HTML5、CSS和移动端开发是Web开发的核心技术，对于打造响应式网站具有重要的作用。本文将介绍如何使用HTML5、CSS和移动端开发技巧来打造响应式网站。
一、HTML5基础
HTML5是一种新型的HTML编写技术，它允许我们使用最新的技术来编写HTML。使用HTML5可以帮助我们创建更加结构化和响应式的网站。在HTML5中，我们使用了语义化的标签，也就是使用S表示不同的含义。比如，使用标签可以表示当前标签的语气，这样就可以更加精准地控制HTML文档的结构。
二、CSS基础
CSS是让我们在Web页面中塑造外观的重要技术。在HTML5中，我们使用了CSS3来让我们的网页更加丰富。CSS3提供了许多强大的功能，比如响应式设计和多列布局。
在CSS中，我们使用了响应式设计来让我们的网站适应不同的设备。响应式设计让我们可以在不同的设备上调整布局，这样就可以让我们的网站更加适应用户的需求。在CSS中，我们还可以使用多列布局来让我们的网站更加美观。多列布局让我们可以在同一列中使用多个元素，这样就可以让我们的网站更加丰富。
三、移动端开发
移动端开发是我们现在Web开发的一个重要方向，因为越来越多的用户使用移动设备访问互联网。在移动端开发中，我们使用了一些新的技术来让我们的网站更加适应移动设备。在移动端开发中，我们使用了响应式设计来让我们的网站适应不同的设备。
在响应式设计中，我们使用了CSS3媒体查询来让我们的网站适应不同的设备。媒体查询让我们可以在不同的设备上应用不同的样式，这样就可以让我们的网站更加适应用户的需求。另一种响应式设计是使用自适应布局，自适应布局让我们可以在同一列中使用多个元素，这样就可以让我们的网站更加丰富。
另外，在移动端开发中，我们还使用了CSS动画和转场效果来让我们的网站更加生动。 CSS动画让我们可以在移动设备上使用动画效果，这样就可以让我们的网站更加生动。而转场效果则让我们可以在不同的页面之间创建更加流畅的过渡效果，这样就可以让我们的网站更加适应用户的需求。
四、构建响应式网站
构建响应式网站需要我们使用HTML5、CSS3和移动端开发一些技巧来实现。首先，我们需要使用HTML5构建网站的基本结构。然后，我们可以使用CSS3媒体查询来让我们的网站适应不同的设备。最后，我们可以使用移动端开发中的响应式设计和自适应布局来实现网站响应式的功能。
总之，HTML5、CSS3和移动端开发是打造响应式网站的重要技术，通过使用这些技术，我们可以让我们创建更加结构化和响应式的网站，适应不同设备访问者的需求。本文详细介绍了HTML5、CSS3和移动端开发如何打造响应式网站，本文的讲解就到这里，希望能给读者带来启发。
import pandas as pd import numpy as np # pymysql接口 def mysql_conn(host, user, password, db, port=3306, charset="utf8"): conn = pymysql.connect(host=host, user=user, password=password, database=db, port=port, charset=charset) return conn # 当前脚本的位置 current_folder_path = os.path.dirname(__file__) # 你的文件的位置 your_file_path1 = os.path.join(current_folder_path, "文件的名字1") your_file_path2 = os.path.join(current_folder_path, "文件的名字2") # 我这里是以读取csv文件为例, delimiter为我们内部约定的列之间的分割符 df1 = pd.read_csv(your_file_path1, dtype={"column1": str, "column2": str}, delimiter="/t") df2 = pd.read_csv(your_file_path2, dtype={"column1": str, "column2": str}, delimiter="/t") # 合并 ret_df = pd.merge(df1, df2, left_on=["column_name"], right_on=["column_name"], how="left") # 先创建cursor负责操作conn接口 conn = mysql_conn("your db host", "your username", "your password", "db name") cursor = conn.cursor() # 开启事务 conn.begin() # 先构造需要的或是和数据库相匹配的列 columns = list(df.columns) # 可以删除不要的列或者数据库没有的列名 columns.remove("列名") # 重新构造df,用上面的columns,到这里你要保证你所有列都要准备往数据库写入了 new_df = df[columns].copy() # 构造符合sql语句的列，因为sql语句是带有逗号分隔的,(这个对应上面的sql语句的(column1, column2, column3)) columns = ','.join(list(new_df.columns)) # 构造每个列对应的数据，对应于上面的((value1, value2, value3)) data_list = [tuple(i) for i in gdsord_df.values] # 每个元组都是一条数据，根据df行数生成多少元组数据 # 计算一行有多少value值需要用字符串占位 s_count = len(data_list[0]) * "%s," # 构造sql语句 insert_sql = "insert into " + "数据库表名" + " (" + columns + ") values (" + s_count[:-1] + ")" try: cursor.executemany(insert_sql, data_list) conn.commit() cursor.close() conn.close() except Exception as e: # 万一失败了，要进行回滚操作 conn.rollback() cursor.close() conn.close() 完整代码
如果没问题的话，就可以同时进行多个文件读写，计算，最后启用多线程同时向数据库中写入数据了，非常高效!
cursor.executemany(insert_sql, data_list) conn.commit() cursor.close() conn.close()
这个简单，直接上代码
# 先创建cursor负责操作conn接口 conn = mysql_conn("your db host", "your username", "your password", "db name") cursor = conn.cursor() # 开启事务 conn.begin() ############# 构造批量数据的过程 ############# # 先构造需要的或是和数据库相匹配的列 columns = list(df.columns) # 可以删除不要的列或者数据库没有的列名 columns.remove("列名") # 重新构造df,用上面的columns,到这里你要保证你所有列都要准备往数据库写入了 new_df = df[columns].copy() # 构造符合sql语句的列，因为sql语句是带有逗号分隔的,(这个对应上面的sql语句的(column1, column2, column3)) columns = ','.join(list(new_df.columns)) # 构造每个列对应的数据，对应于上面的((value1, value2, value3)) data_list = [tuple(i) for i in gdsord_df.values] # 每个元组都是一条数据，根据df行数生成多少元组数据 # 计算一行有多少value值需要用字符串占位 s_count = len(data_list[0]) * "%s," # 构造sql语句 insert_sql = "insert into " + "数据库表名" + " (" + columns + ") values (" + s_count[:-1] + ")" 具体实现如下
1.类似这种: Insert into table_name (column) values (value);
2.executemany(批量插入语句)
1.数据插入要考虑写入一个事务，因为失败的话，要保证对数据库没有影响
2.构造符合对应接口的数据格式，通过查询，pymysql有两种可以执行语句的接口
# pymysql的接口获取链接 def mysql_conn(host, user, password, db, port=3306, charset="utf8"): # 传参版本 conn = pymysql.connect(host=host, user=user, password=password, database=db, port=port, charset=charset) return conn
导入三方库pymysql，初始化连接
# 这里以左连接举例, 假设只有两个文件拼接 ret_df = pd.merge(df1, df2, left_on=["column_name"], right_on=["column_name"], how="left")
文件的拼接主要就是merge和concat两个语法的使用，强调一下小知识点
import pandas as pd import numpy as np # 当前脚本的位置 current_folder_path = os.path.dirname(__file__) # 你的文件的位置 your_file_path1 = os.path.join(current_folder_path, "文件的名字1") your_file_path2 = os.path.join(current_folder_path, "文件的名字2") # 我这里是以读取csv文件为例, delimiter为我们内部约定的列之间的分割符 df1 = pd.read_csv(your_file_path1, dtype={"column1": str, "column2": str}, delimiter="/t") df2 = pd.read_csv(your_file_path2, dtype={"column1": str, "column2": str}, delimiter="/t") 给文件路径，然后去读文件就行了，强调一下需要注意的点
实际上，最后一步，要写入数据库的文件数据是存储在内存中的。因为读取文件后进行的计算都是在内存中进行的，那么计算的结果也没必要再写到本地，再去读取，再写入数据库,这是会影响程序的效率的。逻辑如下
最近在处理一个需求，有关批量往数据库插入数据的，描述如下
本文基于python, 使用pandas, pymysql等三方库实现了向数据库中高效批量插入数据，一方面提供被网上很多瞎转载的答案给坑蒙了的人(因为我也是)，一方面自己也做个笔记，以后方便查阅.