Python批量处理excel数据后，导入sqlserver

• 1、前言
• 2、开始动手动脑
  • 2.1 拆解+明确需求
  • 2.2 安装第三方包
  • 2.3 读取excel数据
  • 2.4 特殊数据数据处理
  • 2.5 其他需求
  • 2.6 完整调用代码

1、前言

紧接昨天的文章 Windows下载安装配置SQL Server、SSMS，使用Python连接读写数据 ，我们已经安装和配置好了sqlserver，也成功测试了如何利用Python连接、读写数据到 数据库 。

今天我们正式开始怼需求：有很多Excel，需要批量处理，然后存入不同的数据表中。

2、开始动手动脑

2.1 拆解+明确需求

1） excel数据有哪些需要修改？

• 有一列数据 DocketDate 是excel短时间数值，需要转变成正常的年月日格式； eg. 44567 --> 2022/1/6
• 部分数据需要按 SOID 进行去重复处理，根据 DocketDate 保留最近的数据；
• 有一列数据需要进行日期格式转换。 eg. 06/Jan/2022 12:27 --> 2022-1-6

主要涉及：日期格式处理、数据去重处理

2） 每一个Excel都对应一个不同数据表吗？表名和Excel附件名称是否一致？

• 有些Excel对应的是同一个表，有些是单独的
• 表名和Excel附件名称不一致，不过是有对应关系的 eg. 附件test1 和 test2 对应表 testa，附件test3 对应 testb

主要涉及：数据合并处理

2.2 安装第三方包

pip3 install sqlalchemy pymssql pandas xlrd xlwt

• sqlalchemy：可以将关系数据库的表结构映射到对象上，然后通过处理对象来处理数据库内容；
• pymssql：python连接sqlserver数据库的驱动程序，也可以直接使用其连接数据库后进行读写操作；
• pandas：处理各种数据，内置很多数据处理方法，非常方便；
• xlrd xlwt：读写excel文件，pandas读写excel会调用他们。

导入包：

import pandas as pd
from datetime import date, timedelta, datetime
import time
import os
from sqlalchemy import create_engine
import pymssql

2.3 读取excel数据

读取数据比较简单，直接调用pandas的read_excel函数即可，如果文件有什么特殊格式，比如编码，也可以自定义设置。

# 读取excel数据
def get_excel_data(filepath):
    data = pd.read_excel(filepath)
    return data

2.4 特殊数据数据处理

“1）日期天数转短日期 ”

这个有一定难度，excel里直接转很简单，直接选中需要转的数据，然后在开始-数据格式栏选择短日期即可。

当时第一眼不知道其中的转换规律，搜索了很久，也没发现有类似问题或说明，首先肯定不是时间戳，感觉总有点关系，最后发现是天数，计算出 天数计算起始日期 就可以解决其他数据转变问题啦。

首先我们要判断空值，然后设置日期天数计算起始时间，利用datetime模块的timedelta函数将时间天数转变成时间差，然后直接与起始日期进行运算即可得出其代表的日期。

# 日期天数转短日期
def days_to_date(days):
    # 处理nan值
    if pd.isna(days):
        return 
    #  44567  2022/1/6
    # 推算出 excel 天数转短日期 是从1899.12.30开始计算
    start = date(1899,12,30) 
    # 将days转换成 timedelta 类型，可以直接与日期进行计算
    delta = timedelta(days)
    # 开始日期+时间差 得到对应短日期
    offset = start + delta
    return offset

这里比较难想的就是 天数计算起始日期 ，不过想明白后，其实也好算，从excel中我们可以直接将日期天数转成短日期，等式已经有了，只有一个未知数x，我们只需列一个一元一次方程即可解出未知数x。

from datetime import date, timedelta
date_days = 44567
# 将天数转成日期类型时间间隔
delta = timedelta(date_days)
# 结果日期
result = date(2022,1,6)
# 计算未知的起始日期
x = result - delta
print(x)
输出：1899-12-30

“2）将日期中的英文转成数字 ”

最开始我想的是使用正则匹配，将年月日都在取出来，然后将英文月份转变成数字，后来发现日期里可以直接识别英文的月份。

代码如下，首先将字符串按格式转变成日期类型数据，原数据为 06/Jan/2022 12:27 （数字日/英文月/数字年 数字小时:数字分钟），按日期格式化符号解释表中对应关系替换即可。

# 官方日期格式转换成常见格式
def date_to_common(time):
    # 处理nan值
    if pd.isna(time):
        return 
    # 06/Jan/2022 12:27  2022-1-6
    # 测试 print(time,':', type(time))
    # 将字符串转成日期
    time_format = datetime.strptime(time,'%d/%b/%Y %H:%M') 
    # 转换成指定日期格式
    common_date = datetime.strftime(time_format, '%Y-%m-%d') 
    return common_date

日期格式化符号解释表 @CSDN-划船的使者

“3）按订单编号SOID去重 ”

这里去重复除了按指定列去重外，还需要按日期保留最新数据。

我的想法是，首先调用pandas的 sort_values 函数将所有数据根据日期列进行升序排序，然后，调用 drop_duplicates 函数指定按 SOID 列进行去重，并指定 keep 值为 last ，表示重复数据中保留最后一行数据。

代码如下：

# 去除重复值 SOID重复 按日期去除最早的数据
def delete_repeat(data):
    # 先按日期列 Docket Rec.Date & Time 排序 默认降序  保证留下的日期是最近的
    data.sort_values(by=['Docket Rec.Date & Time'], inplace=True)
    # 按 SOID 删除重复行
    data.drop_duplicates(subset=['SOID #'], keep='last', inplace=True)
    return data

2.5 其他需求

“多个Excel数据对应一张数据库的表 ”

可以写一个字典，来存储数据库表和对应Excel数据名称，然后一个个存储到对应的数据库表中即可（或者提前处理好数据后，再合并）。

• 合并同类型Excel表

# 相同表合并数据 传入合并excel列表
def merge_excel(elist, files_path):
    data_list = [get_excel_data(files_path+i) for i in elist]
    data = pd.concat(data_list)
    return data

这里传入同一类型Excel文件名列表（elist）和 数据存储 文件夹绝对/相对路径（files_path）即可，通过文件绝对/相对路径+Excel文件名即可得到Excel数据表文件的绝对/相对路径，再调用 get_excel_data 函数即可读取出数据。

遍历读取Excel表数据利用了列表推导式，最后利用pandas的concat函数即可将对应数据进行合并。

• 数据存储到sqlserver

# 初始化数据库连接引擎
# create_engine("数据库类型+数据库驱动://数据库用户名:数据库密码@IP地址:端口/数据库"，其他参数)
engine = create_engine("mssql+pymssql://sa:123456@localhost/study?charset=GBK")
# 存储数据
def data_to_sql(data, table_naem, columns):
    # 再对数据进行一点处理，选取指定列存入数据库
    data1 = data[columns]
    # 第一个参数：表名
    # 第二个参数：数据库连接引擎
    # 第三个参数：是否存储索引
    # 第四个参数：如果表存在 就追加数据
    t1 = time.time()  # 时间戳 单位秒
    print('数据插入开始时间：{0}'.format(t1))
    data1.to_sql(table_naem, engine, index=False, if_exists='append')
    t2 = time.time()  # 时间戳 单位秒
    print('数据插入结束时间：{0}'.format(t2))
    print('成功插入数据%d条，'%len(data1), '耗费时间：%.5f秒。'%(t2-t1))

sqlalchemy+pymssql连接sqlserver的时候注意坑：要指定数据库编码，slqserver创建的数据库默认是GBK编码，关于sqlserver安装使用可以查看文章 Windows下载安装配置SQL Server、SSMS，使用Python连接读写数据 。

2.6 完整调用代码

'''
批量处理所有excel数据
# 数据文件都存储在某个指定目录下，如：
files_path = './data/'
bf_path = './process/'
# 获取当前目录下所有文件名称
# files = os.listdir(files_path)
# files
# 表名：附件excel名
data_dict = {
    'testa': ['test1.xls', 'test2.xls'], 
    'testb': ['test3.xls'], 
    'testc': ['test4.xls']
# 选取附件中的指定列，只存入指定列数据
columns_a = ['S/No', 'SOID #', 'Current MileStone', 'Store In Date Time']
columns_b = ['Received Part Serial No', 'Received Product Category', 'Received Part Desc']
columns_c = ['From Loc', 'Orig Dispoition Code']
columns = [columns_a, columns_b, columns_c]
flag = 0  # 列选择标记
# 遍历字典 合并相关excel 然后处理数据后，存入sql
for k,v in data_dict.items():
    table_name = k
    data = merge_excel(v, files_path)
    # 1、处理数据
    if 'SOID #' not in data.columns:
        # 不包含要处理的列，则直接简单去重后、存入数据库
        data.drop_duplicates(inplace=True)
    else:
        # 特别处理数据
        data = process_data(data)
    # 2、存储数据