其实是在填坑。
对方技术给过来的Excle文件中嵌入的是html。Excle打开时会报异常。导致python相关模块无法按照xlsx打开文件。
解决方案:打开文件前添加一步,即,以普通文件IO打开并解析html,提取数据后重新写入Excle。
借用了系统自带的html解析模块,封装一个私有类实现解析。
问题及解决:
1. 无法识别文件中的中文字符:
用codecs打开并指定中文编码格式。
2. xlwt模块因文件太大而无法写入:
如果超过65536行,则不能用xlwt写入,用openpyxl可以解决。
3. 数据格式问题:
部分数据必须为float而不是string,所以需要类型转换。通过配置文件中_num识别是否需要转为float。
而在六万行之后再次出现title,导致类型转换失败。
解决方案:转换前判断是否为中文,如果是,取消转换。
关键还是看源码: 你可以在hub下载到整个项目源码:git@gitee.com:powerbinbin/auto_sys_dialy.git
import codecs
import re
from openpyxl import *
from html.parser import HTMLParser
debug=False
pat='_num'
key=[]
datax=[]
class htmlTrans():
def __init__(self, file, sheet=None, data_format=None):
print("class-htmlTrans:init...[file,,, sheet]=[%s,,,%s]" %(file, sheet))
print("class-htmlTrans:init...[data_format]='%s'" %(data_format))
# file:("xx.xls", "C:\\path\\xx.xls")
self.fp = codecs.open(file[1], "r", 'utf-8')
self.par = MyHTMLParser()
# clean up before use
global key, datax
datax = []
key = data_format
print("key===", key)
self.outwb = Workbook()
if sheet is None:
self.outws = self.outwb.create_sheet(title="NNew")
else:
self.outws = self.outwb.create_sheet(title=sheet)
file_src=file[0]
tmp=file_src.split('.')
self.file_dst=tmp[0]+'.xlsx'
print("class-htmlTrans:init done\n")
def is_chinese(self, string):
rt = False
if string >= u"\u4e00" and string <= u"\u9fa6":
rt = True
return rt
def read(self):
print("class-htmlTrans:read...")
data=self.fp.read()
self.par.feed(data)
print("class-htmlTrans:read done\n")
def write(self):
print("class-htmlTrans:writing...")
index_r=1
index_c=1
for dict in datax:
if not dict:
continue
global pat
index_c=1
for i in key:
# find '_num' to check if need trans to float
result=re.search(pat, i)
if(result != None):
# title comes again in 65000 Line, so check and continue: 债权协议编号
if(self.is_chinese(dict[i])):
self.outws.cell(row=index_r, column=index_c).value = dict[i]
else:
self.outws.cell(row=index_r, column=index_c).value = float(dict[i])
else:
self.outws.cell(row=index_r, column=index_c).value = dict[i]
index_c+=1
index_r += 1
self.outwb.save(self.file_dst)
self.outwb.close()
print("class-htmlTrans:write done [%s]\n" %self.file_dst)
return self.file_dst
def work(self):
self.read()
self.write()
return self.file_dst
class MyHTMLParser(HTMLParser):
tempstr = str()
count_tr = 0
dic={}
def handle_starttag(self, tag, attrs):
if (tag == 'tr'):
self.count_td = 0
self.count_th = 0
self.dic = {}
elif (tag == 'td' or tag == 'th'):
self.tempstr = ''
def handle_endtag(self, tag):
global datax
global key
if (tag == 'tr'):
self.count_tr += 1
datax.append(self.dic)
if debug is True:
print("tr%d==%s" %(self.count_tr, self.dic))
elif (tag == 'td' or tag == 'th'):
self.dic[key[self.count_th%len(key)]]=self.tempstr
self.count_th += 1
def handle_data(self, data):
data=data.strip()
self.tempstr = data