数据库引擎echo=True

在 Python 的 SQLAlchemy 中，当我们创建一个数据库引擎时，可以通过设置 `echo=True` 参数来开启 SQL 语句的输出。这个参数默认为 False，即不输出 SQL 语句。

开启 `echo=True` 后，每次执行 SQL 语句时，都会在控制台输出该语句及执行时间等相关信息，方便我们进行调试和优化。

例如：

from sqlalchemy import create_engine

engine = create_engine('mysql+pymysql://user:password@host:port/database', echo=True)

这样在执行 SQL 语句时，会输出类似如下的信息：

2021-09-01 15:30:20,740 INFO sqlalchemy.engine.Engine SHOW VARIABLES LIKE 'sql_mode'
2021-09-01 15:30:20,741 INFO sqlalchemy.engine.Engine [raw sql] {}
2021-09-01 15:30:20,744 INFO sqlalchemy.engine.Engine SHOW VARIABLES LIKE 'lower_case_table_names'
2021-09-01 15:30:20,744 INFO sqlalchemy.engine.Engine [raw sql] {}
...

相关问题

使用fake = Faker() 插入mysql数据库表的操作演示

使用 `fake = Faker()` 插入 MySQL 数据库表的操作可以通过以下步骤实现。这里我们将使用 `Faker` 库生成假数据，并使用 `SQLAlchemy` 库进行数据库操作。

首先，确保你已经安装了必要的库：

pip install faker sqlalchemy pymysql

然后，编写 Python 脚本进行操作：

from faker import Faker
from sqlalchemy import create_engine, Column, Integer, String
from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy.orm import sessionmaker

# 初始化 Faker
fake = Faker()

# 创建数据库引擎
engine = create_engine('mysql+pymysql://username:password@localhost:3306/database_name', echo=True)

# 创建基类
Base = declarative_base()

# 定义数据模型
class User(Base):
    __tablename__ = 'users'
    
    id = Column(Integer, primary_key=True)
    name = Column(String(50))
    email = Column(String(50))
    address = Column(String(100))

# 创建表
Base.metadata.create_all(engine)

# 创建会话
Session = sessionmaker(bind=engine)
session = Session()

# 插入假数据
def insert_fake_data(count):
    for _ in range(count):
        user = User(
            name=fake.name(),
            email=fake.email(),
            address=fake.address()
        )
        session.add(user)
    session.commit()

# 插入10条假数据
insert_fake_data(10)

# 关闭会话
session.close()

在这个示例中，我们首先初始化了 `Faker` 实例，并创建了一个 MySQL 数据库引擎。然后，我们定义了一个数据模型 `User`，并创建了相应的数据库表。接着，我们创建了一个会话，并通过循环插入假数据。最后，我们提交事务并关闭会话。

dify fastapi 数据库

### FastAPI 集成操作数据库教程

#### 使用SQLAlchemy作为ORM工具

为了使FastAPI能够与关系型数据库交互，通常会选择使用SQLAlchemy这样的ORM(Object Relational Mapping)工具[^1]。这不仅简化了数据库的操作流程，还提高了代码的可读性和维护性。

#### 安装依赖包

首先，在集成之前需要确保环境中已安装必要的Python库：

pip install fastapi sqlalchemy databases alembic

对于不同的数据库引擎还需要额外安装对应的驱动程序，比如针对PostgreSQL则需`psycopg2-binary`；如果是MySQL，则可能要用到`PyMySQL`等。

#### 创建数据库连接

接着定义异步会话工厂以及全局性的数据库实例用于整个应用生命周期内共享同一个SessionMaker:

from sqlalchemy.ext.asyncio import AsyncSession, create_async_engine
from sqlalchemy.orm import sessionmaker

DATABASE_URL = "sqlite+aiosqlite:///./test.db"

engine = create_async_engine(DATABASE_URL, echo=True)

async_session = sessionmaker(
    bind=engine,
    class_=AsyncSession,
    expire_on_commit=False
)

这段代码展示了如何设置SQLite数据库连接字符串并创建了一个支持异步I/O模式下的引擎对象和session maker[^4]。

#### 设计表结构模型类

利用SQLAlchemy提供的声明式基底来构建实体映射类，每一个类代表一张表格及其字段属性：

from sqlalchemy.ext.declarative import declarative_base
from sqlalchemy import Column, Integer, String

Base = declarative_base()

class User(Base):
    __tablename__ = 'users'

    id = Column(Integer, primary_key=True, index=True)
    name = Column(String, nullable=False)
    email = Column(String, unique=True, index=True)

上述例子中定义了一个名为`User`的数据表，它包含了三个列：id、name 和email[^2]。

#### 初始化迁移脚本

Alembic是一个非常流行的版本控制系统，适用于管理数据库架构变更历史记录。按照官方文档指引完成环境搭建之后就可以编写升级/降级指令了：

# env.py
import os
from alembic import context
from sqlalchemy import engine_from_config, pool
from logging.config import fileConfig

config = context.config

fileConfig(config.config_file_name)

target_metadata = Base.metadata


def run_migrations_offline():
    url = config.get_main_option("sqlalchemy.url")
    context.configure(url=url, target_metadata=target_metadata)


def run_migrations_online():
    connectable = engine_from_config(
        config.get_section(config.config_ini_section),
        prefix='sqlalchemy.',
        poolclass=pool.NullPool)

    with connectable.connect() as connection:
        context.configure(connection=connection, target_metadata=target_metadata)

        with context.begin_transaction():
            context.run_migrations()

此部分描述了怎样配置alembic以识别应用程序中的元数据信息，并据此生成相应的DDL语句执行计划。

#### 编写CRUD视图逻辑

最后一步就是实现具体的业务处理方法啦～这里给出一个简单的获取全部用户的GET请求处理器示例：

from fastapi import APIRouter, Depends
router = APIRouter()


@router.get("/users/", response_model=list[User])
async def read_users(db: AsyncSession = Depends(get_db)):
    result = await db.execute(select(User))
    users = result.scalars().all()
    return users

以上便是关于在FastAPI框架里边接入SQLAlchemy来进行基本增删改查操作的大致过程概述。