当前位置:首页 > 文章列表 > 文章 > python教程 > Python sqlite3.Connection.total_changes 怎样统计连接累计修改行数

Python sqlite3.Connection.total_changes 怎样统计连接累计修改行数

来源:17golang原创 2026-11-19 18:02:01 0浏览 收藏

如果你想知道一个 SQLite 连接从打开以后累计改了多少行,Python 的 sqlite3.Connection.total_changes 就是对应入口。它统计这个连接创建后被修改、插入或删除的行数,适合观察一段批量写入的累计结果;如果只想知道最近一条 DML 语句影响了多少行,则应看游标的 rowcount。

官方地址:https://docs.python.org/3/library/sqlite3.html#sqlite3.Connection.total_changes

total_changes 的统计范围是什么

total_changes 是连接对象的只读属性,统计范围从 Connection 打开开始计算,关注的是数据库行被修改、插入或删除的累计数量。它不是某一个游标的临时结果,也不是所有连接共享的全局计数。

因此,批量写入完成后可以直接读取连接属性:

import sqlite3

con = sqlite3.connect(":memory:")
try:
    # 建表不会作为业务数据修改量来统计,后续 DML 才是重点。
    con.execute("CREATE TABLE task(id INTEGER PRIMARY KEY, name TEXT)")

    # executemany 会在同一个连接上执行多次插入。
    con.executemany(
        "INSERT INTO task(name) VALUES (?)",
        [("编译",), ("测试",), ("发布",)],
    )

    # total_changes 读取的是当前连接打开以来的累计修改行数。
    print(con.total_changes)
finally:
    # 无论统计结果如何,都要释放连接资源。
    con.close()
Connection、DML 和 total_changes 的连接级统计关系说明图
图1:结构说明图,展示 Connection 级累计计数与 INSERT、UPDATE、DELETE 等 DML 来源的关系。

使用时要记住三个边界:计数属于当前连接;它是累计值;它描述修改量,不描述 SELECT 返回了多少行。若程序建立了第二个连接,第二个连接不会继承第一个连接的计数。

total_changes 和 rowcount 怎么选

Cursor.rowcount 更适合回答“刚才这条 DML 语句影响了多少行”,而 Connection.total_changes 更适合回答“这个连接累计影响了多少行”。两者可以同时使用,但不能互相替代。

import sqlite3

con = sqlite3.connect(":memory:")
try:
    # 初始化数据,让后面的 UPDATE 有明确对象。
    con.execute("CREATE TABLE task(id INTEGER PRIMARY KEY, done INTEGER)")
    con.executemany("INSERT INTO task(done) VALUES (?)", [(0,), (0,), (1,)])

    cur = con.execute("UPDATE task SET done = 1 WHERE done = 0")
    # rowcount 只看这次 UPDATE,total_changes 还包含此前的 INSERT。
    print("本条语句:", cur.rowcount)
    print("连接累计:", con.total_changes)

    # SELECT 不是修改语句,不要用 rowcount 判断查询结果行数。
    rows = con.execute("SELECT id FROM task WHERE done = 1").fetchall()
    print("查询行数:", len(rows))
finally:
    con.close()
Connection.total_changes 与 Cursor.rowcount 统计口径边界说明图
图2:边界说明图,对比连接级累计值、游标语句级值和 SELECT 查询结果。

官方文档对 rowcount 的定义也更接近语句级结果:它针对 INSERT、UPDATE、DELETE 和 REPLACE 等修改语句更新;其他语句不应拿它当作通用结果计数器。

放进批量写入和事务代码时要注意什么

批量导入时,total_changes 很适合做“本次连接累计处理量”的日志字段。例如一段导入逻辑可以在批次结束记录一次累计值,再用开始时的快照计算本批增量:

before = con.total_changes

# 这里执行本批次的 INSERT、UPDATE 或 DELETE。
con.executemany("UPDATE task SET done = ? WHERE id = ?", [(1, 1), (1, 2)])

after = con.total_changes
batch_changes = after - before
print("本批修改量:", batch_changes)

这个写法的关键是保存快照,而不是把累计值误当成当前批次的结果。事务是否最终提交,则应由明确的 commit()、rollback() 和业务错误处理共同决定;total_changes 本身不替代提交成功记录、业务审计或跨连接汇总。

常见问题

total_changes 会在 commit() 后自动清零吗?

不要把它当作事务计数器使用。它的定义是连接打开后的累计值,若需要统计单次事务或单个批次,应在边界前保存快照并计算差值。

为什么第二个连接读到的 total_changes 不一样?

因为统计范围绑定在 Connection 对象上。多连接程序要分别记录各连接的变化量,再由业务层决定是否汇总。

查询结果行数应该怎么看?

执行 SELECT 后直接获取结果集并使用 len(rows),或按业务需要迭代统计;不要把 rowcount 当成查询结果行数接口。

小结

  • Connection.total_changes:当前连接打开后的累计修改、插入和删除行数。
  • Cursor.rowcount:更适合查看最近一条 DML 语句的影响行数。
  • 批量统计:保存起始快照,用结束值减去起始值,避免累计口径干扰。
版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Python sqlite3 自定义排序规则如何参与 ORDER BYPython sqlite3 自定义排序规则如何参与 ORDER BY
上一篇
Python sqlite3 自定义排序规则如何参与 ORDER BY
Python sqlite3.Connection.iterdump 怎样生成可恢复的 SQL 脚本
下一篇
Python sqlite3.Connection.iterdump 怎样生成可恢复的 SQL 脚本
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    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
    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
    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
    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
    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
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    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。
    1123次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    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。
    1110次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    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。
    1282次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    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。
    1224次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    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。
    1075次使用