快捷導(dǎo)航

使用Python快速打開(kāi)一個(gè)百萬(wàn)行級(jí)別的超大Excel文件的方法

更新時(shí)間：2021年03月02日 10:57:31 作者：天元浪子

這篇文章主要介紹了使用Python快速打開(kāi)一個(gè)百萬(wàn)行級(jí)別的超大Excel文件的方法,本文通過(guò)實(shí)例代碼給大家介紹的非常想詳細(xì)，對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下

知乎上有同學(xué)求助說(shuō)，當(dāng)他試圖打開(kāi)一個(gè)20M左右的excel文件時(shí)，無(wú)論是使用pandas的read_excel，還是直接使用xlrd或者openpyxl模塊，速度都慢到無(wú)法忍受的程度，耗時(shí)大約1分鐘左右。

真的會(huì)這樣嗎？第一感覺(jué)是，這位同學(xué)在使用openpyxl模塊時(shí)沒(méi)有設(shè)置只讀模式。為便于測(cè)試，先用下面的代碼生成一個(gè)一百萬(wàn)行數(shù)據(jù)的excel文件。

>>> from openpyxl import Workbook
>>> wb = Workbook()
>>> sh = wb.active
>>> sh.append(['id', '語(yǔ)文', '數(shù)學(xué)', '英語(yǔ)', '物理'])
>>> for i in range(1000000): # 寫(xiě)入100萬(wàn)行數(shù)據(jù)
	sh.append([i+1, 90, 100, 95, 99])

	
>>> wb.save(r'd:\bigxlsx.xlsx')
>>> import os
>>> os.path.getsize(r'd:\bigxlsx.xlsx') # 文件大?。?0M字節(jié)
20230528

接下來(lái)定義了一個(gè)使用openpyxl模塊打開(kāi)文件的函數(shù)，分別考察關(guān)閉和開(kāi)啟只讀模式的時(shí)間消耗。

>>> from openpyxl import load_workbook
>>> import time
>>> def read_xlsx(read_only):
	t0 = time.time()
	wb = load_workbook(r'd:\bigxlsx.xlsx', read_only=read_only)
	t1 = time.time()
	print(wb.sheetnames)
	print(sh.cell(row=1, column=1).value)
	print(sh.cell(row=100, column=3).value)
	print('耗時(shí)%0.3f秒鐘'%(t1-t0))

	
>>> read_xlsx(True)
['Sheet']
id
100
耗時(shí)0.404秒鐘
>>> read_xlsx(False)
['Sheet']
id
100
耗時(shí)67.817秒鐘

運(yùn)行測(cè)試，果然，不開(kāi)啟只讀的話，真的需要1分多鐘，而使用只讀模式的話，則僅需0.4秒鐘。

不過(guò)，也別高興得太早，openpyxl模塊并沒(méi)有提供像pandas.read_excel()那樣把全部數(shù)據(jù)讀入一個(gè)數(shù)據(jù)結(jié)構(gòu)的功能，只能定位到行、列或格子以后再讀取數(shù)據(jù)。要想使用openpyxl模塊把全部數(shù)據(jù)讀入到數(shù)組或DataFrame中，需要遍歷所有的行和列，這仍然是一個(gè)非常耗時(shí)的操作。

那么，pandas.read_excel()是否也支持只讀模式呢？遺憾的是，read_excel()并沒(méi)有類(lèi)似read_only這樣的參數(shù)。盡管read_excel()可以接受文件路徑、文件對(duì)象、類(lèi)文件對(duì)象，甚至是二進(jìn)制數(shù)據(jù)，但即使將文件內(nèi)容傳入，read_excel()解析這100萬(wàn)行數(shù)據(jù)仍然需要大約80秒鐘。下面的代碼驗(yàn)證了這一點(diǎn)。

>>> import pandas as pd
>>> def read_excel_by_pandas():	
	with open(r'd:\bigxlsx.xlsx', 'rb') as fp:
		content = fp.read()
		t0 = time.time()
		df = pd.read_excel(content, engine='openpyxl')
		t1 = time.time()
	print(df.head())
	print(df.tail())
	print('耗時(shí)%0.3f秒鐘'%(t1-t0))

	
>>> read_excel_by_pandas()
  id 語(yǔ)文  數(shù)學(xué) 英語(yǔ) 物理
0  1 90 100 95 99
1  2 90 100 95 99
2  3 90 100 95 99
3  4 90 100 95 99
4  5 90 100 95 99
       id 語(yǔ)文  數(shù)學(xué) 英語(yǔ) 物理
999995  999996 90 100 95 99
999996  999997 90 100 95 99
999997  999998 90 100 95 99
999998  999999 90 100 95 99
999999 1000000 90 100 95 99
耗時(shí)81.369秒鐘

結(jié)論：處理超大的Excel文件時(shí)，使用openpyxl模塊的只讀模式，可以快速打開(kāi)并取得指定格子的數(shù)據(jù)，但不要嘗試將全部數(shù)據(jù)讀入到自己定義的數(shù)據(jù)結(jié)構(gòu)中，這將花費(fèi)漫長(zhǎng)的時(shí)間。對(duì)此，pandas也無(wú)能為力。

到此這篇關(guān)于使用Python快速打開(kāi)一個(gè)百萬(wàn)行級(jí)別的超大Excel文件的方法的文章就介紹到這了,更多相關(guān)python打開(kāi)excel文件內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: