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

[leavic]

xlrd 已经挺快了，但是我印象中 xls 格式比 xlsx 格式快 N 倍。

[leavic]

之前写过一个分析从长生产数据的脚本，大概就是 2~3 万行的样子，我就直接要求他们把 excel 转成 2003 格式，否则太慢了。

[joson1205]

@leavic 限制行数太少了,也满足不了日常业务需求

[joson1205]

@youthfire 简单搜索一下关于 pyExcelerate 的资料,这个库好像不支持添加单元格批注的,是我没找到方法吗?资料实在太少了,知道的可以告诉我一下,谢谢

[chong3397]

插个眼，感觉将来会遇到类似的问题

[omph]

xlsx 转 csv，可以用其它程序做，go、rust 应该都有

[wuwukai007]

xlrd 真的很慢，之前开多个进程，勉强用着

[snw]

@joson1205
VBA 对基本数据格式的加减乘除运算不会慢到哪里去。对于 Black-Scholes 涉及的正态分布之类可以用数值计算自己写，比自带公式快。还有些写法上的注意点（比如 a*a*a 比 a^3 快）。

VBA 的速度劣势是 Object 的 GC 慢（打包在 Collection 或 Dictionary 时能感觉到），时间复杂度是平方关系，10 万个 Object 的 GC 大概在 10 秒左右。
另外 VBA 现成的操作 Array 轮子几乎没有，要快的话需要直接调用库。

VBA 的优势在于可以读写 xlsb 格式，体积和打开保存速度比 xls, xlsx 好得多。

[youthfire]

@joson1205 印象中是没有的，或者我自己也没找到。其实这个库可以说有点简陋，更新频率也低，但对于不复杂的大批量 excel 文本写入，速度惊人，当初也是从 stack overflow 看到别人讨论 xlsx/xlsm 写入速度优化知道的。另外一个我自己遇到的问题是对于日期的支持不理想。

[youthfire]

@snw xlsb 确实是好东西，然而支持他的库太少了，相对 xlsx/xlsm

[joson1205]

@snw 其实刚开始拿到报表的时候就是用的 VBA 实现的,后面经过一系列的调整,运算已经是越来越复杂,而且又涉及到拆分,样式,单元格的合并等等这些,优化过一次,电脑还是都直接卡死,没办法,才考虑用的 Python.
可能是我水平不够....见笑..

[deorth]

我现在每天拿 openpyxl 写入 100w 行的数据到 xlsx，要跑 3 分钟😅

[jiang123574]

xlwings 可以看看这个 读取超快

[joson1205]

@jiang123574 嗯,已经用上了,目前用的就是它

[wangweiggsn]

@snw 我也用了很多 xlsb 格式文件，用 pyxlsb 处理很快。慢是由于 office 的 com 接口引起的，只要能绕开 com 接口，当文本处理 excel 文件，都很快。

[d5d]

前来挖坟

遇到同样的问题，pandas to_excel 用 openpyxl 执行起来循环写入多个 execel 的 sheet.模式用 append 效率比较慢.


大佬们用什么办法？