使用python操作dynamodb最直接且官方推荐的方式是使用aws sdk boto3，通过pip install boto3安装后，配置aws凭证和区域即可使用；2. boto3提供client和resource两种模式，client为低级别api，适合需要精细控制的场景，resource为高级面向对象抽象，适用于标准crud操作，推荐日常开发使用；3. 查询（query）需指定分区键，效率高，应优先设计表结构以支持查询，扫描（scan）会读取全表，性能差，应尽量避免，可借助gsi或lsi优化访问模式；4. 常见性能陷阱包括容量单位超限导致的限流、热点分区和批量操作的部分失败，优化策略包括合理选择按需或预置容量模式、实现指数退避重试、均匀分布分区键、使用gsi分散负载、妥善处理unprocesseditems，并在需要时使用条件写入保证数据一致性。
Python操作Amazon DynamoDB，最直接且官方推荐的方式就是使用AWS的SDK，也就是boto3。它提供了一套完整的API接口，无论是创建、删除表，还是进行数据的增删改查，都能通过Python代码高效地实现。在我看来，boto3的设计确实让很多云端操作变得直观不少，尤其对于习惯Python的开发者来说，上手成本并不高。
要用Python与DynamoDB交互，首先得安装boto3库，这很简单，一个
pip install boto3
连接DynamoDB，boto3提供了两种主要方式：
client
resource
client
resource
import boto3
from botocore.exceptions import ClientError
# 假设你已经配置好了AWS凭证和区域
# client 模式
dynamodb_client = boto3.client('dynamodb', region_name='us-east-1')
# resource 模式
dynamodb_resource = boto3.resource('dynamodb', region_name='us-east-1')
# 举个例子：创建一个表 (使用 resource 模式会更方便)
table_name = 'MyTestTable'
try:
table = dynamodb_resource.create_table(
TableName=table_name,
KeySchema=[
{
'AttributeName': 'id',
'KeyType': 'HASH' # Partition key
},
{
'AttributeName': 'timestamp',
'KeyType': 'RANGE' # Sort key
}
],
AttributeDefinitions=[
{
'AttributeName': 'id',
'AttributeType': 'S' # String
},
{
'AttributeName': 'timestamp',
'AttributeType': 'N' # Number
}
],
ProvisionedThroughput={
'ReadCapacityUnits': 5,
'WriteCapacityUnits': 5
}
)
table.wait_until_exists() # 等待表创建完成
print(f"Table '{table_name}' created successfully.")
except ClientError as e:
if e.response['Error']['Code'] == 'ResourceInUseException':
print(f"Table '{table_name}' already exists.")
table = dynamodb_resource.Table(table_name)
else:
raise
# 插入数据
try:
table.put_item(
Item={
'id': 'user#123',
'timestamp': 1678886400,
'username': 'Alice',
'email': 'alice@example.com'
}
)
print("Item added.")
except ClientError as e:
print(f"Error putting item: {e}")
# 获取数据
try:
response = table.get_item(
Key={
'id': 'user#123',
'timestamp': 1678886400
}
)
item = response.get('Item')
if item:
print("Retrieved item:", item)
else:
print("Item not found.")
except ClientError as e:
print(f"Error getting item: {e}")
# 更新数据
try:
response = table.update_item(
Key={
'id': 'user#123',
'timestamp': 1678886400
},
UpdateExpression="SET email = :e",
ExpressionAttributeValues={
':e': 'alice.new@example.com'
},
ReturnValues="UPDATED_NEW"
)
print("Item updated:", response['Attributes'])
except ClientError as e:
print(f"Error updating item: {e}")
# 删除数据
try:
table.delete_item(
Key={
'id': 'user#123',
'timestamp': 1678886400
}
)
print("Item deleted.")
except ClientError as e:
print(f"Error deleting item: {e}")
# 最后，删除表 (如果不再需要)
# try:
# table.delete()
# table.wait_until_not_exists()
# print(f"Table '{table_name}' deleted successfully.")
# except ClientError as e:
# print(f"Error deleting table: {e}")说实话，刚开始接触boto3的时候，我也被
client
resource
立即学习“Python免费学习笔记（深入）”；
client
PutItem
GetItem
client
而
resource
dynamodb_resource.Table('my_table')Table
table.put_item()
table.get_item()
resource
wait_until_exists()
那么，何时选用呢？我的经验是：
resource
resource
resource
client
resource
client
client
举个简单的例子，如果只是想获取一个DynamoDB表的状态，
client
describe_table
resource
table.table_status
PutItem
ReturnConsumedCapacity
client
在DynamoDB里，数据访问效率是个大学问，尤其是查询（Query）和扫描（Scan）这两种操作，它们在性能上有着天壤之别。理解它们的区别并正确使用，是优化DynamoDB应用的关键。
查询（Query）： 查询操作是DynamoDB最推荐的数据检索方式，因为它效率极高。它要求你必须提供分区键（Partition Key）的值。如果你定义了排序键（Sort Key），你还可以选择性地提供排序键的值，或者使用比较运算符（如等于、大于、小于、在某个范围之间等）来进一步筛选结果。查询操作的特点是：
FilterExpression
KeyConditionExpression
Limit
ExclusiveStartKey
# Query 示例：查找某个用户的所有订单
# 假设表名为 'Orders', 分区键 'userId', 排序键 'orderDate'
table = dynamodb_resource.Table('Orders')
try:
response = table.query(
KeyConditionExpression=Key('userId').eq('user#456') & Key('orderDate').begins_with('2023-01'),
ProjectionExpression="orderId, orderDate, amount", # 只获取需要的属性
FilterExpression=Attr('status').eq('completed') # 进一步过滤，但这会消耗读取容量
)
for item in response['Items']:
print(item)
except ClientError as e:
print(f"Error querying data: {e}")扫描（Scan）： 扫描操作则是DynamoDB的“大杀器”，它会读取整个表或者整个索引的所有数据项，然后将结果返回给你。听起来很方便，对吧？但实际上，除非你的表非常小，或者你确实需要处理所有数据（比如做一次性数据导出），否则应该尽量避免使用扫描。
FilterExpression
# Scan 示例：获取所有订单 (通常不推荐用于大表)
try:
response = table.scan(
FilterExpression=Attr('amount').gt(100), # 扫描所有，再过滤出金额大于100的
ProjectionExpression="orderId, userId, amount"
)
for item in response['Items']:
print(item)
except ClientError as e:
print(f"Error scanning data: {e}")最佳实践：
ProjectionExpression
Limit
ExclusiveStartKey
操作DynamoDB，除了理解基础的CRUD和查询扫描，更重要的是要避开一些常见的性能陷阱，并掌握相应的优化策略。这直接关系到你的应用响应速度和AWS账单。
1. 容量单位（RCU/WCU）与限流（Throttling）： 这是DynamoDB最核心的概念之一。每个读写操作都会消耗一定数量的读取容量单位（RCU）或写入容量单位（WCU）。如果你的请求速率超过了表或索引配置的容量，DynamoDB就会返回
ProvisionedThroughputExceededException
2. 热点分区（Hot Partitions）： DynamoDB将数据分散存储在不同的物理分区上。如果某个分区键的值被频繁访问，导致该分区承受了远超其容量的读写负载，即使整个表的总容量足够，这个特定的分区也可能成为热点，引发限流。
3. 批量操作的效率与陷阱： Boto3提供了
batch_write_item
batch_get_item
batch_write_item
UnprocessedItems
batch_get_item
batch_write_item
batch_get_item
UnprocessedItems
4. 条件写入（Conditional Writes）： DynamoDB支持条件写入，即只有当某个条件满足时才执行写入操作（
PutItem
UpdateItem
DeleteItem
ConditionExpression
总的来说，DynamoDB的性能优化是一个持续的过程，需要你深入理解它的工作原理，并根据实际的访问模式和数据特性来调整表设计和操作策略。很多时候，一个看似简单的操作，背后都可能隐藏着容量消耗和分区热点的问题。
以上就是Python怎样操作Amazon DynamoDB？boto3最佳实践的详细内容，更多请关注php中文网其它相关文章！
每个人都需要一台速度更快、更稳定的 PC。随着时间的推移，垃圾文件、旧注册表数据和不必要的后台进程会占用资源并降低性能。幸运的是，许多工具可以让 Windows 保持平稳运行。
广告Copyright 2014-2025 https://www.php.cn/ All Rights Reserved | php.cn | 湘ICP备2023035733号
969
收藏
