Amy青梅先说我遇到这个需求的典型场景：数据支持岗每天都要给业务方导数据，今天导订单明细，明天导用户列表，后天导库存快照。一开始直接用数据库客户端工具导，表多了以后又慢又累，还得手动调整格式。后来我干脆用 Python 把这件事做成了一个小工具，把“数据库 → Excel”的路径彻底固定下来，批量导出、定时跑批、格式统一，整个效率提升了一个量级。这篇文章就把我实际在用的方案、踩过的坑和优化思路完整写出来，主要适合刚接手数据工作、或者经常被“帮忙导个表”这类需求打扰的同学参考。
主题很明确：用 Python 连接数据库，把查询结果批量写入 Excel 文件。听起来简单，但真正做起来，从数据库连接串配置到 Excel 行列格式，每个环节都有不少细节，稍不注意导出来的文件就是乱码、乱列、科学计数法或者直接内存爆炸。
1. 先搞清楚：批量导出到底解决了什么问题
很多时候我们写代码只是为了解决当下的一个“小请求”，但如果只是临时跑一次，不值得写那么多代码。批量导出的核心价值是把重复劳动自动化，把不确定变成确定。
1.1 我当初遇到的实际场景
我们的业务库里有几十张业务表，覆盖订单、用户、支付、商品等模块。每个月月初，运营、财务、客服三个部门都会提数据需求，要的维度还都不太一样。运营要订单表加用户标签，财务要支付流水加手续费字段，客服要售后记录加处理状态。
一开始我是这样干的：
- 打开数据库客户端，输 SQL 查询。
- 查询结果复制出来，粘贴到 Excel。
- 调整列宽、改字段名、对齐格式。
- 另存为 xlsx 发给对方。
单次操作 10 分钟，一个月十几张表，加起来至少半天。更头疼的是，每个月同样的表、同样的字段，我还要重新写一遍 SQL，重新调整一次格式，中间只要手抖漏一个字段，业务方就会拿着明显错误的数据来找你。
所以我做了一个很简单的判断：这种批量、重复、规则固定的需求，必须脚本化。
1.2 这个方案的适用边界
要用 Python 批量导出数据库数据到 Excel，首先要确认它适不适合你的场景。我的经验是下面几种情况最合适：
- 数据量在 Excel 可承载范围内，单表几万到几十万行。
- 导出规则固定，字段清单、文件路径、文件名可以事先约定好。
- 需要定时跑批，比如周报、月报、每日数据快照。
- 需要做字段映射、格式控制、数据脱敏，而不是单纯“导出原表”。
反过来，如果单表几千万行，或者大数据场景下要做复杂的分布式抽取，那应该走数据平台链路，用更专业的抽取工具生成文件，而不是让 Python 脚本在内存里攒一个巨大 DataFrame 再写 Excel。
一句话总结：这个方案解决的是“中等数据量下的重复性导出需求”，优点是灵活、可控、好改，缺点是受制于 Excel 本身的行列上限和单机内存，认清边界才不会选错工具。
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. 工具链选型：Python + Pandas + openpyxl 为什么够用
做技术的人肯定都知道，实现“数据库导 Excel”这个需求有很多种路径。我在动手之前也纠结过一阵，到底用哪种方案，最后落定 Python + Pandas + openpyxl，下面说说我的取舍过程。
2.1 备选方案的取舍
我把当时想到的几个方案列在一起对比过：
| 方案 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 数据库客户端手动导出 | 简单、零代码 | 无法批量、无法复用、格式靠手工 | 偶尔一次 |
| 数据库自带导出命令 | 快、适合大表 | 不易控制格式、跨平台差 | 纯数据备份 |
| 脚本拼接 CSV | 极简、通用 | Excel 打开中文易乱码、无格式 | 数据量较大 |
| Java/PHP 后端定时任务 | 性能强、适合集成业务系统 | 开发成本高、改需求麻烦 | 正式业务系统 |
| Python + Pandas + openpyxl | 开发快、生态好、格式可控 | 大数据量受限 | 数据支持、自动化报表 |
对比之后我选了最后一种。原因很实际：Pandas 读写数据库和 Excel 都有现成接口，代码量很少，而且 openpyxl 能让我控制单元格格式，过滤、排序、列宽这些细节都能处理，适合“导完直接能用”的需求。
2.2 环境准备与依赖安装
环境方面没有太复杂的要求，我用的是 Python 3.9+，核心依赖就三个：
bash复制pip install pandas pymysql openpyxl
如果你用的不是 MySQL，也可以根据数据库类型替换驱动：
- Oracle：
pip install cx_Oracle - PostgreSQL：
pip install psycopg2-binary - SQL Server：
pip install pyodbc - 达梦：安装 dmPython，连接方式和 Oracle 类似
另外一个非常重要的点：Pandas 版本到 2.x 之后，to_excel 写 xlsx 文件默认依赖 openpyxl，写 xls 依赖 xlwt（且 xlwt 已经停止维护，只支持旧格式）。所以我强烈建议直接用 xlsx 格式，不要碰 xls 老格式，省得遇到一堆兼容性问题。
3. 代码落地：从查询到写出 Excel 的核心实现
很多教程会直接甩一个完整脚本，看起来很厉害，但读者不知道每行代码在干嘛。我这边反过来，先给你一个最小可用的版本，然后逐步叠加批量导出、分页、格式控制这些能力，每一步解释为什么这么写。
3.1 最小可用的单表导出
这个版本解决最基础的场景：从数据库查一张表，把结果写入一个 Excel 文件。
python复制import pandas as pd
from sqlalchemy import create_engine
# 拼接数据库连接串
# 格式：数据库类型+驱动://用户名:密码@主机地址:端口/数据库名?参数
engine = create_engine(
"mysql+pymysql://root:password@127.0.0.1:3306/business_db?charset=utf8mb4"
)
sql = "SELECT * FROM orders WHERE order_date >= '2024-01-01'"
with engine