csv 在Linux中从Excel数据透视表提取数据

des4xlb0  于 2023-09-28  发布在  Linux
关注(0)|答案(2)|浏览(105)

我有一个基于数据透视表的Excel电子表格,它定期更新(每月)并上传到我的服务器(由一个对输出中的任何更改都非常犹豫的小组生成)。我希望能够写一个脚本,我可以通过cron作业运行,以处理和加载从透视表到我的数据库的原始数据。
然而,我不知道如何获得底层数据,而不手动进入windows,在excel中打开文件,双击total单元格,获得一个新的工作表,其中包含填充该单元格的所有原始数据,并将该工作表保存为csv,然后我可以通过某种语言(在我的情况下是python)加载到我的数据库中。看起来他们应该是一些可脚本化的方法来提取底层数据。
我只有Linux机器(在VM中运行Windows/Office;但我更喜欢一个不涉及Windows的解决方案)。我熟悉像xls 2csv这样的工具(它不能访问原始数据),也熟悉使用python-unoconv这样的工具从python编辑openoffice文档。然而,即使是手动使用openoffice,我也看不到一种获取底层数据的方法。
编辑:在花了几个小时没有取得任何进展之后(在发布这篇文章之前),我没有开始通过unoconv将其转换为ODS,并且可能能够使用python-odf来提取最后一张表(称为“DPCache”)。
所以现在的问题是从ODS中获取一张表转换成CSV;这对我来说应该不难理解(尽管非常感谢帮助)。

klsxnrf1

klsxnrf11#

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。最重要的两个文件是。

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

第一个,具有pivotCacheRecords1.xml中原始数据的关系,您需要通过索引号访问,我的意思是,通过pivotCacheRecords1.xml中具有标记<x>的每个列,您需要通过标记<x>的索引号获得pivotCacheDefinition1.xml中的数据,为了更好地理解,您需要查看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CacheRecords 1标记中的<x>是CacheDefinition 1中的<s>标记的关系,现在如果你理解了这一点,就不会很难在记录的迭代中使用它。

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))

我们最后还是这样。

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

然后,您所要做的就是迭代CacheRecords 1,并在标记为<x>时将列的索引与defdict中的键进行匹配

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放在dataframe中

df = pd.DataFrame(dfdata).

剩下的都是历史,希望能对你有所帮助。
快乐编码!!!

fkaflof6

fkaflof62#

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

相关问题