Excel AI Converter：用 DeepSeek 自动转换表格格式
上传原始表格和参考模板，AI 自动完成列映射、数据填充和公式重写。告别手动复制粘贴。
目录
这个工具解决什么问题
你有一份数据表，需要转换成另一个部门的报表格式。两个表的数据差不多，但列名不一样、顺序不一样、有些列需要手动计算。
手动做这件事的流程：打开两个 Excel 窗口，左边是原始数据，右边是目标模板。对着列标题一个个复制粘贴------"姓名"对应"Name"，"手机号"对应"Phone"，"入职日期"对应"Date of Hire"。还得把模板里的公式手动调整到每一行，最后调格式。
一张 200 行的表，手动转换大概要半小时。而且容易出错------漏了一列、公式行号没改、格式没对齐。
Excel AI Converter 就是为了解决这个问题。上传原始表格和参考模板，AI 自动识别列之间的对应关系，完成数据转换，生成的文件直接继承模板的格式和公式。
GitHub 地址：excel-ai-converter
功能特性
AI 智能列映射------不需要手动指定"源表的哪一列对应目标表的哪一列"。AI 分析两组列标题的语义，自动建立映射。"姓名"→"Name"，"手机号"→"Phone"，语义相同就能匹配上。
AI 数据生成------目标模板里有些列在源表中找不到对应数据。比如模板要求"部门"，但源表只有"工号"。AI 会根据上下文推断生成合理的值，而不是留空。
公式自动重写 ------参考模板里的公式（比如 =SUM(C2:D2)）会自动适配到每一行数据。不用手动改行号。
格式保留------输出文件以参考模板为基础复制，继承表头样式、列宽、合并单元格等格式信息。
拖拽上传 + 数据预览------支持拖放文件到界面，上传后即时预览表格内容。
使用流程
上传原始表格 → 上传参考模板 → 点击转换 → 下载结果具体步骤：
- 在界面中设置 DeepSeek API Key
- 上传原始表格（包含待转换数据的 Excel 文件）
- 上传参考表格（期望输出格式的 Excel 模板）
- 点击「开始转换」，等待 AI 完成分析和转换
- 下载转换后的 Excel 文件
安装和启动
bash
git clone https://github.com/xiaodangjia105/excel-ai-converter.git
cd excel-ai-converter
pip install -r excel_converter/requirements.txt
cd excel_converter
python -m flask run --host 127.0.0.1 --port 5000浏览器打开 http://127.0.0.1:5000 即可使用。
技术栈
| 组件 | 技术 |
|---|---|
| 后端 | Python + Flask |
| 前端 | HTML + CSS + JavaScript |
| Excel 处理 | openpyxl（Python 的 Excel 读写库） |
| AI 能力 | DeepSeek API（兼容 OpenAI SDK） |
技术架构
#mermaid-svg-9Inxws8EDV0gLDwp{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9Inxws8EDV0gLDwp .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9Inxws8EDV0gLDwp .error-icon{fill:#552222;}#mermaid-svg-9Inxws8EDV0gLDwp .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9Inxws8EDV0gLDwp .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9Inxws8EDV0gLDwp .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9Inxws8EDV0gLDwp .marker.cross{stroke:#333333;}#mermaid-svg-9Inxws8EDV0gLDwp svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9Inxws8EDV0gLDwp p{margin:0;}#mermaid-svg-9Inxws8EDV0gLDwp .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-9Inxws8EDV0gLDwp .cluster-label text{fill:#333;}#mermaid-svg-9Inxws8EDV0gLDwp .cluster-label span{color:#333;}#mermaid-svg-9Inxws8EDV0gLDwp .cluster-label span p{background-color:transparent;}#mermaid-svg-9Inxws8EDV0gLDwp .label text,#mermaid-svg-9Inxws8EDV0gLDwp span{fill:#333;color:#333;}#mermaid-svg-9Inxws8EDV0gLDwp .node rect,#mermaid-svg-9Inxws8EDV0gLDwp .node circle,#mermaid-svg-9Inxws8EDV0gLDwp .node ellipse,#mermaid-svg-9Inxws8EDV0gLDwp .node polygon,#mermaid-svg-9Inxws8EDV0gLDwp .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9Inxws8EDV0gLDwp .rough-node .label text,#mermaid-svg-9Inxws8EDV0gLDwp .node .label text,#mermaid-svg-9Inxws8EDV0gLDwp .image-shape .label,#mermaid-svg-9Inxws8EDV0gLDwp .icon-shape .label{text-anchor:middle;}#mermaid-svg-9Inxws8EDV0gLDwp .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9Inxws8EDV0gLDwp .rough-node .label,#mermaid-svg-9Inxws8EDV0gLDwp .node .label,#mermaid-svg-9Inxws8EDV0gLDwp .image-shape .label,#mermaid-svg-9Inxws8EDV0gLDwp .icon-shape .label{text-align:center;}#mermaid-svg-9Inxws8EDV0gLDwp .node.clickable{cursor:pointer;}#mermaid-svg-9Inxws8EDV0gLDwp .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9Inxws8EDV0gLDwp .arrowheadPath{fill:#333333;}#mermaid-svg-9Inxws8EDV0gLDwp .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9Inxws8EDV0gLDwp .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9Inxws8EDV0gLDwp .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9Inxws8EDV0gLDwp .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9Inxws8EDV0gLDwp .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9Inxws8EDV0gLDwp .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9Inxws8EDV0gLDwp .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9Inxws8EDV0gLDwp .cluster text{fill:#333;}#mermaid-svg-9Inxws8EDV0gLDwp .cluster span{color:#333;}#mermaid-svg-9Inxws8EDV0gLDwp div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9Inxws8EDV0gLDwp .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9Inxws8EDV0gLDwp rect.text{fill:none;stroke-width:0;}#mermaid-svg-9Inxws8EDV0gLDwp .icon-shape,#mermaid-svg-9Inxws8EDV0gLDwp .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9Inxws8EDV0gLDwp .icon-shape p,#mermaid-svg-9Inxws8EDV0gLDwp .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9Inxws8EDV0gLDwp .icon-shape .label rect,#mermaid-svg-9Inxws8EDV0gLDwp .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9Inxws8EDV0gLDwp .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9Inxws8EDV0gLDwp .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9Inxws8EDV0gLDwp :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 上传/转换/下载
DeepSeek API
浏览器前端
Flask API
excel_parser
conversion_engine
ai_service
大语言模型
四个核心模块各司其职：
- app.py ：Flask Web 服务。定义了四个 API 端点------
/api/configure（设置 API Key）、/api/upload（上传文件）、/api/convert（执行转换）、/api/download（下载结果）。用 Flask Session 存储用户上传的文件路径和 API Key。 - excel_parser.py：Excel 文件解析。用 openpyxl 读取 Excel 文件的表头、数据行、公式、列宽、合并单元格和样式信息。
- conversion_engine.py：转换引擎。串联整个转换流程------调 excel_parser 解析两个文件、调 ai_service 做列映射、按映射关系填充数据、重写公式、输出结果文件。
- ai_service.py：AI 服务。封装 DeepSeek API 的调用，提供两个核心能力------列映射分析和缺失数据生成。
核心实现详解
AI 列映射
这是整个工具最核心的能力。ai_service.py 的 analyze_column_mapping 函数把源表和目标表的列标题发给 DeepSeek，让它判断哪些列语义相同。
Prompt 的关键设计：
python
prompt = """你是一个数据表格格式转换专家。请分析以下两组表格的列标题，
判断源表格的哪些列可以映射到目标表格的列。
源表格列标题：{src}
目标表格列标题：{tgt}
请返回严格的 JSON 格式：
{{
"mappings": [
{{"source_col": "源列名", "target_col": "目标列名", "confidence": 0.95}}
],
"unmapped_targets": ["无法映射的目标列名"]
}}
规则：
1. 只映射含义相同或高度相似的列
2. confidence 0-1，完全匹配 0.95，相似 0.7
3. 源表无匹配的目标列放入 unmapped_targets"""几个设计考量：
- 要求返回 confidence 分数：方便后续过滤低置信度的映射。完全匹配的列给 0.95，语义相似但不完全一样的给 0.7。
- 把未映射的列单独列出来：这些列要么由 AI 生成数据，要么用公式填充，和已映射的列走不同的处理路径。
- JSON 容错解析 ：AI 返回的 JSON 不一定干净------有时被包在
```json ````代码块里，有时前面多了一段解释文字。_parse_json_response函数做了多层提取：先试整体解析，再试从代码块里提取，最后试找{和}` 之间的内容。
降级策略：如果 AI 调用失败（网络超时、API 限流等），自动降级为本地模糊匹配------按列名的包含关系做字符串匹配。准确率不如 AI，但至少不会让整个转换流程挂掉。
python
def _fallback_mapping(source_headers, target_headers):
mappings = []
unmapped = []
used = set()
for th in target_headers:
matched = False
for sh in source_headers:
if sh in used:
continue
if th == sh or (th and sh and (th in sh or sh in th)):
mappings.append({"source_col": sh, "target_col": th, "confidence": 0.5})
used.add(sh)
matched = True
break
if not matched:
unmapped.append(th)
return {"mappings": mappings, "unmapped_targets": unmapped}AI 数据生成
对于源表中没有对应数据的列（unmapped_targets），调用 AI 根据上下文生成值。
分批处理是关键------每 10 行一批调用 API。原因：一次性传太多行数据，prompt 会很长，AI 的生成质量会下降，而且容易超时。
python
BATCH_SIZE = 10
for i in range(0, len(source_data_rows), BATCH_SIZE):
batch = source_data_rows[i:i + BATCH_SIZE]
results = _generate_batch(target_headers, batch, mapping_info, unmapped_cols)
all_results.extend(results)Prompt 里会把已有的映射关系、需要生成的列、当前批次的源数据一起传给 AI，让它根据上下文推断。比如源表有"工号=1001"、"姓名=张三"，目标表需要"部门"，AI 会根据工号和姓名推断一个合理的部门值。
生成失败时不会阻断整个流程------直接填充空字符串，保证转换能完成。
公式重写
参考模板里可能有公式，比如 =SUM(C2:D2)。转换后数据行数变了，公式里的行号也得跟着变。
核心思路：从参考模板中提取公式，把当前行号替换成占位符 {row}，生成公式模板。写入每一行数据时，把 {row} 替换成实际行号。
python
def _formula_to_template(formula, source_row):
"""=SUM(A2:B2) with source_row=2 → =SUM(A{row}:B{row})"""
def replace_ref(match):
col_part = match.group(1) # "$A" or "A"
row_part = match.group(2) # "$2" or "2"
row_num = int(row_part.replace("$", ""))
if row_num == source_row:
return f"{col_part}{{row}}"
return match.group(0)
pattern = r"(\$?[A-Z]+)(\$?\d+)"
return re.sub(pattern, replace_ref, formula)这个函数处理了 Excel 公式中所有的引用格式：A2、$A$2、$A2、A$2。只替换当前行号的引用，不影响公式中引用其他行的部分。
Excel 解析
excel_parser.py 用 openpyxl 的 data_only=False 模式打开 Excel 文件。这个模式很重要------data_only=True 只读取计算后的值，公式会丢失；data_only=False 保留公式字符串，但读不到计算值。这里选 False，因为公式重写是核心功能。
解析返回的信息包括：表头列表、数据行（每行每个单元格的值、公式、类型）、列宽、合并单元格范围、表头样式。这些信息支撑了后续的数据填充和格式保留。
项目结构
excel-ai-converter/
├── excel_converter/
│ ├── app.py # Flask Web 服务（4 个 API 端点）
│ ├── excel_parser.py # Excel 文件解析（表头、数据、公式、样式）
│ ├── conversion_engine.py # 转换引擎（列映射、数据填充、公式重写）
│ ├── ai_service.py # AI 服务（DeepSeek API 列映射与数据生成）
│ ├── requirements.txt # Python 依赖
│ ├── templates/index.html # 前端页面
│ ├── static/app.js # 前端交互逻辑
│ ├── static/style.css # 样式
│ ├── uploads/ # 上传文件存储
│ └── output/ # 转换结果存储
└── README.md总结与后续计划
Excel AI Converter 解决的核心问题是：两个格式不同但数据相关的 Excel 表之间的转换。AI 负责理解列之间的语义关系，代码负责数据搬运和公式处理。
当前的局限：
- 只支持单 Sheet，多 Sheet 的 Excel 需要手动拆分
- API 调用有延迟，大数据量（几千行以上）转换较慢
- AI 生成的缺失列数据质量取决于上下文丰富度，数据太少时可能不准
后续计划：
- 多 Sheet 支持
- 批量文件转换
- 支持本地模型（Ollama），不依赖云端 API
项目地址：github.com/xiaodangjia105/excel-ai-converter
觉得有用的话，点个 Star 支持一下。