在 Linux 中从 Excel 数据透视表电子表格中提取数据

Question

我有一个基于数据透视表的 excel 电子表格，它会定期（每月）更新并上传到我的服务器（由一个对更改输出中的任何内容非常犹豫的小组生成）。我希望能够编写一个可以通过 cron 作业运行的脚本，以处理数据透视表中的原始数据并将其加载到我的数据库中。

但是，如果不手动进入窗口、在 excel 中打开文件、双击总计单元格、获取包含所有原始数据的新工作表，我无法弄清楚如何获取基础数据。该单元格，并将该表保存为 csv，然后我可以通过某种语言（在我的情况下为 python）将其加载到我的数据库中。看起来他们应该是一些提取基础数据的脚本方式。

我只有 linux 机器（在 VM 中运行 windows/office；但我更喜欢不涉及 windows 的解决方案）。我熟悉 xls2csv 之类的工具（它不访问原始数据）并使用 python-unoconv 之类的工具从 python 编辑 openoffice 文档。但是，即使手动使用 openoffice，我也看不到获取基础数据的方法。

编辑：花了好几个小时没有取得任何进展（在发布之前），我没有开始通过 unoconv 将其转换为 ODS 并可能能够使用 python-odf 来做一些事情提取最后一张表（称为“DPCache”）。

所以现在的问题是从 ODS 中获取一张转换为 CSV 的表格；这对我来说应该不难弄清楚（尽管非常感谢您的帮助）。

Answer 1

你试过xlrd吗？另请参阅python-excel website 提供的教程。

就这么简单：

>>> import xlrd
>>> book = xlrd.open_workbook('pivot_table_demo.xls')
>>> sheet = book.sheet_by_name('Summary')
>>> for row_index in xrange(sheet.nrows):
...     print sheet.row_values(row_index)
...
[u'Sum of sales', u'qtr', '', '', '', '']
[u'person', 1.0, 2.0, 3.0, 4.0, u'Grand Total']
[u'dick', 100.0, 99.0, 95.0, 90.0, 384.0]
[u'harriet', 100.0, 110.0, 121.0, 133.1, 464.1]
[u'tom', 100.0, 101.0, 102.0, 103.0, 406.0]
[u'Grand Total', 300.0, 310.0, 318.0, 326.1, 1254.1]
>>>

Answer 2

我以前也有同样的问题。您可以通过解压缩 xlsx 并阅读/解释 xml 文件来解决。更重要的两个文件是这些。

• xl/pivotCache/pivotCacheDefinition1.xml
• xl/pivotCache/pivotCacheRecords1.xml

第一个，有pivotCacheRecords1.xml中原始数据的关系，你需要通过索引号访问，我的意思是，pivotCacheRecords1.xml中的每一列都有标签<x>需要通过标签<x>的索引号来获取pivotCacheDefinition1.xml中的数据，为了更好的理解，需要查看xml文件。

pivotCacheDefinition1.xml

    <?xml version="1.0" encoding="UTF-8"?>
<pivotCacheDefinition xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" r:id="rId1" refreshedBy="ADNLatam" refreshedDate="42972.64919178241" createdVersion="5" refreshedVersion="6" recordCount="1923161">
   <cacheSource type="external" connectionId="1" />
   <cacheFields count="26">
      <cacheField name="C - Cadenas" numFmtId="0" sqlType="-9">
         <sharedItems count="3">
            <s v="superA" />
            <s v="superB" />
            <s v="superC" u="1" />
         </sharedItems>
      </cacheField>
      <cacheField name="C - Locales" numFmtId="0" sqlType="-9"><span data-mce-type="bookmark" style="display: inline-block; width: 0px; overflow: hidden; line-height: 0;" class="mce_SELRES_start"></span>
         <sharedItems count="80">
            <s v="Itaugua" />
            <s v="Denis Roa" />
            <s v="Total" />
            <s v="Los Laureles" />
            <s v="CDE" />
            <s v="S6 Fdo." />
            <s v="Central" u="1" />
            <s v="Unicompra" u="1" />
            <s v="San Lorenzo Centro" u="1" />
         </sharedItems>
      </cacheField>
   </cacheFields>
</pivotCacheDefinition>
</xml>

pivotCacheRecords1.xml

<pivotCacheRecords
xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main"
xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" count="246209">
<r>
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <s v="PAÐAL &quot;PAMPERS&quot; BABYSAN REGULAR GDE 9UN"/> #Z - Sku / Descripcion
    <s v="07501006720341"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <n v="1"/> 
    <n v="11990"/> 
    <n v="2.3199999999999998"/> 
    <n v="10900"/> 
    <n v="11990"/> 
    <n v="1"/> 
    <d v="2012-02-03T00:00:00"/> 
    <x v="0"/> 
    <x v="0"/> 
    <n v="3"/> 
    <n v="6"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
    <x v="0"/> 
</r>

看到 CacheRecords1 标记中的<x> 是 CacheDefinition1 中<s> 标记的关系，现在如果你理解了这一点，那么在记录的迭代中使用它并不难。

      definitions = '/tmp/scantrack_tmp/xl/pivotCache/pivotCacheDefinition1.xml'
      defdict = {}
      columnas = []
      e = xml.etree.ElementTree.parse(definitions).getroot()
      for fields in e.findall('{http://schemas.openxmlformats.org/spreadsheetml/2006/main}cacheFields'):
          for cidx, field in enumerate(fields.getchildren()):
              columna = field.attrib.get('name')
              defdict[cidx] = []
              columnas.append(columna)
              for value in field.getchildren()[0].getchildren():
                  tagname = value.tag
                  defdict[cidx].append(value.attrib.get('v', 0))

我们最终得到了这个字典。

{
  0: ['supera', 'superb', u'superc'],
  1: ['Terminal',
     'CDE',
     'Brasilia',
     ]
  3: ['PANTENE', 'DOVE']
  ...
}

然后你要做的就是遍历 CacheRecords1 并在标签为 <x> 时将列的索引与 defdict 中的键匹配

  dfdata = []


  bdata = '/tmp/scantrack_tmp/xl/pivotCache/pivotCacheRecords1.xml'

  for event, elem in xml.etree.ElementTree.iterparse(bdata, events=('start', 'end')):
    if elem.tag == '{http://schemas.openxmlformats.org/spreadsheetml/2006/main}r' and event == 'start':
       tmpdata = []
       for cidx, valueobj in enumerate(elem.getchildren()):
           tagname = valueobj.tag
           vattrib = valueobj.attrib.get('v')
           rdata = vattrib
           if tagname == '{http://schemas.openxmlformats.org/spreadsheetml/2006/main}x':
                try:
                  rdata = defdict[cidx][int(vattrib)]
                except:
                  logging.error('this it not should happen index cidx = {} vattrib = {} defaultidcts = {} tmpdata for the time = {} xml raw {}'.format(
                                                                                                                                                cidx, vattrib, defdict, tmpdata,
                                                                                                                                                xml.etree.ElementTree.tostring(elem, encoding='utf8', method='xml')
                                                                                                                                                ))
           tmpdata.append(rdata)
       if tmpdata:
           dfdata.append(tmpdata)
       elem.clear()

然后你可以把 dfdata 放到一个数据框里

df = pd.DataFrame(dfdata).

剩下的就是历史了，希望对你有所帮助。

编码愉快！！！