AI 助理
备案控制台
开发者社区 数据库 文章 正文

Python/MySQL时间的实际应用记录

2018-07-13 2461
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
RDS MySQL Serverless 基础系列，0.5-2RCU 50GB
推荐场景：
学生管理系统数据库设计 搭建个人博客
云数据库 RDS MySQL，集群系列 2核4GB
推荐场景：
搭建个人博客
RDS MySQL Serverless 高可用系列，价值2615元额度，1个月
简介： 前言网上关于mysq时间、python时间与时间戳等文章很多，翻来翻去找不到头绪，根据不同博客的写法，挑了几个来测试，这里记录一下。况且，不以实际需求为前提的博文，就是瞎写，估计以后自己都看不懂。

前言

网上关于mysq时间、python时间与时间戳等文章很多，翻来翻去找不到头绪，根据不同博客的写法，挑了几个来测试，这里记录一下。

况且，不以实际需求为前提的博文，就是瞎写，估计以后自己都看不懂。

Mysql 时间类型

在数据库建表的时候，通常有5中字段类型让人选择： TIME、DATE、DATETIME、TIMESTAMP、YEAR，它们又各自是什么格式呢？要写的让自己容易记：

  • TIME类型 ：存储空间[3 bytes] - 时间格式[HH:MM:SS] - 时间范围[-838:59:59  到  ~ 838:59:59]
  • DATE类型 ：存储空间[3 bytes] - 时间格式[YYYY-MM-DD] - 时间范围[1000-01-01 到 9999-12-31] (可以理解为年月日)
  • DATETIME类型 ：存储空间[8 bytes] - 时间格式[YYYY-MM-DD HH:MM:SS] - 时间范围[1000-01-01 00:00:00 到 9999-12-31 23:59:59] (可以理解为年月日时分秒)
  • TIMESTAMP类型 ：存储空间[4 bytes] - 时间格式[YYYY-MM-DD HH:MM:SS] - 时间范围[1970-01-01 00:00:01 到 2038-01-19  03:14:07] (以秒为计算)
  • YEAR类型 ：存储空间[1 bytes] - 时间格式[YYYY] - 时间范围1901  到  2155

根据上面的类型得知，YEAR这种类型用的稍微少一点，TIME用的估计也不多，比较多的还是DATE、DATETIME和时间戳TIMESTAMP

Python 日期和时间

Python提供了三种时间函数，时间模块time、基本时间日期模块datetime和日历模块Calendar，具体的详细介绍和用法在[菜鸟教程-时间和日期:传送A，传送B]有介绍，这里不复制粘贴了。

日历模块Calendar是用的次数比较少的(在爬虫和Django开发的实际应用较少)，出现较多的是time模块和dateteime模块：

  • time模块  --  比较接近底层的
  • datetime模块  --  基于time新增了很过功能，提供了更多函数

使用对比

1、获取当前时间

import datetime,time

""" 当前时间 """
print(time.time())
print(datetime.datetime.now())

得到的输出结果是：

1516200437.9920225
2018-01-17 22:47:17.992047

2、当前时间格式化

import datetime,time

""" time当前时间 """
localtime = time.localtime(time.time())
print("本地时间为 :", localtime)
gtime = time.strftime('%Y-%m-%d',localtime)
print("可以把时间转换为 :",gtime)
gltime = time.strftime('%Y-%m-%d %H:%M:%S',localtime)
print("可以把时间转换为 :",gltime)
#------------------------------------------------
""" datetime当前时间 """
localtime = datetime.datetime.now()
gtime = datetime.datetime.now().strftime("%Y-%m-%d")
gltime = datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S")
print(localtime)
print(gtime)
print(gltime)

得到的结果是：

本地时间为 : time.struct_time(tm_year=2018, tm_mon=1, tm_mday=17, tm_hour=22, tm_min=55, tm_sec=46, tm_wday=2, tm_yday=17, tm_isdst=0)
可以把时间转换为 : 2018-01-17
可以把时间转换为 : 2018-01-17 22:55:46
#------------------------------------------------
2018-01-18 08:03:18.760582
2018-01-18
2018-01-18 08:03:18

这里可以看出，用两个模块获得的当前时间都不是人类容易阅读的，都需要通过strftime函数进行格式化。

3、文本时间转换

这里我指的是爬虫获取的其他网站的时间，通常有几种格式：

  • 长时间 -- 2018-01-06 18:35:05、2018-01-06 18:35
  • 日期 --  2018-01-06
  • 月时间 -- 2018-01
  • 时间 --  18:35:05

通常，爬虫得到的时间都是人阅读的，只不过分隔符不同。并且在入库的时候，我希望他们的时间格式是统一的，年月日时分秒或者年月日，如果可以就用时间戳，方便计算(年月日时分秒对应年月日时分秒，年月日不可直接转换为年月日时分秒)。

遇到日期类型2018-01-06的时间格式，是不可以用函数直接转成长时间2018-01-06 18:35:05格式的，报错。当遇到这种情况，而我又想将时间统一，只能进行转换。转换又分为两种，相同时间格式转换与不同时间格式转换：

第一种情形

目标：2018-01-06 18:35:05 转换为2018-01-06 18:35:05

它有两种方法可以满足

方法一的逻辑是不同格式的时间转换要先转成时间数组，然后再由时间数组格式化成想要的类型：

import datetime,time

a = "2013-10-10 23:40:00"  # 想要转换成 a = "2013/10/10 23:40:00"

timeArray = time.strptime(a, "%Y-%m-%d %H:%M:%S")
otherStyleTime = time.strftime("%Y/%m/%d %H:%M:%S", timeArray)
print(timeArray)
print(otherStyleTime)

从输出结果：

time.struct_time(tm_year=2013, tm_mon=10, tm_mday=10, tm_hour=23, tm_min=40, tm_sec=0, tm_wday=3, tm_yday=283, tm_isdst=-1)
2013/10/10 23:40:00

可以看到，先通过time.strptime把它转换成时间数组，然后通过time.strftime把时间数组格式化成我想要的格式。

方法二，由于最终格式化的时间也是字符串str，所以当遇到这种情况的时候，还可以直接用replace来进行转换：

a = "2013-10-10 23:40:00"  # 想要转换成 a = "2013/10/10 23:40:00"

print(a.replace("-", "/"))

输出结果为：

2013/10/10 23:40:00

第二种情形

目标：2018-01-06  转换为2018-01-06 18:35:05

它也有两种方法可以满足

它的逻辑是将年月日的字符串拼接上时分秒，然后再按照上面的两种方法进行转换，比如：

a = "2013-10-10 "  # 想要转换成 a = "2013/10/10 23:40:00"
ac = a + "00:00:00"
print(ac.replace("-", "/"))

得到输出结果

2013/10/10 00:00:00

第三种情形

目标：2018-01-06 18:35:05 转换为2018-01-06

思路与第一种一致，先转换为时间数组，然后再由时间数组进行格式化：

import datetime,time

a = "2013-10-10 23:40:00"  # 想要转换成 a = "2013/10/10"
timeArray = time.strptime(a, "%Y-%m-%d %H:%M:%S")
otherStyleTime = time.strftime("%Y/%m/%d", timeArray)
print(type(timeArray))
print(otherStyleTime)

得到结果输出为（可以看到timeArray的类型是time.struct_time）：


2013/10/10

4、时间的比较运算

都知道字符串是不可以进行比较计算的，那么我们就需要用到其他的格式进行。time的strptime转换成时间数组是不可以进行运算的，但是datetime可以。

第一种 ，时间格式相同

import datetime,time

d1 = datetime.datetime.strptime('2012-03-05 17:41:20', '%Y-%m-%d %H:%M:%S')
d2 = datetime.datetime.strptime('2012-03-05 16:41:20', '%Y-%m-%d %H:%M:%S')
delta = d1 - d2
print(type(d1))
print(delta.seconds)
print(delta)

得到的输出是：


3600
1:00:00

从结果上可以看到，格式相同的两种时间，可以通过datetime.datetime.strptime进行转换后再运算，在结果中还可以通过.seconds来计算 相差秒数 和通过.days来计算 相差天数

第二种 ，如果时间格式不一样，但是转换后的类型一样，也是可以比较的：

import datetime,time

d1 = datetime.datetime.strptime('2012/03/05 17:41:20', '%Y/%m/%d %H:%M:%S')

d2 = datetime.datetime.strptime('2012-03-05 16:41:20', '%Y-%m-%d %H:%M:%S')
delta = d1 - d2
print(delta.seconds)
print(delta)

这段代码里面时间的字符串形式就不一样，但是通过同样的函数进行转换后就可以比较计算了。

第三种 ，年月日时分秒与年月日的计算，其实原理是一样的，转换后他们的格式都一样，所以也是可以计算的，2012/03/05 17:41:20与2012-03-05的时间相差：

import datetime,time

d1 = datetime.datetime.strptime('2012/03/05 17:41:20', '%Y/%m/%d %H:%M:%S')
d2 = datetime.datetime.strptime('2012-03-01', '%Y-%m-%d')
delta = d1 - d2
print(delta.days,delta.seconds)
print(delta)
print(type(delta))

输出结果是

4 63680
4 days, 17:41:20

通过print的结果可以得到几点信息：
不同格式的时间在转化后是可以进行比较运算的
可以通过.days和.seconds来进行天数与时分秒的展示
计算后得到的数据类型是 'datetime.timedelta' 而不是str类型

比如计算3天后的时间：

import datetime,time

now = datetime.datetime.now()
delta = datetime.timedelta(days=3)
n_days = now + delta
print(type(n_days))
print(n_days.strftime('%Y-%m-%d %H:%M:%S'))

得到的结果是：


2018-01-21 10:26:14

用datetime.timedelta取得3天时间，然后将当前时间加上3天，得到的是'datetime.datetime'类型数据，变成人类阅读的格式则需要strftime函数进行格式化，最终得到想要的2018-01-21 10:26:14。

5、时间戳

把字符串时间转换为时间戳：

import datetime,time

a = "2013-10-10 23:40:00"
# 转换为时间数组
timeArray = time.strptime(a, "%Y-%m-%d %H:%M:%S")
# 转换为时间戳:
timeStamp = time.mktime(timeArray)
print(timeArray)
print(timeStamp)

输出结果为：

time.struct_time(tm_year=2013, tm_mon=10, tm_mday=10, tm_hour=23, tm_min=40, tm_sec=0, tm_wday=3, tm_yday=283, tm_isdst=-1)
1381419600.0

可以看到time的时间数组与时间戳并不是同一样东西，他们是有区别的

6、strftime与strptime

这两个是python中常用的

strftime函数：

  • 函数接收以时间元组，并返回以可读字符串表示的当地时间，格式由参数format决定。
  • time.strftime(format[, t])
  • format -- 格式字符串。t -- 可选的参数t是一个struct_time对象。
  • 返回以可读字符串表示的当地时间。
import time

t = (2009, 2, 17, 17, 3, 38, 1, 48, 0)
t = time.mktime(t)
print(time.strftime("%Y-%m-%d %H:%M:%S", time.gmtime(t)))

得到结果输出：

2009-02-17 09:03:38

strptime()
函数根据指定的格式把一个时间字符串解析为时间元组。
time.strptime(string[, format])
string -- 时间字符串。format -- 格式化字符串。
返回struct_time对象。

import datetime,time

d1 = datetime.datetime.strptime('20120305 17:41:20', '%Y%m%d %H:%M:%S')
d2 = datetime.datetime.strptime('2012-03-01', '%Y-%m-%d')
print(d1)
print(d2)

得到结果：

2012-03-05 17:41:20
2012-03-01 00:00:00

时间格式与入库

前面铺垫了这么多，最终的目的还是需要入库。这里以4种数据库时间类型为例：

  • 字段名 => 数据类型
  • r_time       =>        time
  • r_date         =>     date
  • r_datetime  =>    datetime
  • r_timestamp  => timestamp

根据最上方所写的Mysql时间类型，可以得出对应的时间格式为：

  • 时间格式 => 数据类型
  • 17:35:05      =>        time
  • 2018-3-1         =>     date
  • 2018/3/1 17:35  =>    datetime
  • 2018/3/1 17:35  => timestamp

time类型

time类型的格式指定为17:35:05，不可替换为（17-35-05或者17/35/05）,会报错

可以简写成17:35，数据库会自动补全后面的00,入库后最终数据17:35:00

如果简写成17，则入库后变成00:00:17

当然，如果更奇葩的写法17:,17:35:这种是会报错的

date类型

date类型的格式指定为2018-3-1与2018/3/1，最终入库格式是（2018-03-01），它会自动补全

可以简写成[18/3/1]、[17/3/1]、[07/3/1]、[97/3/1]，数据库会自动补全前面的年份,入库后最终数据2018-03-01、2017-03-01、2007-03-01、1997-03-01

不可简写成[2017]、[2017/3]，会报错，必须是完整的日期格式

datetime类型

datetime类型的格式指定为2018-3-1 17:35:00和2018/3/1 17:35:00，最终入库格式是2018-03-01 17:35:00

它是date与time的结合，有很多共同特性

可以简写成[18/3/1 17:35:05]、[17/3/1 17:35]、[07/3/1 17]、[97/3/1 17]，数据库会自动补全前面的年份,入库后最终数据2018-03-01 17:35:05、2017-03-01 17:35:00、2007-03-01  17:00:00、1997-03-01 17:00:00。可以看到它自动将时间格式补全成统一格式，这里与time不同的是，如果只写17不写分秒，time会默认将17当成秒，这里则是默认当成小时。

与date一样，年月日不可省略，必须以年月日格式出现

timestamp类型

根据上面的描述，timestamp的入库格式与datetime是一样的，不同的是时间范围和存储空间，它的格式与用法跟datetime一致

文章标签：
云数据库 RDS MySQL 版
Python
关系型数据库
MySQL
数据库
数据采集
关键词：
Python MySQL
Python应用
云数据库 RDS MySQL 版应用
云数据库 RDS MySQL 版python
云数据库 RDS MySQL 版记录
相关实践学习
如何快速连接云数据库RDS MySQL
本场景介绍如何通过阿里云数据管理服务DMS快速连接云数据库RDS MySQL，然后进行数据表的CRUD操作。
全面了解阿里云能为你做什么
阿里云在全球各地部署高效节能的绿色数据中心，利用清洁计算为万物互联的新世界提供源源不断的能源动力，目前开服的区域包括中国（华北、华东、华南、香港）、新加坡、美国（美东、美西）、欧洲、中东、澳大利亚、日本。目前阿里云的产品涵盖弹性计算、数据库、存储与CDN、分析与搜索、云通信、网络、管理与监控、应用服务、互联网中间件、移动服务、视频服务等。通过本课程，来了解阿里云能够为你的业务带来哪些帮助     相关的阿里云产品：云服务器ECS 云服务器 ECS（Elastic Compute Service）是一种弹性可伸缩的计算服务，助您降低 IT 成本，提升运维效率，使您更专注于核心业务创新。产品详情: https://www.aliyun.com/product/ecs
中乘风
目录
相关文章
bruce_xiaowei
|
2月前
|
机器学习/深度学习 存储 数据挖掘
Python图像处理实用指南：PIL库的多样化应用
本文介绍Python中PIL库在图像处理中的多样化应用，涵盖裁剪、调整大小、旋转、模糊、锐化、亮度和对比度调整、翻转、压缩及添加滤镜等操作。通过具体代码示例，展示如何轻松实现这些功能，帮助读者掌握高效图像处理技术，适用于图片美化、数据分析及机器学习等领域。
bruce_xiaowei
98 20
游客moiomvrp3vyac2
|
3月前
|
存储 数据采集 人工智能
Python编程入门：从零基础到实战应用
本文是一篇面向初学者的Python编程教程，旨在帮助读者从零开始学习Python编程语言。文章首先介绍了Python的基本概念和特点，然后通过一个简单的例子展示了如何编写Python代码。接下来，文章详细介绍了Python的数据类型、变量、运算符、控制结构、函数等基本语法知识。最后，文章通过一个实战项目——制作一个简单的计算器程序，帮助读者巩固所学知识并提高编程技能。
游客moiomvrp3vyac2
234 2
土木林森
|
4月前
|
机器学习/深度学习 Python
堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合，先用不同基础模型生成预测，再用元学习器整合这些预测，提升模型性能
本文深入探讨了堆叠集成策略的原理、实现方法及Python应用。堆叠通过多层模型组合，先用不同基础模型生成预测，再用元学习器整合这些预测，提升模型性能。文章详细介绍了堆叠的实现步骤，包括数据准备、基础模型训练、新训练集构建及元学习器训练，并讨论了其优缺点。
土木林森
246 3
小山那边
|
1月前
|
算法 Serverless 数据处理
从集思录可转债数据探秘：Python与C++实现的移动平均算法应用
本文探讨了如何利用移动平均算法分析集思录提供的可转债数据，帮助投资者把握价格趋势。通过Python和C++两种编程语言实现简单移动平均（SMA），展示了数据处理的具体方法。Python代码借助`pandas`库轻松计算5日SMA，而C++代码则通过高效的数据处理展示了SMA的计算过程。集思录平台提供了详尽且及时的可转债数据，助力投资者结合算法与社区讨论，做出更明智的投资决策。掌握这些工具和技术，有助于在复杂多变的金融市场中挖掘更多价值。
小山那边
62 12
小芸cloud
|
1月前
|
存储 人工智能 程序员
通义灵码AI程序员实战：从零构建Python记账本应用的开发全解析
本文通过开发Python记账本应用的真实案例，展示通义灵码AI程序员2.0的代码生成能力。从需求分析到功能实现、界面升级及测试覆盖，AI程序员展现了需求转化、技术选型、测试驱动和代码可维护性等核心价值。文中详细解析了如何使用Python标准库和tkinter库实现命令行及图形化界面，并生成单元测试用例，确保应用的稳定性和可维护性。尽管AI工具显著提升开发效率，但用户仍需具备编程基础以进行调试和优化。
小芸cloud
259 9
陌陌谣
|
1月前
|
算法 安全 网络安全
基于 Python 的布隆过滤器算法在内网行为管理中的应用探究
在复杂多变的网络环境中，内网行为管理至关重要。本文介绍布隆过滤器（Bloom Filter），一种高效的空间节省型概率数据结构，用于判断元素是否存在于集合中。通过多个哈希函数映射到位数组，实现快速访问控制。Python代码示例展示了如何构建和使用布隆过滤器，有效提升企业内网安全性和资源管理效率。
陌陌谣
53 9
蚝油菜花
|
2月前
|
人工智能 开发者 Python
Chainlit：一个开源的异步Python框架，快速构建生产级对话式 AI 应用
Chainlit 是一个开源的异步 Python 框架，帮助开发者在几分钟内构建可扩展的对话式 AI 或代理应用，支持多种工具和服务集成。
蚝油菜花
291 9
Deephub
|
3月前
|
算法 数据处理 Python
高精度保形滤波器Savitzky-Golay的数学原理、Python实现与工程应用
Savitzky-Golay滤波器是一种基于局部多项式回归的数字滤波器，广泛应用于信号处理领域。它通过线性最小二乘法拟合低阶多项式到滑动窗口中的数据点，在降噪的同时保持信号的关键特征，如峰值和谷值。本文介绍了该滤波器的原理、实现及应用，展示了其在Python中的具体实现，并分析了不同参数对滤波效果的影响。适合需要保持信号特征的应用场景。
Deephub
259 11
高精度保形滤波器Savitzky-Golay的数学原理、Python实现与工程应用
愿天堂没有BUG（公众号同名）
|
1月前
|
SQL 关系型数据库 MySQL
Python中使用MySQL模糊查询的方法
本文介绍了两种使用Python进行MySQL模糊查询的方法：一是使用`pymysql`库，二是使用`mysql-connector-python`库。通过这两种方法，可以连接MySQL数据库并执行模糊查询。具体步骤包括安装库、配置数据库连接参数、编写SQL查询语句以及处理查询结果。文中详细展示了代码示例，并提供了注意事项，如替换数据库连接信息、正确使用通配符和关闭数据库连接等。确保在实际应用中注意SQL注入风险，使用参数化查询以保障安全性。
愿天堂没有BUG（公众号同名）
32 0
游客nsyhaoxcmeiq6
|
2月前
|
存储 SQL 大数据
Python 在企业级应用中的两大硬伤
关系数据库和SQL在企业级应用中面临诸多挑战，如复杂SQL难以移植、数据库负担重、应用间强耦合等。Python虽是替代选择，但在大数据运算和版本管理方面存在不足。SPL（esProc Structured Programming Language）作为开源语言，专门针对结构化数据计算，解决了Python的这些硬伤。它提供高效的大数据运算能力、并行处理、高性能文件存储格式（如btx、ctx），以及一致的版本管理，确保企业级应用的稳定性和高性能。此外，SPL与Java无缝集成，适合现代J2EE体系应用，简化开发并提升性能。
游客nsyhaoxcmeiq6
61 6

热门文章

最新文章

  • 1
    Python 编程基础与实战：从入门到精通
  • 2
    深入解析：使用 Python 爬虫获取淘宝店铺所有商品接口
  • 3
    B站高清视频爬取：Python爬虫技术详解
  • 4
    milvus-use教程 python
  • 5
    Python爬虫实战：一键采集电商数据，掌握市场动态！
  • 6
    全面提升Python性能的十三种优化技巧
  • 7
    1688平台API接口实战：Python实现店铺全量商品数据抓取
  • 8
    Python 高级编程与实战：构建自动化测试框架
  • 9
    用通义灵码开发一个Python时钟：手把手体验AI程序员加持下的智能编码
  • 10
    使用Python和DeepSeek进行联网搜索的实践指南
  • 1
    【YashanDB知识库】如何使用MySQL客户端链接YashanDB
    11
  • 2
    【YashanDB知识库】原生mysql驱动配置连接崖山数据库
    11
  • 3
    【YashanDB知识库】YMP从mysql迁移到崖山，报错：服务器错误
    11
  • 4
    【YashanDB知识库】YMP从mysql迁移到崖山，报错：服务器错误
    21
  • 5
    【YashanDB知识库】崖山BIT类型对MYSQL兼容问题
    18
  • 6
    mysql注入-字符编码技巧
    108
  • 7
    从 MySQL 到时序数据库 TDengine：Zendure 如何实现高效储能数据管理？
    20
  • 8
    MySQL索引有哪些类型？
    30
  • 9
    Redis和Mysql如何保证数据⼀致?
    23
  • 10
    MYSQL支持的存储引擎有哪些, 有什么区别
    17

    • 相关课程

    更多
  • Python Web开发基础
  • Python爬虫实战
  • Python常用数据科学库
  • Python网络爬虫实战
  • Python完全自学手册图文教程
  • Python基础快速入门实战教程

    • 相关电子书

    更多
  • From Python Scikit-Learn to Sc
  • Data Pre-Processing in Python:
  • 双剑合璧-Python和大数据计算平台的结合

    • 相关实验场景

    更多
  • MySQL基础-学生管理系统数据库设计
  • 如何快速连接云数据库RDS MySQL
  • MySQL数据库快速部署实践
  • 用Python画圣诞树
  • MySQL引擎及架构优化
  • 基于EBS部署高性能的MySQL服务

    • 推荐镜像

    更多
  • mysql
  • python-release
  • nodejs-release
    • 下一篇
    阿里云oss简介和如何对接使用