将Excel表格中的数据迁移到MySQL数据库是日常开发与数据管理中常见的需求。无论是初始化业务数据、定期同步报表数据，还是将手工维护的清单导入生产库，选择一种高效且可靠的导入方式至关重要。本文介绍两种常用的Excel数据导入MySQL方法：第一种是使用图形化数据库管理工具（以Navicat为例）完成可视化导入，第二种是通过Python脚本进行程序化导入。两种方法各有优劣，适用于不同的使用场景。
方法一：使用Navicat等图形化工具导入Excel
Navicat是一款广泛使用的数据库管理工具，其直观的图形界面大大简化了数据导入流程。对于非开发人员或需要快速完成一次性导入的场景，Navicat的导入向导是最省心的选择。下面以Windows版本的Navicat Premium为例，说明具体操作步骤。
首先，确保已经建立好与目标MySQL数据库的连接，并且目标数据库中已经存在一个与Excel表格结构相匹配的数据表。如果表尚未创建，可以在导入向导中选择直接由Excel创建新表，但更推荐提前设计好表结构，以便精确控制字段类型和约束。打开Navicat，双击进入目标数据库，右键点击“表”对象，选择“导入向导”。在向导的第一步，选择要导入的文件类型，这里选择“Excel文件（*.xlsx）”，然后点击“下一步”浏览文件路径。
导入向导会自动读取Excel中的工作表，并预览前几行数据。你需要确认是否勾选了“第一行包含列名”。如果Excel表头与数据库表的字段名完全一致，且数据的行顺序不需要特别匹配，向导可以按列名自动映射；否则需要手动调整源列和目标列的对应关系。在“目标表”步骤中，可以选择已有的表，或者勾选“新建表”让Navicat根据Excel内容推断字段类型。对于已有表的情况，建议仔细检查字段映射，特别是日期、数字等类型是否存在格式差异。
在“导入模式”设置中，可以选择“追加”、“更新”或“追加/更新”等选项。对于首次导入通常选择“追加”。点击“开始”后，Navicat会执行插入操作，并显示成功导入的行数和失败原因。如果出现错误，可以根据提示调整Excel中的数据格式，例如将文本格式的数字转换为数值、将日期统一为YYYY-MM-DD格式。另一个常见问题是编码不一致导致的中文乱码，建议在导入前确认Excel文件保存为UTF-8或与数据库连接的字符集一致。
Navicat的优势在于无需编写代码，操作直观，并且支持多种数据源和目标格式。它的不足在于每导入一次都需要手动配置，重复性高，而且对于超大数据量的Excel文件（例如超过几十万行）性能不佳，可能会卡顿或内存溢出。此外，无法在导入过程中进行复杂的数据清洗和转换逻辑。
方法二：使用Python脚本导入Excel
如果需要频繁导入、处理复杂数据转换，或者在服务器端自动化运行，使用Python脚本是更灵活的选择。Python生态中有多个成熟的库可以读取Excel文件并写入MySQL，其中pandas负责数据处理，SQLAlchemy负责数据库连接与写入，openpyxl或xlrd负责解析Excel。以下是一个完整的示例，演示如何将Excel文件中的数据导入到MySQL表中。
import pandas as pd
from sqlalchemy import create_engine
# 配置数据库连接：用户名、密码、主机、端口、数据库名
engine = create_engine('mysql+pymysql://root:password@127.0.0.1:3306/mydb?charset=utf8mb4')
# 读取Excel文件，指定工作表
df = pd.read_excel('data.xlsx', sheet_name='Sheet1')
# 数据清洗与类型转换（示例：去除空行，将日期列转换为标准格式）
df = df.dropna(how='all')
df['order_date'] = pd.to_datetime(df['order_date']).dt.strftime('%Y-%m-%d')
# 将DataFrame写入MySQL表，表名为orders
# if_exists='append' 表示向已有表追加数据，'replace' 表示替换表
df.to_sql('orders', con=engine, if_exists='append', index=False)
print('数据导入完成，共导入', len(df), '条记录')
上述代码首先使用SQLAlchemy创建数据库连接，注意连接字符串中的charset参数，建议设置为utf8mb4以支持更完整的Unicode字符。pandas的read_excel函数可以直接读取xlsx文件，并且支持指定工作表名称、跳过行、处理缺失值等。在将数据写入MySQL之前，可以根据需要对DataFrame进行各种转换，例如重命名列、合并多个Excel文件、过滤不符合条件的数据等。df.to_sql方法会将DataFrame按照列名与数据库表字段对应，因此要确保Excel列名与MySQL表的字段名一致，或者在写入前通过df.rename方法修改列名。
如果数据库表不存在，df.to_sql也可以自动创建表，但自动生成的字段类型可能不够精确，通常建议提前手动建表。对于大批量数据，逐行插入效率很低，pandas默认使用多行插入（multi-row insert），性能尚可。如果需要进一步提高速度，可以考虑使用SQLAlchemy的fast_executemany选项或者使用原生LOAD DATA INFILE方式，但这会涉及文件权限和本地导入设置，较为复杂。
Python脚本的优势在于可编程性：你可以嵌入任何逻辑，例如从多个Excel文件读取数据、与API数据合并、数据清洗后再入库、定时执行等。同时，它不依赖GUI环境，适合部署到服务器。缺点是需要一定的编程基础，对于简单的一次性导入略显繁琐。另外需要安装pandas、SQLAlchemy、openpyxl和PyMySQL等依赖包。
在实际使用中，还需要注意几个问题：一是Excel中的日期格式可能被pandas读取为字符串或时间戳，必须显式进行类型转换；二是如果Excel包含超链接、图片或公式，pandas读取时可能得到NaN或计算结果，需要预处理；三是当数据量较大时，建议分块读取和写入，避免内存占用过高。可以使用pd.read_excel的chunksize参数（虽然该参数从pandas 1.4起对Excel无效，但可以通过手动循环读取部分行实现），或者先导出为CSV再用chunksize处理。
两种方法的对比与选择建议
Navicat导入Excel和Python脚本导入是两种截然不同的技术路线，选择合适的方案需要根据具体场景权衡。下表从多个维度对二者进行了对比。
| 比较维度 | Navicat工具导入 | Python脚本导入 |
|---|---|---|
| 操作门槛 | 低，图形化引导，无需编程 | 较高，需要编写和调试代码 |
| 自动化程度 | 手动操作，每次需重新配置 | 可封装为脚本，定时自动执行 |
| 数据处理能力 | 仅限简单的列映射和格式转换 | 支持复杂清洗、多文件合并、条件过滤 |
| 性能表现 | 数据量大时可能卡顿 | 可通过分块和批量写入优化，适合较大数据量 |
| 适用场景 | 一次性迁移、非技术人员操作 | 周期性同步、ETL流程、二次开发集成 |
如果你的需求只是偶尔将一个小型Excel文件导入MySQL，并且不希望安装Python环境或编写代码，那么Navicat等工具完全够用。它的错误提示也比较友好，可以帮助定位格式问题。但如果你的数据需要经常更新、来源多样、或者需要做数据清洗（比如去除重复、格式化日期、计算新列），那么投入时间写一个Python脚本会是一劳永逸的选择。此外，在服务器环境中，没有图形界面，只能通过命令行或脚本完成导入，此时Python几乎是唯一灵活的方案。
无论选择哪种方法，导入前都应做好充分的准备工作：确保Excel文件中没有合并单元格、没有多余的空行或空列、表头名称规范且与数据库字段对应、数据类型明确。导入后务必执行数据校验，例如统计源行数与目标表行数是否一致，抽查关键字段的值是否正确。对于重要数据，建议先在测试表上进行导入验证。
Excel导入MySQLMySQL数据导入Excel数据导入修改时间：2026-08-22 12:22:56