前言
RPA 设计器版本： 2020.2
Python 读取三种不同存储格式 Excel 文件
Excel 文件的存储格式有多种， 有我们平常熟知的二进制格式，也有 HTML 格式，还有 XML 格式的等。
目前，小编接触到 RPA 项目的 Excel 文件格式主要是上述说的三种格式（二进制、HTML 、XML ）
这里需要注意的是：RPA 设计器 2020.2 只支持二进制格式的 Excel 文件读取
Python 读取二进制类型的 Excel 文件并返回 DataFrame 对象
这里我直接将读取 Excel 的操作封装成函数放在 全局函数 使用，也可以使用 RPA 设计器自带的读取 Excel 组件。
def get_data_from_binary_excel(file_path):
"""
从 binary 二进制格式的 excel 中获取数据
:param file_path:
:return: DataFrame
"""
# 读取Excel 使用 pandas 读取二进制文件 excel
pd_df = pd.read_excel(io=file_path)
# 填充 NaN 将 nan 值用空字符串替换 df = rpa_pandas.fillna(df=pd_df)
df = pd_df.fillna('')
return df
Python 读取 HTML 类型的 Excel 文件并返回 DataFrame 对象
这里我直接将读取 Excel 的操作封装成函数放在 全局函数 中使用
def get_data_from_html_excel(file_path, encoding='utf-8'):
"""
从 html 格式的 excel 中获取数据
:param file_path:
:return: DataFrame
"""
dfs = pd.read_html(file_path, encoding=encoding)
pd_df = dfs[0]
df = pd_df.fillna('')
return df
Python 读取 XML 类型的 Excel 文件
思路：利用 Python 将 Excel 文件读取到内存中， 再利用正则表达式从 XML 标签中取出 Excel 表格中的数据
def get_data_from_xml_excel(file_path):
"""
解决 pandas.read_excel() 读取 excel 解析错误问题.
读取 excel 文件,将每行数据都放入 list 列表中。
返回值有二个,第一个是 excel 表头的长度,第二个是数据 list 集合
"""
try:
with open(file_path, 'rb') as tree:
content = tree.read().decode('utf-8')
# <ss:Cell ss:StyleID="headercell"><ss:Data ss:Type="String">单位</ss:Data></ss:Cell>
# <ss:Cell ss:StyleID="headercell"><ss:Data ss:Type="String">单位</ss:Data><ss:NamedCell ss:Name="Print_Titles" />
pattern1 = r"""<ss:Cell ss:StyleID="headercell"><ss:Data ss:Type="String">(.+?)</ss:Data><ss:NamedCell ss:Name="Print_Titles" /></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="headercell"><ss:Data ss:Type="String">(.+?)</ss:Data></ss:Cell>"""
head_iter = re.finditer(pattern1, content)
head_list = []
for tpl in head_iter:
for i in range(len(tpl.groups())):
ele = tpl.groups()[i]
if ele is not None:
head_list.append(ele)
break
# <ss:Cell ss:StyleID="odd"><ss:Data ss:Type="String"></ss:Data></ss:Cell>
pattern2 = r"""<ss:Cell ss:StyleID="even"><ss:Data ss:Type="String">([\s\S\w\W]*?)</ss:Data></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="odd"><ss:Data ss:Type="String">([\s\S\w\W]*?)</ss:Data></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="oddfloat"><ss:Data ss:Type="Number">([\s\S\w\W]*?)</ss:Data></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="oddfloat"><ss:Data ss:Type="String">([\s\S\w\W]*?)</ss:Data></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="evenfloat"><ss:Data ss:Type="Number">([\s\S\w\W]*?)</ss:Data></ss:Cell>""" \
r"""|<ss:Cell ss:StyleID="evenfloat"><ss:Data ss:Type="String">([\s\S\w\W]*?)</ss:Data></ss:Cell>"""
data_iter = re.finditer(pattern2, content)
data_list = []
count = 0
for tpl in data_iter:
groups_len = len(tpl.groups())
# print(groups_len, tpl.groups(), tpl.span())
for i in range(groups_len):
ele = tpl.groups()[i]
# 排除不需要的脏数据
if ele is not None and ele != 'nan' and ele != 'null':
data_list.append(ele)
break
count += 1
# 若为空数据,或者 nan, null ,用空字符串替换
if count == groups_len:
data_list.append('')
# 每次内循环后都要清零
count = 0
return len(head_list), data_list
except Exception as e:
print('解析 excel 发生异常 {}'.format(e))
return 0, []