目录
今天不分享netmiko，今天分享一个用python提升工作效率的小案例：
acl梳理时的信息匹配。
背景
最近同事在梳理ACL，需要对每一条destination为主机的条目，针对该目的地址主机，标记出这台主机的作用。
工作量大，重复性高，易错率高。
所以使用python进行自动化。
分析
- 首先，同事给出了一版已经做好匹配的文档，如下图（模拟）：
- 根据给出的excel，拆分出对应的数据，放在一个sheet中，我这里命名为
pattern
第一列为IP，第二列开始为给出的主机信息：
- 分析python脚本执行思路：
- 读取
patternsheet中的数据，以字典方式存入，key为第一列的IP，value为后续的主机信息（以列表存储）； - 循环对
除了pattern sheet的其他sheet，每一行数据的第一列（即acl的每一个rule）去匹配刚刚第一步存储的字典的key，匹配成功后，在这一行后单元格中，填入key对应的value的值。
- 读取
代码
python
import pandas as pd
import numpy as np
def load_pattern_from_excel(file_path: str) -> dict:
"""
从指定的Excel文件中读取'pattern'表内容，并返回一个字典。
字典的键为第一列的值，值为每行后续列的内容列表（去除NaN）。
参数:
file_path (str): Excel文件的路径。
返回:
dict: 包含键值对的字典，键为第一列的内容，值为该行后续列的列表（去除NaN）。
"""
# 读取Excel文件中的 'pattern' sheet
df = pd.read_excel(file_path, sheet_name='pattern')
# 将第一列作为字典的键，后续列的内容作为值存储在字典中，去除NaN
pattern = {row[0]: [item for item in row[1:] if pd.notna(item)] for row in df.itertuples(index=False, name=None)}
return pattern
def match_and_append_pattern(file_path: str, pattern: dict):
"""
读取Excel文件中除'pattern'和'indexsheet'之外的所有sheet，
检查第一列是否包含pattern中的key，匹配后将对应value的每个元素写入相邻单元格（跳过NaN）。
参数:
file_path (str): Excel文件的路径。
pattern (dict): 包含匹配模式的字典，键为要匹配的字符串，值为需要写入的列表（无NaN）。
"""
# 读取Excel文件
xls = pd.ExcelFile(file_path)
# 获取所有sheet名称，排除 'pattern' 和 'indexsheet'
sheets_to_process = [sheet for sheet in xls.sheet_names if sheet not in ['pattern', 'indexsheet']]
# 创建一个字典来存储每个sheet的更新内容
updated_sheets = {}
# 遍历需要处理的sheet
for sheet_name in sheets_to_process:
# 读取当前sheet的数据
df = pd.read_excel(xls, sheet_name=sheet_name)
# 遍历第一列的每一行，检查是否包含pattern的key
for idx, cell_value in enumerate(df.iloc[:, 0]):
for key, values in pattern.items():
if key in str(cell_value): # 检查第一列单元格是否包含key
# 在匹配的行写入values中的每个非NaN元素
start_col = 1 # 从B列开始写入
for value in values:
if pd.notna(value): # 仅写入非NaN的值
if start_col >= df.shape[1]:
df.insert(start_col, f'New_Col_{start_col}', None) # 添加新列
df.iat[idx, start_col] = value
start_col += 1
break # 只匹配第一个找到的key并写入
# 将更新后的DataFrame存储到字典中
updated_sheets[sheet_name] = df
# 将更新后的内容写回到新的Excel文件中
with pd.ExcelWriter('Updated_ACL.xlsx') as writer:
for sheet_name, updated_df in updated_sheets.items():
updated_df.to_excel(writer, sheet_name=sheet_name, index=False)
print("匹配和追加已完成，文件已保存为 'Updated_ACL.xlsx'.")
def main():
file_path = 'ACL.xlsx'
# 加载 pattern 表内容
pattern = load_pattern_from_excel(file_path)
# 进行匹配并更新其他 sheet
match_and_append_pattern(file_path, pattern)
if __name__ == "__main__":
main()代码解读
这版代码实现了从Excel文件中提取特定的模式（pattern），并将这些模式应用到其他工作表中，对匹配的内容进行扩展性写入。以下是对代码的逐步讲解，以便更详细地了解其逻辑和功能：
代码总体结构
load_pattern_from_excel函数 ：从Excel文件的patternsheet中读取数据，并生成一个以字典形式存储的pattern变量。match_and_append_pattern函数 ：将pattern变量的内容应用到ACL.xlsx中除pattern和indexsheet之外的所有sheet，找到匹配项后，将模式中对应的内容写入匹配行的指定位置。main函数 ：作为脚本的主函数，负责调用load_pattern_from_excel和match_and_append_pattern函数，完成整个流程。
1. load_pattern_from_excel 函数
python
def load_pattern_from_excel(file_path: str) -> dict:
"""
从指定的Excel文件中读取'pattern'表内容，并返回一个字典。
字典的键为第一列的值，值为每行后续列的内容列表（去除NaN）。
参数:
file_path (str): Excel文件的路径。
返回:
dict: 包含键值对的字典，键为第一列的内容，值为该行后续列的列表（去除NaN）。
"""
# 读取Excel文件中的 'pattern' sheet
df = pd.read_excel(file_path, sheet_name='pattern')
# 将第一列作为字典的键，后续列的内容作为值存储在字典中，去除NaN
pattern = {row[0]: [item for item in row[1:] if pd.notna(item)] for row in df.itertuples(index=False, name=None)}
return pattern功能解释：
load_pattern_from_excel函数的作用是读取Excel文件中特定的sheet（在这里是pattern）并将其内容格式化为一个字典pattern。- 字典的键来自于
patternsheet 的第一列，表示需要在其他工作表中匹配的字符串。 - 字典的值是每行后续列的内容列表，并且过滤掉所有
NaN值 。这意味着，如果有空白单元格，它们不会被纳入到pattern中。
实现细节：
pd.read_excel(file_path, sheet_name='pattern')读取指定的Excel文件的patternsheet。- 使用
itertuples遍历每一行，并构建一个字典推导式{row[0]: [item for item in row[1:] if pd.notna(item)]}，通过列表推导式过滤掉NaN值。
2. match_and_append_pattern 函数
python
def match_and_append_pattern(file_path: str, pattern: dict):
"""
读取Excel文件中除'pattern'和'indexsheet'之外的所有sheet，
检查第一列是否包含pattern中的key，匹配后将对应value的每个元素写入相邻单元格（跳过NaN）。
参数:
file_path (str): Excel文件的路径。
pattern (dict): 包含匹配模式的字典，键为要匹配的字符串，值为需要写入的列表（无NaN）。
"""
# 读取Excel文件
xls = pd.ExcelFile(file_path)
# 获取所有sheet名称，排除 'pattern' 和 'indexsheet'
sheets_to_process = [sheet for sheet in xls.sheet_names if sheet not in ['pattern', 'indexsheet']]
# 创建一个字典来存储每个sheet的更新内容
updated_sheets = {}
# 遍历需要处理的sheet
for sheet_name in sheets_to_process:
# 读取当前sheet的数据
df = pd.read_excel(xls, sheet_name=sheet_name)
# 遍历第一列的每一行，检查是否包含pattern的key
for idx, cell_value in enumerate(df.iloc[:, 0]):
for key, values in pattern.items():
if key in str(cell_value): # 检查第一列单元格是否包含key
# 在匹配的行写入values中的每个非NaN元素
start_col = 1 # 从B列开始写入
for value in values:
if pd.notna(value): # 仅写入非NaN的值
if start_col >= df.shape[1]:
df.insert(start_col, f'New_Col_{start_col}', None) # 添加新列
df.iat[idx, start_col] = value
start_col += 1
break # 只匹配第一个找到的key并写入
# 将更新后的DataFrame存储到字典中
updated_sheets[sheet_name] = df
# 将更新后的内容写回到新的Excel文件中
with pd.ExcelWriter('Updated_ACL.xlsx') as writer:
for sheet_name, updated_df in updated_sheets.items():
updated_df.to_excel(writer, sheet_name=sheet_name, index=False)
print("匹配和追加已完成，文件已保存为 'Updated_ACL.xlsx'.")功能解释：
- 该函数的主要功能是遍历
ACL.xlsx中所有的工作表（除pattern和indexsheet），然后检查每个工作表的第一列中是否包含pattern中的任何键。 - 一旦找到匹配的键，函数会从B列开始，按顺序将
pattern中对应的值逐个写入单元格，每个值占据一个单元格。如果值为NaN则跳过。
实现细节：
- 读取所有工作表 ：使用
pd.ExcelFile(file_path)读取Excel文件，然后过滤出需要处理的工作表。 - 遍历每个工作表 ：使用
for sheet_name in sheets_to_process逐个读取并处理每个工作表。 - 匹配和写入数据 ：
for idx, cell_value in enumerate(df.iloc[:, 0])遍历第一列的每一行，检查每个单元格是否包含pattern中的任何键。- 如果匹配成功，则按顺序将
values列表中的每个元素写入到匹配行的相邻单元格，从B列开始（即start_col = 1）。 - 在写入时，使用
pd.notna(value)跳过NaN值。 - 如果需要的列数超过现有列，则动态添加新列
df.insert(start_col, f'New_Col_{start_col}', None)。
- 保存更新后的工作表 ：处理完所有工作表后，将结果保存到新的Excel文件
Updated_ACL.xlsx。
3. main 函数
python
if __name__ == "__main__":
file_path = 'ACL.xlsx'
# 加载 pattern 表内容
pattern = load_pattern_from_excel(file_path)
# 进行匹配并更新其他 sheet
match_and_append_pattern(file_path, pattern)功能解释：
- 首先加载
patternsheet 的内容并生成pattern字典。 - 然后调用
match_and_append_pattern函数，对所有目标工作表进行处理并输出结果。
总结
- 代码逻辑 ：先构建模式数据字典
pattern，然后匹配并写入其他工作表。 - 数据写入 ：匹配成功的
value列表内容依次写入相邻单元格，跳过NaN值。 - 输出文件 ：最终将处理结果保存到新文件
Updated_ACL.xlsx。
最终的效果：
让每一个sheet都如下图一样：