分享 7 个用 Python 开发成的数据库
虎哥约 6 分钟说到数据库，大家通常第一时间想到的可能是 MySQL、PostgreSQL，或者更高级点的 Redis、MongoDB。
可是，有没有想过一些不太常见但非常有趣的数据库呢？
今天，我就给大家分享7款用Python写的数据库。这些数据库轻量级、易于使用，适合各种不同场景，尤其是在小型项目或者快速原型开发中大显身手。
1. PickleDB：小巧玲珑，轻松上手
首先得给大家推荐一个超轻量级的数据库——PickleDB。它的主要特点就是简单，基于JSON存储，而且还具备持久化存储功能。对于Python程序员来说，它的API极其简单，根本不用费心思去学习那些复杂的配置。
适用场景：
小型项目（比如个人配置存储） 学习和教学，特别适合刚接触数据库的小伙伴 临时数据存储，比如程序运行时生成的缓存数据
注意事项：
性能和规模的限制：它适合小型数据存储，不适合处理大量复杂数据。 数据安全性：虽然PickleDB可以持久化存储数据，但在多进程并发或数据安全性要求较高的场合，可能不太适用。
基本用法：
import pickledb# 创建数据库对象
db = pickledb.load('mydb.db')
# 插入数据
db.set('name', 'John Doe')
# 查询数据
print(db.get('name')) # 输出 'John Doe'
# 删除数据
db.rem('name')
这个API就像玩具一样简单，完完全全没有任何复杂的配置。
2. TinyDB：迷你文档数据库
接下来，给大家介绍的是TinyDB。它是一个面向文档的小型数据库，嵌入式使用，API依旧简洁易懂。相比PickleDB，TinyDB的查询语言支持更加丰富，甚至有点“SQL”的味道。不过它是面向文档的数据库，数据存储是JSON格式，所以大家可以直接使用Python字典。
适用场景：
小型项目和嵌入式应用 快速原型开发 配置存储
注意事项：
文件存储：因为TinyDB是文件存储形式，所以不适合存储过于复杂的数据结构。 性能和规模限制：TinyDB对于大规模数据操作时，性能可能会变得较差。
基本用法：
from tinydb import TinyDB, Query# 创建数据库
db = TinyDB('db.json')
# 插入数据
db.insert({'name': 'Alice', 'age': 25})
# 查询数据
User = Query()
result = db.search(User.name == 'Alice')
print(result) # 输出 [{'name': 'Alice', 'age': 25}]
# 更新数据
db.update({'age': 26}, User.name == 'Alice')
# 删除数据
db.remove(User.name == 'Alice')
TinyDB的API简直就是为了让你快速上手设计应用而生的。操作起来得心应手。
3. ZODB：面向对象数据库
想象一下，如果你不需要将对象转化为表格、列和行的形式，而是直接在数据库里存储Python对象，那该多好！ZODB就是为此而生的，它是一个面向对象的数据库，支持事务和版本控制，而且还具备透明持久化的特性——这意味着你可以直接在代码里操作对象，它会自动同步到数据库。
适用场景：
持久化复杂对象，尤其是需要序列化的Python对象 需要事务支持的应用，比如银行系统或金融相关应用
注意事项：
学习曲线：刚接触时可能会觉得有点“绕”，因为它的概念和传统关系型数据库有很大不同。 性能：对于大规模的数据集，ZODB的性能也许会受到一定的限制。
基本用法：
import ZODB, ZODB.FileStorage
from persistent import Persistent# 创建存储对象
storage = ZODB.FileStorage.FileStorage('db.fs')
db = ZODB.DB(storage)
# 创建持久化对象
class Person(Persistent):
def __init__(self, name, age):
self.name = name
self.age = age
# 使用事务
connection = db.open()
root = connection.root()
root['person1'] = Person('John', 30)
# 提交事务
transaction.commit()
# 查询数据
print(root['person1'].name) # 输出 'John'
ZODB就像是给Python对象找了个家，让你可以专心做应用，数据库存储这些事情就交给它去搞定。
4. Durus：轻量级面向对象数据库
Durus也是一个面向对象的数据库，特点是简单易用，特别适合小型项目和快速开发。它与ZODB类似，但是比ZODB更轻量级，适合存储较少的数据。
适用场景：
小型项目 快速原型开发
注意事项：
功能特性：虽然Durus简单易用，但在某些高级功能（如多用户并发等）上可能不如其他数据库。
基本用法：
import durus# 创建数据库
db = durus.open('mydb')
# 定义持久化对象
class Person(durus.Persistent):
def __init__(self, name, age):
self.name = name
self.age = age
# 创建对象并提交
obj = Person('Bob', 25)
db.commit()
# 查询对象
print(obj.name) # 输出 'Bob'
5. Buzhug：SQL风格的轻量级数据库
如果你习惯了SQL语法，但又不想使用重量级的数据库引擎，Buzhug就是为你量身定做的。它是一个用Python实现的数据库，支持类SQL的查询语法，完全无模式限制，适合用来做快速原型开发。
适用场景：
小型项目 学习数据库基本概念 快速开发原型
注意事项：
功能特性：Buzhug的功能不如其他成熟的数据库强大，适合用作学习和原型开发。
基本用法：
import buzhug# 创建数据库
db = buzhug.Buzhug()
# 插入数据
db.insert('users', {'name': 'Tom', 'age': 29})
# 查询数据
result = db.query('SELECT * FROM users WHERE name = "Tom"')
print(result)
6. Gadfly：SQL支持的轻量级数据库
Gadfly是另一个用Python实现的数据库，它支持SQL语法，操作起来和传统的SQL数据库类似。它是一个嵌入式数据库，适合小型项目和教学用途。
适用场景：
教学和学习 小型项目和快速原型
注意事项：
兼容性：由于是早期的项目，可能会遇到一些兼容性问题。
基本用法：
import gadfly# 创建数据库
db = gadfly.connect('mydb')
# 创建表
db.execute('CREATE TABLE users (name TEXT, age INTEGER)')
# 插入数据
db.execute("INSERT INTO users (name, age) VALUES ('Alice', 30)")
# 查询数据
result = db.execute("SELECT * FROM users")
print(result)
7. PyTables：大数据集的理想选择
最后，我们要说的是PyTables，它是基于HDF5的数据库，主要用于科学计算和大数据集处理。如果你正在做数据分析或者需要处理大规模数据集，PyTables绝对能满足你的需求。
适用场景：
科学计算和数据分析 大数据集管理 数据归档和共享
注意事项：
依赖库：使用PyTables时需要安装一些额外的依赖库，并且需要进行性能调优。
基本用法：
import tables
import numpy as np# 创建HDF5文件
h5file = tables.open_file('mydata.h5', mode='w')
# 创建数组
array = h5file.create_array('/', 'myarray', np.random.rand(1000, 1000))
# 查询数据
print(array.read())
h5file.close()
这些Python开发的数据库每一个都有其独特的魅力。它们简单易用、轻量级，非常适合用来解决小型项目中的存储需求。如果你正在进行快速原型开发或学习数据库，它们会是不错的选择。
不过，选择时要考虑数据规模和性能需求，毕竟，它们并不是为了处理大规模、高并发的场景设计的。希望这些数据库能够帮你在项目开发中走得更快
对编程、职场感兴趣的同学，大家可以联系我微信：golang404，拉你进入“程序员交流群”。
虎哥作为一名老码农，整理了全网最全《python高级架构师资料合集》。