notion+excel自动创建表格| 了解了notion api

好好学操作系统2026-01-20 9:06

notion

难点-创建 Notion 集成

  1. 访问 Notion Developers 页面。

  2. 创建一个新的集成，并获得 API 密钥（integration token）。

  3. 将集成添加到你要操作的工作区，并获取相关权限。

代码解释：

  1. NOTION_API_URL : 用于访问 Notion API 的 URL。这个不要动！官方的。

  2. NOTION_TOKEN: 你的 Notion API token（集成密钥）。

  3. DATABASE_PARENT_PAGE_ID: 你想要将这些数据库放入的页面 ID。可以在 Notion 中右键页面并选择"复制链接"，然后从链接中提取 ID。

  4. create_database : 创建数据库的函数，接收数据库名称和属性作为参数，使用 requests.post() 发送 API 请求。

  5. databases: 定义了每个数据库的名称和属性（表头列名）。每个数据库会有不同的列，根据你的要求设置了列类型（例如文本、日期、URL等）。

  6. 循环创建数据库 : 遍历 databases 字典，为每个数据库调用 create_database 函数，并打印响应。

运行代码：

  1. 你需要在 Notion 中创建一个集成，并获取 API 密钥。

  2. 用你的 API 密钥替换代码中的 NOTION_TOKEN，并将你想要添加数据库的页面 ID 填入 DATABASE_PARENT_PAGE_ID。

  3. 运行代码，它会为你创建 6 个数据库，并按要求配置列。

注意事项：

  • 小编悲伤地发现，一开始没理解意思，自己按照
python 复制代码 
import requests
import json

# 定义 Notion API 访问的 URL 和 token
NOTION_API_URL = "https://api.notion.com/v1/databases"
NOTION_TOKEN = "your_notion_api_token_here"  # 将此替换为你的API密钥
DATABASE_PARENT_PAGE_ID = "your_parent_page_id_here"  # 填写你的父页面 ID

# 请求头
headers = {
    "Authorization": f"Bearer {NOTION_TOKEN}",
    "Content-Type": "application/json",
    "Notion-Version": "2022-06-28",  # 确保使用适当的版本
}

# 创建数据库的函数
def create_database(database_name, properties):
    data = {
        "parent": {"type": "page_id", "page_id": DATABASE_PARENT_PAGE_ID},
        "title": [{"type": "text", "text": {"content": database_name}}],
        "properties": properties
    }
    response = requests.post(NOTION_API_URL, headers=headers, json=data)
    return response.json()

# 配置每个数据库的结构和列
# 确保每个数据库至少有一个 `title` 属性
databases = {
    "Company Brief": {
        "Title": {"title": {}},  # 这里是必填字段
        "Company": {"rich_text": {}},
        "Code": {"rich_text": {}},
        "Business": {"rich_text": {}},
        "Competitors": {"rich_text": {}},
        "Key Products": {"rich_text": {}}
    },
    "Source Library": {
        "Title": {"title": {}},  # 这里是必填字段
        "Annual Report": {"rich_text": {}},
        "Announcements": {"rich_text": {}},
        "Earnings Call": {"rich_text": {}},
        "Broker Reports": {"rich_text": {}},
        "Industry Materials": {"rich_text": {}}
    },
    "Industry Map": {
        "Title": {"title": {}},  # 这里是必填字段
        "Industry Chain": {"rich_text": {}},
        "Key Links": {"rich_text": {}},
        "Policy": {"rich_text": {}},
        "Upstream/Downstream": {"rich_text": {}},
        "Price/Cycle Variables": {"rich_text": {}}
    },
    "Moat & Competition": {
        "Title": {"title": {}},  # 这里是必填字段
        "Scorecard": {"rich_text": {}},
        "Evidence Link": {"url": {}}
    },
    "Risks & Bear Case": {
        "Title": {"title": {}},  # 这里是必填字段
        "Risk Item": {"rich_text": {}},
        "Trigger Indicator": {"rich_text": {}},
        "Evidence": {"rich_text": {}}
    },
    "Research Log": {
        "Title": {"title": {}},  # 这里是必填字段
        "Date": {"date": {}},
        "Content": {"rich_text": {}},
        "Conclusion": {"rich_text": {}},
        "Questions": {"rich_text": {}},
        "Next Steps": {"rich_text": {}}
    }
}


# 创建所有数据库
for database_name, properties in databases.items():
    response = create_database(database_name, properties)
    print(f"Created database: {database_name} | Response: {response}")

Excel 工作簿，自动添加

代码解释：

  1. 数据结构创建：

    • 每个表的数据使用 Python 字典表示，列名作为键，数据作为值。

    • 使用 pandas.DataFrame() 将这些字典转换为 DataFrame 对象。

  2. Excel 写入：

    • 使用 pd.ExcelWriter() 配合 openpyxl 引擎将 DataFrame 写入 Excel 文件中。

    • 每个表格都会被写入一个单独的工作表，工作表的名称会根据你的需求设置为 "Inputs"、"IS"、"BS"、"CF" 等。

  3. 输出文件 ：最终生成的 Excel 文件将保存为 financial_model.xlsx

python 复制代码 
import pandas as pd
from openpyxl import Workbook

# 创建一个新的 Excel 工作簿
wb = Workbook()

# 创建 Inputs 工作表
inputs_data = {
    "假设名称": ["增长率", "折现率", "税率", "长期增长率"],
    "当前值": ["", "", "", ""],  # 初始值可以是空的，后期填充
    "备注": ["", "", "", ""]
}
inputs_df = pd.DataFrame(inputs_data)

# 创建 IS（利润表）工作表
is_data = {
    "年份": ["2022", "2023", "2024", "2025", "2026"],
    "收入": ["", "", "", "", ""],
    "成本": ["", "", "", "", ""],
    "毛利": ["", "", "", "", ""],
    "运营费用": ["", "", "", "", ""],
    "EBIT": ["", "", "", "", ""],
    "利息": ["", "", "", "", ""],
    "税前利润": ["", "", "", "", ""],
    "税后利润": ["", "", "", "", ""],
    "净利润": ["", "", "", "", ""]
}
is_df = pd.DataFrame(is_data)

# 创建 BS（资产负债表）工作表
bs_data = {
    "年份": ["2022", "2023", "2024", "2025", "2026"],
    "资产": ["", "", "", "", ""],
    "负债": ["", "", "", "", ""],
    "股东权益": ["", "", "", "", ""],
    "流动资产": ["", "", "", "", ""],
    "非流动资产": ["", "", "", "", ""],
    "流动负债": ["", "", "", "", ""],
    "非流动负债": ["", "", "", "", ""]
}
bs_df = pd.DataFrame(bs_data)

# 创建 CF（现金流量表）工作表
cf_data = {
    "年份": ["2022", "2023", "2024", "2025", "2026"],
    "经营活动现金流": ["", "", "", "", ""],
    "投资活动现金流": ["", "", "", "", ""],
    "融资活动现金流": ["", "", "", "", ""],
    "净现金流": ["", "", "", "", ""]
}
cf_df = pd.DataFrame(cf_data)

# 创建 KPIs（关键指标自动计算）工作表
kpis_data = {
    "指标名称": ["毛利率", "净利率", "ROE"],
    "计算公式": ["毛利/收入", "净利润/收入", "净利润/股东权益"],
    "当前值": ["", "", ""],
    "历史值": ["", "", ""]
}
kpis_df = pd.DataFrame(kpis_data)

# 创建 DCF（折现现金流）工作表
dcf_data = {
    "年份": ["2022", "2023", "2024", "2025", "2026"],
    "自由现金流": ["", "", "", "", ""],
    "终值": ["", "", "", "", ""],
    "折现率": ["", "", "", "", ""],
    "折现因子": ["", "", "", "", ""],
    "折现后现金流": ["", "", "", "", ""]
}
dcf_df = pd.DataFrame(dcf_data)

# 创建 Comps（同业可比）工作表
comps_data = {
    "公司": ["公司A", "公司B", "公司C"],
    "P/E": ["", "", ""],
    "EV/EBITDA": ["", "", ""],
    "P/B": ["", "", ""],
    "其他估值倍数": ["", "", ""],
    "估值区间": ["", "", ""]
}
comps_df = pd.DataFrame(comps_data)

# 写入工作表
with pd.ExcelWriter('financial_model.xlsx', engine='openpyxl') as writer:
    inputs_df.to_excel(writer, sheet_name="Inputs", index=False)
    is_df.to_excel(writer, sheet_name="IS", index=False)
    bs_df.to_excel(writer, sheet_name="BS", index=False)
    cf_df.to_excel(writer, sheet_name="CF", index=False)
    kpis_df.to_excel(writer, sheet_name="KPIs", index=False)
    dcf_df.to_excel(writer, sheet_name="DCF", index=False)
    comps_df.to_excel(writer, sheet_name="Comps", index=False)

print("Excel 文件已创建并保存为 'financial_model.xlsx'")

分享和权限 | Notion 客户端

目前没心思静下来研究功能！mark

Notion MCP + Claude Code 完美结合教程 - 让大模型自动管理你的知识库_notion claude code-CSDN博客

广告打得飞起，文章写得垃圾，但是mark一下，Notion MCP + Claude Code看上去很好的模式

相关推荐
草莓熊Lotso12 小时前
Linux 文件描述符与重定向实战：从原理到 minishell 实现
android·linux·运维·服务器·数据库·c++·人工智能
大模型玩家七七12 小时前
基于语义切分 vs 基于结构切分的实际差异
java·开发语言·数据库·安全·batch
岳麓丹枫00113 小时前
PostgreSQL 中 pg_wal 目录里的 .ready .done .history 文件的生命周期
数据库·postgresql
寻星探路17 小时前
【深度长文】万字攻克网络原理：从 HTTP 报文解构到 HTTPS 终极加密逻辑
java·开发语言·网络·python·http·ai·https
陌上丨19 小时前
Redis的Key和Value的设计原则有哪些？
数据库·redis·缓存
AI_567819 小时前
AWS EC2新手入门：6步带你从零启动实例
大数据·数据库·人工智能·机器学习·aws
ValhallaCoder20 小时前
hot100-二叉树I
数据结构·python·算法·二叉树
ccecw20 小时前
Mysql ONLY_FULL_GROUP_BY模式详解、group by非查询字段报错
数据库·mysql
JH307320 小时前
达梦数据库与MySQL的核心差异解析：从特性到实践
数据库·mysql
数据知道20 小时前
PostgreSQL 核心原理：如何利用多核 CPU 加速大数据量扫描（并行查询）
数据库·postgresql
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03openclaw配置教程（linux+局域网ollama）04UV安装并设置国内源05AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南06Linux下V2Ray安装配置指南07openclaw使用nginx反代部署过程 与disconnected (1008): pairing required解决08在Trae中使用Pencil MCP09Claude Code Skills 实用使用手册10Vue-skills的中文文档