导出时数据库连接切换需新建连接或显式设connection.database；跨表查询须SQL层别名避免列冲突；写Excel应先数据后表头并冻结窗格；大表须chunksize分批读取防内存溢出。
导出时数据库连接切换不生效，mysql.connector 或 sqlalchemy 复用连接对象
跨库操作，本质上切换的是database参数，而不是主机或端口。一个常见的坑是，你以为复用了同一个连接对象就能查新库，结果查询命令依然跑在原来的数据库里，原因就在于连接没有真正“重连”。
具体怎么操作更稳妥？这里有几个建议：
- 最直接的办法：每次切换目标数据库时，都新建一个连接对象。如果担心性能，也可以尝试显式设置
connection.database = 'new_db'，但要注意，这个特性并非所有数据库驱动都支持。 - 如果使用
sqlalchemy，创建引擎时指定的数据库（如create_engine('mysql://u:p@h:3306/db1')中的db1）是默认库。想查其他库的表，必须在SQL语句里写全名：SELECT * FROM db2.table_name。 - 尽量避免使用
USE db2这样的命令来切换库。它只在当前连接会话中临时生效，在连接池环境下尤其不可靠，容易导致后续查询跑错地方。
pandas.read_sql 跨表联合查询字段冲突，列名重复导致 ValueError: Duplicate column names
进行多表JOIN查询时，如果两个表都有id或name这样的同名字段，pandas默认可不会帮你自动区分，它会直接抛出一个“列名重复”的错误。
怎么解决？关键在于从源头控制列名：
- 最佳实践是在SQL层就做好别名定义。比如写成：
SELECT t1.id AS t1_id, t2.id AS t2_id, ...，这样返回的结果集列名天然就是清晰的。 - 尽量不要图省事用
SELECT *，而是明确列出所有需要的字段。这不仅能避免命名冲突，还能减少不必要的数据传输。 - 如果因为某些原因必须使用
*，可以在pandas读取后手动处理列名（例如df.columns = [f'{i}_{c}' for i, c in enumerate(df.columns)]），但这只是权宜之计，不适合生产环境。
结构与数据分离：用 openpyxl 写入表头+数据，但样式/冻结窗格失效
直接调用df.to_excel()固然方便，但它会把表头和数据“打包”写入，之后如果你想对表头单独设置样式、冻结首行，就会非常麻烦。反过来，如果完全用openpyxl从头手动写，又很容易丢失pandas对日期、数值等数据类型的自动推断。
有没有两全其美的办法？当然有，核心思路是分步写入：
- 首先，用
df.to_excel(writer, index=False, header=False)只把纯数据写入Excel，跳过表头。 - 接着，通过
writer.sheets['Sheet1'].append(list(df.columns))将列名作为表头插入到第一行。 - 然后，就可以轻松设置冻结窗格了：
writer.sheets['Sheet1'].freeze_panes = 'A2'。 - 需要留意的是，
openpyxl不直接识别pandas的datetime64类型。如果涉及日期时间，最好提前将其转为Python标准的datetime对象，或者用dt.strftime()格式化成字符串。
导出大表时内存爆掉，pd.read_sql 一次性加载全部数据
跨库跨表的查询，结果集动辄几十万甚至上百万行。如果试图一次性把所有数据读入内存再写入Excel，MemoryError几乎是必然的结局，尤其是在Windows系统或32位Python环境下。
面对海量数据，正确的姿势是“化整为零，分批处理”：
- 使用
chunksize参数进行分批读取：for chunk in pd.read_sql(sql, conn, chunksize=5000): ...。这样每次只加载一小块数据到内存。 - 将每个数据块追加写入Excel文件。注意，需要使用
ExcelWriter并设置mode='a'（追加模式），且确保引擎是openpyxl（xlsxwriter引擎不支持追加）。 - 对于更极致的控制，可以完全绕开
pandas的高级封装，直接使用openpyxl的workbook和worksheet底层API，先写入表头，再在循环中精确控制每一批数据的写入位置。
话说回来，所谓“结构与数据分离”，其关键远不止于如何拆分表头和数据单元格。更深层的“结构”是什么？是主键、索引、空值约束、字段注释这些表元信息。它们虽然不会出现在Excel的单元格里，却决定了你能否将数据无损地、正确地导回数据库。忽略了这一层，所谓的分离可能只做了表面功夫。
