本文共 3954 字,大约阅读时间需要 13 分钟。
在本章和下一章里,我们将研究两种文件类型实例:Excel 文件和 PDF,并给出几条一般性说明,在遇到其他文件类型时可以参考。
处理 Excel 比上章讲的处理 CSV、JSON、XML 文件要难多了,下面以 UNICEF(联合国儿童基金会) 2014 年的报告为例,来讲解如何处理 Excel 数据。
相关文章:
要解析 Excel 文件,需要用第三方的包 xlrd
。我们用 pip
来安装第三方包,在命令行输入以下安装命令:
pip install xlrd
如果提示 command not found
,则需要先安装 pip
。安装方法见 pip 官网: 。
想从 Excel 工作表中提取数据,有时最简单的方式反而是寻找更好的方法来获取数据。直接解析有时并不能解决问题。所以在解析之前先看看能不能找到其他格式的数据,比如 CSV、JSON、XML等,如果真找不到再考虑 Excel 解析。
处理 Excel 文件主要有三个库。
xlrd
读取 Excel 文件。xlwt
向 Excel 文件写入,并设置格式。xlutils
一组 Excel 高级操作工具(需要先安装 xlrd 和 xlwt)。在用到这三个库的时候你需要分别安装。但本章只会用到 xlrd。
下面一步步的讲解如何解析 Excel 文件。
先导入 xlrd
库,然后打开工作簿并保存在 book
变量中。
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')
与 CSV 不同,Excel 工作簿可以有多个标签(tab)或工作表(sheet)。想要获取数据,我们要找到包含目标数据的工作表。
如果有几个工作表,你可以猜一下索引号,但如果工作表很多的话就没法猜了。所以你应该知道 book.sheet_by_name(somename) 命令,其中 somename 是你要访问工作表的名字。
我们来看一下工作表都有哪些名字:
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')for sheet in book.sheets(): print(sheet.name)
book.sheets()
列出所有的 sheet,sheet.name
打印出 sheet 的名字。输出:
Data NotesTable 9
我们要找的工作表是 Table 9。所以我们把这个名字添加到脚本中:
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')sheet = book.sheet_by_name('Table 9')print(sheet)
运行会输出类似这样的值:
要查看 sheet 都有什么方法,可以用 print(dir(sheet))
。从打印的结果中找到一个 nrows
方法,sheet.nrows
返回这个 sheet 一共有多少行。我们将用 nrows
来遍历每一行的内容。
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')sheet = book.sheet_by_name('Table 9')for i in range(sheet.nrows): print(sheet.row_values(i))
运行程序得到如下图的输出:
取到表格的数据之后,接下来就该想怎么格式化这些数据,将有用的信息提取出来。提取信息的格式有很多种,这里我们用其中一种:
{ u'Afghanistan': { 'child_labor': { 'female': [9.6, ''], 'male': [11.0, ''], 'total': [10.3, ''] }, 'child_marriage': { 'married_by_15': [15.0, ''], 'married_by_18': [40.4, ''] } }, u'Albania': { 'child_labor': { 'female': [9.4, u' '], 'male': [14.4, u' '], 'total': [12.0, u' '] }, 'child_marriage': { 'married_by_15': [0.2, ''], 'married_by_18': [9.6, ''] } }, ...}
能够读取 Excel 数据之后,还要从中提取有用的信息,了解如何从纷繁复杂的数据提取关键数据很重要。
首先最简单的方法是用软件打开 Excel 文件直观的看,如下图:
我们上面定义的格式是以国家为键,所以首先应该找到国家。观察 Excel 表格,从第15 行开始显示国家数据。Child labour 和 Child marriage 的数据从第E列到第N列。
如果不想用第一种方法,或者电脑上没有软件可以打开文件,可以尝试第二种方法:写代码多次试验。
这个方法用到了计数器原理。先打印前10行,看有没有想要的数据,如果没有再打印11-20行,这样一个区间一个区间的排查,直到确定准确的行数。
代码如下:
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')sheet = book.sheet_by_name('Table 9')count = 0for i in range(sheet.nrows): if count < 10: row = sheet.row_values(i) print(i, row) count += 1
先打印排查了前10行,查看控制台输出没有找到想要的国家数据,继续调整试验:
import xlrdbook = xlrd.open_workbook('./resource/data.xlsx')sheet = book.sheet_by_name('Table 9')count = 0for i in range(10, sheet.nrows): if count < 10: row = sheet.row_values(i) print(i, row) count += 1
我们已经知道了前10行没有想要的数据,所以 range 直接改成 range(10, sheet.nrows)
从第10行开始打印,其他代码不变。再次运行程序,得到如下输出:
可以看到从第14行开始出现了国家名字,这就是我们要找的数据。
找到想要的数据在第几行第几列之后,就可以按之前定义的格式写代码提取组装数据啦。
import xlrdimport pprintbook = xlrd.open_workbook('./resource/data.xlsx')sheet = book.sheet_by_name('Table 9')# 定义存放数据的字典data = { }for i in range(14, sheet.nrows): row = sheet.row_values(i) # 取出国家名字 country = row[1] # 按照给定的格式组装数据 data[country] = { 'child_labor': { 'total': [row[4], row[5]], 'male': [row[6], row[7]], 'female': [row[8], row[9]], }, 'child_marriage': { 'married_by_15': [row[10], row[11]], 'married_by_18': [row[12], row[13]], } } # 最后一个国家是 Zimbabwe,判断到 Zimbabwe 之后就 break 跳出循环 if country == 'Zimbabwe': break# 打印数据pprint.pprint(data)
打印复杂对象时使用 pprint 格式更美观。
dir(obj)
来查看,其中 obj 是想要查看相关命令的对象。以上就是用 python 解析 Excel 数据的完整教程。下节会讲处理PDF文件,以及用Python解决问题,欢迎关注。
转载地址:http://ntvpi.baihongyu.com/