Python 小白的第一次实践——将统计数据转成 Execl

背景

公司项目的广告展示率太低，需要查找原因，之前做了统计埋点，运维给出过滤后的数据，一个 txt 文件 500M 以上，文件打开非常乱。

询问运维是否有工具转换，回复说没有，然后想到之前重学 Python3 的初衷，就是为了能写一些脚本方便处理一些事情。

这个数据主要是 HTTP 的 GET 请求，需要转码，然后把参数拿到，目标是写到 Execl 文件中。

因为一直没用，语法也记不清楚，只能不停回看笔记，关于 Execl 这块也没用过，临时网上查找。

读文件

由于原文件太大，所以先复制了一部分存入当前目录的 test.txt 文件中。

import os

file = open('./test.txt') # 打开文件
for line in file: # 按行遍历文件
    ... 

file.close() # 最后要关闭

遍历每一行数据后，转码，分割，转成字典结构

import urllib.parse

# 定义个方法将一行数据转成字典
def getOneDict(line):
    params = dict() # 创建字典保存数据

    pre = 'timeAnalysis?' 
    index = line.find(pre) # 找到这个位置，后面的数据是需要的参数
    if index > -1:
        line = line[index+len(pre):].split()[0] # 先截子串然后选空格之前的
        line = urllib.parse.unquote(line) # 网上搜到的用于将 HTTP 编码后的文字解码
        paramList = line.split('&') # 得到类似 s=android 的内若

        for item in paramList:
            param = item.split('=')
            if (len(param) > 1): # 如果等于号后面有值
                params[param[0]] = param[1] # 字典加个数据
    return params

创建 Execl 文件

有了每一行对应的字典，就想把这内容写到 Execl 文档里。要先切换到 pip3 目录，执行 sudo pip3 install openpyxl 安装 openpyxl 模块，最新的语法参考 http://openpyxl.readthedocs.io/en/stable/

import openpyxl

def createExcel():
    if 'time.xlsx' in os.listdir('./'): # 如果有了这个文件，就不要再创建了
        return

    wb = openpyxl.Workbook() # 创建 Execl
    wb.active.title = 'Splash' # 默认有一个活动的 Sheet，把名字改成 Splash
    wb.create_sheet(title='Home') # 再创建一个 Sheet
    wb.save('time.xlsx') # 最后一定不能忘了这句

结果本地生成了文件 time.xlsx，打开后有两个 Sheet。

向 Execl 中插入数据

看 Execl，横向是 A、B、C... 这样编号，纵向是 1、2、3... 这样编号，看文档可以通过两个编号组合来定位。我这里没用这个函数。

我需要把字典里的 key 作为第一行用作标题，然后每来一个字典里的数据，先寻找是否有了这个 key，有了就往下一行添加对应的 value，没有的话先添加一列，行数是第一行，值是字典里的这个 key，然后再添加 value。

def writeToExecl(params):
    wb = openpyxl.load_workbook('time.xlsx') # 打开 Execl 文件
    splashSheet = wb['Splash'] # 找到两个 Sheet
    homeSheet = wb['Home']
    if params['pid'] == '04': # 如果字典里有一个 pid=04 的，要放到 Splash 表里
        writeToSheet(splashSheet, wb, params)
    elif params['pid'] == '00': 
        writeToSheet(homeSheet, wb, params)

def getValue(t):
    return t.value

def writeToSheet(sheet, wb, params):
    rows = tuple(sheet.rows) # 拿到所有行转成元组
    index = len(rows) + 1 # 在原有的行数的下一行插入数据
    print('rows ' + str(index))
    titles = list(map(getValue, rows[0])) # 用高阶函数 map 转换第一行，拿到里面的 value，然后要转成 list
    if titles == [None]: # 测试发现列表不是空的，长度是 1，里面是 None，所以判断一下
        titles = []

    for k,v in params.items(): # 遍历字典
        if k in titles: # 如果第一行有这个标题，直接插值
            sheet.cell(row = index, column = titles.index(k) + 1).value = v # 行数为 index，列为这个 key 在的行，cell 里的索引从 1 开始
        else:        
            sheet.cell(row = 1, column = len(titles) + 1).value = k # 先插标题，先插了一列
            sheet.cell(row = index, column = len(titles) + 1).value = v # 再插字典的 value
            titles.append(k) # 标题多了一个，要更新
    wb.save('time.xlsx') # 保存以生效

遍历文件

将要分析的文件放入当前目录的 web 文件夹下，然后遍历，对每一个文件进行读取。

for file in os.listdir('./web'):
    print('read file ' + os.path.basename(file))
    readAFile('./web/' + file)

def readAFile(filename):
    file = open(filename)
    for line in file:
        params = getOneDict(line)
        if (len(params) == 0): # 如果字典为空，继续下一行
            continue
        writeToExecl(params)
    file.close()

其它

运行时报出了一个错误

...
self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 3131: invalid start byte ...

网上搜了下，是编码的问题，没去特地解决，一两行数据不影响统计比例，找到一种方法，打开文件时忽略错误。

file = open(filename, errors='ignore')

还有生成的文件名，要分析文件的路径等可以通过命令行参数传入，这样可用性高些，就不搞了。

整体做下来，其实功能很简单，但是由于对语言的不熟悉，花了不少时间，map 这个高级函数还是因为 Kotlin，Rx 里都有类似的，所以搜了下才知道，有些不知道的可能就写繁琐了。

文件太大，写入时间太长，只运行了一会看了一些数据，分析出大概的原因，最终还是让运营再去过滤分析比例的。

结果

源代码

import os
import urllib.parse
import openpyxl
import sys

# 将一行数据转成字典
def getOneDict(line):
    params = dict() # 创建字典保存数据

    pre = 'timeAnalysis?'
    index = line.find(pre)
    if index > -1:
        line = line[index+len(pre):].split()[0]
        line = urllib.parse.unquote(line)
        paramList = line.split('&')

        for item in paramList:
            param = item.split('=')
            if (len(param) > 1):
                params[param[0]] = param[1]
    return params

def createExcel():
    if 'time.xlsx' in os.listdir('./'):
        return

    wb = openpyxl.Workbook() # 创建Execl
    wb.active.title = 'Splash'
    wb.create_sheet(title='Home')
    wb.save('time.xlsx')

def writeToExecl(params):
    wb = openpyxl.load_workbook('time.xlsx')
    splashSheet = wb['Splash']
    homeSheet = wb['Home']
    if params['pid'] == '04': # 开屏
        writeToSheet(splashSheet, wb, params)
    elif params['pid'] == '00': # 首页
        writeToSheet(homeSheet, wb, params)

def getValue(t):
    return t.value

def writeToSheet(sheet, wb, params):
    rows = tuple(sheet.rows)
    index = len(rows) + 1 # 从这一行开始插入数据

    titles = list(map(getValue, rows[0])) # 拿到第1行的内容，做标题用
    if titles == [None]:
        titles = []

    for k,v in params.items():

        if k in titles:
            sheet.cell(row = index, column = titles.index(k) + 1).value = v
        else:
            sheet.cell(row = 1, column = len(titles) + 1).value = k # 先插标题
            sheet.cell(row = index, column = len(titles) + 1).value = v
            titles.append(k) # 更新标题
    wb.save('time.xlsx')

def readAFile(filename):
    file = open(filename, errors='ignore')
    for line in file:
        params = getOneDict(line)
        if (len(params) == 0):
            continue
        writeToExecl(params)
    file.close()

createExcel()

for file in os.listdir('./web'):
    print('read file ' + os.path.basename(file))
    readAFile('./web/' + file)