Python 读取 Excel 超大数据文件问题

[joson1205]

一个交易记录数据 xlsx 文件,存在两个 Sheet,行数分别是 2w,15w,列数 45+左右,需要自动化生成一份报表,报表的数据由这两个 Sheet 交叉运算得出,目前做法是 xlrd 读取到内存然后 xlsxwriter 写入一个新的文件中.
因为某些原因,该交易记录的数据不能存入数据库里面,暂时只能以表格形式存放,每次读取的时候都很费时间,考虑分块读取,好像库并不支持,pandas 类的 chunksize,基本都是针对 CSV 文件,有没有更好的办法解决读取速度慢的问题??

[sikariba]

xlsx 的 2 个 sheet 转成 2 个 csv ？ xlsx 是二进制格式，没办法分块读

[joson1205]

@sikariba 我转 CSV 过程中数据都要过一遍内存吧

[The1D]

解压之后读 xml ？

[misaka19000]

为什么不能保存到其它地方

[1462326016]

试试 openpyxl ？

[vest8]

pywin32 试下

[joson1205]

@1462326016 我认为 xlrd 单纯在读取速度上是比 openpyxl 快不少的.
@vest8 pywin32 没有用过,我查查资料,谢谢

[PEIENYKYK]

插眼，看解决办法。

[wqzjk393]

df = pd.read_excel(sheetname=None)
df1 = df[‘ Sheet1 ’]
df2 = df[‘ Sheet2 ’]
1 分钟之内就能读完了，不慢了吧。。

[joson1205]

@wqzjk393 试过了,比较慢,我正常 xlrd 读取要 85 秒,pandas 将近 100 秒

[joson1205]

@wqzjk393 纠正一下,刚检查测试代码的时候发现有点异常,重新对比了一下,没到 100 秒,不过也是和 xlrd 速度差不多的,在 85 秒左右

[alexfu]

交易记录的话已有的 row 应该是不变的？ 计算能不能改成增量式的？根据新加的行算出结果的变化量，记录上次的结果和两个文件的行数？
read_excel 可以选 backend 为 xlrd，另外有 skip_row 参数 应该能省去一些 parsing 的时间？

[joson1205]

@alexfu 我拿到数据的时候属于一个核算节点,row 是固定的,基本不会有增删,没办法改成增量式计算,而且数据都是连续性的,skip_row 并不适用...

[joson1205]

目前找到最快的办法是 xlwings,预先打开了 xlsx 文件,在几秒钟内就能读取完成!

import xlwings as xw
# 事先打开了 xlsx 文件,会直接返回这个文件对象
wb = xw.Book("demo.xlsx")
sht1 = wb.sheets["sht111"]
sht2 = wb.sheets["sht222"]

sht1_value = sht1.range('A2:AU140000').value
sht2_value = sht2.range('A2:AQ19000').value

[snw]

直接用 VBA 读写呢？在文件打开的情况下，VBA 对 Range 与数组之间的读写操作非常快。

[tzigone]

5 万记录以上，用数据库模式吧，其他的都会崩溃。不清楚 python 下的数据读取引擎，在 window 下，装个 ace 就很稳了，速度绝对第一，也不崩。

[joson1205]

@snw vba 在运算方面实在太慢了

[youthfire]

不能存入数据库，那肯定影响速度，否则 pandas+sqlite 是不错的选择。pandas 远快于 openpyxl 及 xlrd，另外 pyExcelerate 写入 xlsx 速度远快于 xlsxwriter，比 pandas 还快。

[luban]

没有太好的办法，只能曲折，Excel 只是压缩格式的一种，可以解压开看看里面的结构
一是不用 excel，改用 csv，txt 等文本格式
二是解压后解析 xml，2007 及后的 xml 格式较规范

为什么要转换成解析文本的方式，因为文本可以逐行读取处理，再大的文件也不怕
大文件几十上百 M 的你自己用高配电脑打开都很慢的

[joson1205]

@youthfire 写入的代码目前比较完善,暂时不打算做改动,谢谢你的建议