit cursor.close() conn.close()

插入单条/多条:

conn = mysql.connector.connect(**config) cursor = conn.cursor()# 单条插入 insert_sql ="INSERT INTO users (name, age, email) VALUES (%s, %s, %s)" data =("Alice",28,"[email protected]") cursor.execute(insert_sql, data)# 多条插入(高效) multi_data =[("Bob",35,"[email protected]"),("Charlie",22,"[email protected]")] cursor.executemany(insert_sql, multi_data) conn.commit()# 必须 commit,否则数据不保存print(f"插入 {cursor.rowcount} 条记录。") cursor.close() conn.close()

安全提示:用 %s 占位符防 SQL 注入(预编译)。

2.2 Read(查询数据)
conn = mysql.connector.connect(**config) cursor = conn.cursor(dictionary=True)# 返回 dict,便于访问 (e.g., row['name'])# 查询所有 select_all_sql ="SELECT * FROM users ORDER BY age DESC" cursor.execute(select_all_sql) rows = cursor.fetchall()# 全部结果for row in rows:print(row)# e.g., {'id': 1, 'name': 'Alice', ...}# 查询单条/带条件 select_one_sql ="SELECT name, age FROM users WHERE id = %s" cursor.execute(select_one_sql,(1,)) row = cursor.fetchone()# 第一条print("单条:", row)# 分页(LIMIT + OFFSET) paged_sql ="SELECT * FROM users LIMIT %s OFFSET %s" cursor.execute(paged_sql,(5,0))# 前5条,从0开始 rows = cursor.fetchall() cursor.close() conn.close()

输出示例

{'id': 2, 'name': 'Bob', 'age': 35, 'email': '[email protected]', 'created_at': datetime.datetime(2026, 1, 21, 18, 0, 0)} 单条: {'name': 'Alice', 'age': 28} 

进阶:用 buffered=True 游标处理大结果集。

2.3 Update(更新数据)
conn = mysql.connector.connect(**config) cursor = conn.cursor() update_sql ="UPDATE users SET age = %s WHERE name = %s" cursor.execute(update_sql,(30,"Alice")) conn.commit()print(f"更新 {cursor.rowcount} 条记录。") cursor.close() conn.close()
2.4 Delete(删除数据)
conn = mysql.connector.connect(**config) cursor = conn.cursor() delete_sql ="DELETE FROM users WHERE age < %s" cursor.execute(delete_sql,(25,)) conn.commit()print(f"删除 {cursor.rowcount} 条记录。") cursor.close() conn.close()

事务管理:多操作用 conn.start_transaction()conn.rollback()(出错回滚)。

3. 用 with 语句管理连接/游标(推荐实践)

简化 finally/close 逻辑。

import mysql.connector with mysql.connector.connect(**config)as conn:with conn.cursor()as cursor: cursor.execute("SELECT COUNT(*) FROM users") count = cursor.fetchone()[0]print(f"总记录数:{count}")# with 结束自动 commit/close# conn 也自动关闭
4. 高级技巧(生产级应用)
4.1 连接池(高并发必备)

mysql-connector 支持内置池。

from mysql.connector import pooling pool = pooling.MySQLConnectionPool( pool_name="mypool", pool_size=10,# 最大连接数**config )# 获取连接 conn = pool.get_connection() cursor = conn.cursor() cursor.execute("SELECT * FROM users LIMIT 1")print(cursor.fetchone()) cursor.close() conn.close()# 归还到池

优势:复用连接,减少开销(Web App 首选)。

4.2 存储过程/批量操作

调用存储过程:

cursor.callproc("my_stored_proc",(arg1, arg2))for result in cursor.stored_results():print(result.fetchall())

批量插入(10万+ 数据):
executemany() + 事务。

4.3 Pandas 集成(数据分析神器)
import pandas as pd import mysql.connector conn = mysql.connector.connect(**config) df = pd.read_sql("SELECT * FROM users WHERE age > 25", con=conn)print(df.head())# 写回数据库 df.to_sql("users_backup", con=conn, if_exists="replace", index=False) conn.close()

2026 提示:Pandas 3.0+ 支持 Arrow backend,读写更快。

4.4 异步连接(asyncio,高吞吐)

用 aiomysql(基于 pymysql)。

pip install aiomysql 
import asyncio import aiomysql asyncdefmain(): pool =await aiomysql.create_pool(**config)asyncwith pool.acquire()as conn:asyncwith conn.cursor()as cur:await cur.execute("SELECT * FROM users") rows =await cur.fetchall()print(rows) pool.close()await pool.wait_closed() asyncio.run(main())
5. 性能优化 & 最佳实践
优化点做法示例收益参考
连接复用用连接池,避免每次操作新 connect10-50x 加速
批量操作executemany() 而非循环 execute5-20x 快
索引利用SQL 加 WHERE id=xx(id 有索引)查询 100x+
预编译语句cursor.prepare(sql) 复用安全 + 快
读写分离主库写,从库读(config 切换 host)高可用
错误重试用 retry 库自动重连(pip install retry)鲁棒性 ↑
  • 监控:用 conn.cmd_query("SHOW STATUS LIKE 'Threads%'") 查连接数。
  • 安全:用环境变量存密码(os.getenv(“DB_PASS”))。
  • 日志:加 conn.autocommit = False 手动控制。
6. 完整项目实战:简单用户管理系统

项目结构:

user_manager/ ├── config.py # 配置 ├── db.py # 数据库操作 └── main.py # 入口 

config.py

DB_CONFIG ={'host':'localhost','user':'root','password':'your_password','database':'test_db','charset':'utf8mb4'}

db.py

import mysql.connector from config import DB_CONFIG defget_connection():return mysql.connector.connect(**DB_CONFIG)defadd_user(name, age, email):with get_connection()as conn:with conn.cursor()as cursor: sql ="INSERT INTO users (name, age, email) VALUES (%s, %s, %s)" cursor.execute(sql,(name, age, email)) conn.commit()defget_users():with get_connection()as conn:with conn.cursor(dictionary=True)as cursor: cursor.execute("SELECT * FROM users")return cursor.fetchall()# 类似地加 update/delete

main.py

from db import add_user, get_users add_user("David",40,"[email protected]") users = get_users()for user in users:print(user)

运行:python main.py
输出:所有用户列表。

扩展:加 Flask API(/users GET/POST)变成 Web 服务。

7. 常见问题排查(Top 10)
错误代码/描述原因 & 解决
Access denied (1045)密码/用户错 → 检查 config
Can’t connect (2003)网络/端口 → ping host, 查防火墙
Unknown database (1049)数据库不存在 → CREATE DATABASE
SQL syntax error (1064)SQL 写错 → 用工具测试 SQL
Lost connection (2013)超时 → 加 ‘connection_timeout’: 300
Too many connections (1040)连接过多 → 用池,加大 max_connections
UnicodeEncodeError编码问题 → 加 charset=‘utf8mb4’
OperationalError: 2055缓存 SHA2 → 改 auth_plugin
pymysql vs mysql-connector选 pymysql 如果无 C 扩展需求
Slow query加索引:ALTER TABLE ADD INDEX (col)

调试技巧

  • 打印 err.errno / err.msg。
  • 用 MySQL Workbench 测试 SQL。
  • 日志:加 mysql.connector.logging 配置。

恭喜!你现在能独立用 Python 操作 MySQL 了~
有具体部分想深入?如 ORM(SQLAlchemy)、云数据库(AWS RDS)、大数据集成(PySpark + MySQL)?告诉我,我继续展开!

Read more

Llama-3.2-3B步骤详解:Ollama部署后启用GPU加速(CUDA/cuDNN)全流程

Llama-3.2-3B步骤详解:Ollama部署后启用GPU加速(CUDA/cuDNN)全流程 1. 为什么需要GPU加速?——从“能跑”到“跑得快”的关键跃迁 你可能已经用Ollama成功拉起了Llama-3.2-3B,输入几句话就能看到回复,一切看似顺利。但当你连续提问、生成稍长文本,或者尝试多轮对话时,会明显感觉到响应变慢——几秒甚至十几秒的等待,让原本流畅的交互体验打了折扣。 这不是模型能力的问题,而是默认情况下Ollama在CPU上运行。Llama-3.2-3B虽是3B参数量的轻量级模型,但其Transformer结构天然适合并行计算。一块中端消费级显卡(比如RTX 3060或更高),在GPU模式下推理速度可比CPU快3~5倍,显存占用更合理,还能释放出CPU资源去做其他事。 更重要的是,Ollama官方明确支持CUDA加速,且无需手动编译模型或修改源码。整个过程不涉及复杂配置文件编辑,也不要求你成为CUDA专家——只要你的机器有NVIDIA显卡、驱动正常、CUDA环境基础就绪,就能完成切换。本文将带你从零开始,一步步验证环境、启用加速、实测对比,并解决你最可能卡

By Ne0inhk

VS-CODE 里的github copilot 不支持自己配置模型api

1. 关于配置自定义 Claude API 的支持情况 * 结论:不支持。 * 机制说明: * VS Code 官方 GitHub Copilot 扩展(包括 Agent 功能)强制通过 GitHub 的代理服务器进行鉴权和路由。 * 模型切换:GitHub Copilot 允许在订阅权限范围内切换底层模型(例如从 GPT-4o 切换至 Claude 3.5 Sonnet),但这使用的是 GitHub 的企业/个人订阅配额。 * API Key 限制:无法在官方扩展设置中输入个人的 sk-ant-... (Anthropic API Key) 或自定义 Endpoint。 * 替代方案(非官方扩展): * 若必须使用个人 Claude API

By Ne0inhk

Meta-Llama-3-8B-Instruct代码能力测试:HumanEval45+实现解析

Meta-Llama-3-8B-Instruct代码能力测试:HumanEval45+实现解析 1. 引言 随着大模型在代码生成领域的持续演进,Meta于2024年4月发布的Meta-Llama-3-8B-Instruct成为中等规模模型中的焦点。该模型以80亿参数量实现了令人瞩目的代码生成能力,在HumanEval基准上得分超过45,显著优于Llama 2系列,并接近部分闭源模型的表现水平。 本篇文章将围绕Meta-Llama-3-8B-Instruct的代码生成能力展开深度解析,重点分析其在HumanEval任务上的表现机制与工程实践路径。同时,结合vLLM推理加速框架和Open WebUI构建完整的本地化对话应用系统,展示从模型部署到交互体验的一站式解决方案。 2. 模型核心特性与技术背景 2.1 基本架构与性能定位 Meta-Llama-3-8B-Instruct是Llama 3系列中面向指令遵循优化的80亿参数密集模型(Dense Model),采用标准Transformer解码器结构,支持原生8k上下文长度,可外推至16k token,适用于长文档理解、多轮

By Ne0inhk
openclaw使用llama.cpp 本地大模型部署教程

openclaw使用llama.cpp 本地大模型部署教程

openclaw使用llama.cpp 本地大模型部署教程 本教程基于实际操作整理,适用于 Windows WSL2 环境 全程使用 openclaw 帮我搭建大模型 一、环境准备 1. 硬件要求 显卡推荐模型显存占用GTX 1050 Ti (4GB)Qwen2.5-3B Q4~2.5GBRTX 4060 (8GB)Qwen2.5-7B Q4~5GBRTX 4090 (24GB)Qwen2.5-32B Q4~20GB 2. 安装编译工具(WSL Ubuntu) sudoapt update sudoaptinstall -y cmake build-essential 二、下载和编译 llama.cpp

By Ne0inhk