SQLAlchemy插入后获取自增ID方法
在使用 SQLAlchemy 插入数据后安全、可靠地获取自增主键 ID,关键在于避开底层驱动差异带来的陷阱:推荐采用 ORM + `session.flush()` 的通用方案——插入对象后调用 `flush()` 触发 SQL 执行但不提交,数据库生成的 ID 会自动回填到对象属性中,完美兼容 MySQL、PostgreSQL、SQLite 和 SQL Server;若项目仅运行于 PostgreSQL 等支持 `RETURNING` 的数据库,则可选用更高效的 Core 层 `insert().returning()` 方式提升性能;而手动依赖 `lastrowid` 或事后查询等做法不仅破坏抽象、缺乏可移植性,还存在竞态和多线程风险,应坚决避免。

SQLAlchemy 提供了跨数据库兼容的方式,在插入记录后获取自增主键 ID,核心是利用 insert().returning()(较新版本)或更通用的 session.flush() + obj.id 模式。不同数据库对 RETURNING 的支持程度不同,需按需选择策略。
推荐方式:ORM 插入后直接访问实例属性(最兼容)
这是最简单、兼容性最好的方法,适用于所有支持自增主键的数据库(如 MySQL、PostgreSQL、SQLite、SQL Server):
- 使用 ORM 模型插入对象后,调用
session.flush()触发 SQL 执行但不提交;此时自增 ID 已由数据库生成并回填到对象属性中。 - 无需手动查询,也不依赖
RETURNING语法,完全由 SQLAlchemy 自动适配底层驱动行为。
示例:
from sqlalchemy.orm import sessionmaker from mymodels import Useruser = User(name="Alice", email="a@example.com") session.add(user) session.flush() # ✅ 关键:触发 INSERT,ID 已写入 user.id print(user.id) # ✅ 此时已有值(如 123)
后续可继续操作,最后 session.commit()
进阶方式:使用 insert().returning()(仅限支持 RETURNING 的数据库)
PostgreSQL 和最新版 SQLite(3.35+)、SQL Server(通过 OUTPUT)原生支持 RETURNING,可一条语句完成插入并取 ID,性能略优。MySQL **不支持** RETURNING,此方式会报错。
- 适用于明确只跑在 PostgreSQL 等环境的项目,或已做数据库判断的封装层。
- Core 层写法(非 ORM):
from sqlalchemy import insertstmt = insert(User).values(name="Bob", email="b@example.com").returning(User.id) result = session.execute(stmt) new_id = result.scalar_one() # ✅ 返回单个 ID 值
⚠️ 注意:ORM 模型不直接支持 .returning(),需用 Core 语句;且必须确保 dialect 支持(如 postgresql 或 mssql),否则运行时报错。
避免踩坑:不要用 lastrowid 或 execute(insert).lastrowid
手动调用底层 cursor 的 lastrowid 不仅破坏抽象,还存在严重兼容问题:
- SQLite 返回正确,MySQL 在某些驱动(如 PyMySQL)中返回
0或None; - PostgreSQL 需依赖
pg_get_serial_sequence等函数,无法通用; - 多线程/连接池下可能取到其他语句的 ID,极不可靠。
✅ 正确做法始终走 SQLAlchemy 的 flush / returning / commit 流程,由它协调 dialect 行为。
补充:批量插入后获取多个 ID(有限支持)
批量插入(session.bulk_save_objects())默认不填充 ID,因绕过了 ORM 生命周期。若需 ID:
- 改用
session.add_all()+flush():虽稍慢,但 ID 可用; - PostgreSQL 可用 Core 的
insert(...).returning()配合execute_many(需 SQLAlchemy 2.0+); - MySQL 无原生批量 RETURNING,只能逐条 flush 或事后查最大 ID 范围(不推荐,有竞态风险)。
到这里,我们也就讲完了《SQLAlchemy插入后获取自增ID方法》的内容了。个人认为,基础知识的学习和巩固,是为了更好的将其运用到项目中,欢迎关注golang学习网公众号,带你了解更多关于的知识点!
Docker端口映射配置详解
- 上一篇
- Docker端口映射配置详解
- 下一篇
- 百度优选官网入口及网页版地址
-
- 文章 · python教程 | 22小时前 | Python教程 · Python 鸭子类型 typing.Protocol 结构子类型
- Python typing.Protocol 约束鸭子类型接口
- 246浏览 收藏
-
- 文章 · python教程 | 1天前 | Python教程 · Python 相对路径 is_file pathlib Path.resolve
- Python pathlib 相对路径规范化与文件判断
- 144浏览 收藏
-
- 文章 · python教程 | 1天前 | python · 异步编程 · asyncio · Python CancelledError asyncio.timeout TimeoutError
- Python asyncio.timeout 嵌套取消与异常传播
- 373浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python heapq 最大堆 API 怎么避免手动取负数
- 397浏览 收藏
-
- 文章 · python教程 | 1天前 | python · Python 不可变对象 namedtuple dataclass copy.replace
- Python copy.replace 怎么更新不可变对象字段
- 245浏览 收藏
-
- 文章 · python教程 | 2天前 | python ·
- Python NamedTemporaryFile 的 delete_on_close 怎么设置
- 311浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python itertools.batched strict 参数什么时候会报错
- 306浏览 收藏
-
- 文章 · python教程 | 2天前 |
- Python ExceptionGroup split 怎么按异常类型拆分
- 311浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 264次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 316次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 300次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 273次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 93次使用
-
- Python sqlite3 Connection serialize 怎么导出数据库快照:备份窗口、内存占用与恢复校验
- 2026-08-26 501浏览
-
- Python监控网页状态:requests异常处理实战
- 2026-05-29 501浏览
-
- TensorFlow模型部署为API的TF Serving方法
- 2026-05-26 501浏览
-
- Python字符串编码转换:encode与decode详解
- 2026-05-16 501浏览
-
- TensorFlow裁剪无用算子方法详解
- 2026-05-15 501浏览
