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

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()

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。
Python 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
- 下一篇
- Python sqlite3.Connection.iterdump 怎样生成可恢复的 SQL 脚本
-
- 文章 · python教程 | 13分钟前 | python · Python SQLite sqlite3 SQL脚本 Connection iterdump
- Python sqlite3.Connection.iterdump 怎样生成可恢复的 SQL 脚本
- 342浏览 收藏
-
- 文章 · python教程 | 20分钟前 | python · SQLite · Python order by sqlite3 COLLATE Connection create_collation
- Python sqlite3 自定义排序规则如何参与 ORDER BY
- 215浏览 收藏
-
- 文章 · python教程 | 23分钟前 | JSON · python · Python JSON JSONEncoder iterencode JSON文本
- Python json.JSONEncoder.iterencode 怎样分段生成 JSON 文本
- 211浏览 收藏
-
- 文章 · python教程 | 35分钟前 | python · pathlib · Python pathlib PurePath with_segments 路径派生
- Python pathlib.PurePath.with_segments 怎样让派生路径保留自定义状态
- 255浏览 收藏
-
- 文章 · python教程 | 40分钟前 | python · Python Calendar itermonthdays4 月历
- Python Calendar.itermonthdays4 怎样保留月历补齐日期的年月日
- 369浏览 收藏
-
- 文章 · python教程 | 22小时前 | python · Python 十六进制 二进制调试 memoryview.hex bytes_per_sep
- Python memoryview.hex 怎样为十六进制输出设置分组分隔符
- 480浏览 收藏
-
- 文章 · python教程 | 23小时前 | python · Python decimal context same_quantum
- Python decimal.Context.same_quantum 怎样判断两个十进制数的指数是否相同
- 336浏览 收藏
-
- 文章 · python教程 | 1天前 |
- Python textwrap.TextWrapper.drop_whitespace 怎样控制换行边缘的空白保留
- 238浏览 收藏
-
- 文章 · python教程 | 1天前 | python · 文件系统 · Python 文件比较 mtime filecmp.clear_cache filecmp.cmp 比较缓存
- Python filecmp.clear_cache 怎样清除文件比较结果缓存
- 290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。
- 1123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。
- 1110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。
- 1282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。
- 1224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。
- 1075次使用
-
- go格式“占位符”输入输出 类似python的input
- 2023-01-19 346浏览
-
- Golang如何调用Python代码详解
- 2023-01-07 235浏览
-
- HTTP 的 response 中的响应体和头部是分开发送的吗?
- 2023-01-28 387浏览
-
- B站等视频网站的弹幕用的是 websocket 还是轮询?
- 2023-02-16 447浏览
-
- Linux 下有什么命令行工具以时序显示 CPU 占用率?
- 2023-01-13 360浏览
