Python处理Excel文件并打包EXE可执行文件 _Python

01
推荐用openpyxl库处理Excel表
在现代的数据驱动时代，Excel表格成为各行各业中最常用的数据存储和处理工具之一。然而，对于大量数据或需要自动化处理的任务来说，手动操作Excel显然是低效而繁琐的。
小陈老师在工作中就碰到了一个任务需求：定时检查邮箱中是否存在对应主题的邮件，若存在对应主题的邮件，需要将邮件中的附件Excel下载到本地，根据相应的规则对邮件进行解析，检查修改填充相应的数据内容，最终将处理完Excel文件返回给发件人。
本来接到这个需求想通过JAVA进行实现，奈何对方电脑上没有配置Java的环境变量所以在交付使用的环节可能会出现问题，后来决定通过Python/ target=_blank class=infotextkey>Python解决。
【Python处理Excel文件并打包EXE可执行文件】通过本例，将教大家如何使用Python来处理Excel文件，并且将其打包成可执行文件(EXE)，让您可以在没有Python环境的计算机上也能轻松运行您的数据处理任务。
在处理Excel文件的时候推荐大家两个强大的库Pandas和openpyxl 。它们为Excel数据处理带来了崭新的解决方案。openpyxl允许我们直接访问和修改Excel文件的单元格、样式和图表等内容。相比于其他库，openpyxl的优势在于它可以完全控制Excel文件的结构和外观，让我们能够实现更加细致和定制化的操作。
要使用openpyxl，我们需要先安装相应的模块：pip install openpyxl 。
02
建立Excel文件
下面通过建立和修改Excel文件的实例来了解一下openpyxl的用法。
新建一个Excel文件，向Excel文件中添加三行数据，分别是姓名、年龄、城市。首先我们导入相关的函数Workbook 。Workbook相当于创建一个wb对象，一个空白的Excel文件，然后获通过wb.active()获取到当前活动工作表，也就是我们常说的Sheet页面。
其次可以准备我们需要的数据了，这里我们通过双重列表的形式展现，内层嵌套了三条不同的数据信息【Name、Age、City】，大家也可以根据自己的数据进行替换，然后通过循环的方式，读取双重列表，将列表的数据通过Append方法填充到我们的Excel已经激活的Sheet工作表中。添加完成后不要忘记将我们的Excel保存到指定的路径中。这样运行Python代码大家就会发现我们的Excel文件中已经填充了三行数据，这三行数据刚刚是我们代码中所写的（图1）。

文章插图
03
修改Excel文件
完成新建并填充Excel数据内容后，接下来看看修改Excel中的数据内容。我们需要导入相关的函数load_workbook，顾名思义也就是打开加载我们的Excel文件，这里打开加载文件需要使用Excel文件的全路径，否则会出现文件找不到的情况。
然后获通过wb.active()获取到当前活动工作表，获取到对应的工作表我们便可以对Excel表中的数据进行修改了，修改数据的方式有两种一种直接通过横纵坐标的方式修改，比如我想将C2中的New York修改为China，直接通过ws[‘C2’] = 替换的内容即可，也可以指定第几行第几列的方式来决定（cell表示行和column表示列，value代表替换的内容）。替换完成后不要忘记将文件进行保存。再次打开更新后的文件我们会发现Excel数据内已经完成替换。
使用openpyxl需要注意的一点是目前只支持.xlsx类型的Excel文件，若是.xls类型的文件只能使用xlrd和xlrw两个模块（图2）。

文章插图
04
打包Python代码cel文件
最后我们将自己写完的程序打包成EXE可执行文件，那么别人拿到后便可以双击直接运行了，首先我们需要安装一个模块PyInstaller，安装完成后我们打开代码所在的目录，通过一句简单的命令即可打包完成，还可以选择自定义程序图标，代码有两种格式：
不选择图标：pyinstaller -F -w <文件名>.py
选择图标：pyinstaller -F -i .ico <文件名>.py
当看到Building ExE……successfully 。时候表示已经程序打包完成，在当前目录下的dist文件夹中生成一个名为your_script.exe的可执行文件，其中your_script是我们脚本的文件名。这个EXE文件就是我们的Python脚本的可执行版本，默认图标是一个Python的蛇图案。
无论是处理大量数据还是进行复杂数据操作，Pandas和openpyxl的组合将为您提供强大的数据处理能力，让您的Excel文件处理更上一层楼。当然本次文章我们只讲述了openpyxl使用方法，并教大家如何将我们编写的代码进行打包使用。后续会分享Pandas更加高效的数据处理的内容，也期待和大家一起进步一切学习。