在Python开发的后端应用中，数据库查询是高频操作，不合理的查询逻辑很容易成为系统性能瓶颈，导致接口响应变慢、服务器负载升高。优化数据库查询需要从多个层面入手，结合数据库特性和Python操作数据库的方式针对性调整。
1. 优化数据库索引设计
索引是提升查询速度最直接的方式，合理的索引可以让查询从全表扫描变为定向查找。首先需要给查询中经常用到的WHERE条件字段、JOIN关联字段添加索引，同时避免给频繁更新的字段建索引，因为每次更新数据都需要同步维护索引，会增加写操作的开销。
还要注意索引的选择性，选择性越高的字段建索引效果越好，比如用户表的手机号字段选择性远高于性别字段，给性别字段建索引基本没有提升。另外尽量使用覆盖索引，让查询需要的字段都包含在索引中，避免回表操作。
2. 优化查询语句本身
首先避免使用SELECT *，只查询需要的字段，减少数据传输量和对内存的占用。比如只需要用户姓名和手机号时，就不要查询用户的所有字段信息。
其次减少不必要的子查询和嵌套查询，尽量把子查询改写为JOIN查询，数据库对JOIN的优化通常比子查询更好。还要避免在查询条件中对字段使用函数或者运算，比如WHERE YEAR(create_time) = 2024这种写法会让索引失效，改为WHERE create_time >= '2024-01-01' AND create_time < '2025-01-01'就可以正常使用索引。
分页查询时避免使用很大的偏移量，比如LIMIT 100000, 10这种写法，数据库需要先扫描前100000条数据再取后面的10条，效率很低。可以改为基于上次查询的最后一条记录的主键进行查询：
-- 低效分页 SELECT id, name FROM user ORDER BY id LIMIT 100000, 10; -- 优化后分页 SELECT id, name FROM user WHERE id > 100000 ORDER BY id LIMIT 10;
3. 合理使用Python ORM工具
很多Python开发者会使用SQLAlchemy、Django ORM这类ORM工具操作数据库，ORM虽然方便但如果不注意使用方式很容易产生低效查询。首先要避免N+1查询问题，比如查询所有用户的同时要获取每个用户的订单数量，不要先查所有用户，再循环每个用户查订单，这样会产生1次查用户+N次查订单的查询。
以SQLAlchemy为例，使用joinedload或者subqueryload进行预加载，可以把多次查询合并为1次或者2次查询：
from sqlalchemy.orm import joinedload
from models import User, Order, session
# 错误写法：会产生N+1查询
users = session.query(User).all()
for user in users:
print(user.name, session.query(Order).filter(Order.user_id == user.id).count())
# 正确写法：预加载订单数据，只产生1次查询
users = session.query(User).options(joinedload(User.orders)).all()
for user in users:
print(user.name, len(user.orders))
另外不要过度使用ORM的复杂查询构造，对于特别复杂的查询，直接写原生SQL往往比ORM生成的SQL效率更高，也更容易优化。
4. 配置数据库连接池
每次创建和销毁数据库连接都会消耗不少资源，使用连接池可以复用已经建立的连接，减少连接开销。Python中常用的数据库连接池有DBUtils、SQLAlchemy自带连接池等。
以SQLAlchemy配置连接池为例，需要合理设置连接池的大小和回收策略，避免连接数过多占用数据库资源，或者连接长时间闲置被数据库断开：
from sqlalchemy import create_engine
# 配置连接池：最大连接数20，最小闲置连接数5，连接回收时间30分钟
engine = create_engine(
"mysql+pymysql://user:password@127.0.0.1:3306/test_db",
pool_size=20,
max_overflow=10,
pool_recycle=1800,
pool_pre_ping=True # 每次取连接前先检查连接是否可用
)
5. 其他优化技巧
对于查询频繁且数据变更不频繁的数据，可以在Python层加缓存，比如用Redis缓存查询结果，下次请求时先查缓存，缓存没有再查数据库，减少数据库查询次数。另外尽量批量操作数据，比如批量插入、批量更新，不要循环单条执行，减少和数据库的交互次数。
如果查询的数据量特别大，还可以考虑分库分表，把数据分散到多个数据库或者多个表中，减少单表的数据量，提升查询效率。同时定期清理数据库中的无用数据，避免表数据量过大影响查询性能。
Python数据库查询优化SQLAlchemy索引优化连接池修改时间：2026-06-14 19:36:34