这几天在用 Python3 研究一个爬虫,最后一个需求是把爬下来的20+个csv文件整合到一个excel表里的不同sheets。
初版的核心代码如下:
1 while year <= 2018: 2 csvPath = sys.path[0] + '/result/%d.csv' % year 3 excelPath = sys.path[0] + '/result.xlsx' 4 csvReader = pandas.read_csv(csvPath, encoding='utf_8_sig') 5 excelWriter = pandas.ExcelWriter(excelPath) 6 print("正在将 %d 年的 %d 条数据转换为 xlsx..." % (year, countThis)) 7 csvReader.to_excel(excelWriter, sheet_name=str(year)) 8 year = year + 1
奇怪的是使用这个方法,每次to_excel之后,result.xlsx中都只会存储一年的数据,只会存在一个sheet,之前的所有数据都会被覆盖。
通过查询官方文档(pandas.DataFrame.to_excel)和一个github上跨越了5年的issue(Allow ExcelWriter() to add sheets to existing workbook)得知pandas库的ExcelWriter缺失了一个mode='a'
的append模式,所以在这种情况下每次to_excel()都会直接新建一个文件写入而无视之前的数据。
解决方案是使用openpyxl engine来打开ExcelWriter,用openpyxl的load_workbook方法将之前已经存在的数据加载进ExcelWriter.book里。修改后的核心代码如下:
1 # 依赖 openpyxl 库 2 from openpyxl import load_workbook 3 4 while year <= 2018: 5 csvPath = sys.path[0] + '/result/%d.csv' % year 6 excelPath = sys.path[0] + '/result.xlsx' 7 csvReader = pandas.read_csv(csvPath, encoding='utf_8_sig') 8 # 增加 engine='openpyxl' 一栏 9 excelWriter = pandas.ExcelWriter(excelPath, engine='openpyxl') 10 # 使用 openpyxl 来把现有数据传递给excelWriter,使其在写入的时候保留原本数据 11 book = load_workbook(excelPath) 12 excelWriter.book = book 13 14 print("正在将 %d 年的 %d 条数据转换为 xlsx..." % (year, countThis)) 15 csvReader.to_excel(excelWriter, sheet_name=str(year)) 16 excelWriter.save()
如此存储的excel文件里就会有多个sheets了,每个sheets里都存储着一个csv里的全部数据。
需要注意的是这样做的效率非常低,因为这并不是真正的追加模式,而是在每一次创建ExcelWriter对象之后,先将现有的数据全部传入ExcelWriter,再将新的数据连同旧的数据一同写入一个新的文件并覆盖。这就导致程序作了许多重复而无用的工作,所以我在处理这个任务的时候。最后的几个10+m的csv文件的平均耗时都在300s以上,如果还有后续任务的话,这个数字会一直增长下去。得到一个80m的xlsx总表耗费了接近一个小时的时间,这对于一些更大的任务来说是难以接受的。所以如果你需要处理的任务比较巨大,你可以脱离pandas库而使用xlrd和xlwt里的方法,会使运行效率优雅不少。(也许直接使用excel的vba宏也是个不错的选择?)
来源:https://billc.io/2019/04/pandas-append-excel/