换个宇宙做数据开发这几年，被业务部门临时喊去导数据是家常便饭。上午要一份近半年的订单明细，下午又要把用户表拉出来做分析，而且点名要Excel，因为业务方和领导都只看Excel。数据量小的时候还好，复制粘贴几分钟完事；可一旦碰上几十万行、十几张表一起导，手动操作不仅慢，还容易在筛选、复制、粘贴的过程中漏数据。后来我把整套流程整合成了一个 Python 脚本，从数据库连接、查询、清洗到 Excel 生成一次性跑完，批量导出这件事才算真正解脱了双手。
这个需求听起来简单，实际落地时坑其实不少。字符集、内存占用、Excel 行数上限、数据类型精度、连接超时，每一个都能让人折腾半天。我把自己实际踩过的坑和最终跑通的方案整理成这篇，从需求拆解到环境配置，再从核心代码到分批优化、常见故障排查，一次性聊透。
1. 需求拆解与方案选型：批量导出不是无脑循环
1.1 “批量”到底包含哪几层需求
很多人一听“批量导出”，第一反应就是写个 for 循环查表、导表，好像三五分钟就能搞定。但真正做了几次之后就会发现，“批量”这个词背后其实是四层需求的叠加。
第一层是多张表同时导出。业务方往往不会只要一张表，而是说“把订单表、用户表、商品表、退款表都给我”。这些表可能散落在同一个库里，也可能分布在不同的库甚至不同的数据库实例上。
第二层是单表数据量大。订单表动辄几百万行，全部捞进内存跑一次 SELECT *，稍不留神 Python 进程就卡死了。更麻烦的是，Excel 单表有 1048576 行的硬性限制，超过这个量就必须拆分成多个文件或工作表。
第三层是定时重复跑。这种导出需求通常不是一次性的。运营人员每月、每周都会要相同的数据，如果每次都要人肉执行一次，脚本就失去了意义，得做成能挂在定时任务里的工具。
第四层是格式交付。业务方拿到的 Excel 不是丢一张原始数据就完事了。表头要加粗、背景要上色，列宽要合理，筛选要打开，最好首行冻结。他们拿过去能直接看、直接筛、直接做透视表。
所以“批量导出数据库数据至 Excel 文件”这件事，本质上不是“查出来、写进去”两行代码，而是一条从数据库到最终交付文件的完整流水线。想清楚这层，再去设计架构，才会少走弯路。
1.2 技术选型：pandas + SQLAlchemy + openpyxl 的组合为什么最稳
Python 生态里做这件事的工具不少，但我最终固定下来的是 pandas + SQLAlchemy + openpyxl 三件套。
pandas 负责数据处理。它的 read_sql 可以直接执行 SQL 并返回 DataFrame，to_excel 一行代码就能生成 Excel，是当前数据链路里封装最成熟、坑最少的方式。虽然它对超大文件不太友好，但配合分批策略后，完全满足绝大多数业务场景。
SQLAlchemy 负责数据库连接。很多人习惯直接用 pymysql 或 psycopg2 连库，但这有个问题：一旦换了数据库类型，代码就要跟着改。而用 SQLAlchemy 的话，只需要改一个连接字符串，业务代码完全不动。我自己的环境里既有 MySQL 又有 Oracle，偶尔还有 PostgreSQL，靠这一层抽象省了不少事。国产数据库如达梦、人大金仓，只要提供对应的驱动，SQLAlchemy 基本都能兼容。
openpyxl 负责 Excel 修饰。pandas 的 to_excel 能出文件，但样式处理能力很弱。用 openpyxl 可以精确控制单元格字体、填充色、列宽、冻结窗格、数据筛选，甚至还能对做好的 Excel 做二次加工。它是 pandas 的互补品，而不是替代品。
这三个库的组合，覆盖了“连接、查询、处理、输出、美化”整条链路。从实际项目来看，这是性价比最高的一套方案。相比之下，直接操作 xlsxwriter 或纯 openpyxl 写文件，代码量大、灵活性差，非特殊需求没必要绕远路。
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. 环境准备与数据库连接配置：先把地基打好
2.1 依赖安装：别装错驱动库
环境部分不算难，但有几个细节容易翻车。
bash复制python -m pip install pandas sqlalchemy openpyxl
连接 MySQL 还需要装驱动。这里要注意，不要用 pip install mysql，那个项目已经很久没维护了，正确装法是：
bash复制python -m pip install pymysql
如果连的是 Oracle，就装 cx_Oracle；PostgreSQL 就装 psycopg2-binary；SQL Server 装 pyodbc。每个数据库驱动不同，安装前先确认你的目标库是哪种。
装完最好验证一下版本是否兼容。pandas 和 openpyxl 偶有版本不匹配导致 to_excel 报错的情况，我遇到过 pandas 1.5 配 openpyxl 3.0 时写入日期列报 ValueError 的问题，升级 openpyxl 到 3.1+ 就正常了。建议装完统一执行：
python复制import pandas, openpyxl, sqlalchemy
print(pandas.__version__, openpyxl.__version__, sqlalchemy.__version__)
确保三者都有明确版本输出再继续。
2.2 连接串写法与字符集设置：80% 的乱码问题出在这里
SQLAlchemy 的连接串有固定格式，以 MySQL 为例：
python复制from sqlalchemy import create_engine
engine = create_engine(
"mysql+pymysql://root:123456@127.0.0.1:3306/demo_db?charset=utf8mb4"
)
这里最容易被忽略的是结尾的 ?charset=utf8mb4。很多刚上手的朋友漏掉这个参数，导出的 Excel 里中文变成一堆问号，排查半天还不知道问题出在哪。
utf8mb4 是 MySQL 的完整 UTF-8 实现，能覆盖四字节的 emoji 字符。如果库里已经存了特殊表情符号，而连接串只写 `