文章目录
传统方法在处理大型Excel文件时可能面临内存不足的问题。以下方法通过分块读取适合处理数百MB甚至GB级别的Excel文件。
一、核心特性
内存高效：采用分块处理机制，避免一次性加载整个文件到内存
灵活配置：可自定义分块大小、工作表选择和表头设置
生成器模式：以迭代方式返回数据，适合流式处理
自动清理：正确处理文件资源，避免内存泄漏
二、使用示例
python
import pandas as pd
from openpyxl import load_workbook
from typing import Generator, Optional
def read_excel_in_chunks(
file_path: str,
chunk_size: int = 1000,
sheet_name: Optional[str] = None,
header: Optional[int] = 0,
) -> Generator[pd.DataFrame, None, None]:
"""
分块读取大型 Excel 文件，避免内存不足。
Args:
file_path (str): Excel 文件路径。
chunk_size (int): 每块的行数（默认 1000）。
sheet_name (str): 工作表名（默认第一个工作表）。
header (int): 表头所在行（默认第 0 行，无表头设为 None）。
Yields:
pd.DataFrame: 每个分块的 DataFrame。
"""
# 以只读模式打开 Excel 文件
wb = load_workbook(file_path, read_only=True)
# 选择工作表
if sheet_name is not None:
sheet = wb[sheet_name]
else:
sheet = wb.active # 默认第一个工作表
# 读取表头（如果有）
headers = []
if header is not None:
for row in sheet.iter_rows(min_row=header + 1, max_row=header + 1, values_only=True):
headers = list(row)
# 分块读取数据
chunk_data = []
start_row = (header + 1) if header is not None else 1 # 数据起始行
for i, row in enumerate(sheet.iter_rows(min_row=start_row, values_only=True), start=1):
chunk_data.append(row)
# 每积累 chunk_size 行，生成一个 DataFrame
if i % chunk_size == 0:
yield pd.DataFrame(chunk_data, columns=headers)
chunk_data = []
# 处理剩余行（不足 chunk_size 的部分）
if chunk_data:
yield pd.DataFrame(chunk_data, columns=headers)
# 关闭工作簿
wb.close()
for dfdf_chunk in read_excel_in_chunks(f'big.xlsx', chunk_size=1000):
# 可以转换为字典列表
data=df_chunk.to_dict(orient='records')
...三、性能建议
分块大小：根据可用内存调整，通常1000-10000行/块较为合适
无表头文件：设置header=None可跳过表头解析
工作表选择：明确指定sheet_name比使用默认工作表更高效
四、适用场景
大数据量 Excel 文件处理
内存受限环境下的数据分析
数据分批导入数据库
流式数据预处理