最近遇到一個需求，有幾十個Excel，每個的欄位都不一樣，然後都差不多是第一行是表頭，後面幾千上萬的資料，需要把這些Excel中的資料全都加入某個已經上線的Django專案
這就需要每個Excel建個表，然後一個個匯入了
這樣的效率太低，不能忍
所以我造了個自動生成 Model 和匯入指令碼的輪子
首先拿出 pandas，它的 DataFrame 用來處理資料很方便
pandas 載入 Excel 之後，提取表頭，我們要通過表頭來生成資料表的欄位。有些 Excel 的表頭是中文的，需要先做個轉換。
一開始我是想用翻譯API，全都翻譯成英文，不過發現免費的很慢有限額，微軟、DeepL都要申請，很麻煩。索性用個拼音轉換庫，全都轉換成拼音得了~
然後欄位的長度也要確定，或者全部用不限制長度的 TextField
權衡一下，我還是做一下欄位長度判定的邏輯，遍歷整個表，找出各個欄位最長的資料，然後再加一個偏移量，作為最大長度。
接著生成 Model 類，這裡我用 jinja2 模板語言，先把大概的模板寫好，然後根據提取出來的欄位名啥的生成。
最後生成 admin 設定和匯入指令碼，同理，也是用 jinja2 模板。
簡單介紹下思路，現在開始上程式碼。
就幾行而已，Python很省程式碼~
首先定義倆模型
class Field(object):
def __init__(self, name: str, verbose_name: str, max_length: int = 128):
self.name = name
self.verbose_name = verbose_name
self.max_length = max_length
def __str__(self):
return f'<Field>{self.name}:{self.verbose_name}'
def __repr__(self):
return self.__str__()
為了符合Python關於變數的命名規範，snake_name 屬性是用正規表示式實現駝峰命名轉蛇形命名
class Model(object):
def __init__(self, name: str, verbose_name: str, id_field: Field, fields: List[Field]):
self.name = name
self.verbose_name = verbose_name
self.id_field = id_field
self.fields: List[Field] = fields
@property
def snake_name(self):
import re
pattern = re.compile(r'(?<!^)(?=[A-Z])')
name = pattern.sub('_', self.name).lower()
return name
def __str__(self):
return f'<Model>{self.name}:{self.verbose_name}'
def __repr__(self):
return self.__str__()
使用 jinja2 實現。
本身 jinja2 是 Flask、Django 之類的框架用來渲染網頁的。
不過單獨使用的效果也不錯，我的 DjangoStarter 框架也是用這個 jinja2 來自動生成 CRUD 程式碼~
# -*- coding:utf-8 -*-
from django.db import models
class {{ model.name }}(models.Model):
"""{{ model.verbose_name }}"""
{% for field in model.fields -%}
{{ field.name }} = models.CharField('{{ field.verbose_name }}', default='', null=True, blank=True, max_length={{ field.max_length }})
{% endfor %}
class Meta:
db_table = '{{ model.snake_name }}'
verbose_name = '{{ model.verbose_name }}'
verbose_name_plural = verbose_name
@admin.register({{ model.name }})
class {{ model.name }}Admin(admin.ModelAdmin):
list_display = [{% for field in model.fields %}'{{ field.name }}', {% endfor %}]
list_display_links = None
def has_add_permission(self, request):
return False
def has_delete_permission(self, request, obj=None):
return False
def has_view_permission(self, request, obj=None):
return False
這裡做了幾件事：
更新邏輯麻煩一點，因為資料庫一般都有每次最大更新數量的限制，所以我做了分批次處理，通過 update_data_once_max_lines 控制每次最多同時更新多少條資料。
def import_{{ model.snake_name }}():
file_path = path_proc(r'{{ excel_filepath }}')
logger.info(f'讀取檔案: {file_path}')
xlsx = pd.ExcelFile(file_path)
df = pd.read_excel(xlsx, 0, header={{ excel_header }})
df.fillna('', inplace=True)
logger.info('開始處理資料')
id_field_list = {{ model.name }}.objects.values_list('{{ model.id_field.name }}', flat=True)
item_list = list({{ model.name }}.objects.all())
def get_item(id_value):
for i in item_list:
if i.shen_qing_ren_zheng_jian_hao_ma == id_value:
return i
return None
insert_data = []
update_data_once_max_lines = 100
update_data_sub_set_index = 0
update_data = [[]]
update_fields = set()
for index, row in df.iterrows():
if '{{ model.id_field.verbose_name }}' not in row:
logger.error('id_field {} is not existed'.format('{{ model.id_field.verbose_name }}'))
continue
if row['{{ model.id_field.verbose_name }}'] in id_field_list:
item = get_item(row['{{ model.id_field.verbose_name }}'])
{% for field in model.fields -%}
if '{{ field.verbose_name }}' in row:
if item.{{ field.name }} != row['{{ field.verbose_name }}']:
item.{{ field.name }} = row['{{ field.verbose_name }}']
update_fields.add('{{ field.name }}')
{% endfor %}
if len(update_data[update_data_sub_set_index]) >= update_data_once_max_lines:
update_data_sub_set_index += 1
update_data.append([])
update_data[update_data_sub_set_index].append(item)
else:
# {% for field in model.fields -%}{{ field.verbose_name }},{%- endfor %}
model_obj = {{ model.name }}()
{% for field in model.fields -%}
if '{{ field.verbose_name }}' in row:
model_obj.{{ field.name }} = row['{{ field.verbose_name }}']
{% endfor %}
insert_data.append(model_obj)
logger.info('開始批次匯入')
{{ model.name }}.objects.bulk_create(insert_data)
logger.info('匯入完成')
if len(update_data[update_data_sub_set_index]) > 0:
logger.info('開始批次更新')
for index, update_sub in enumerate(update_data):
logger.info(f'正在更新 {index * update_data_once_max_lines}-{(index + 1) * update_data_once_max_lines} 條資料')
{{ model.name }}.objects.bulk_update(update_sub, list(update_fields))
logger.info('更新完成')
剩下的全是核心程式碼了
先把用到的庫匯入
import os
import re
from typing import List, Optional
from pypinyin import pinyin, lazy_pinyin, Style
from jinja2 import Environment, PackageLoader, FileSystemLoader
或者後面直接去我的完整程式碼裡面拿也行~
老規矩，我封裝了一個類。
構造方法需要指定 Excel 檔案地址，還有表頭的行索引。
class ExcelToModel(object):
def __init__(self, filepath, header_index=0):
self.filepath = filepath
self.header_index = header_index
self.columns = []
self.fields: List[Field] = []
self.base_dir = os.path.dirname(os.path.abspath(__file__))
self.template_path = os.path.join(self.base_dir, 'templates')
self.jinja2_env = Environment(loader=FileSystemLoader(self.template_path))
self.load_file()
這裡面有個 self.load_file() 後面再貼。
用了 pypinyin 這個庫，感覺還不錯。
轉換後用正規表示式，去除符號，只保留英文和數位。
程式碼如下，也是放在 ExcelToModel 類裡邊。
@staticmethod
def to_pinyin(text: str) -> str:
pattern = r'~`!#$%^&*()_+-=|\';"＂:/.,?><~·！@#￥%……&*（）——+-=「：’；、。，？》{《}】【\n\]\[ '
text = re.sub(r"[%s]+" % pattern, "", text)
return '_'.join(lazy_pinyin(text, style=Style.NORMAL))
拿出萬能的 pandas，按照前面說的思路，提取表頭轉換成欄位，並且遍歷資料確定每個欄位的最大長度，我這裡偏移值是32，即在當前資料最大長度基礎上加上32個字元。
def load_file(self):
import pandas as pd
xlsx = pd.ExcelFile(self.filepath)
df = pd.read_excel(xlsx, 0, header=self.header_index)
df.fillna('', inplace=True)
self.columns = list(df.columns)
for col in self.columns:
field = Field(self.to_pinyin(col), col)
self.fields.append(field)
for index, row in df.iterrows():
item_len = len(str(row[col]))
if item_len > field.max_length:
field.max_length = item_len + 32
print(field.verbose_name, field.name, field.max_length)
如果覺得這樣生成表太慢，可以把確定最大長度的這塊程式碼去掉，就下面這塊程式碼
for index, row in df.iterrows():
item_len = len(str(row[col]))
if item_len > field.max_length:
field.max_length = item_len + 32
手動指定最大長度或者換成不限制長度的 TextField 就行。
先構造個 context 然後直接用 jinja2 的 render 功能生成程式碼。
為了在匯入時判斷資料存不存在，生成程式碼時要指定 id_field_verbose_name，即Excel檔案中類似「證件號碼」、「編號」之類的列名，注意是Excel中的表頭列名。
def find_field_by_verbose_name(self, verbose_name) -> Optional[Field]:
for field in self.fields:
if field.verbose_name == verbose_name:
return field
return None
def generate_file(self, model_name: str, verbose_name: str, id_field_verbose_name: str, output_filepath: str):
template = self.jinja2_env.get_template('output.jinja2')
context = {
'model': Model(
model_name, verbose_name,
self.find_field_by_verbose_name(id_field_verbose_name),
self.fields
),
'excel_filepath': self.filepath,
'excel_header': self.header_index,
}
with open(output_filepath, 'w+', encoding='utf-8') as f:
render_result = template.render(context)
f.write(render_result)
看程式碼。
tool = ExcelToModel('file.xlsx')
tool.generate_file('CitizenFertility', '房價與居民生育率', '證件號碼', 'output/citizen_fertility.py')
生成出來的程式碼都在一個檔案裡，請根據實際情況放到專案的各個位置。
釋出到Github了
地址: https://github.com/Deali-Axy/excel_to_model
目前看來完美契合需求，極大節省工作量~
實際跑起來，不得不吐槽 Python 羸弱的效能，佔記憶體還大… 湊合著用吧。也許後面有時間會優化一下~