使用Python逐块加载Excel文件，而不是将整个文件加载到内存

Question

我只想从Excel文件（xlsx）中读取10行，而不一次加载整个文件，因为这不能在我的一台计算机上完成（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)

看来文件先被加载然后又被分成几部分。

如何只读取第一行？

Answer 1

由于xlsx文件的性质（本质上是一堆xml压缩在一起的文件），您不能将文件戳到任意字节，而希望它成为您感兴趣的表中表格的第N行的开头。

你能做的最好是用pandas.read_excel与skiprows（从文件顶部跳过行）和skip_footer（从底部跳跃行）参数。但是，这将首先将整个文件加载到内存，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参数手动设置标题，否则列名将是最后跳过的行。

如果您希望使用csv它，那么这是一项简单的任务，因为csv文件是纯文本文件。

但是 ，这是一个很大的 ，但是 ，如果你是真的绝望了，你可以提取相关片的xml从文件xlsx归档和解析。但是，这绝非易事。

一个示例xml文件，代表具有一个2 X 3表格的工作表。该<v>标签表示该单元的值。

<?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>