你有两个选择：在Python中更改csv.writing引号选项，或告诉PostgreSQL接受带引号的字符串作为可能的NULL（需要PostgreSQL 9.4或更高版本）

Python csv.writer()和引号

在Python方面，你告诉csv.writer()对象添加引号，因为你将它配置为使用csv.QUOTE_NONNUMERIC：
指示writer对象将所有非数值字段加引号。
None值是非数字的，因此导致""被写入。
切换到使用csv.QUOTE_MINIMAL或csv.QUOTE_NONE：
csv.QUOTE_MINIMAL
指示writer对象只引用那些包含特殊字符的字段，如 *，quotechar 或 * linetimator * 中的任何字符。
csv.QUOTE_NONE
指示writer对象从不引用字段。当当前**出现在输出数据中时，它前面是当前 escapechar 字符。
因为你所写的只是经度和纬度值，所以这里不需要任何引号，数据中没有分隔符或引号字符。
无论使用哪种选项，None值的CSV输出都是一个简单的空字符串：

>>> import csv
>>> from io import StringIO
>>> def test_csv_writing(rows, quoting):
...     outfile = StringIO()
...     csv_writer = csv.writer(outfile, delimiter=',', quoting=quoting)
...     csv_writer.writerows(rows)
...     return outfile.getvalue()
...
>>> rows = [
...     [42.313270000, -71.116240000],
...     [42.377010000, -71.064770000],
...     [None, None],
... ]
>>> print(test_csv_writing(rows, csv.QUOTE_NONNUMERIC))
42.31327,-71.11624
42.37701,-71.06477
"",""

>>> print(test_csv_writing(rows, csv.QUOTE_MINIMAL))
42.31327,-71.11624
42.37701,-71.06477
,

>>> print(test_csv_writing(rows, csv.QUOTE_NONE))
42.31327,-71.11624
42.37701,-71.06477
,

字符串

PostgreSQL 9.4 COPY FROM、NULL值和FORCE_NULL

从PostgreSQL 9.4开始，当你使用FORCE_NULL选项时，你也可以强制PostgreSQL接受带引号的空字符串作为NULL s。从COPY FROM documentation：
FORCE_NULL
将指定列的值与空字符串进行匹配，即使它已被引用，如果找到匹配项，则将值设置为NULL。在默认情况下，空字符串为空，这会将引用的空字符串转换为NULL。此选项仅在COPY FROM中允许，并且仅在使用CSV格式时允许。
在FORCE_NULL选项中删除列可以让PostgreSQL接受空列和""作为这些列的NULL值，例如：

COPY position (
    lon, 
    lat
) 
FROM "filename"
WITH (
    FORMAT csv,
    NULL '',
    DELIMITER ',',
    FORCE_NULL(lon, lat)
);

型
在这一点上，你在Python端使用了什么引用选项就不再重要了。

其他需要考虑的选项

其他数据库的简单数据转换任务，不要使用Python

如果你已经查询数据库来整理数据进入PostgreSQL，考虑 * 直接插入到PostgreSQL *。如果数据来自其他来源，使用foreign data wrapper (fdw) module可以让你省去中间人，直接从其他来源将数据拉入PostgreSQL。

Numpy数据？考虑使用COPY FROM作为二进制文件，直接从Python

Numpy数据可以通过二进制COPY FROM更有效地插入;链接的答案用所需的额外元数据和字节排序来增加numpy结构化数组，然后有效地创建数据的二进制副本，并使用COPY FROM STDIN WITH BINARY和psycopg2.copy_expert()方法将其插入PostgreSQL。这巧妙地避免了数字->文本->数字转换。

持久化数据以处理管道中的大型数据集？

不要重新发明数据管道轮子。考虑使用现有的项目，如Apache Spark，它们已经解决了效率问题。Spark允许您将数据视为结构化流，并包括run data analysis steps in parallel的基础设施，您可以处理distributed, structured data as Pandas dataframes。
另一种选择是查看Dask，以帮助在分布式任务之间共享数据集，从而处理大量数据。
即使将一个已经运行的项目转换到Spark可能是一个太远的步骤，至少考虑使用Apache Arrow，Spark构建在上面的数据交换平台。pyarrow project可以让你通过Parquet文件或exchange data over IPC交换数据。
Pandas和Numpy团队在支持Arrow和Dask的需求方面投入了大量资金（这些项目之间的核心成员有相当大的重叠），并正在积极努力使Python数据交换尽可能高效，包括extending Python's pickle module to allow for out-of-band data streams，以避免共享数据时不必要的内存复制。

您的代码

for row in self.cursor:
    csv_writer.writerow(row)

字符串
按原样使用writer，但您不必这样做。您可以使用生成器解析和三进制表达式筛选值以更改某些特定值

for row in self.cursor:
    csv_writer.writerow("null" if x is None else x for x in row)

型

您正在请求csv.QUOTE_NONNUMERIC。这将把所有不是数字的内容转换为字符串。您应该考虑使用csv.QUOTE_MINIMAL，因为它可能更符合您的要求：

测试码：

import csv

test_data = (None, 0, '', 'data')
for name, quotes in (('test1.csv', csv.QUOTE_NONNUMERIC),
                     ('test2.csv', csv.QUOTE_MINIMAL)):

    with open(name, mode='w') as outfile:
        csv_writer = csv.writer(outfile, delimiter=',', quoting=quotes)
        csv_writer.writerow(test_data))

字符串

结果：

test1.csv：

"",0,"","data"

型

test2.csv：

,0,,data

型

我使用Python的csv模块将数据从sql server写入csv文件，然后使用copy命令将csv文件上传到postgres数据库。
我相信您真正的需求是需要在文件系统中跳跃数据行，正如上面的句子和问题标题所表明的那样，你现在是**问题是，csv格式对RDBMS的NULL概念提供了很差的支持。让我通过稍微改变一下问题来解决你的问题。我想向你介绍一下parquet格式。给定一组表，行在内存中，它允许您 * 非常快速 * 将它们持久化到压缩的二进制文件中，并恢复它们，元数据和NULL完好无损，没有文本引用的麻烦。下面是一个例子，使用pyarrow 0.12.1Parquet引擎：

import pandas as pd
import pyarrow

def round_trip(fspec='/tmp/locations.parquet'):
    rows = [
        dict(lat=42.313, lng=-71.116),
        dict(lat=42.377, lng=-71.065),
        dict(lat=None, lng=None),
    ]

    df = pd.DataFrame(rows)
    df.to_parquet(fspec)
    del(df)

    df2 = pd.read_parquet(fspec)
    print(df2)

if __name__ == '__main__':
    round_trip()

字符串
输出量：

lat     lng
0  42.313 -71.116
1  42.377 -71.065
2     NaN     NaN

型
一旦恢复了数据库框架中的行，就可以自由地调用df2.to_sql()或使用其他一些常用技术将数字和NULL放入DB表中。
编辑：
如果你能在PG服务器上运行.to_sql()，或者在同一个局域网上，那么就这样做。否则你最喜欢的技术可能会涉及.copy_expert()。为什么？总的来说，使用psycopg 2，“批量查询很慢”。中间层，如sqlalchemy和pandas，以及编写良好的应用程序，关心插入性能，将使用.executemany()。其想法是一次发送大量行，所以TCP会得到一个巨大的SQL文本缓冲区，并一次性发送，这会使端到端通道的带宽饱和，就像copy_expert向TCP发送一个大缓冲区以获得高带宽一样。
相比之下，psycopg 2驱动程序缺乏对高性能executemmany的支持。从2.7.4开始，它只是一次执行一个项目，通过WAN发送SQL命令，并在发送下一个命令之前等待一个往返时间的结果。Ping您的服务器;如果ping时间表明每秒可以进行十几次往返，然后计划每秒只插入十几行。大部分时间都花在等待应答包上，而不是花在处理数据库行上。如果将来psycopg 2能提供更好的支持，那就太好了。

从Python 3.12开始，你可以使用引号csv.QUOTE_NOTNULL，它的作用和它看起来的一样：它总是引用值（即使是数字值），除了None。
它看起来是这样的：

>>> writer = csv.writer(sys.stdout, quoting=csv.QUOTE_NOTNULL)
>>> writer.writerows([
...     [42.313270000, -71.116240000],
...     [42.377010000, -71.064770000],
...     [None, None],
... ])
"42.31327","-71.11624"
"42.37701","-71.06477"
,

字符串
正如你所指出的，PostgreSQL的文档说NULL默认为“CSV格式的无引号空字符串”，所以最后一行将被视为两个NULL。

我会使用pandas、psycopg2和sqlalchemy。确保安装了它们。来自您当前的工作流程，避免写入csv

#no need to import psycopg2
import pandas as pd
from sqlalchemy import create_engine

#create connection to postgres
engine = create_engine('postgres://.....')

#get column names from cursor.description
columns = [col[0] for col in self.cursor.description]

#convert data into dataframe
df = pd.DataFrame(cursor.fetchall(),columns=columns)

#send dataframe to postgres
df.to_sql('name_of_table',engine,if_exists='append',index=False)

#if you still need to write to csv
df.to_csv('your_file.csv')

字符串