Python 高效处理千万级数据写入 MySQL：Navicat、Pymysql 与 Pandas 方案对比

竹里

发布时间：2026-10-15| 6人浏览过

原创

本文系统分享将千万级数据写入 MySQL 的两种场景及对应方案。针对非频繁写入，推荐使用 Navicat 导入向导；针对增量自动化写入，对比了 Pymysql 与 Pandas+SQLAlchemy 两种 Python 实现方式。测试显示，Pandas 方案仅需五行代码且耗时约 4 分钟，远优于 Pymysql 的 12 分 47 秒，且无需预先建表，推荐作为高效首选。

前言

在开发工作中，通过 Python 读取数据并自动写入 MySQL 数据库是一项常见需求，涉及数据库的读写与更新操作。虽然数据库类型可能包括 MongoDB、ES 等，但核心处理思路相似，仅需调整数据库操作语法即可。本文将系统介绍如何将千万级数据写入 MySQL，涵盖两种典型场景及对应的实现方式。

场景一：数据不需要频繁的写入mysql

推荐使用 Navicat 工具的导入向导功能。该功能支持多种文件格式，能够根据文件字段自动创建新表，或向已有表中插入数据，操作非常快捷方便。

场景二：数据是增量的，需要自动化并频繁写入mysql

测试数据采用 CSV 格式，规模约为 1200 万行。

import pandas as pd
data = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')
data.shape

打印结果：

方式一：python ➕ pymysql 库

安装 pymysql 命令：

pip install pymysql

代码实现:

import pymysql
# 数据库连接信息
conn = pymysql.connect(
       host='127.0.0.1',
       user='root',
       passwd='wangyuqing',
       db='test01',
       port = 3306,
       charset="utf8")
# 分块处理
big_size = 100000
# 分块遍历写入到 mysql
with pd.read_csv('./tianchi_mobile_recommend_train_user.csv',chunksize=big_size) as reader:
    for df in reader:
        datas = []
        print('处理：',len(df))
#         print(df)
        for i ,j in df.iterrows():
            data = (j['user_id'],j['item_id'],j['behavior_type'],
                    j['item_category'],j['time'])
            datas.append(data)
        _values = ",".join(['%s', ] * 5)
        sql = """insert into users(user_id,item_id,behavior_type
        ,item_category,time) values(%s)""" % _values
        cursor = conn.cursor()
        cursor.executemany(sql,datas)
        conn.commit()
 # 关闭服务
conn.close()
cursor.close()
print('存入成功！')

方式二：pandas ➕ sqlalchemy：pandas 需要引入 sqlalchemy 来支持 SQL，在 sqlalchemy 的支持下，它可以实现所有常见数据库类型的查询、更新等操作。

代码实现：

from sqlalchemy import create_engine
engine = create_engine('mysql+pymysql://root:wangyuqing@localhost:3306/test01')
data = pd.read_csv('./tianchi_mobile_recommend_train_user.csv')
data.to_sql('user02',engine,chunksize=100000,index=None)
print('存入成功！')