2019獨角獸企業重金招聘Python工程師標準>>>

尋覓工具

確定任務之后第一步就是找個趁手的庫來干活。?Python Excel上列出了xlrd、xlwt、xlutils這幾個包，但是

它們都比較老，xlwt甚至不支持07版以后的excel

它們的文檔不太友好，都可能需要去讀源代碼，而老姐的任務比較緊，加上我當時在期末，沒有這個時間細讀源代碼

再一番搜索后我找到了openpyxl，支持07+的excel，一直有人在維護，文檔清晰易讀，參照Tutorial和API文檔很快就能上手，就是它了~

安裝

這個很容易，直接pip install openpyxl，呵呵呵~

因為我不需要處理圖片，就沒有裝pillow。

一些考慮

源文件大約一個在1~2MB左右，比較小，所以可以直接讀入內存處理。

既然是處理excel，何況他們整個組顯然都是win下干活（數據都用excel存了= =，商科的人啊……），這個腳本還是在win下做吧

這個任務完全不需要我對現有的文件做修改！囧……我只要讀入、處理、再寫出另一個文件就行了

學習使用

嗯，就是打開cmd，然后用python的shell各種玩這個模塊來上手……（win下沒有裝ipython，囧）

做這個小腳本基本上我只需要import兩個東西

from?openpyxl?import?Workbookfrom?openpyxl?import?load_workbook

load_workbook顧名思義是把文件導入到內存，Workbook是最基本的一個類，用來在內存里創建文件最后寫進磁盤的。

干活

首先我需要導入這個文件

inwb?=?load_workbook(filename)

得到的就是一個workbook對象

然后我需要創建一個新的文件

outwb?=?Workbook()

接著在這個新文件里，用create_sheet新建幾個工作表，比如

careerSheet?=?outwb.create_sheet(0,?'career')

就會從頭部插入一個叫career的工作表（也就是說用法類似python list的insert）

接下來我需要遍歷輸入文件的每個工作表，并且按照表名做一些工作（e.g.如果表名不是數字，我不需要處理），openpyxl支持用字典一樣的方式通過表名獲取工作表，獲取一個工作簿的表名的方法是get_sheet_names

for?sheetName?in?inwb.get_sheet_names():????if?not?sheetName.isdigit():????????continuesheet?=?inwb[sheetName]

得到工作表之后，就是按列和行處理了。openpyxl會根據工作表里實際有數據的區域來確定行數和列數，獲取行和列的方法是sheet.rows和sheet.columns，它們都可以像list一樣用。比如，如果我想跳過數據少于2列的表，可以寫

if?len(sheet.columns)?<?2:????continue

如果我想獲取這個工作表的前兩列，可以寫

colA,?colB?=?sheet.columns[:2]

除了用columns和rows來得到這個工作表的行列之外，還可以用excel的單元格編碼來獲取一個區域，比如

cells?=?sheet['A1':'B20']

有點像excel自己的函數，可以拉出一塊二維的區域~

為了方便處理，遇到一個沒有C列的工作表，我要創建一個和A列等長的空的C列出來，那么我可以用sheet.cell這個方法，通過傳入單元格編號和添加空值來創建新列。

alen?=?len(colA)for?i?in?range(1,?alen?+?1):sheet.cell('C%s'?%?(i)).value?=?None

注意：excel的單元格命名是從1開始的~

上面的代碼也顯示出來了，獲取單元格的值是用cell.value（可以是左值也可以是右值），它的類型可以是字符串、浮點數、整數、或者時間（datetime.datetime），excel文件里也會生成對應類型的數據。

得到每個單元格的值之后，就可以進行操作了~openpyxl會自 動將字符串用unicode編碼，所以字符串都是unicode類型的。

除了逐個逐個單元格用cell.value修改值以外，還可以一行行append到工作表里

sheet.append(strA,?dateB,?numC)

?最后，等新的文件寫好，直接用workbook.save保存就行

outwb.save("test.xlsx")

這個會覆蓋當前已有的文件，甚至你之前讀取到內存的那個文件。

一些要注意的地方

• 如果要在遍歷一列的每個單元格的時候獲取當前單元格的在這個column對象里的下標

  for?idx,?cell?in?enumerate(colA):????#?do?something...

• 為了防止獲取的數據兩端有看不見的空格（excel文件里很常見的坑），記得strip()

• 如果工作表里的單元格沒有數據，openpyxl會讓它的值為None，所以如果要基于單元格的值做處理，不能預先假定它的類型，最好用

  if?not?cell.value????continue

  之類的語句來先行判斷

• 如果要處理的excel文件里有很多noise，比如當你預期一個單元格是時間的時候，有些表的數據可能是字符串，這時候可以用

  if?isinstance(cell.value,?unicode):????break

  之類的語句處理。

• win下的cmd似乎不太好設定用utf-8的code page，如果是簡體中文的話可以用936（GBK），print的時候會自動從unicode轉換到GBK輸出到終端。

?

一些幫忙處理中文問題的小函數

我處理的表有一些超出GBK范圍的字符，當我需要把一些信息print出來監控處理進度的時候非常麻煩，好在它們都是可以無視的，我直接用空格替換再print也行，所以加上一些我本來就要替換掉的分隔符，我可以：

#?annoying?seperatorsdot?=?u'\u00b7'dash?=?u'\u2014'emph?=?u'\u2022'dot2?=?u'\u2027'seps?=?(u'.',?dot,?dash,?emph,?dot2)def?get_clean_ch_string(chstring):????"""Remove?annoying?seperators?from?the?Chinese?string.Usage:cleanstring?=?get_clean_ch_string(chstring)????"""cleanstring?=?chstring????for?sep?in?seps:cleanstring?=?cleanstring.replace(sep,?u'?')????return?cleanstring

?

此外我還有一個需求，是把英文名[空格]中文名分成英文姓、英文名、中文姓、中文名。

首先我需要能把英文和中文分割開，我的辦法是用正則匹配，按照常見中英文字符在unicode的范圍來套。匹配英文和中文的正則pattern如下：

#?regex?pattern?matching?all?ascii?charactersasciiPattern?=?ur'[%s]+'?%?''.join(chr(i)?for?i?in?range(32,?127))#?regex?pattern?matching?all?common?Chinese?characters?and?seporatorschinesePattern?=?ur'[\u4e00-\u9fff.?%s]+'?%?(''.join(seps))

英文就用ASCII可打印字符的范圍替代，常見中文字符的范圍是\u4e00-\u9fff，那個seps是前面提到過的超出GBK范圍的一些字符。 除了簡單的分割，我還需要處理只有中文名沒有英文名、只有英文名沒有中文名等情況，判斷邏輯如下：

def?split_name(name):????"""Split?[English?name,?Chinese?name].If?one?of?them?is?missing,?None?will?be?returned?instead.Usage:engName,?chName?=?split_name(name)????"""matches?=?re.match('(%s)?(%s)'?%?(asciiPattern,?chinesePattern),?name)????if?matches:??#?English?name?+?Chinese?namereturn?matches.group(1).strip(),?matches.group(2).strip()????else:matches?=?re.findall('(%s)'?%?(chinesePattern),?name)matches?=?''.join(matches).strip()????????if?matches:??#?Chinese?name?onlyreturn?None,?matches????????else:??#?English?name?onlymatches?=?re.findall('(%s)'?%?(asciiPattern),?name)????????????return?''.join(matches).strip(),?None

?

得到了中文名之后，我需要分割成姓和名，因為任務要求不需要把姓名分割得很明確，我就按照常見的中文名姓名分割方式來分——兩個字or三個字的第一個字是姓，四個字的前兩個字是姓，名字帶分隔符的（少數民族名字）分隔符前是姓（這里用到了前面的get_clean_ch_string函數來移除分隔符），名字再長一些又不帶分割符的，假設整個字符串都是名字。（注意英語的first name 指的是名，last name指的是姓，2333）

def?split_ch_name(chName):????"""Split?the?Chinese?name?into?first?name?and?last?name.*?If?the?name?is?XY?or?XYZ,?X?will?be?returned?as?the?last?name.*?If?the?name?is?WXYZ,?WX?will?be?returned?as?the?last?name.*?If?the?name?is?...WXYZ,?the?whole?name?will?be?returnedas?the?last?name.*?If?the?name?is?..ABC?*?XYZ...,?the?part?before?the?seperatorwill?be?returned?as?the?last?name.Usage:chFirstName,?chLastName?=?split_ch_name(chName)????"""if?len(chName)?<?4:??#?XY?or?XYZchLastName?=?chName[0]chFirstName?=?chName[1:]????elif?len(chName)?==?4:??#?WXYZchLastName?=?chName[:2]chFirstName?=?chName[2:]????else:??#?longercleanName?=?get_clean_ch_string(chName)nameParts?=?cleanName.split()????????print?u'?'.join(nameParts)????????if?len(nameParts)?<?2:??#?...WXYZreturn?None,?nameParts[0]chLastName,?chFirstName?=?nameParts[:2]??#?..ABC?*?XYZ...return?chFirstName,?chLastName

轉載于:https://my.oschina.net/u/2252538/blog/330467

總結

以上是生活随笔為你收集整理的用python + openpyxl处理excel(07+)文档 + 一些中文处理的技巧的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。