python 操作 Excel 数据最好用的库：tablib

tablib 是最近用的操作 Excel 非常厉害的一个库。听过 requests 库吗？tablib 是 requests 库作者常年维护的一个可以操作 Excel 等多种文件格式，将他们变成一种通用数据集的第三方库。

tablib 支持的主要数据格式有：

•xls， 老版 office 的 excel 文件格式；•xlsx系列，新版 office 文件格式；•json•yaml•html•csv•df，（pandas 的 DataFrame, 需要安装 pandas）

也就是说，tablib 能把不同格式的数据转化成一种通用的关系型数据格式，然后在各个格式之间无缝切换。什么叫关系型数据格式呢？比如：

•MySQL 数据，每行数据对应着一个字段名。你可以通过这个库将数据库查询到的数据轻松存入 Excel。•Excel 数据，每行数据都有一个 header。•json, 数据分为 key 和 value•上面提到的都类似。

tablib 这种通用数据格式的特性解决了以前一些 Excel 操作库的一些格式问题。

操作 Excel 的几个常用库

•xlrd•openpyxl

这些库都是非常优秀的库，限制性也有：

1、xlrd 的问题。他只能读，不能写。要写还得另外装库。

2、openpyxl 的问题。只支持 xlsx 系列的读写。因为现在大多使用这种 Excel 格式，所以这个问题其实可以忽略，但如果你的 office 软件比较老，只能用 xls 格式，这个库就用不了了。

tablib 的安装

1、安装 pip install tablib

2、导入 import tablib

核心概念

Dataset 快速入门

先看一个小例子：

url, method, expected 是一个表的表头 header,其实就是每一列的名字，在数据库里我们称为字段名。下面的行都是数据。

想要创建一个 Excel 非常的简单，只需要准备你需要的数据 data, 表头 header 和 表的名字 title:

保存为 excel

要保存为 excel 文档，只需要像操作普通的文件一样读写就可以了，写入 data.xls 或者 data.xlsx 属性里面的数据：

注意：模式需要用二进制模式 wb

Databook

Databook 就是类似工作簿的概念，所以 Databook 需要的参数实际上就是上文中的 DataSet。如果一个 Excel 里只有一个表，用 DataSet 就够了，如果有多个表：

表格导入：import_set

说完 Excel 的写操作, 接下来是读操作， 读取一个 excel 文件也是和普通文件读写类似，调用 import_set 方法：

获取数据进行自动化测试

用一个例子来实战，获取 excel 文件里的数据，执行自动化测试程序：

导入book

和 DataSet 的操作一样的：

总结

这篇我们熟悉了 tablib 的核心概念：

•DataBook•DataSet•读取， import_set, import_book•写入, write

下篇我们将行列和数据操作，以及它的一些特性。

想用 Excel 进行自动化冒烟测试？用这个就对了。

tablib 操作测试用例的基础使用非常简单，你只需要记住以下 2 点：

1、使用 import_set导入 excel 文件

2、使用 DataSet 创建 excel 表格

现在来进行更精确的操作：

行列数据操作

先通过加载 excel 文件获取到数据

a 得到的是一个列表，每个元素是每一行数据。

1、获取行

2、获取列

3、 插入行

4、插入列

5、修改

注意：不要在代码里直接操作 a._data, 可以封装成方法。

冒烟用例执行

在测试过程中，我们经常需要执行冒烟用例。或者给测试用例打标签，比如登录功能，成功用例，异常用例等等。tablib 通过 tags 关键字方便删选指定的测试用例来执行。

1、添加 tags

2、修改 tags

3、去除重复元素

灵活的格式切换

测试数据最常用的功能是需要切换格式，比如把 excel 格式的数据切换成 yaml , 这个在接口自动化测试框架 httprunner 中经常用到。还是用 a 来表示 DataSet 数据：

1、存储为 yaml 文件：

2、导入 yaml 文件：

3、导出为 html ：

5、导出为 json:

效果：

其他常用方法

•,,是对列的相关操作•,,,是对行的相关操作•去除重复的记录•根据列进行排序•返回子Dataset•清空Dataset，包括表头和内容总结

tablib 这个库非常灵活，用法非常好记，完全符合我们对 excel 的理解。非常适用于 python 自动化测试的用例数据管理。只有一个缺点：中文资料太少。后面我会翻译一些优秀的英文文档，让更多人把这个优秀的库用起来。