全栈和python的区别
首先我们来看看Python在公司的一些基础应用于语音处理的Python库用：
sqlalchemy恢复数据 sqlyog恢复数据
sqlalchemy恢复数据 sqlyog恢复数据
1、验证算法：就是对公司一些常见设计算法或者公式的验证，公式代码化。
2、快速开发：这个大家应该都比较熟悉，快速开发，就是用成熟框架，更少的代码来开发网站，Python在网站前后台有大量的成熟的框架，如django，flask，bottle，tornado，flask和django的使用较多，国内用Python开发的网站有：知乎、豆瓣、扇贝、腾讯、阿里巴巴;
3、测试运维：用python实现的测试工具及过程，包含端、客户端、web、andriod、client端的自动化测试，自动化性能测试的执行、和分析，常用seleniumappium等
框架。做运维同学应该清楚，在Linux运维工作中日常作涵盖了，部署，网络配置，日志分析，安全检测等等许许多多的方面，无所不包。python可以写很多的脚本，把“作”这个行为做到。与此同时，python在管理工具上非常丰富，配置管理(saltstack)批量执行(fabric,saltstack)(Zenoss,nagios插件)虚拟化管理(python-libvirt)进程管理(supervisor)云计算(openstack)......还有大部分系统C库都有python绑定。
4、数据分析：Python有三大神器：numpy,scipy,matplotlib,其中numpy很多底层使用C语言实现的，所以速度很快，用它参加各种数学建模大赛，完全可以替代r语言和MATLAB。spark，Hadoop都开了Python的接口，所以使用Python做大数据的maprece也非常简单，加上py对数据库支持都很好，或者类似sqlalchemy的orm也非常强大好用。
特别是目前，Python在云基础设施，DevOps，大数据处理等领域都是炙手可热的语言。
领域————————流行语言
DevOps——Python,Shell,Ruby,Go
网络爬虫————Python,PHP,C++
数据处理Python,R,Scala
正是因为应用开发工程师、运维工程师、数据科学家都喜欢Python，才使得Python成为大数据系统的全栈式开发语言。
对于运维工程师而言，Python的优势在于，几乎所有Linux发行版都内置了Python解释器。Shell虽然功能强大，但毕竟语法不够优雅，写比较复杂的任务会很痛苦。用Python替代Shell，做一些复杂的任务，对运维人员来说，是一次解放。
对于数据科学家而言，Python简单又不失强大。和C/C++相比，不用做很多的底层工作，可以快速进行模型验证;和Ja相比，Python语法简洁，表达能力强，同样的工作只需要1/3代码;和Matlab，Octe相比，Python的工程成熟度更高。不止一个编程大牛表达过，Python是最适合作为大学计算机科学编程课程使用的语言——MIT的计算机入门课程就是使用的Python——因为Python能够让人学到编程最重要的东西——如何解决问题。
顺便提一句，微软高调宣布提高Python在Windows上的编程体验，包括VisualStudio支持Python，优化Python的C扩展在Windows上的编译等等。脑补下未来Python作为Wi>>> from hello import Role, Userndows默认组件的场景。
sqlalchemy可以只查某一列吗
>>> db.sessionmit()（百度这个编辑功能太渣了，markdown/markup都不支持，缩进都没了，凑合看吧。）
注意以以下查询返回的不再是DeclarativeMeta对象，而是单纯的tuple对象，也就是说没有列名。 用query的with_entites方法：
User.query.with_entities(User.id,User.dept_id).all()
2.如果有外键关系，可以使用join进行关联，join的参数要用relationship的backref值：
# Model User
class User(db.Model):
id = db.Column(db.Integer, primary_key = True)
username = db.Column(db.String(40), unique = True, nullable = False)
password = db.Column(db.String(32), nullable = False)
email = db.Column(db.String(120), unique = True)
realname = db.Column(db.String(20))
dept_id = db.Column(db.Integer, db.ForeignKey('department.id'))
def __init__(self, username, password, email, realname, dept_id):
self.username = username
self.password = password
self.email = email
self.realname = realname
self.dept_id = dept_id
#Model Depa的所有记录：rtment
class Department(db.Model):
department_name = db.Column(db.String, unique=True, nullable=True)
users = db.relationship('User', backref='dept',lazy='dynamic')
def __init__(self,department_name):
self.department_name = department_name
def __repr__(self):
return '
查询方法：
User.query.with_entities(User.id,User.username,Department.department_name).join(User.dept).all()
等价于：
SELECT "user".id AS user_id, "user".username AS user_username, department.department_name AS department_department_name FROM "user" JOIN department ON department.id = "user".dept_id
通过Flask-SQLAlchemy提供的一个query属性，当你通过model类uery属性，你可以得到一个数据库表的查询结果集。
i.User.query.filter_by(username='peter').first(),通过filter_by方法里的条件表达式来对query所得到的结果集进行过滤，得到你想要得到的结果。
example：
Retri a user by username通过username属性为’peter‘过滤结果集:
>>> peter = User.query.filter_by(username='peter').first()
>>> peter.id
1>>> peter.email
u'peter@example'
当不存在结果集时返回none：
>>> missing = User.query.filter_by(username='missing').first()
>>> missing is None
True
如何用flask实现一个web应用来显示在mysql数据库中查询到的内容
>>> User.query.all()用 Flask-SQLAlchemy（SQLAlchemy ORM 模块的 Flask 定制版）。这个在定义 schema、连接数据库、增删改查方面都给你提供极大的便利。
2、机器学习这个对象就包含 sqlalchemy 和 sqlalchemy.orm 中的所有函数和助手。此外它还提供一个名为 Model 的类，用于作为声明模型时的 delarative 基类:
from flask import Flask
from flask.ext.sqlalchemy import SQLAlchemy
app = Flask(__name__)
app.config['SQLALCHEMY_DATABASE_URI'] = 'sqlite:////tmp/test.db'
db = SQLAlchemy(app)
class User(db.Model):
username = db.Column(db.String(80), unique=True)
email = db.Column(db.String(120), unique=True)
def __init__(self, username, email):
self.username = username
self.email = email
def __repr__(self):
return '' % self.username
flask+flask_sqlalchemy 使用pyinstaller打包？
首先，我们要让Flask-SQLAlchemy 根据模型类创建数据库。方法是使用db.create_all()如果你想使用 PyInstaller 打包 Flask 和 Flask-SQLAlchemy 应用，你可以这样做：
安装 PyInstaller：在命令行中输入 "pi>>> user_susan = User(username='susan', role=user_role)p install pyinstaller"。
创建 Flask 应用。
在应用中导入 Flask-SQLAlchemy。
使用 PyInstaller 打包应用。在命令行中输入 "pyinstaller your_app.py"，其中 "your_app.py" 是你的应用的文件名。
PyInstaller 会创建一个新的文件夹，其中包含你的应用的可执行文件和所有依赖的文件。
注意：在使用 PyInstaller 打包 Flask 应用时，你需要在命令行中使用 "--hidden-import" 参数来指定所有需要导入的 Flask 模块。例如："pyinstaller your_app.py --hidden-import flask.ext.sqlalchemy"。
希望这些信息对你有帮助。
写一个python框架难吗
首先你需要知道一个Web应用基本的请求处理流程。以最简单最原始的页为例，你点击链接（GET），提交表单（POST），就是与端建立了连接之后发送了一个HTTP请求（RFC2616 5.1节，之后都以HTTP 1.1为例），里面至少有方法（动词，就是GET啦POST什么的，详见RFC2616第9节），地址（URL），HTTP版本，还可能带上Cookie（会话的一般实现机制），缓存相关的信息（RFC2616 13节），User-Agent串等等一堆信息。对于POST请求我们还有表单内容作为请求实体（RFC2616 7.2节），里面是你填写的表单内容。 于是我们有了一些关于请求的数据，不过现在一般来讲这些数据还在前端（反向，比如nginx，暂且忽略掉负载均衡，反正是透明的，也不考虑WSGI容器直接扛请求的情况）的手上，还没有传进后端语言（这里是Python）。我们就针对每一种语言都有特定的机制，用来将HTTP的请求信息映射到相应的编程语言范畴，叫做Web界面（Web server intece），通用如CGI/FCGI/SCGI，特定于某一语言如WSGI/PSGI/Rack/...，特定于某一作系统如ISAPI（这货还活着？），一些已经不再使用的就不提了。总之在Python世界里这就是WSGI（PEP 3333, Web Gateway Intece），它就定义了Python语言与Web之间的界面。在WSGI里，
请求的处理过程被映射为对应用callable的调用（application(environ, start_response)，知乎不支持inline代码块？）；
请求信息被映射到environ字典中的相应键值，比如请求方法被映射到environ['REQU总结一下，Storm 曾经应用比较广泛，但现在社区不再活跃，很难保证将来遇到问题能否交给社区解决，而且 Storm 对数据库架构同步处理的比较奇怪，还有频繁产生 DDL 作 造成库级锁这些问题无法让人放心；SQLObject 也是一个很出名的 ORM 库，但与 SQLAlchemy 相比，后者效率更高，对一些高级特性的支持不如后者。EST_METHOD']，请求的“相对路径”被映射到environ['PATH_INFO']（过度简化；暂且不提WSGI应用挂载点，框架层一般也不用关心这个，挂载WSGI应用一般是WSGI容器如gunicorn、uWSGI之类组件的工作）；
发送响应头的动作被映射到调用start_response(status, response_headers)（不考虑可选的第三个参数异常信息）；
返回响应数据被映射到application返回iterable的动作。
于是响应便从Python返回到Web，再被发送回浏览器，浏览器将响应内容渲染，一个请求pycharm专业版是功能最丰富的，与社区版相比，pycharm专业版增加了web开发、Python就完成啦。
有了这样的感性认识，那么我们作为Python Web开发框架的作者，要做的事情就是在WSGI规范的基础之上，提供尽可能便捷的开发手段和尽可能低的框架开销，也即我们的代码将要工作在WSGI与业务逻辑的中间层。架构上，Web开发框架或多或少都遵循MVC的设计模式（Django管它叫MTV，其实不多）。同时，由于框架位于中间件的位置，加上其鼓励模块化与代码复用的性质，自然需要为常见的HTTP作提供抽象。这里就可以展开一些话题：
请求路径到view/controller的映射，请求参数的解析（routing，也叫路由）。
正则匹配的方案，比如Django内置了一个简单的正则表达式解析组件，能解析一般常见语法的正则表达式，把capturing groups解析成位置参数，named capturing groups解析成关键字参数。
也有DSL的方案，比如Werkzeug的路由组件。
请求实体的处理。表单解析，配合Web进行上传文件处理。
正常的encoded表单，JSON表单，text/plain数据，multi-part表单
multi-part附件，附件作API
大文件上传（这个一般会被前端保存在磁盘上的临时文件里，比方说nginx就是这么实现的）。
会话。HTTP是无状态（staess）的，这个特点非常重要。如果没有会话，你连续做几个请求，却没有手段证明你们是同一个人/同一台机器（你完全可能是）。
存储会话数据的会话后端（内存数据结构？文件？RDBMS？Redis？Memcache？）
安全机制（HMAC什么的，可以参考beaker的secure cookie实现）
请求处理流程中的会话中间件（从Cookie中提取会话，从query string中提取会话，从自定义头中提取会话，等等）
View/Controller界面。发挥你的创造力，用上你的工程经验。
Function-based or Class-based views? 参考：Django, Bottle, web.py, Tornado等一票框架的做法 框架的可选机制与服务如何暴露，
装饰器？（比如@login_required 这种额外要求）
回调？（能想到的只有Tornado和Twisted这种异步框架做事情的方式，还有整个JS生态系统都是回调（不考虑Promise什么的）的思路）
传入应用（业务逻辑）层的数据结构如何设计？（HttpRequest等价物，名字可能记不清了）
响应数据结构如何设计？（HttpResponse等价物，同上）
数据库作封装。Web应用基本都是数据为中心，这个组件非常有必要，也是撰写可复用代码必须的一环，毕竟光是框架抽象了，数据库作还是SQL什么的，到时候生产环境一换（比如MySQL变pgsql）还不是傻眼。
关系型数据库。一站式解决方案参考：Django ORM、SQLAlchemy；轻量级解决方案参考各数据库Python绑定。
非关系数据库。各数据库Python绑定（pymongo, riak, redis-py之类），这个没什么可替代方案了，因为本来各种NoSQL库都是适应某一特殊需求设计的，没什么互相替换的必要，那意味着重新进行技术选型。
未完待续 接下来的内容：
主要响应AJAX/API请求的框架设计思路
Python下实时Web框架思路
框架设计哲学
框架性能分析方法
sqlalchemy 怎么 删除一个外键对应的所有数据
云平台分为私有云和公有云。私有云平台如日中天的OpenStack，就是Python写的。当在创建主外键时，如图所示：
>>> db.session.add(admin_role)把删除规则设为层叠（SQL2005），在SQL2008中又叫做级联了！
类别表和表，表和评论表都要设为层叠。
有适合python使用的数据库连接池或吗
pycharm用于数据可视化的Python库 专业版是收费的Professional使用sqlalchemy+pymysql。DBUtils对python3支持不够。sqlalchemy+pymysql可以很好的支持python3，可以通过gnt或pypy提供性能，并且openstack在orm方面也已经使用这种方案，可见性能和稳定性应该都还是可以的
openstack 使用什么数据库
Storm：版 0.20，release 于 2013 年，开发已经比较沉寂……对外键的更新、删除要求比较奇怪。
SQLObject：版 1.7.3，release 于 2014.12.18，开发历史久，目前活跃度不是很高。
peewee：版 2.4.4 发布于2014.12.3，轻量方便，内置 SQLite、MySQL和PostgreSQL的支持。
PonyORM：版 0.6，release 于 2014从网页抓取数据：Beaut>>> print(admin_role.id)iful Soup.11.5。使用 AGPL 许可。有图形化的编辑器。非为大型应用设计。
SQLAlchemy:版 0.9.8，release 于 2014.10.13，企业级 API，设计灵活。加入了一些自己的概念，学习曲线较高。
请问：python3 sqlalchemy query循环查询结果不变
>>> user_role.users.order_by(User.username).all()没用过flask_sqlalchemy，按照你的思路sql应该是这样的, 按创建时间升序查找个statu对于开发工程师而言，Python的优雅和简洁无疑是的吸引力，在Python交互式环境中，执行importthis，Python社区一直非常有活力，Python的软件包增长速度一直比较稳定，同时软件包的质量也相对较高。s=0
select from taskqueue where status=0 order by create_time asc limit 0, 1
理论上如果你数据表里的status全是0的话，每次应该都会有数据
出现问题的可能是你的orm这里是没有连到指定的库，又或者first这个函数没起到作用
建议你先看看是不是能查到数据
tasks = TaskQueue.query.filter_by(status=0)
print len(tasks)
判定是哪个环节出了问题