Python:mysql-connector-python模块对MySQL数据库进行增删改查

简介: Python:mysql-connector-python模块对MySQL数据库进行增删改查

MySQL文档:https://dev.mysql.com/doc/connector-python/en/

PYPI: https://pypi.org/project/mysql-connector-python/


mysql-connector-python 是MySQL官方的Python语言MySQL连接模块


安装

$ pip install mysql-connector-python

代码示例

连接管理

# -*- coding: utf-8 -*-


import mysql.connector

db_config = {
"database": "mydata",
"user": "root",
"password": "123456",
"host": "127.0.0.1",
"port": 3306,
}

# 连接数据库获取游标,可以设置返回数据的格式,元组,命令元组,字典等...
connect = mysql.connector.Connect(**db_config)

cursor = connect.cursor(dictionary=True)

# 关闭游标和连接
cursor.close()
connect.close()

写操作

数据 写入 和 更新 都可以使用 executeexecutemany

删除就使用execute

写操作都需要 commit 才会生效


# 插入元组数据
insert_tuple_sql = "insert into student(name, age) values(%s, %s)"
data = ("Tom", 23)
cursor.execute(insert_tuple_sql, data)
connect.commit()
print(cursor.lastrowid) # 一般插入一条时使用,获取插入id

# 插入多条元组数据
insert_tuple_sql = "insert into student(name, age) values(%s, %s)"
data = [
("Tom", 23),
("Jack", 25),
]
cursor.executemany(insert_tuple_sql, data)
connect.commit()


# 插入字典数据
insert_dict_sql = "insert into student(name, age) values(%(name)s, %(age)s)"
data = {
"name": "Tom",
"age": 25
}

cursor.execute(insert_dict_sql, data)
connect.commit()

# 插入多条字典数据
insert_dict_sql = "insert into student(name, age) values(%(name)s, %(age)s)"
data = [
{
"name": "Tom",
"age": 26
},
{
"name": "Jack",
"age": 27
}
]

cursor.executemany(insert_dict_sql, data)
connect.commit()

读操作


cursor.execute("select * from student where name=%s limit 3", ("Tom",))
rows = cursor.fetchall()
print(rows)

# 因为开始设置的返回数据格式是字典 dictionary ,所以直接返回字典数据
# [
# {'id': 1, 'name': 'Tom', 'age': 23},
# {'id': 2, 'name': 'Tom', 'age': 23},
# {'id': 3, 'name': 'Tom', 'age': 25}
#]

# 获取一些元数据信息
print(cursor.column_names) # ('id', 'name', 'age')

print(cursor.description)
# [
# ('id', 3, None, None, None, None, 0, 16899),
# ('name', 253, None, None, None, None, 1, 0),
# ('age', 3, None, None, None, None, 1, 0)
#]

print(cursor.rowcount) # 3

print(cursor.statement)
# select * from student where name='Tom' limit 3

print(cursor.with_rows)
# True


            </div>
相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
MySQL数据库入门学习
本课程通过最流行的开源数据库MySQL带你了解数据库的世界。 &nbsp; 相关的阿里云产品:云数据库RDS MySQL 版 阿里云关系型数据库RDS(Relational Database Service)是一种稳定可靠、可弹性伸缩的在线数据库服务,提供容灾、备份、恢复、迁移等方面的全套解决方案,彻底解决数据库运维的烦恼。 了解产品详情:&nbsp;https://www.aliyun.com/product/rds/mysql&nbsp;
目录
相关文章
|
6天前
|
数据采集 人工智能 安全
|
15天前
|
云安全 监控 安全
|
1天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
261 155
|
3天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
200 105
|
9天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
662 5
|
12天前
|
人工智能 自然语言处理 API
一句话生成拓扑图!AI+Draw.io 封神开源组合,工具让你的效率爆炸
一句话生成拓扑图!next-ai-draw-io 结合 AI 与 Draw.io,通过自然语言秒出架构图,支持私有部署、免费大模型接口,彻底解放生产力,绘图效率直接爆炸。
797 152