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
跨库本质是换 database 参数，不是换 host/port。常见错误是复用已建立的连接对象却没重连，导致仍查原库。
实操建议：
- 每次切换库都新建连接，或显式调用
connection.database = 'new_db'（仅部分驱动支持） - 用
sqlalchemy时，create_engine('mysql://u:p@h:3306/db1')中的db1是默认库，执行跨库 SQL 需写全名：SELECT * FROM db2.table_name - 避免用
USE db2切库命令——它只对当前连接会话临时生效，且在连接池场景下不可靠
pandas.read_sql 跨表联合查询字段冲突，列名重复导致 ValueError: Duplicate column names
多表 JOIN 后若存在同名列（如两表都有 id），pandas 默认不重命名，直接报错。
实操建议：
- SQL 层就做别名：写成
SELECT t1.id AS t1_id, t2.id AS t2_id, ... - 不用
*，明确列出所有字段，控制命名空间 - 如果必须用
*，可在读取后手动处理：df.columns = [f'{i}_{c}' for i, c in enumerate(df.columns)]（仅调试用，不推荐生产）
结构与数据分离：用 openpyxl 写入表头+数据，但样式/冻结窗格失效
直接用 df.to_excel() 会把结构和数据混在一起写，后续加样式、冻结首行等操作困难；而纯 openpyxl 手动写又容易漏掉数据类型推断（如日期变数字）。
实操建议：
- 先用
df.to_excel(writer, index=False, header=False)只写数据，跳过表头 - 再用
writer.sheets['Sheet1'].append(list(df.columns))插入表头到第一行 - 设置冻结：
writer.sheets['Sheet1'].freeze_panes = 'A2' - 注意：
openpyxl不自动识别 pandas 的datetime64类型，需提前转为 Pythondatetime或用dt.strftime()
导出大表时内存爆掉，pd.read_sql 一次性加载全部数据
跨库跨表查询结果动辄百万行，全量载入内存再写 Excel，极易触发 MemoryError，尤其 Windows 下 32 位 Python 更敏感。
实操建议：
- 用
chunksize分批读取：for chunk in pd.read_sql(sql, conn, chunksize=5000): ... - 每批用
ExcelWriter的mode='a'追加（注意：仅openpyxl引擎支持，xlsxwriter不支持追加） - 更稳的做法：先写表头，再循环写数据块，用
workbook和worksheet底层 API 控制写入位置（避开pandas封装）
结构和数据分离的关键不在“怎么拆”，而在“谁负责定义结构”。很多人以为表头就是列名，其实主键、索引、空值约束、字段注释这些元信息也属于结构——它们不会进 Excel 单元格，但决定你后续能不能无损还原回库。漏掉这一层，所谓分离只是表面功夫。
