Python 处理Excel 文件并打包成可执行文件

　　陈新龙

　　推荐用openpyxl库处理Excel表

　　在现今的数据驱动时代，Excel 表格成为各行各业中最常用的数据存储和处理工具之一。然而，对于大量数据或需要自动化处理的任务来说，手动操作Excel 显然是低效而繁琐的。

　　小陈老师在工作中就碰到了一个任务需求：定时检查邮箱中是否存在对应主题的邮件，若存在对应主题的邮件，需要将邮件中的附件Excel 下载到本地，根据相应的规则对邮件进行解析，检查修改填充相应的数据内容，最终将处理完的Excel 文件返回给发件人。

　　本来接到这个需求想通过Java 来实现，奈何对方电脑上没有配置Java 的环境变量，所以在交付使用的环节可能会出现问题，后来决定通过Python 解决。

　　通过本例，将教大家如何使用Python 来处理Excel 文件，并且将其打包成可执行文件(EXE)，让您可以在没有Python 环境的计算机上也能轻松运行您的数据处理任务。

　　在处理Excel 文件的时候推荐大家两个强大的库Pandas和openpyxl。它们为Excel 数据处理带来了崭新的解决方案。openpyxl 允许我们直接访问和修改Excel 文件的单元格、样式和图表等内容。相比于其他库，openpyxl 的优势在于它可以完全控制Excel 文件的结构和外观，让我们能够实现更加细致和定制化的操作。

　　要使用openpyxl， 我们需要先安装相应的模块：pipinstallopenpyxl。

　　建立Excel文件

　　下面通过建立和修改Excel 文件的实例来了解一下openpyxl 的用法。

　　新建一个Excel 文件， 向Excel 文件中添加三行数据， 分别是姓名、年龄、城市。首先我们导入相关的函数Workbook。Workbook 相当于创建一个wb 对象，一个空白的Excel 文件，然后通过wb.active() 获取到当前活动工作表，也就是我们常说的Sheet 页面。其次可以准备我们需要的数据了，这里我们通过双重列表的形式展现，内层嵌套了三条不同的数据信息【Name、Age、City】，大家也可以根据自己的数据进行替换，然后通过循环的方式，读取双重列表，将列表的数据通过append 方法填充到我们的Excel 已经激活的Sheet 工作表中。添加完成后不要忘记将我们的Excel 保存到指定的路径中。这样运行Python 代码大家就会发现我们的Excel 文件中已经填充了三行数据，这三行数据就是我们代码中所写的（图1）。

　　修改Excel文件

　　完成新建并填充Excel 数据内容后，接下来就是修改Excel中的数据内容。我们需要导入相关的函数load_workbook，顾名思义也就是打开加载我们的Excel 文件，这里打开加载文件需要使用Excel 文件的全路径，否则会出现文件找不到的情况。然后通过wb.active() 获取到当前活动工作表，获取到对应的工作表我们便可以对Excel 表中的数据进行修改了，修改数据的方式有两种，一种直接通过横纵坐标的方式修改，比如我想将C2 中的NewYork 修改为China，直接通过ws[‘C2’] = 替换的内容即可，也可以指定第几行第几列的方式来决定（cell 表示行，column 表示列，value 代表替换的内容）。替换完成后不要忘记将文件进行保存。再次打开更新后的文件我们会发现Excel 数据已经完成替换。

　　使用openpyxl 需要注意的一点是目前只支持.xlsx 类型的Excel文件，若是.xls 类型的文件只能使用xlrd 和xlrw 两个模块（图2）。

　　打包Python代码

　　最后我们将自己写完的程序打包成EXE 可执行文件，那么别人拿到后便可以双击直接运行了，首先我们需要安装一个模块PyInstaller，安装完成后我们打开代码所在的目录，通过一句简单的命令即可打包完成，还可以选择自定义程序图标，代码有两种格式：

　　不选择图标：pyinstaller -F -w < 文件名>.py

　　选择图标：pyinstaller -F -i .ico <文件名>.py当看到BuildingExE……successfully 的时候表示程序已经打包完成，在当前目录下的dist 文件夹中生成一个名为your_script.exe 的可执行文件，其中your_script 是我们脚本的文件名。这个EXE 文件就是我们的Python 脚本的可执行版本，默认图标是一个Python 的蛇图案。

　　无论是处理大量数据还是进行复杂数据操作，Pandas 和openpyxl 的组合将为您提供强大的数据处理能力，让您的Excel文件处理更上一层楼。当然本期文章我们只讲述了openpyxl 的使用方法，并教大家如何将我们编写的代码进行打包使用。后续会分享Pandas 更加高效的数据处理的内容，也期待和大家一起进步一起学习。