SQLite作为一款轻量级的嵌入式数据库，经常被用来做数据分析、原型验证或者小型应用的数据存储。而实际工作中有大量的数据是以CSV、JSON、Excel这些格式存在的，比如导出的报表、接口返回的数据、同事整理的表格等。要把这些数据装进SQLite，不同格式对应的处理方式差别不小：CSV可以直接用sqlite3自带的.import命令，JSON需要借助json1扩展函数解析，Excel则要先转格式或借助图形化工具。这篇文章就分别讲清楚这三种格式的导入方法，以及每种方式需要注意的坑。
一、导入CSV文件：命令行.import是最快的方式
CSV是纯文本格式，SQLite对它的支持最直接。打开命令行，进入sqlite3交互环境后，只需要三步：先建表，再设置分隔模式，最后执行导入命令。
-- 打开或创建数据库
sqlite3 mydata.db
-- 第一步：创建目标表，字段类型要和CSV内容匹配
CREATE TABLE users (
id INTEGER PRIMARY KEY,
name TEXT,
age INTEGER,
email TEXT
);
-- 第二步：设置导入格式为csv
.mode csv
-- 第三步：执行导入，第一个参数是文件路径，第二个参数是表名
.import users.csv users
这里有个非常容易踩的坑：如果CSV文件第一行是表头（比如id,name,age,email），直接执行上面的命令会把表头也当成一条数据插进去。解决办法是在导入前执行.headers off并不能解决问题，正确做法是先跳过表头行。新版本的sqlite3提供了.import --csv --skip 1 users.csv users这样的写法，其中--skip 1表示跳过第一行；如果你的sqlite3版本较老不支持这个参数，可以先用文本编辑器把表头行删掉再导入。
另一个常见问题是中文乱码。SQLite要求CSV文件使用UTF-8编码，如果文件是GBK或者带BOM的UTF-8，导入后中文会变成乱码或者字段开头出现不可见字符。建议先用编辑器把文件另存为无BOM的UTF-8格式。此外，如果表已经存在数据，导入时会直接追加，重复执行命令会导致数据翻倍，导入前最好确认表是空的或者先删掉旧数据。
如果不想手工建表，也可以让SQLite根据CSV内容自动推断表结构：先执行.import --csv users.csv newtable --schema（需要较新版本支持），它会读取文件前若干行自动生成CREATE TABLE语句。不过自动推断的类型不一定准确，比如手机号可能被认成整数，生产环境还是建议手动建表更稳妥。
二、导入JSON文件：利用json1扩展逐条解析插入
JSON格式比CSV复杂，因为它可能是对象数组、嵌套结构甚至不规则字段。SQLite从3.9版本开始内置了json1扩展，提供json_extract、json_each等函数，可以直接在SQL中解析JSON字符串。假设有一个data.json文件，内容是一个对象数组：
[
{"id": 1, "name": "张三", "age": 28, "city": "北京"},
{"id": 2, "name": "李四", "age": 35, "city": "上海"}
]
由于sqlite3命令行的.import不直接支持JSON，最灵活的做法是用Python脚本读取文件再批量插入。Python标准库自带sqlite3和json模块，不需要额外安装任何依赖：
import json
import sqlite3
# 读取JSON文件
with open('data.json', 'r', encoding='utf-8') as f:
rows = json.load(f)
# 连接数据库并建表
conn = sqlite3.connect('mydata.db')
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS persons (
id INTEGER PRIMARY KEY,
name TEXT,
age INTEGER,
city TEXT
)
''')
# 使用executemany批量插入，效率远高于逐条execute
cursor.executemany(
'INSERT INTO persons (id, name, age, city) VALUES (:id, :name, :age, :city)',
rows
)
conn.commit()
conn.close()
print(f'成功导入 {len(rows)} 条数据')
这里有两个细节值得注意。第一，executemany配合字典参数的写法，字段名和JSON的key自动对应，JSON里字段顺序变了也不影响；如果用元组传参，就必须严格保证顺序一致。第二，如果JSON数据是嵌套结构，比如每条记录里还有一个address对象，可以先把嵌套部分取出来再插入，或者干脆把整个嵌套对象用json.dumps转成字符串存进TEXT字段，需要时再用json_extract在SQL里查询：
-- 假设info字段存的是JSON字符串，可以直接查询内部key SELECT json_extract(info, '$.city') AS city, COUNT(*) FROM persons GROUP BY city;
这种把JSON整串存进TEXT列的方式是SQLite官方推荐的半结构化数据存储方案，比拆成多个关联表要省事得多，适合字段不固定、结构经常变化的场景。
三、导入Excel文件：先转换再用图形化工具最省事
Excel的xlsx格式本质上是压缩的XML包，sqlite3命令行完全无法直接识别，所以必须走转换路线。第一种方案是用Excel本身把文件另存为CSV（逗号分隔），然后按第一节的.import流程操作。这种方式简单，但要注意Excel另存CSV时会丢失多工作表信息（一个文件只能存当前工作表），日期格式也可能被转成Excel默认的显示格式。
第二种方案是使用图形化工具DB Browser for SQLite，它是免费开源的，操作直观：打开目标数据库后，在菜单里选择导入CSV或直接执行导入向导，工具会自动识别表头、推断字段类型，并且提供预览界面让你确认。对于Excel文件，可以先用工具的导入向导选择从剪贴板粘贴数据，或者直接把Excel中的数据区域复制粘贴进DB Browser的数据浏览页，这种方式不需要中间文件，适合数据量不大的一次性导入。
第三种方案适合需要自动化处理的场景：用Python的openpyxl库读Excel，再写入SQLite：
import sqlite3
from openpyxl import load_workbook
# 打开Excel文件，read_only模式占用内存更少
wb = load_workbook('data.xlsx', read_only=True)
sheet = wb.active
conn = sqlite3.connect('mydata.db')
cursor = conn.cursor()
cursor.execute('''
CREATE TABLE IF NOT EXISTS records (
id INTEGER, name TEXT, score REAL
)
''')
# iter_rows跳过第一行表头
rows = [(r[0], r[1], r[2]) for r in sheet.iter_rows(min_row=2, values_only=True)]
cursor.executemany('INSERT INTO records VALUES (?, ?, ?)', rows)
conn.commit()
conn.close()
print('Excel数据导入完成')
用脚本方式的好处是可以处理多个工作表、做多字段清洗，比如去掉空行、统一日期格式、过滤非法值等。Excel里的数字单元格读出来可能是float类型，整数会带小数点，插入前可以按需做类型转换。
四、导入后的校验与常见问题排查
数据导入完成后不要急着用，先做几项基础校验：用SELECT COUNT(*) FROM 表名对比源文件行数，检查是否有遗漏；抽查几条记录看中文字段是否正常；用PRAGMA table_info(表名)确认字段类型是否符合预期。
常见问题主要集中在三方面。一是分隔符问题，有些CSV是用制表符或分号分隔的（欧洲地区导出的常见），需要先执行.separator ";"再导入，或者改用.mode tabs。二是数据量大的导入速度慢，命令行导入本身很快，但脚本逐条插入会慢，一定要用executemany批量提交，几万条数据秒级就能完成。三是主键冲突，如果源数据中有重复的id，插入会报错，可以在INSERT语句改用INSERT OR IGNORE跳过重复项，或用INSERT OR REPLACE让新数据覆盖旧数据，按业务需要选择即可。
总的来说，CSV走命令行最快，JSON适合用脚本解析以保留结构信息，Excel要么转CSV要么借助工具或openpyxl。掌握这三种路径，日常遇到的各种外部数据基本都能顺畅地装进SQLite里做后续分析。
SQLite导入数据CSV导入SQLiteExcel导入SQLite修改时间：2026-09-06 12:20:41