Python数据处理

Python处理Excel

openpyxl简介与安装

根据官方文档的介绍，openpyxl是一个读写Excel2010（xlsx/xlsm）文档的Python库，如果要处理更早格式的Excel文档，需要用到另外的库。openpyxl是一个比较综合的工具，能够同时读取和修改Excel文档。XlsxWriter也是一个与Excel处理相关的知名项目，仅支持创建和写入Excel文档，不支持读取Excel文档。

使用openpyxl读取Excel文档

openxpyxl中有三个不同层次的类，分别是Workbook、Worksheet和Cell。Workbook是对Excel工作簿的抽象，Worksheet是对表格的抽象，Cell是对单元格的抽象。每一个类都包含了若干属性和方法，以便于我们通过这些属性和方法获取表格中的数据。

import openpyxl

book = openpyxl.load_workbook('sample.xlsx')
sheet = book.active

a1 = sheet['A1']
a2 = sheet['A2']
a3 = sheet['A3']
c1 = sheet['C1']
c4 = sheet.cell(row=4, column=3)

print(a1.value)
print(a2.value)
print(a3.value)
print(c1.value)
print(c4.value)

# 查看多个单元格
cells = sheet['A1': 'D4'] # 查看 A到D列，1到4行的数据,相对于一个二维数组
index = 1
for cell in cells:
    print('第{}行'.format(index), end=' ')
    for i in range(4):
        print(cell[i].value, end=' ')
    print()
    index += 1

print('按行获取sheet数据')

for row in sheet.iter_rows(min_row=1, min_col=1, max_row=4, max_col=3):
    for cell in row:
        print(cell.value, end=" ")
    print()

print('按列获取sheet数据')
for row in sheet.iter_cols(min_row=1, min_col=1, max_row=4, max_col=3):
    for cell in row:
        print(cell.value, end=" ")
    print()

# 按标题读取表格

print(book.get_sheet_names()) # 获取文件所有表格
sheet1 = book.get_sheet_by_name("Sheet")
print(sheet1.title) # 获取当前表格标题
book.close()

• 一个Workbook对象代表一个Excel文档，因此，在操作一个Excel之前，应该先创建一个Workbook对象。对于创建一个新的Excel文档，直接进行Workbook类调用即可。对于读取一个已有的Excel文档，可以使用openpyxl模块的load_workbook函数。该函数接受多个参数，但只有filename参数为必传参数。filenmame可以是一个文件名，也可以是一个打开的文件对象。
• 调用完load_workbook函数以后，我们就得到了一个Workbook对象。Workbook对象有很多的属性和方法，其中，大部分方法都与sheet相关。Workbook对象的部分属性如下：
  • active：获取活跃的Worksheet；
  • read_only：是否以read_only模式打开Excel文档；
  • encoding：文档的字符集编码；
  • properties：文档的元数据，如标题，创建者，创建日期等；
  • worksheets：以列表的形式返回所有的Worksheet。
• Workbook对象的方法大都与Worksheet相关。常用的方法如下：
  • get_sheet_names：获取所有表格的名称；
  • get_sheet_by_name：通过表格名称获取Worksheet对象；
  • get_active_sheet：获取活跃的表格；
  • remove_sheet：删除一个表格；
  • create_sheet：创建一个空的表格；
  • copy_worksheet：在Workbook内拷贝表格。
• 有了Worksheet对象以后，我们可以通过这个Worksheet对象获取表格的属性，得到单元格中的数据，修改表格中的内容。openpyxl提供了非常灵活的方式来访问表格中的单元格和数据。常用的Worksheet属性如下：
  • title：表格的标题；
  • dimensions表格的大小，这里的大小是指有含有数据的表格大小。例如，对于example.xlsx文件，dimensions属性的值为’A1：E11’；
  • max_row表格的最大行；
  • min_row表格的最小行；
  • max_column表格的最大列；
  • min_column表格的最小列；
  • rows按行获取单元格（Cell对象）；
  • columns按列获取单元格（Cell对象）；
  • freeze_panes冻结窗格；
  • values按行获取表格的内容（数据）。
• 下面是Worksheet常用的一些方法：
  • iter_rows：按行获取所有单元格（Cell对象）；
  • iter_columns：按列获取所有的单元格；
  • append：在表格末尾添加数据；
  • merged_cells：合并多个单元格；
  • unmerge_cells：移除合并的单元格。 iter_rows方法和iter_columns方法在参数取默认值时，与rows属性和columns属性的作用相同。区别在于，iter_rows方法和iter_columns方法可以通过函数参数限定访问表格的范围。 从Worksheet的属性和方法的使用中可以看到，很多属性和方法返回的不是某一个具体的数值，而是一个Cell对象。一个Cell对象就代表一个单元格，我们可以直接使用Excel坐标的方式获取Cell对象，也可以使用Worksheet的cell方法获取Cell对象。
• Cell对象比较简单，其常用的属性如下：
  • row：单元格所在的行；
  • column：单元格所在的列；
  • value：单元格的取值；
  • cordinate：单元格的坐标。

使用openpyxl修改Excel文档

使用Python操作PDF文档

PDF（Portable Document Format）是一种便携式文档格式，这种文档格式与操作系统平台无关。PDF文件无论是在Windows，Unix还是在苹果公司的Mac OS操作系统中都是通用的，这一特点使它成为在Internet上进行电子文档发行和数字化信息传播的理想文档格式。虽然PDF便于传输和阅读，但是，编辑PDF却很不容易。

PyPDF2

PyPDF2是一个纯Python的开源库，能够分割或合并PDF文件，也可以裁剪或转换PDF文件中的页面。我们还可以使用PyPDF2查看PDF文件的元信息，对PDF文件进行加密，破解PDF文件的密码等。