半泽和莉娜1. 项目概述
最近在开发一个数据迁移工具时，遇到了需要将数据库中的大量数据导出到Excel文件的需求。作为一个Python开发者，我调研了几种实现方案，最终选择使用SQLAlchemy结合openpyxl的方案。这个方案不仅性能优异，而且代码简洁易懂，特别适合批量处理数据导出的场景。
在实际项目中，我们经常需要将数据库查询结果导出为Excel文件，用于数据分析、报表生成或数据交换。传统的手动导出方式效率低下，特别是当数据量大或需要定期执行时。通过Python自动化这一过程，可以显著提高工作效率，减少人为错误。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 环境准备与工具选型
2.1 所需Python库
要实现数据库数据导出到Excel的功能，我们需要以下几个核心库：
- SQLAlchemy：Python中最流行的ORM工具，支持多种数据库
- openpyxl：专门用于读写Excel 2010 xlsx/xlsm/xltx/xltm文件的库
- pandas：可选，提供更高级的数据处理功能
安装这些库非常简单：
bash复制pip install sqlalchemy openpyxl pandas
2.2 为什么选择这个技术栈
在评估了多种方案后，我选择了SQLAlchemy+openpyxl的组合，主要基于以下考虑：
- 兼容性：SQLAlchemy支持几乎所有主流数据库(MySQL, PostgreSQL, SQLite, Oracle等)
- 性能：openpyxl针对大文件处理做了优化，比xlwt/xlrd更高效
- 灵活性：可以直接操作Excel单元格格式，满足复杂报表需求
- 维护性：这两个库都有活跃的社区支持和良好的文档
3. 核心实现步骤
3.1 建立数据库连接
首先需要配置数据库连接，这里以MySQL为例：
python复制from sqlalchemy import create_engine
# 配置数据库连接字符串
# 格式：dialect+driver://username:password@host:port/database
db_url = "mysql+pymysql://user:password@localhost:3306/mydatabase"
# 创建引擎
engine = create_engine(db_url, pool_recycle=3600)
注意：生产环境中，建议将数据库密码等敏感信息存储在环境变量中，而不是硬编码在代码里。
3.2 执行SQL查询并获取数据
有多种方式可以获取数据，这里介绍两种常用方法：
方法一：直接执行SQL查询
python复制import pandas as pd
# 执行SQL查询
query = "SELECT * FROM products WHERE create_date > '2023-01-01'"
df = pd.read_sql(query, engine)
方法二：使用ORM方式查询
python复制from sqlalchemy.orm import sessionmaker
from models import Product # 假设已定义Product模型
# 创建Session
Session = sessionmaker(bind=engine)
session = Session()
# 查询数据
products = session.query(Product).filter(Product.create_date > '2023-01-01').all()
# 将ORM对象转换为字典列表
data = [p.to_dict() for p in products]
3.3 将数据写入Excel文件
使用openpyxl将数据写入Excel：
python复制from openpyxl import Workbook
from openpyxl.utils import get_column_letter
def export_to_excel(data, filename):
# 创建Workbook对象
wb = Workbook()
ws = wb.active
ws.title = "Products"
# 写入表头
headers = list(data[0].keys())
for col_num, header in enumerate(headers, 1):
ws.cell(row=1, column=col_num, v