讲师中心 微信公众号

工具推荐

视频效率加速
updream

一键生成高质量推广成片

Laper
Laper

剧本策划到成片协作

剧云
剧云

中文短剧剧本制作平台

立刻MV
立刻MV

低成本歌曲 MV、视频生成

将大型 CSV 文件高效导入 SQLite 数据库的完整优化教程

云涛君_7019

云涛君_7019

发布时间:2026-11-22 19:31:04

|

739人浏览过

|

来源于php中文网

原创

将大型 CSV 文件高效导入 SQLite 数据库的完整优化教程

本文详解如何将数百万行 CSV 数据在几分钟内(而非 72 小时)批量导入 SQLite,核心包括禁用自动提交、使用 pandas.to_sql() 分块写入、预处理日期与布尔字段,并修正 SQL 语法错误。

本文详解如何将数百万行 csv 数据在几分钟内(而非 72 小时)批量导入 sqlite,核心包括禁用自动提交、使用 `pandas.to_sql()` 分块写入、预处理日期与布尔字段,并修正 sql 语法错误。

将 CSV 转为 SQLite 数据库本应显著提升后续查询效率,但原始代码因逐行插入 + 每次 commit() 导致性能灾难:每条 INSERT 触发一次磁盘同步,I/O 开销呈线性爆炸。726 万行耗时 72 小时,即单行约 350 毫秒——而优化后可压缩至 平均 0.1 毫秒/行以下,全程仅需数分钟。

✅ 关键优化策略

  1. 禁用自动事务提交,手动统一 commit()
    SQLite 默认每个 INSERT 都开启新事务。改为显式控制事务边界,大幅提升吞吐量。

  2. 使用 pandas.to_sql(..., chunksize=N) 批量写入
    chunksize=1000 可让 pandas 自动将 DataFrame 分批生成 INSERT INTO ... VALUES (...),(...),... 多值语句,减少 SQL 解析与网络(或本地 IPC)往返次数。

  3. 预处理字段类型,避免运行时转换

    Drizzle ORM TypeScript SQL 数据库工具包
    Drizzle ORM TypeScript SQL 数据库工具包

    Drizzle ORM 是一个轻量级的 TypeScript ORM,提供类型安全的 SQL 模式声明、关系型和类 SQL 查询构建器,以及自动生成迁移。其压缩后仅 7.4kb,且无依赖项,支持 PostgreSQL、MySQL 和 SQLite,包括 Neon、Turso 和 Cloudflare D1 等无服务器数据库。

    下载
    • 日期列(如 "2021-02-26")→ date.toordinal() 转为整型序数,直接存入 INT 列;
    • 布尔字符串 "true"/"false" → 用 .astype('bool') 统一转为 SQLite 兼容的 0/1;
    • 空值 NaN 在 word_count 中自动转为 NULL(更安全,优于硬编码 0)。
  4. 修正 SQL 语法与路径问题

    • 原始 SELECT ... WHEN 应为 WHERE;
    • Windows 路径分隔符 \ 在 Python 字符串中需转义或改用 /(推荐),避免意外截断。

✅ 优化后完整代码(生产就绪)

import sqlite3
import pandas as pd
from datetime import date

def fix_date(d: str) -> int:
    """将 'YYYY-MM-DD' 字符串转为 date.toordinal() 整数"""
    y, m, d_part = map(int, d.split("-"))
    return date(y, m, d_part).toordinal()

def load_csv_to_sqlite(csv_path: str, db_path: str, table_name: str = "works"):
    with sqlite3.connect(db_path) as conn:
        # 读取 CSV(自动处理 header 和缺失值)
        df = pd.read_csv(csv_path)

        # 字段清洗与类型转换
        df["creation date"] = df["creation date"].apply(fix_date)
        df["restricted"] = df["restricted"].map({"true": True, "false": False})
        df["complete"] = df["complete"].map({"true": True, "false": False})
        # 显式转换为 bool,确保 SQLite 存为 INTEGER 0/1
        df = df.astype({"restricted": "boolean", "complete": "boolean"})

        # 批量写入:分块 + 替换表(若已存在)
        df.to_sql(
            name=table_name,
            con=conn,
            if_exists="replace",  # 或 "append"(需确保表结构一致)
            index=False,
            chunksize=5000,       # 根据内存调整:2000~10000 均可
            method="multi"        # 启用多值 INSERT,关键性能开关!
        )

        # 单次 commit(to_sql 内部已管理事务,此处为保险)
        conn.commit()

        # 验证查询(注意:WHERE 非 WHEN)
        result = conn.execute("SELECT * FROM works WHERE word_count = 1836").fetchall()
        print(f"Found {len(result)} rows with word_count = 1836")

# 使用示例
if __name__ == "__main__":
    load_csv_to_sqlite(
        csv_path="Out_Files/works-20210226.csv",
        db_path="2025/works-20210226.db"
    )

⚠️ 注意事项与进阶建议

  • 内存权衡:chunksize 过大会增加内存压力;过小则削弱批量优势。建议从 5000 起调优,观察任务管理器内存占用。
  • 索引加速查询:导入完成后立即为高频查询字段建索引,例如:
    conn.execute("CREATE INDEX idx_word_count ON works(word_count)")
    conn.execute("CREATE INDEX idx_creation_date ON works(`creation date`)")
  • 替代方案对比:
    • sqlite3.executemany() + 手动 VALUES 拼接:比逐行快,但不如 pandas.to_sql(method='multi') 简洁高效;
    • csvsql(from csvkit):命令行一键导入,适合无编程需求场景;
    • DuckDB:若后续需复杂分析,可考虑直接用 DuckDB 读 CSV(零导入延迟)。
  • 错误防御:生产环境应添加 try/except 包裹 to_sql,捕获 pd.errors.ParserError 或 sqlite3.IntegrityError。

通过以上优化,726 万行 CSV 导入 SQLite 的时间可从 72 小时降至 3–8 分钟(取决于磁盘速度与 chunksize),同时保证数据完整性与后续查询性能。真正的瓶颈从来不在 Python,而在 I/O 模式与 SQL 使用方式——掌握批量操作,才是数据工程的基本功。

热门AI工具

更多
豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

墨刀AI
墨刀AI Hot

一款AI图像与设计工具,主要用于产品经理的专属智能体,适合需要提升相关任务效率的用户。

超级简历WonderCV

一款AI办公效率工具,主要用于免费求职简历模版下载制作,应届生职场人必备简历制作神器,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

讯飞智作

讯飞智作是一款AI视频创作工具,AI文本配音工具,数字人课程、营销视频制作。

Flowith
Flowith Hot

Flowith是一款基于画布和智能体工作流的 AI 协作工作空间。

音述AI
音述AI Hot

一款AI音频处理工具,主要用于音述AI是一个以“用声音述说故事”为核心的 AI 音乐创作与声音分享社区,适合需要提升相关任务效率的用户。

PixTV
PixTV Hot

PixTV是一款面向AIGC内容创作的AI视频生成工具。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1991

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5684

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1929

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34897

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4067

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

4067

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1303

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

CVE-2026-114938高危漏洞修复
CVE-2026-114938高危漏洞修复

Java4Shell是OpenJDK Base64解码路径中的远程代码执行漏洞,编号CVE-2026-114938,2026年11月17日披露,官方已发布17.0.21.1、21.0.13.1等修复版本,建议优先升级 。本专题围绕Java4Shell(CVE-2026-114938)持续更新,从漏洞原理、受影响版本、受影响产品到修复与自查一站式汇总,适合Java开发、运维与安全人员快速定位风险。ARM64环境不受影响,x86-64环境请

0

2026.11.22

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn