如何将一个python字典浸入到MySQL中？
我浏览了几个SO-Questions，以了解如何腌制python对象并将其存储到数据库中。 我收集的信息是：
import pickle或import cpickle 。 如果性能是一个问题，则导入后者。 dict是一个python字典（或者python对象）： pickled = pickle.dumps(dict) 。 pickled用什么那么模块数据库进行通信到MySQL BLOB列。 pickle.loads(pickled)来恢复python字典。 我只是想确保我明白这个权利。 我错过了关键的事情吗？ 有副作用吗？ 这真的很简单吗？
背景信息：我想要做的唯一事情就是存储Googlegeocoder-Responses，它是嵌套python字典在我的情况。 我只使用响应对象的一小部分，我不知道以后我是否会需要更多。 这就是为什么我想存储响应以节省我重复数百万个查询的原因。
这真的很简单......只要你不需要你的数据库就能知道字典的任何内容。 如果你需要任何形式的结构化数据访问字典的内容，那么你将不得不更多地参与。
另一个问题可能是你打算在字典中加入的内容。 Python的pickle序列化非常聪明，可以处理大多数情况，而无需添加任何定制支持。 但是，当它不起作用时，可能很难理解出了什么问题。 所以如果可以的话，将dict的内容限制在Python的内置类型中。 如果您开始添加自定义类的实例，请将它们保留为简单的自定义类，这些类不会使用任何有趣的属性存储或访问。 并且要小心从插件中添加类或类型的实例。 一般来说，如果您开始在酸洗或拆卸时遇到难以理解的问题，请查看字典中的非内置类型。
如果速度真的很重要，我只是运行一个测试，从pickle中加载大型python字典（35MB），从MySql表中选择所有键和值存储在行中的SELECTING：
泡菜方法：
import time, pickle
t1 = time.clock()
f = open('story_data.pickle','rb')
s = pickle.load(f)
print time.clock() - t1
MySQL方法：
import database as db
t1 = time.clock()
data,msg = db.mysql(""" SELECT id,story from story_data;""")
data_dict = dict([(int(x),y.split(',')) for x,y in data])
print time.clock() - t1
输出：pickle方法：32.0785171704 mysql方法：3.25916336479
如果十倍速度增强足够，数据库的结构可能并不重要。 注意我将所有逗号分隔的数据拆分为36,000个键的值，并且只需要3秒。 所以我已经不再使用大量数据集的酱菜了，因为我使用的400行程序的其余部分花费了大约3秒，而咸菜加载花费了32秒。
另请注意：
cPickle就像咸菜一样工作，速度超过50％。
不要试图腌制一个充满字典的类并保存在mysql中：它不能正确重构，至少它不适合我。
如果你有嵌套字典，你必须小心。 大多数python对象不会使用pickle（并且可以将任何对象填充为dict的值）。 更糟糕的是，甚至更少的python对象可以转换为字符串并存储在SQL中。
但是，如果使用klepto ，数据库中的序列化和存储是非常透明的，并且适用于大多数python对象。
让我们在一个dict （或字典）中构建一些典型的python对象：
>>> class Foo(object):
... def bar(self, x):
... return self.y + x
... y = 1
...
>>> d1 = {'a': min, 'b': lambda x:x**2, 'c': [1,2,3], 'd': Foo()}
>>> f = Foo(); f.y = 100
>>> d2 = {'a': max, 'b': lambda x:x**3, 'c': [2,1,3], 'd': f}
现在，让我们构建一个嵌套的dict ，然后转储到MYSQL存档。
>>> import klepto
>>> a = klepto.archives.sql_archive('mysql://user:pass@localhost/foo', dict={'d1':d1, 'd2':d2})
>>> a.dump()
现在，我们删除我们的存档界面...并构建一个新的界面。 load将所有对象加载到内存中。
>>> del a
>>> b = klepto.archives.sql_archive('mysql://user:pass@localhost/foo')
>>> b.load()
我们现在访问内存副本中的对象。
>>> b['d1']
{'a': <built-in function min>, 'c': [1, 2, 3], 'b': <function <lambda> at 0x1037ccd70>, 'd': <__main__.Foo object at 0x103938ed0>}
>>> b['d1']['b'](b['d1']['d'].bar(1))
4
>>> b['d2']['b'](b['d2']['d'].bar(1))
1030301
>>>
我们退出python ...然后开始新的会话。 这一次，我们决定使用cached=False ，所以我们将直接与数据库进行交互。
dude@hilbert>$ python
Python 2.7.10 (default, May 25 2015, 13:16:30)
[GCC 4.2.1 Compatible Apple LLVM 5.1 (clang-503.0.40)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>> import klepto
>>> b = klepto.archives.sql_archive('mysql://user:pass@localhost/foo', cached=False)
>>> b['d2']['b'](b['d2']['d'].bar(1))
1030301
>>> b['d1']['b'](b['d1']['d'].bar(1))
4
>>>
klepto利用sqlalchemy ，因此它可以在多个后端数据库......，另外，提供了相同的dict基于接口的磁盘存储（在一个文件或目录）。