用python + openpyxl處理excel2007文檔思路以及心得

尋覓工具

確定任務之後第一步就是找個趁手的庫來幹活。 Python Excel上列出了xlrd、xlwt、xlutils這幾個包，但是

它們都比較老，xlwt甚至不支援07版以後的excel
它們的文檔不太友好，都可能需要去讀原始碼，而老姐的任務比較緊，加上我當時在期末，沒有這個時間細讀原始碼
再一番搜尋後我找到了openpyxl，支援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

源檔案大約一個在1~2MB左右，比較小，所以可以直接讀入記憶體處理。
既然是處理excel，何況他們整個組顯然都是win下幹活（資料都用excel存了= =，商科的人啊……），這個指令碼還是在win下做吧
這個任務完全不需要我對現有的檔案做修改！囧……我只要讀入、處理、再寫出另一個檔案就行了

學習使用

嗯，就是開啟cmd，然後用python的shell各種玩這個模組來上手……（win下沒有裝ipython，囧）

做這個小指令碼基本上我只需要import兩個東西

from openpyxl import Workbookfrom openpyxl import load_workbook

load_workbook顧名思義是把檔案匯入到記憶體，Workbook是最基本的一個類，用來在記憶體裡建立檔案最後寫進磁碟的。

幹活

首先我需要匯入這個檔案

inwb = load_workbook(filename)

得到的就是一個workbook對象

然後我需要建立一個新的檔案

outwb = Workbook()

接著在這個新檔案裡，用create_sheet建立幾個工作表，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）

接下來我需要遍曆輸入檔案的每個工作表，並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支援用字典一樣的方式通過表名擷取工作表，擷取一個活頁簿的表名的方法是get_sheet_names

for sheetName in inwb.get_sheet_names():  if not sheetName.isdigit():    continue  sheet = inwb[sheetName]

得到工作表之後，就是按列和行處理了。openpyxl會根據工作表裡實際有資料的地區來確定行數和列數，擷取行和列的方法是sheet.rows和sheet.columns，它們都可以像list一樣用。比如，如果我想跳過資料少於2列的表，可以寫

if len(sheet.columns) < 2:  continue

如果我想擷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的儲存格編碼來擷取一個地區，比如

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

有點像excel自己的函數，可以拉出一塊二維的地區~

為了方便處理，遇到一個沒有C列的工作表，我要建立一個和A列等長的空的C列出來，那麼我可以用sheet.cell這個方法，通過傳入儲存格編號和添加空值來建立新列。

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

注意：excel的儲存格命名是從1開始的~

上面的代碼也顯示出來了，擷取儲存格的值是用cell.value（可以是左值也可以是右值），它的類型可以是字串、浮點數、整數、或者時間（datetime.datetime），excel檔案裡也會產生對應類型的資料。

得到每個儲存格的值之後，就可以進行操作了~openpyxl會自 動將字串用unicode編碼，所以字串都是unicode類型的。

除了逐個逐個儲存格用cell.value修改值以外，還可以一行行append到工作表裡

sheet.append(strA, dateB, numC)

最後，等新的檔案寫好，直接用workbook.save儲存就行

outwb.save("test.xlsx")

這個會覆蓋當前已有的檔案，甚至你之前讀取到記憶體的那個檔案。

一些要注意的地方
如果要在遍曆一列的每個儲存格的時候擷取目前的儲存格的在這個column對象裡的下標

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

為了防止擷取的資料兩端有看不見的空格（excel檔案裡很常見的坑），記得strip()

如果工作表裡的儲存格沒有資料，openpyxl會讓它的值為None，所以如果要基於儲存格的值做處理，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檔案裡有很多noise，比如當你預期一個儲存格是時間的時候，有些表的資料可能是字串，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範圍的字元，當我需要把一些資訊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字元，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，按照常見中英文字元在unicode的範圍來套。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可列印字元的範圍替代，常見中文字元的範圍是\u4e00-\u9fff，那個seps是前面提到過的超出GBK範圍的一些字元。 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 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

得到了中文名之後，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，名字帶分隔字元的（少數民族名字）分隔字元前是姓（這裡用到了前面的get_clean_ch_string函數來移除分隔字元），名字再長一些又不帶分割符的，假設整個字串都是名字。（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 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

分割英文名就很簡單了，空格分開，第一部分是名，第二部分是姓，其他情況暫時不管就行。

