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：
Python数据处理(一)：处理 JSON、XML、CSV 三种格式数据
一、安装 Python 包
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：https://pip.pypa.io/en/stable/installing/ 。
二、解析 Excel 文件
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 xlrd
book = 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 xlrd
book = 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 Notes
Table 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 xlrd
book = 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：
<xlrd.sheet.Sheet object at 0x106af8898>
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 xlrd
book = 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：
image
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, '']
}
},
...
}
如何确定有用的数据从第几行开始
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。
方法一：用软件打开Excel直观判断
首先最简单的方法是用软件打开 Excel 文件直观的看，如下图：
image
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。
方法二：用程序多次试验
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 xlrd
book = xlrd.open_workbook('./resource/data.xlsx')
sheet = book.sheet_by_name('Table 9')
count = 0
for 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 xlrd
book = xlrd.open_workbook('./resource/data.xlsx')
sheet = book.sheet_by_name('Table 9')
count = 0
for 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：
image
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。
三、组装数据
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 xlrd
import pprint
book = 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。
四、总结
- 处理 Excel 的三个库：xlrd，xlwt，xlutils。根据需要决定用哪些库。
- 解析出 Excel 之后，通过两种方法确定想要数据的位置：用图形化界面打开直接观察和通过程序一步步筛选。如果不知道一个对象都有什么命令，可以打印
dir(obj)来查看，其中 obj 是想要查看相关命令的对象。 - 提前想好最终想输出的格式，有格式之后组装数据会比较容易。
- 打印复杂对象时使用 pprint 格式更美观。
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。
网友评论