python怎么自动化抓数据_手把手教你用Python实现SQL自动化？

笔者在工作中经常要使用SQL，其不乏存在恼人的细微差异和种种限制，但说到底，它是数据行业的基石。因此，对于每一位数据领域的工作者，SQL都是不可或缺的。精通SQL意义非凡。

SQL是很不错，但怎么能仅满足于“不错”呢?为什么不进一步操作SQL呢?

陈述性语句会诱发SQL限制的发生，就是说，向SQL寻求数据，SQL会在特定数据库找寻并反馈。对于许多数据提取或简单的数据操作任务来说，这已经足够了。

但如果有更多需求怎么办?

本文将为你展示如何操作。

从基础开始import pyodbcfrom datetime import datetimeclassSql: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 attributeself.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('database123')

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

从头开始。

入栈数据结构defpush_dataframe(self, data, table="raw_data", batchsize=500):# create execution cursorcursor = self.cnxn.cursor()# activate fast executecursor.fast_executemany =True# create create table statementquery ="CREATE TABLE ["+ table +"] (\n"# iterate through each column to be included in create table statementfor 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 codeif i !=len(list(data))-1:query +=",\n"else:query +="\n);"cursor.execute(query) # execute the create table statementself.cnxn.commit() # commit changes# append query to our SQL code loggerself.query += ("\n\n-- create table\n"+ query)# insert the data in batchesquery = ("INSERT INTO [{}] ({})\n".format(table,'['+'], [' # get columns.join(list(data)) +']') +"VALUES\n(?{})".format(", ?"*(len(list(data))-1)))# insert data into target table in batches of 'batchsize'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 insertcursor.executemany(query, batch)# commit insert to SQL Serverself.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 cursorif response:returnread_sql(query, self.cnxn) # get sql query output to dataframetry:cursor.execute(query) # executeexcept pyodbc.ProgrammingErroras error:print("Warning:\n{}".format(error)) # print error as a warningself.cnxn.commit() # commit query to SQL Serverreturn"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 'category' FROM generic_jan GROUP BYcolX", response=True)['category'])

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 queryquery ="SELECT * INTO ["+name+"] FROM (\n"# build the SQL queryquery +=f'\n{join}\n'.join([f'SELECT [{x}].* FROM [{x}]'for x in table_list])query +=") x" # add end of queryself.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 listifisinstance(tables, str):# if single string, convert to single item in list for for-looptables = [tables]for table in tables:# check for pre-existing table and delete if presentquery = ("IF OBJECT_ID ('["+table+"]', 'U') IS NOT NULL ""DROP TABLE ["+table+"]")self.manual(query) # execute

view rawpysqlplus_drop_short.py hosted with ? by GitHub

点击

https://gist.github.com/jamescalam/b316c1714c30986fff58c22b00395cc0

得全图

同样，此函数也由于 manual 函数极为简单。操作者可选择输入字符到tables ，删除单个表，或者向tables提供一列表名，删除多个表。

当这些非常简单的函数结合在一起时，便可以利用Python的优势极大丰富SQL的功能。

笔者本人几乎天天使用此法，其简单且十分有效。

希望能够帮助其他用户找到将Python并入其SQL路径的方法，感谢阅读!