使用 Python 逐块加载 Excel 文件，而不是将整个文件加载到内存中

Question

我只想从 Excel 个文件 (xlsx) 中读取 10 行，而不是一次加载整个文件，因为它不能在我的一台机器上完成（内存不足）。

我尝试使用

import xlrd
import pandas as pd
def open_file(path):
    xl = pd.ExcelFile(path)
    reader = xl.parse(chunksize=1000)
    for chunk in reader:
        print(chunk)

好像是先加载文件，然后分成几个部分。

如何只读第一行？

Answer 1

由于 xlsx 文件的性质（本质上是一堆压缩在一起的 xml 文件），您不能以任意字节戳文件并希望它是您感兴趣的 sheet 中 table 的第 N 行的开头。

最好的办法是将 pandas.read_excel 与 skiprows（从文件顶部跳过行）和 skip_footer（从底部跳过行）参数一起使用。然而，这将首先将整个文件加载到内存中，然后仅解析所需的行。

# if the file contains 300 rows, this will read the middle 100
df = pd.read_excel('/path/excel.xlsx', skiprows=100, skip_footer=100,
                   names=['col_a', 'col_b'])

请注意，您必须使用 names 参数手动设置 headers，否则列名将是最后跳过的行。

如果您想使用 csv，那么这是一项简单的任务，因为 csv 个文件是 plain-text 个文件。

But，而且是一个很大的but，如果你真的很绝望，你可以提取相关的sheet xlsx 档案中的 xml 文件并解析它。但这不是一件容易的事。

一个 xml 文件示例，它代表一个 sheet 和一个 2 X 3 table。 <v> 标签表示单元格的值。

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<worksheet xmlns="http://schemas.openxmlformats.org/spreadsheetml/2006/main" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" mc:Ignorable="x14ac" xmlns:x14ac="http://schemas.microsoft.com/office/spreadsheetml/2009/9/ac">
    <dimension ref="A1:B3"/>
    <sheetViews>
        <sheetView tabSelected="1" workbookViewId="0">
            <selection activeCell="C10" sqref="C10"/>
        </sheetView>
    </sheetViews>
    <sheetFormatPr defaultColWidth="11" defaultRowHeight="14.25" x14ac:dyDescent="0.2"/>
    <sheetData>
        <row r="1" spans="1:2" ht="15.75" x14ac:dyDescent="0.2">
            <c r="A1" t="s">
                <v>1</v>
            </c><c r="B1" s="1" t="s">
                <v>0</v>
            </c>
        </row>
        <row r="2" spans="1:2" ht="15" x14ac:dyDescent="0.2">
            <c r="A2" s="2">
                <v>1</v>
            </c><c r="B2" s="2">
                <v>4</v>
            </c>
        </row>
        <row r="3" spans="1:2" ht="15" x14ac:dyDescent="0.2">
            <c r="A3" s="2">
                <v>2</v>
            </c><c r="B3" s="2">
                <v>5</v>
            </c>
        </row>
    </sheetData>
    <pageMargins left="0.75" right="0.75" top="1" bottom="1" header="0.5" footer="0.5"/>
</worksheet>

使用 Python 逐块加载 Excel 文件，而不是将整个文件加载到内存中

Loading Excel file chunk by chunk with Python instead of loading full file into memory

python

excel

file

xlsx