Python 如何使用sqlite创建内存中的数据库？

我正在尝试使用Python中的

sqlite3

创建内存中的数据库

我创建了一个函数来创建一个db数据库文件并将信息存储到其中，这是100%有效的

但是尝试连接

：内存：

我遇到了一些问题

我正在做的是：

import sqlite3

def execute_db(*args):
    db = sqlite3.connect(":memory:")
    cur = db.cursor()
    data = True
    try:
        args = list(args)
        args[0] = args[0].replace("%s", "?").replace(" update "," `update` ")
        args = tuple(args)
        cur.execute(*args)
        arg = args[0].split()[0].lower()
        if arg in ["update", "insert", "delete", "create"]: db.commit()
    except Exception as why:
        print why
        data = False
        db.rollback()
    db.commit()
    db.close()
    return data

创建名称表

execute_db("create table name(name text)")

返回的

True

在此表中插入一些信息

execute_db("insert into name values('Hello')")

返回的

no such table: name
False

为什么这样不行？当我使用文件时，它会起作用：

db = sqlite3.connect("sqlite3.db")

---

每次调用函数时，都会创建一个新的连接。每个连接调用都会生成一个新的内存数据库

在函数外部创建连接，并将其传递到函数中，或创建：

但是，当最后一个连接从内存中删除时，数据库将被擦除；在您的情况下，每次函数结束时都会出现这种情况

不要显式调用

db.commit（）

，只需使用数据库连接即可：

---

如果没有异常，事务将自动提交，否则将回滚。请注意，提交仅读取数据的查询是安全的。

我创建了一个数据帧，并将其转储到具有共享缓存的内存数据库中：

#sql_write.py
import sqlite3
import pandas as pd

conn = sqlite3.connect('file:cachedb?mode=memory&cache=shared')
cur  = conn.cursor()

df
          DT      Bid      Ask
0         2020-01-06 00:00:00.103000  1.11603  1.11605
1         2020-01-06 00:00:00.204000  1.11602  1.11605
...                              ...      ...      ...
13582616  2020-06-01 23:59:56.990000  1.11252  1.11256
13582617  2020-06-01 23:59:58.195000  1.11251  1.11255

[13582618 rows x 3 columns]


df.to_sql("ticks", conn, if_exists="replace")

从另一个线程/脚本中的内存数据库读取：

#sql_read.py
import sqlite3
import pandas as pd

conn = sqlite3.connect('file:cachedb?mode=memory&cache=shared')
cur  = conn.cursor()

df = pd.read_sql_query("select * from ticks", conn)

df
          DT      Bid      Ask
0         2020-01-06 00:00:00.103000  1.11603  1.11605
1         2020-01-06 00:00:00.204000  1.11602  1.11605
...                              ...      ...      ...
13582616  2020-06-01 23:59:56.990000  1.11252  1.11256
13582617  2020-06-01 23:59:58.195000  1.11251  1.11255

[13582618 rows x 3 columns]

---

请注意，这是一个15秒的内存读取，在135万行上（python 2.7）。如果我对同一个数据帧进行pickle并打开它，读取只需0.3秒：发现这一点非常令人失望，因为我希望将一个巨大的表转储到内存中，并立即将其拉到我想要的任何位置。但是你看，pickle就是了。

为什么在更改数据时要使用双

db.commit（）

。@MartijnPieters-Ohh，我的错，谢谢你。但是如果我创建共享内存连接，这个连接和内存连接一样快吗？

#sql_write.py
import sqlite3
import pandas as pd

conn = sqlite3.connect('file:cachedb?mode=memory&cache=shared')
cur  = conn.cursor()

df
          DT      Bid      Ask
0         2020-01-06 00:00:00.103000  1.11603  1.11605
1         2020-01-06 00:00:00.204000  1.11602  1.11605
...                              ...      ...      ...
13582616  2020-06-01 23:59:56.990000  1.11252  1.11256
13582617  2020-06-01 23:59:58.195000  1.11251  1.11255

[13582618 rows x 3 columns]


df.to_sql("ticks", conn, if_exists="replace")

#sql_read.py
import sqlite3
import pandas as pd

conn = sqlite3.connect('file:cachedb?mode=memory&cache=shared')
cur  = conn.cursor()

df = pd.read_sql_query("select * from ticks", conn)

df
          DT      Bid      Ask
0         2020-01-06 00:00:00.103000  1.11603  1.11605
1         2020-01-06 00:00:00.204000  1.11602  1.11605
...                              ...      ...      ...
13582616  2020-06-01 23:59:56.990000  1.11252  1.11256
13582617  2020-06-01 23:59:58.195000  1.11251  1.11255

[13582618 rows x 3 columns]