Python如何按单元格读取复杂电子表格(Excel)的数据
Python读取电子表格
本文所使用电子表格的目标是读取、解析来自Excel编制的数据报表,或者软件界面导出的数据报表,这类电子表格报表显著特点是有一定的格式,且数据位置不连续,而非标准二维数据表。
关于电子表格,比较常见的有微软Office Excel、WPS Office、Open Office、LibreOffice、永中Office等等,这些软件关于电子表格定义相近,文件格式兼容MS Excel标准。
- 一个电子表格文档(Excel)称为一个工作簿
- 一个工作簿保存在一个扩展名为XLS(.xlsx)的文件中
- 一个工作簿可以包含多个表(sheet)
- 在特定行和列的方格称为单元格、格子
对于文件格式XLS、XLSX
简单来说:
- XLS是excel2003及以前版本所生成的文件格式
- XLSX是excel2007及以后版本所生成的文件格式
Python对excel文件的读写功能的模块有以下三种
- xlwt:对 xls 格式的 Excel 文件进行写入;
- xlrd:对 xls 格式的 Excel 文件进行读取;
- OpenpPyXL 实现了对 xlsm 、xlsx 开放电子表格格式的读写。
另外,Pandas也能实现了对Excel读写,例如read_excel()和to_excel(),直接读取数据到DataFrame中。
首先,安装第三方包xlrd和xlwt(如果已经安装,则略过):
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlrd pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xlwt
原始数据
原始数据是来自接口方提供XLS格式数据,内容如下图所示,由程序生成而导出的数据(为什么会这样,历史原因不予分析),虽然行、列对应不清晰,但是总体上还是有规律的,日报表的每日内容格式基本一致,针对数据行数变化需要特殊解析处理。
没有好办法,标记上顺序数字,逐个查数定位!
定义数据字典
data_dict = { '油品规格名称':{'colname':'oilname','id':1}, '期初库存':{'colname':'openinginventory','id':7}, '本期进货':{'colname':'currentpurchase','id':10}, '加油机发出量':{'colname':'sendout','id':13}, '数量':{'colname':'values','id':16}, ......
数据解析过程框图
实践代码示例
代码中关键API函数解释
打开XLS工作薄:
workbook = xlrd.open_workbook(filename)
三种方式获取工作表
table = workbook.sheet_by_index(0),按索引顺序 table = workbook.sheets()[0] table = workbook.sheet_by_name(‘日报表202110-202210'),按sheet名称
读取单元格数据:
value = table.cell_value(rowx=2, colx=0),rowx,colx分别是行、列索引数(注意:从0开始)
解析XLS代码示例:
import xlrd # filename是文件的路径名称,如果路径或者文件名有中文给前面加一个r拜师原生字符。 workbook = xlrd.open_workbook(filename=r'日报表202110-202210.XLS') #workbook = xlrd.open_workbook(filename=r'2日报表202110-202210.XLS',encoding_override='utf-8') # 获取第一个sheet表格 table = workbook.sheets()[0] # 初始化,按行定义list dat_row = [] # 数据单元格,列的索引位置 cols_index = [1,7,10,13,16,20,23,30,...,83,87] # 批发油的情况,价格不一致(猜测) cols_index_0 = [16,20,23,30,...] cols_len = len(cols_index) cols_len_0 = len(cols_index_0) # 获取sheet中有效行数 rows = table.nrows # 表头与首行数据间隔函数 irow_bank = 5 irow = 0 icol = cols_index[0] while irow < rows: if table.cell_value(rowx=irow, colx=0) == '编制单位:': cell_vd = table.cell_value(rowx=irow, colx=39) # 日报时间索引位置39 cell_v = table.cell_value(rowx=irow, colx=icol) if cell_v == '名称': #irow = irow + irow_bank # 跨过空行 irow = irow + 1 while len(table.cell_value(rowx=irow, colx=icol)) == 0: irow = irow + 1 while table.cell_value(rowx=irow, colx=icol) != '合计': dat_col = [] for j in range(cols_len): dat_col.append(table.cell_value(rowx=irow, colx=cols_index[j])) # 批发油的情况,价格不一致 if len(table.cell_value(rowx=irow+1, colx=icol)) == 0: irow = irow + 1 for j in range(cols_len_0): dat_col.insert(4+j,table.cell_value(rowx=irow, colx=cols_index_0[j])) else: for j in range(cols_len_0): dat_col.append(0) dat_col.append(cell_vd) print(dat_col) dat_row.append(dat_col) irow = irow + 1 # 逐行扫描 irow = irow + 1 irow
保持解析结果到文件中:
import pandas as pd df.to_excel('dd.xls',encoding='utf_8_sig',index=False)
结果如下:
总结
Python按单元格读取复杂电子表格(Excel)数据技术上比较成熟,易操作。
需要注意事项:
- 由于数据文件来自第三方,可能存在编码问题(中文乱码),最好拿到手后,在文件处理的系统上,再另存新文件(本次工作,就是遇到类似问题,花费变天时间也没有解决编码转换或者加密问题,简单的另存解决。
- 数据处理过程,还是使用pandas更加专业。
好了,以上为个人经验,希望能给大家一个参考,也希望大家多多支持脚本之家。
最新评论