答案：使用Python迁移数据库需连接源和目标库，读取数据并写入目标库。常用工具包括SQLAlchemy和pandas，支持同构或异构数据库迁移。通过pd.read_sql读取数据，df.to_sql写入，大数据量可分批处理以降低内存压力。
在Python中迁移或转移数据库里的数据，通常是指将数据从一个数据库（源）复制或移动到另一个数据库（目标），可能是相同类型的数据库（如 MySQL 到 MySQL），也可能是不同类型的（如 SQLite 到 PostgreSQL）。实现这一过程的关键步骤包括：连接源和目标数据库、读取数据、处理可能的数据类型差异、写入目标数据库。
1. 使用合适的数据库驱动
Python通过第三方库支持多种数据库操作。常见的库有：
- sqlite3：内置，用于SQLite数据库
- PyMySQL / mysql-connector-python：用于MySQL
- psycopg2：用于PostgreSQL
- SQLAlchemy：支持多种数据库的ORM和工具，推荐用于跨数据库迁移
- pandas：配合 SQLAlchemy 或数据库驱动，可简化数据读写
安装示例：
pip install pymysql sqlalchemy pandas2. 基本迁移流程
以下是一个通用的数据迁移流程，以从MySQL迁移到另一个MySQL数据库为例：
立即学习“Python免费学习笔记（深入）”；
from sqlalchemy import create_engine
import pandas as pd
源数据库连接
source_engine = create_engine('mysql+pymysql://user:password@localhost/source_db')
目标数据库连接
target_engine = create_engine('mysql+pymysql://user:password@localhost/target_db')
读取源表数据
query = "SELECT * FROM users"
df = pd.read_sql(query, source_engine)
写入目标数据库
df.to_sql('users', target_engine, if_exists='append', index=False)
说明：
- create_engine 创建数据库连接
- pd.read_sql 将SQL查询结果读为DataFrame
- to_sql 将DataFrame写入目标表
- if_exists='append' 表示如果表存在则追加数据；也可设为 'replace' 或 'fail'
3. 跨数据库迁移（如 SQLite 到 PostgreSQL）
使用 SQLAlchemy 和 pandas 同样可以轻松实现跨数据库迁移：
from sqlalchemy import create_engine
源：SQLite
source_engine = create_engine('sqlite:///source.db')
目标：PostgreSQL
target_engine = create_engine('postgresql+psycopg2://user:password@localhost/target_db')
读取并迁移表
df = pd.read_sql('SELECT * FROM products', source_engine)
df.to_sql('products', target_engine, if_exists='replace', index=False)
注意字段类型映射问题。例如 SQLite 的 TEXT 可能需要对应 PostgreSQL 的 VARCHAR 或 TEXT，pandas 通常会自动处理基础类型。
4. 处理大数据量
如果数据量大，一次性读取可能导致内存溢出。可以分批处理：
chunk_size = 10000
for chunk in pd.read_sql('SELECT * FROM large_table', source_engine, chunksize=chunk_size):
chunk.to_sql('large_table', target_engine, if_exists='append', index=False)
这样每次只加载一部分数据，降低内存压力。
基本上就这些。根据实际数据库类型调整连接字符串和驱动即可。整个过程清晰、可控，适合自动化脚本使用。
