在本章和下一章里，我們將研究兩種文件類型實例：Excel 文件和 PDF，并給出幾條一般性說明，在遇到其他文件類型時可以參考。
處理 Excel 比上章講的處理 CSV、JSON、XML 文件要難多了，下面以 UNICEF(聯(lián)合國兒童基金會) 2014 年的報告為例，來講解如何處理 Excel 數據。
相關文章：
Python數據處理(一)：處理 JSON、XML、CSV 三種格式數據
一、安裝 Python 包
要解析 Excel 文件，需要用第三方的包 xlrd。我們用 pip 來安裝第三方包，在命令行輸入以下安裝命令：
pip install xlrd
如果提示 command not found ，則需要先安裝 pip 。安裝方法見 pip 官網：https://pip.pypa.io/en/stable/installing/ 。
二、解析 Excel 文件
想從 Excel 工作表中提取數據，有時最簡單的方式反而是尋找更好的方法來獲取數據。直接解析有時并不能解決問題。所以在解析之前先看看能不能找到其他格式的數據，比如 CSV、JSON、XML等，如果真找不到再考慮 Excel 解析。
處理 Excel 文件主要有三個庫。
xlrd
讀取 Excel 文件。xlwt
向 Excel 文件寫入，并設置格式。xlutils
一組 Excel 高級操作工具(需要先安裝 xlrd 和 xlwt)。
在用到這三個庫的時候你需要分別安裝。但本章只會用到 xlrd。
下面一步步的講解如何解析 Excel 文件。
先導入 xlrd 庫，然后打開工作簿并保存在 book 變量中。
import xlrd
book = xlrd.open_workbook('./resource/data.xlsx')
與 CSV 不同，Excel 工作簿可以有多個標簽(tab)或工作表(sheet)。想要獲取數據，我們要找到包含目標數據的工作表。
如果有幾個工作表，你可以猜一下索引號，但如果工作表很多的話就沒法猜了。所以你應該知道 book.sheet_by_name(somename) 命令，其中 somename 是你要訪問工作表的名字。
我們來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。輸出：
Data Notes
Table 9
我們要找的工作表是 Table 9。所以我們把這個名字添加到腳本中:
import xlrd
book = xlrd.open_workbook('./resource/data.xlsx')
sheet = book.sheet_by_name('Table 9')
print(sheet)
運行會輸出類似這樣的值：
<xlrd.sheet.Sheet object at 0x106af8898>
要查看 sheet 都有什么方法，可以用 print(dir(sheet))。從打印的結果中找到一個 nrows 方法，sheet.nrows 返回這個 sheet 一共有多少行。我們將用 nrows 來遍歷每一行的內容。
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))
運行程序得到如下圖的輸出：
取到表格的數據之后，接下來就該想怎么格式化這些數據，將有用的信息提取出來。提取信息的格式有很多種，這里我們用其中一種：
{
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, '']
}
},
...
}
如何確定有用的數據從第幾行開始
能夠讀取 Excel 數據之后，還要從中提取有用的信息，了解如何從紛繁復雜的數據提取關鍵數據很重要。
方法一：用軟件打開Excel直觀判斷
首先最簡單的方法是用軟件打開 Excel 文件直觀的看，如下圖：
我們上面定義的格式是以國家為鍵，所以首先應該找到國家。觀察 Excel 表格，從第15 行開始顯示國家數據。Child labour 和 Child marriage 的數據從第E列到第N列。
方法二：用程序多次試驗
如果不想用第一種方法，或者電腦上沒有軟件可以打開文件，可以嘗試第二種方法：寫代碼多次試驗。
這個方法用到了計數器原理。先打印前10行，看有沒有想要的數據，如果沒有再打印11-20行，這樣一個區(qū)間一個區(qū)間的排查，直到確定準確的行數。
代碼如下：
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，查看控制臺輸出沒有找到想要的國家數據，繼續(xù)調整試驗：
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
我們已經知道了前10行沒有想要的數據，所以 range 直接改成 range(10, sheet.nrows) 從第10行開始打印，其他代碼不變。再次運行程序，得到如下輸出：
可以看到從第14行開始出現了國家名字，這就是我們要找的數據。
三、組裝數據
找到想要的數據在第幾行第幾列之后，就可以按之前定義的格式寫代碼提取組裝數據啦。
import xlrd
import pprint
book = xlrd.open_workbook('./resource/data.xlsx')
sheet = book.sheet_by_name('Table 9')
# 定義存放數據的字典
data = {}
for i in range(14, sheet.nrows):
row = sheet.row_values(i)
# 取出國家名字
country = row[1]
# 按照給定的格式組裝數據
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]],
}
}
# 最后一個國家是 Zimbabwe，判斷到 Zimbabwe 之后就 break 跳出循環(huán)
if country == 'Zimbabwe':
break
# 打印數據
pprint.pprint(data)
打印復雜對象時使用 pprint 格式更美觀。
四、總結
- 處理 Excel 的三個庫：xlrd，xlwt，xlutils。根據需要決定用哪些庫。
- 解析出 Excel 之后，通過兩種方法確定想要數據的位置：用圖形化界面打開直接觀察和通過程序一步步篩選。如果不知道一個對象都有什么命令，可以打印
dir(obj)來查看，其中 obj 是想要查看相關命令的對象。 - 提前想好最終想輸出的格式，有格式之后組裝數據會比較容易。
- 打印復雜對象時使用 pprint 格式更美觀。
以上就是用 python 解析 Excel 數據的完整教程。下節(jié)會講處理PDF文件，以及用Python解決問題，歡迎關注。
