用python + openpyxl处理excel(07+)文档 + 一些中文处理的技巧

ahxcjxzxh

　　最近要帮做RA的老姐写个合并excel工作表的脚本……源数据是4000+个excel 工作表，分布在9个xlsm文件里，文件内容是中英文混杂的一些数据，需要从每张表中提取需要的部分，分门别类合并到多个大的表里。

寻觅工具
　　确定任务之后第一步就是找个趁手的库来干活。 Python Excel上列出了xlrd、xlwt、xlutils这几个包，但是

• 它们都比较老，xlwt甚至不支持07版以后的excel
  
• 它们的文档不太友好，都可能需要去读源代码，而老姐的任务比较紧，加上我当时在期末，没有这个时间细读源代码
  

　　再一番搜索后我找到了openpyxl，支持07+的excel，一直有人在维护，文档清晰易读，参照Tutorial和API文档很快就能上手，就是它了~

安装
　　这个很容易，直接pip install openpyxl，呵呵呵~
　　因为我不需要处理图片，就没有装pillow。

一些考虑

• 源文件大约一个在1~2MB左右，比较小，所以可以直接读入内存处理。
  
• 既然是处理excel，何况他们整个组显然都是win下干活（数据都用excel存了= =，商科的人啊……），这个脚本还是在win下做吧
  
• 这个任务完全不需要我对现有的文件做修改！囧……我只要读入、处理、再写出另一个文件就行了
  

学习使用
　　嗯，就是打开cmd，然后用python的shell各种玩这个模块来上手……（win下没有装ipython，囧）
　　做这个小脚本基本上我只需要import两个东西



from openpyxl import Workbook
from openpyxl import load_workbook
　　load_workbook顾名思义是把文件导入到内存，Workbook是最基本的一个类，用来在内存里创建文件最后写进磁盘的。

干活
　　首先我需要导入这个文件



inwb = load_workbook(filename)
　　得到的就是一个workbook对象
　　然后我需要创建一个新的文件



outwb = Workbook()
　　接着在这个新文件里，用create_sheet新建几个工作表，比如



careerSheet = outwb.create_sheet(0, 'career')
　　就会从头部插入一个叫career的工作表（也就是说用法类似python list的insert）
　　接下来我需要遍历输入文件的每个工作表，并且按照表名做一些工作（e.g.如果表名不是数字，我不需要处理），openpyxl支持用字典一样的方式通过表名获取工作表，获取一个工作簿的表名的方法是get_sheet_names



for sheetName in inwb.get_sheet_names():
if not sheetName.isdigit():
continue
sheet = inwb[sheetName]
　　得到工作表之后，就是按列和行处理了。openpyxl会根据工作表里实际有数据的区域来确定行数和列数，获取行和列的方法是sheet.rows和sheet.columns，它们都可以像list一样用。比如，如果我想跳过数据少于2列的表，可以写



if len(sheet.columns) < 2:
continue
　　如果我想获取这个工作表的前两列，可以写



colA, colB = sheet.columns[:2]
　　除了用columns和rows来得到这个工作表的行列之外，还可以用excel的单元格编码来获取一个区域，比如



cells = sheet['A1':'B20']
　　有点像excel自己的函数，可以拉出一块二维的区域~
　　为了方便处理，遇到一个没有C列的工作表，我要创建一个和A列等长的空的C列出来，那么我可以用sheet.cell这个方法，通过传入单元格编号和添加空值来创建新列。



alen = len(colA)
for i in range(1, alen + 1):
sheet.cell('C%s' % (i)).value = None
　　注意：excel的单元格命名是从1开始的~
　　上面的代码也显示出来了，获取单元格的值是用cell.value（可以是左值也可以是右值），它的类型可以是字符串、浮点数、整数、或者时间（datetime.datetime），excel文件里也会生成对应类型的数据。
　　得到每个单元格的值之后，就可以进行操作了~openpyxl会自 动将字符串用unicode编码，所以字符串都是unicode类型的。
　　除了逐个逐个单元格用cell.value修改值以外，还可以一行行append到工作表里



sheet.append(strA, dateB, numC)
　　最后，等新的文件写好，直接用workbook.save保存就行



outwb.save("test.xlsx")
　　 这个会覆盖当前已有的文件，甚至你之前读取到内存的那个文件。

一些要注意的地方

• 　　如果要在遍历一列的每个单元格的时候获取当前单元格的在这个column对象里的下标
  
  
  
  for idx, cell in enumerate(colA):
  # do something...
  
• 　　为了防止获取的数据两端有看不见的空格（excel文件里很常见的坑），记得strip()
  
  
• 　　如果工作表里的单元格没有数据，openpyxl会让它的值为None，所以如果要基于单元格的值做处理，不能预先假定它的类型，最好用
  
  
  
  if not cell.value
  continue
  　　之类的语句来先行判断
  
  
• 　　如果要处理的excel文件里有很多noise，比如当你预期一个单元格是时间的时候，有些表的数据可能是字符串，这时候可以用
  
  
  
  if isinstance(cell.value, unicode):
  break
  　　之类的语句处理。
  
  
• win下的cmd似乎不太好设定用utf-8的code page，如果是简体中文的话可以用936（GBK），print的时候会自动从unicode转换到GBK输出到终端。
  

　　

一些帮忙处理中文问题的小函数
　　我处理的表有一些超出GBK范围的字符，当我需要把一些信息print出来监控处理进度的时候非常麻烦，好在它们都是可以无视的，我直接用空格替换再print也行，所以加上一些我本来就要替换掉的分隔符，我可以：



# annoying seperators
dot = 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
　　
　　此外我还有一个需求，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开，我的办法是用正则匹配，按照常见中英文字符在unicode的范围来套。匹配英文和中文的正则pattern如下：



# regex pattern matching all ascii characters
asciiPattern = ur'[%s]+' % ''.join(chr(i) for i in range(32, 127))
# regex pattern matching all common Chinese characters and seporators
chinesePattern = ur'[\u4e00-\u9fff. %s]+' % (''.join(seps))
　　英文就用ASCII可打印字符的范围替代，常见中文字符的范围是\u4e00-\u9fff，那个seps是前面提到过的超出GBK范围的一些字符。 除了简单的分割，我还需要处理只有中文名没有英文名、只有英文名没有中文名等情况，判断逻辑如下：



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 name
return matches.group(1).strip(), matches.group(2).strip()
else:
matches = re.findall('(%s)' % (chinesePattern), name)
matches = ''.join(matches).strip()
if matches:  # Chinese name only
return None, matches
else:  # English name only
matches = 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，因为任务要求不需要把姓名分割得很明确，我就按照常见的中文名姓名分割方式来分——两个字or三个字的第一个字是姓，四个字的前两个字是姓，名字带分隔符的（少数民族名字）分隔符前是姓（这里用到了前面的get_clean_ch_string函数来移除分隔符），名字再长一些又不带分割符的，假设整个字符串都是名字。（注意英语的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 returned
as the last name.
* If the name is ..ABC * XYZ..., the part before the seperator
will be returned as the last name.
Usage:
chFirstName, chLastName = split_ch_name(chName)
"""
if len(chName) < 4:  # XY or XYZ
chLastName = chName[0]
chFirstName = chName[1:]
elif len(chName) == 4:  # WXYZ
chLastName = chName[:2]
chFirstName = chName[2:]
else:  # longer
cleanName = get_clean_ch_string(chName)
nameParts = cleanName.split()
print u' '.join(nameParts)
if len(nameParts) < 2:  # ...WXYZ
return None, nameParts[0]
chLastName, chFirstName = nameParts[:2]  # ..ABC * XYZ...
return chFirstName, chLastName
　　
　　分割英文名就很简单了，空格分开，第一部分是名，第二部分是姓，其他情况暂时不管就行。