我有一个 Excel 电子表格,正在将其读入 Pandas DataFrame:
df = pd.read_excel("file.xls")
但是,电子表格的其中一列包含具有与其关联的超链接的文本。如何访问 Pandas 中的底层超链接?
这可以用 openpyxl 来完成,我不确定 Pandas 是否可以。这是我的做法:
import openpyxl
wb = openpyxl.load_workbook('yourfile.xlsm')
sheets = wb.sheetnames
ws = wb[sheets[0]]
# Deprecation warning
# ws = wb.get_sheet_by_name('Sheet1')
print(ws.cell(row=2, column=1).hyperlink.target)
您还可以使用 iPython,并设置一个等于超链接对象的变量:
t = ws.cell(row=2, column=1).hyperlink
然后执行
t.
并按 Tab 键查看可对对象执行的操作或从对象访问的所有选项。
快速猴子修补,没有转换器或类似的东西,如果您想将所有带有超链接的单元格视为超链接,更复杂的方式,我想,至少能够选择,哪些列视为超链接或收集数据,或保存以某种方式,数据和超链接都在数据帧的同一单元格中。并使用转换器,不知道。 (顺便说一句,我也玩了
data_only
,keep_links
,没有帮助,只改变read_only
结果就可以了,我想它会减慢你的代码速度)。
P.S.:仅适用于 xlsx,即引擎是 openpyxl
P.P.S.:如果您将来阅读此评论并发布 https://github.com/pandas-dev/pandas/issues/13439 仍然打开,请不要忘记查看
_convert_cell
和 load_workbook
中的更改在 pandas.io.excel._openpyxl
并相应地更新它们。
import pandas
from pandas.io.excel._openpyxl import OpenpyxlReader
import numpy as np
from pandas._typing import FilePathOrBuffer, Scalar
def _convert_cell(self, cell, convert_float: bool) -> Scalar:
from openpyxl.cell.cell import TYPE_BOOL, TYPE_ERROR, TYPE_NUMERIC
# here we adding this hyperlink support:
if cell.hyperlink and cell.hyperlink.target:
return cell.hyperlink.target
# just for example, you able to return both value and hyperlink,
# comment return above and uncomment return below
# btw this may hurt you on parsing values, if symbols "|||" in value or hyperlink.
# return f'{cell.value}|||{cell.hyperlink.target}'
# here starts original code, except for "if" became "elif"
elif cell.is_date:
return cell.value
elif cell.data_type == TYPE_ERROR:
return np.nan
elif cell.data_type == TYPE_BOOL:
return bool(cell.value)
elif cell.value is None:
return "" # compat with xlrd
elif cell.data_type == TYPE_NUMERIC:
# GH5394
if convert_float:
val = int(cell.value)
if val == cell.value:
return val
else:
return float(cell.value)
return cell.value
def load_workbook(self, filepath_or_buffer: FilePathOrBuffer):
from openpyxl import load_workbook
# had to change read_only to False:
return load_workbook(
filepath_or_buffer, read_only=False, data_only=True, keep_links=False
)
OpenpyxlReader._convert_cell = _convert_cell
OpenpyxlReader.load_workbook = load_workbook
在你的Python文件中添加上面的内容后,你将能够调用
df = pandas.read_excel(input_file)
写完所有这些东西后,我想到,也许单独使用 openpyxl 会更容易、更干净 ^_^
正如 slaw 所评论的,它不抓取超链接,而只抓取文本
此处text.xlsx包含第9列中的链接
from openpyxl import load_workbook
workbook = load_workbook('test.xlsx')
worksheet = workbook.active
column_indices = [9]
for row in range(2, worksheet.max_row + 1):
for col in column_indices:
filelocation = worksheet.cell(column=col, row=row) # this is hyperlink
text = worksheet.cell(column=col + 1, row=row) # thi is your text
worksheet.cell(column=col + 1, row=row).value = '=HYPERLINK("' + filelocation.value + '","' + text.value + '")'
workbook.save('test.xlsx')
你不能在 pandas 中做到这一点。您可以尝试使用其他旨在处理 Excel 文件的库。
当我尝试使用 pandas 复制 Excel 文件时,我遇到了同样的问题。我想出了以下代码来解决这个问题。
import pandas as pd
import openpyxl
def get_columnn_data_list(wb,column_number):
data = []
ws = wb["Sheet1"]
for row in ws.iter_rows(min_row=2):
value = row[column_number].value
data.append(value)
return data
df = pd.read_excel("input.xlsx")
wb = openpyxl.load_workbook("input.xlsx")
column_number = 3 # This is the number(index starts from 1) of the column with hyperlinks.
column_name = "column_name" # This is the name of the column with hyperlinks. I.E : the column name of column_number
df[column_name] = get_columnn_data_list(wb,column_number)
这里发生的是,我们手动迭代 Excel 工作表,并使用
get_columnn_data_list
函数收集带有给定列号的超链接的单元格值。根据我们得到的结果,我们正在更新数据框的相关列。我们得到的结果的形式为
=HYPERLINK("https://www.example.com", "visible_text")
因此,如果您想获取 url 或可见文本,您可能需要自己进行一些简单的字符串拆分。