这几天在用 Python3 研究一个爬虫，最后一个需求是把爬下来的 20 + 个 csv 文件整合到一个 excel 表里的不同 sheets。

初版的核心代码如下：

1
2
3
4
5
6
7
8
while year <= 2018:
    csvPath = sys.path[0] + '/result/%d.csv' % year
    excelPath = sys.path[0] + '/result.xlsx'
    csvReader = pandas.read\_csv(csvPath, encoding='utf\_8_sig')
    excelWriter = pandas.ExcelWriter(excelPath)
    print("正在将 %d 年的 %d 条数据转换为 xlsx..." % (year, countThis))
    csvReader.to\_excel(excelWriter, sheet\_name=str(year))
    year = year + 1

奇怪的是使用这个方法，每次 to_excel 之后，result.xlsx 中都只会存储一年的数据，只会存在一个 sheet，之前的所有数据都会被覆盖。

通过查询官方文档（pandas.DataFrame.to_excel）和一个 github 上跨越了 5 年的 issue（Allow ExcelWriter() to add sheets to existing workbook）得知 pandas 库的 ExcelWriter 缺失了一个 mode='a' 的 append 模式，所以在这种情况下每次 to_excel () 都会直接新建一个文件写入而无视之前的数据。

解决方案是使用 openpyxl engine 来打开 ExcelWriter，用 openpyxl 的 load_workbook 方法将之前已经存在的数据加载进 ExcelWriter.book 里。修改后的核心代码如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 依赖 openpyxl 库
from openpyxl import load_workbook

while year <= 2018:
    csvPath = sys.path[0] + '/result/%d.csv' % year
    excelPath = sys.path[0] + '/result.xlsx'
    csvReader = pandas.read\_csv(csvPath, encoding='utf\_8_sig')
    # 增加 engine='openpyxl' 一栏
    excelWriter = pandas.ExcelWriter(excelPath, engine='openpyxl'）
    # 使用 openpyxl 来把现有数据传递给excelWriter，使其在写入的时候保留原本数据
    book = load_workbook(excelPath)
    excelWriter.book = book

    print("正在将 %d 年的 %d 条数据转换为 xlsx..." % (year, countThis))
    csvReader.to\_excel(excelWriter, sheet\_name=str(year))
    excelWriter.save()

如此存储的 excel 文件里就会有多个 sheets 了，每个 sheets 里都存储着一个 csv 里的全部数据。

需要注意的是这样做的效率非常低，因为这并不是真正的追加模式，而是在每一次创建 ExcelWriter 对象之后，先将现有的数据全部传入 ExcelWriter，再将新的数据连同旧的数据一同写入一个新的文件并覆盖。这就导致程序作了许多重复而无用的工作，所以我在处理这个任务的时候。最后的几个 10+m 的 csv 文件的平均耗时都在 300s 以上，如果还有后续任务的话，这个数字会一直增长下去。得到一个 80m 的 xlsx 总表耗费了接近一个小时的时间，这对于一些更大的任务来说是难以接受的。所以如果你需要处理的任务比较巨大，你可以脱离 pandas 库而使用 xlrd 和 xlwt 里的方法，会使运行效率优雅不少。（也许直接使用 excel 的 vba 宏也是个不错的选择？）