多种写入方案

session.upload 方法可以直接上传数据。这种方案适用于上传各种数据形式，例如 TABLE、DICTIONARY、VECTOR 等。在调用 upload 时，须指定数据上传后的变量名。代码示例如下：

>>> data = pd.DataFrame({·
...     'clong': [1, 2, 3],
... })
...
>>> s.upload({'data': data})

此外，在 upload 上传数据时，因为 DolphinDB 的数据类型和 Python 的原生数据类型、numpy 以及 pandas 的数据类型无法一一对应，因此会出现某些数据类型无法直接上传的情况，例如 UUID、MINUTE 等数据类型。1.30.22.1 及之后版本的 Python API 新增强制类型转换，可以在调用 upload 上传 pd.DataFrame 时，通过添加 __DolphinDB_Type__ 指定待上传列的类型。

session.table 方法可以传入一个本地数据对象，例如 pandas.DataFrame/dict/...，将该数据对象作为一个临时表上传到 DolphinDB，其生存周期由 Python API 进行维护。该种方法仅支持上传 TABLE 数据形式的对象。其内部的实现调用了 session.upload，因此也可以通过指定 __DolphinDB_Type__ 以实现强制类型转换。

但和 upload 方法稍有不同，upload 方法上传的变量需要手动析构上传变量的生存周期，若处理不当可能会导致 session 占用内存过大。而 table 方法返回一个 Python API 定义的 Table 类对象，在析构时会同时析构 DolphinDB 服务端的该临时表，不需要手动维护生存周期。

代码示例如下：

>>> data = pd.DataFrame({
...     'clong': [1, 2, 3],
... })
...
>>> tb = s.table(data=data)
>>> tb
<dolphindb.table.Table object at 0x7faf42e67a00>

不同于前两种方法，tableInsert 并非 Python API 提供的方法，而是通过 run 方法上传参数的功能以实现写入的方式。

• 从数据序列化的角度来看，该方法和 upload, table 没有区别。
• 从使用的角度来说，在某些不需要指定上传变量名的流程中，将数据作为 run 方法的参数上传更为简单直接。例如在写入表时，无需先上传临时表到服务端，然后调用 tableInsert 写入，而是直接作为 tableInsert 的参数上传并写入，以此可简化流程。

代码示例如下：

>>> data = pd.DataFrame({
...     'clong': [1, 2, 3],
... })
...
>>> s.run("t = table(100:0, [`clong], [LONG])")
>>> s.run("tableInsert{t}", data)
3

此外，如果代码写入部分涉及到访问权限问题，或者写入时有较长步骤，则用户可以将这些内容封装为 functionview，再将需要上传的内容作为 functionview 的参数上传至服务端。

参考链接：

• 部分应用
• 函数视图

这三种方式本质上都是同一种写入流程，即先判断待上传变量的数据形式、类型，类型转换后作为函数的参数/变量上传至服务端。

TableAppender 的内部实现等价于 run("tableInsert{tableName}", data)。和直接调用不同的是，TableAppender 在构造时通过获得待写入表的列类型，能够根据列类型实现自动类型转换。

代码示例：

>>> s.run("t = table(100:0, `csymbol`cvalue, [SYMBOL, LONG])")
>>> tbAppender = ddb.TableAppender(tableName="t", ddbSession=s)
>>> data = pd.DataFrame({
...     'csymbol': ["aaa", "bbb", "aaa"],
...     'cvalue': [1, 2, 3],
... })
...
>>> tbAppender.append(data)
3

TableUpserter 同样会在构造时获取待更新表的列类型，再根据列类型实现自动类型转换。其内部实现等价于 upsert! 方法，故在构造 TableUpserter 时需指定键值列。

代码示例：

>>> s.run("t = keyedTable(`csymbol, 100:0, `csymbol`cvalue, [SYMBOL, LONG])")
>>> tbUpserter = ddb.TableUpserter(tableName="t", ddbSession=s, keyColNames=["csymbol"])
>>> data = pd.DataFrame({
...     'csymbol': ["aaa", "bbb", "aaa"],
...     'cvalue': [1, 2, 3],
... })
...
>>> tbUpserter.upsert(data)

参考：upsert!

不同于前两种都是基于 session 写入数据的方法，PartitionedTableAppender 需要在构造时传入 DBConnectionPool 对象，进而将数据并发地写入分区表中。同样的，PartitionedTableAppender 也支持写入数据时的自动类型转换。

代码示例：

>>> if s.existsDatabase("dfs://test"):
...     s.dropDatabase("dfs://test")
...
>>> db = s.database(dbPath="dfs://test", partitionType=keys.VALUE, partitions=[1, 2, 3])
>>> s.run("schema_table = table(100:0, `cindex`cvalue, [INT, DOUBLE]);")
>>> schema_table = s.table(data="schema_table")
>>> tb = db.createPartitionedTable(table=schema_table, tableName="pt", partitionColumns="cindex")
>>> pool = ddb.DBConnectionPool("localhost", 8848, 3, "admin", "123456")
>>> ptableAppender = ddb.PartitionedTableAppender(dbPath="dfs://test", tableName="pt", partitionColName="cindex", dbConnectionPool=pool)
>>> data = pd.DataFrame({
...     'cindex': [1, 2, 3, 4, 5],
...     'cvalue': [1.1, 2.2, 3.3, 4.4, 5.5]
... })
...
>>> ptableAppender.append(data)
5

这三种方式都能够将 pandas.DataFrame 形式的数据自动类型转换后写入到指定表中，但是三者的适用场景有一定区别。

MTW 在后台启用多个 C++ 线程，异步地进行数据的类型转换和上传写入。对于每个表，都需要构造一个对应的 MTW 对象进行写入。在写入时，前台调用 insert 后，并不立刻将数据进行转换，而是先将数据放入待转换队列，等待转换线程将数据转换完毕后放入写入队列。最后由多个写入队列向服务端写入数据。

代码示例：

>>> if s.existsDatabase("dfs://test"):
...     s.dropDatabase("dfs://test")
>>> db = s.database(dbPath="dfs://test", partitionType=keys.VALUE, partitions=[1, 2, 3])
>>> s.run("schema_table = table(100:0, `cindex`cvalue, [INT, DOUBLE])")
>>> schema_table = s.table(data="schema_table")
>>> pt = db.createPartitionedTable(table=schema_table, tableName="pt", partitionColumns="cindex")
>>> writer = ddb.MultithreadedTableWriter("localhost", 8848, "admin", "123456", dbPath="dfs://test", tableName="pt", threadCount=1)
>>> for i in range(100):
...     writer.insert(i, i*1.1)
>>> writer.waitForThreadCompletion()
>>> res = writer.getStatus()
>>> if res.succeed():
...     print("Data successfully written.")
... 
Data successfully written.

BTW 仅为每张表创建一个写入线程，不同于 MTW，BTW 在 insert 时进行类型转换，总体性能较差。

注意： 目前已经停止维护 BTW。

和 tableInsert 方法类似，Async tableInsert 并非 API 提供的方法，而是在异步模式 session 中调用 run 方法，将待上传数据作为参数上传的一种方式。参考 session 异步提交，该方法的工作原理是 session 的异步模式执行脚本时，仅需将脚本发送至服务端，方法立刻返回，而无需等待脚本执行完毕再返回。

代码示例：

>>> s = ddb.session(enableASYNC=True)
>>> s.connect("localhost", 8848, "admin", "123456")
>>> s.run("t = table(100:0, `cindex`cvalue, [INT, DOUBLE]);")
>>> data = pd.DataFrame({
...     'cindex': [1, 2, 3, 4, 5],
...     'cvalue': [1.1, 2.2, 3.3, 4.4, 5.5]
... })
... 
>>> for i in range(100):
...     s.run("tableInsert{t}", data)
... 

这三种写入方式都是异步写入，工作原理上稍有不同。

• 在写入阶段，后台多个 C++ 工作线程可以有效进行数据分流和批量上传，降低网络状况带来的影响。
• 当前版本，BTW 已经停止维护，MTW 基本可以替代所有 BTW 的写入场景。