Python批量合并Excel并生成Word定时任务脚本

脚本专家

Python 自动化办公最常见的入口，不是学完语法再找场景，而是把每周重复的表格合并、清洗、拆发、生成文档和发邮件串成一条可运行流水线。原文给出的判断标准很实用：规则是否固定、频次是否够高、出错代价是否够大。三条都满足就值得写脚本；自动化真正的价值除了省时间，还在于消除人工操作带来的随机错误。

【工具选型与能力边界】
办公自动化的常见需求可以拆成读取、处理、产出、调度四层。pandas 适合表格读取、清洗、合并和统计；openpyxl 适合读写 .xlsx 并控制单元格样式、列宽和公式；python-docx 适合基于模板生成 Word；pdfplumber 适合提取 PDF 中的文字和表格；pypdf 适合 PDF 拆分、合并和元信息处理；pathlib 与 shutil 负责文件整理；smtplib 与 email 负责邮件；schedule 适合单机常驻脚本的周期执行。

需要避免两个误区。第一，不要用 openpyxl 读取几万行大表做数据分析，它的设计目标是精细控制单元格，读大文件慢且吃内存；更合理的分工是 pandas 做数据处理，openpyxl 只负责最终美化。第二，pandas 不能替代 openpyxl 做复杂格式，报表要颜色、边框、列宽和冻结表头时，仍需 openpyxl 收尾。

能力边界也要清楚：扫描版 PDF 不接 OCR 无法稳定提取文字；没有开放接口的桌面客户端不适合用界面自动化强行操作；需要大量主观判断的任务应先保留人工环节。

【环境准备与目录约定】
原文建议 Python 3.9 及以上，具体以项目依赖兼容性为准。开发工具可用 PyCharm 社区版或 VS Code 加 Python 插件。依赖不要全局安装，在项目目录建虚拟环境更稳：

2. python -m venv .venv
3. source .venv/bin/activate
4. python -m pip install --upgrade pip
5. pip install pandas openpyxl python-docx pdfplumber pypdf schedule

复制代码

国内网络安装慢时可指定镜像源：

2. pip install pandas openpyxl python-docx pdfplumber pypdf schedule -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

建议目录按原始文件、输出、归档、模板、日志、脚本、配置分离。两个关键约定要长期坚持：原始文件只读，脚本只往 output 写，处理成功后再移动到 archive；所有路径集中放在 config.py，避免换机器时逐个脚本改路径。依赖锁定用 pip freeze > requirements.txt，部署时用 pip install -r requirements.txt 还原。

涉及公司数据时，脚本处理的文件必须是工作中合法有权访问的；个人信息、薪酬、合同等敏感数据本地处理完要清理临时文件；连接公司邮箱或业务系统前先获得授权，使用专门账号。任何会修改或删除原始文件的操作，都先在测试目录预演。

【Excel 合并：先把数据正确合到一起】
最核心的第一步不是做漂亮报表，而是确保多表能正确合并。原文示例把 data/raw 下多个门店销售表合并，统一保留列，清洗空行和脏数据，按部门汇总并输出两个 sheet。关键点包括：用 dtype={'门店': str} 防止 001 变成 1；过滤 Excel 打开时生成的 ~$ 临时文件；列名 strip 去空格；缺必需列时直接退出而不是带错误继续跑。

2. from pathlib import Path
3. import pandas as pd
5. BASE_DIR = Path(__file__).resolve().parent.parent
6. RAW_DIR = BASE_DIR / 'data' / 'raw'
7. OUTPUT_DIR = BASE_DIR / 'data' / 'output'
8. OUTPUT_FILE = OUTPUT_DIR / '销售汇总.xlsx'
9. KEEP_COLUMNS = ['门店', '部门', '日期', '商品', '数量', '单价', '金额']
11. def read_one(file_path: Path) -> pd.DataFrame:
12.     df = pd.read_excel(file_path, dtype={'门店': str})
13.     df = df.dropna(how='all').dropna(axis=1, how='all')
14.     df.columns = [str(c).strip() for c in df.columns]
15.     df['来源文件'] = file_path.name
16.     return df
18. def main() -> None:
19.     OUTPUT_DIR.mkdir(parents=True, exist_ok=True)
20.     files = sorted(f for f in RAW_DIR.glob('*.xlsx') if not f.name.startswith('~$'))
21.     if not files:
22.         raise SystemExit(f'在 {RAW_DIR} 下没有找到任何 xlsx 文件，请检查路径')
23.     frames = []
24.     for f in files:
25.         try:
26.             frames.append(read_one(f))
27.         except Exception as exc:
28.             print(f'[跳过] {f.name} 读取失败：{exc}')
29.     if not frames:
30.         raise SystemExit('所有文件都读取失败，请检查表结构')
31.     merged = pd.concat(frames, ignore_index=True)
32.     missing = [c for c in KEEP_COLUMNS if c not in merged.columns]
33.     if missing:
34.         raise SystemExit(f'以下必需列缺失，请先统一表头：{missing}')
35.     merged = merged[KEEP_COLUMNS].copy()
36.     merged['门店'] = merged['门店'].astype(str).str.strip()
37.     merged['部门'] = merged['部门'].astype(str).str.strip()
38.     merged['日期'] = pd.to_datetime(merged['日期'], errors='coerce')
39.     for col in ['数量', '单价', '金额']:
40.         merged[col] = pd.to_numeric(merged[col], errors='coerce')
41.     before = len(merged)
42.     merged = merged.dropna(subset=['日期', '金额'], how='all')
43.     print(f'清洗前 {before} 行，清洗后 {len(merged)} 行')
44.     mask = merged['金额'].isna() & merged['数量'].notna() & merged['单价'].notna()
45.     merged.loc[mask, '金额'] = merged.loc[mask, '数量'] * merged.loc[mask, '单价']
46.     summary = (
47.         merged.groupby('部门', as_index=False)
48.         .agg(订单数=('金额', 'size'), 销售金额=('金额', 'sum'))
49.         .sort_values('销售金额', ascending=False)
50.     )
51.     summary['销售金额'] = summary['销售金额'].round(2)
52.     with pd.ExcelWriter(OUTPUT_FILE, engine='openpyxl') as writer:
53.         merged.to_excel(writer, sheet_name='明细', index=False)
54.         summary.to_excel(writer, sheet_name='部门汇总', index=False)
55.     print(f'完成，输出文件：{OUTPUT_FILE}')
57. if __name__ == '__main__':
58.     main()

复制代码

运行命令是 python scripts/merge_excel.py。如果报必需列缺失，先打开报错文件看表头是否被合并单元格或标题行挤到第二行；这种情况可给 read_excel 加 skiprows=1 之类参数先跳过标题行。

【报表格式化与按部门拆分】
数据正确后再处理列宽、表头颜色、数字格式和冻结表头。freeze_panes='A2' 让滚动时表头固定，列宽按内容估算，金额列加千分位。格式化脚本读取销售汇总，对明细和部门汇总分别处理：

2. from pathlib import Path
3. from openpyxl import load_workbook
4. from openpyxl.styles import Alignment, Border, Font, PatternFill, Side
5. from openpyxl.utils import get_column_letter
7. BASE_DIR = Path(__file__).resolve().parent.parent
8. REPORT = BASE_DIR / 'data' / 'output' / '销售汇总.xlsx'
9. HEADER_FILL = PatternFill('solid', fgColor='1F4E78')
10. HEADER_FONT = Font(color='FFFFFF', bold=True, size=11)
11. THIN = Side(style='thin', color='BFBFBF')
12. BORDER = Border(left=THIN, right=THIN, top=THIN, bottom=THIN)
14. def style_sheet(ws, money_cols=()) -> None:
15.     for cell in ws[1]:
16.         cell.fill = HEADER_FILL
17.         cell.font = HEADER_FONT
18.         cell.alignment = Alignment(horizontal='center', vertical='center')
19.         cell.border = BORDER
20.     for idx, column in enumerate(ws.columns, start=1):
21.         max_len = max(len(str(c.value)) if c.value is not None else 0 for c in column)
22.         ws.column_dimensions[get_column_letter(idx)].width = min(max_len * 2 + 4, 40)
23.     headers = {c.value: c.column for c in ws[1]}
24.     for name in money_cols:
25.         if name in headers:
26.             col = headers[name]
27.             for row in range(2, ws.max_row + 1):
28.                 ws.cell(row=row, column=col).number_format = '#,##0.00'
29.     ws.freeze_panes = 'A2'
31. def main() -> None:
32.     wb = load_workbook(REPORT)
33.     style_sheet(wb['明细'], money_cols=('金额', '单价'))
34.     style_sheet(wb['汇总'] if '汇总' in wb.sheetnames else wb['部门汇总'], money_cols=('销售金额',))
35.     wb.save(REPORT)
36.     print(f'格式已应用到：{REPORT}')
38. if __name__ == '__main__':
39.     main()

复制代码

按部门拆分时用 groupby 循环生成单独文件，空部门跳过。真实数据里部门名可能包含斜杠，文件名中要替换掉，否则会被文件系统当成路径分隔符导致报错。

2. from pathlib import Path
3. import pandas as pd
5. BASE_DIR = Path(__file__).resolve().parent.parent
6. SOURCE = BASE_DIR / 'data' / 'output' / '销售汇总.xlsx'
7. SPLIT_DIR = BASE_DIR / 'data' / 'output' / '按部门拆分'
9. def main() -> None:
10.     SPLIT_DIR.mkdir(parents=True, exist_ok=True)
11.     detail = pd.read_excel(SOURCE, sheet_name='明细')
12.     for dept, group in detail.groupby('部门'):
13.         if pd.isna(dept) or str(dept).strip() == '':
14.             continue
15.         safe_name = str(dept).replace('/', '_').strip()
16.         target = SPLIT_DIR / f'{safe_name}_销售明细.xlsx'
17.         group.to_excel(target, index=False)
18.         print(f'已生成：{target.name}（{len(group)} 行）')
20. if __name__ == '__main__':
21.     main()

复制代码

【Word 模板批量生成】
Word 批量生成不建议从零拼排版，更省事的是先做模板，把变化内容写成 {{姓名}}、{{部门}}、{{金额}} 这类占位符，再用 python-docx 替换。替换时要注意保留原有格式：先把段落内多个 run 的文本合并，完成替换后写回第一个 run，其余 run 清空，避免格式错乱。原文给出的段落替换函数如下：

2. def replace_in_paragraph(paragraph, mapping: dict) -> None:
3.     full_text = ''.join(run.text for run in paragraph.runs)
4.     replaced = full_text
5.     for key, value in mapping.items():
6.         replaced = replaced.replace(f'{{{{{key}}}}}', str(value))
7.     if replaced == full_text:
8.         return
9.     paragraph.runs[0].text = replaced
10.     for run in paragraph.runs[1:]:
11.         run.text = ''

复制代码

主流程读取人员名单，逐行构造 mapping，打开模板文档，遍历 doc.paragraphs 调用替换函数；表格内的单元格段落也用同一函数处理。这样格式由 Word 模板保证，脚本只负责填内容。

【文件整理、邮件与定时任务】
原文将文件重命名归档、带附件邮件和 schedule 定时执行放在同一条流水线中。实现上可用 pathlib 和 shutil 做重命名与分类归档，用 smtplib 与 email 构造带附件邮件，用 schedule 做单机常驻脚本的周期执行。这里要强调工程习惯：任何批量改名或删除操作先预演再执行；邮件发送使用授权账号并控制收件范围；定时任务要写日志，失败时能定位到具体文件和步骤。

【排查思路与工程建议】
常见问题包括：~$ 临时文件导致读取失败；门店编号被识别成数字；列名前后空格导致合并后列对不上；表头被合并单元格挤到第二行；部门名含斜杠导致文件名报错；空行和备注行混入数据。排查时先看报错文件的实际表头，再看脚本的列名约定和路径配置。

工程化上建议配置与代码分离，日志要写清输入文件、行数变化、输出路径和异常原因；脚本要尽量幂等和可重跑，输出目录可覆盖，原始文件只读并归档；依赖锁定版本，权限最小化，数据边界清晰。做到这些，脚本才从一次性玩具变成可长期维护的办公工具。

热心网友3

这个流程拆得很清楚，尤其是“原始文件只读、脚本只写 output、成功后再归档”这条约定，我之前就是没坚持，结果有次脚本跑一半报错，原始表被覆盖了一部分，只能从备份恢复。现在我也按原始/输出/归档分目录，路径全收进 config，换机器确实省心很多。 几个细节特别有共鸣：dtype 指定门店为字符串防止 001 变 1 这个坑太真实了；过滤 ~$ 临时文件也是必须的，不然 pandas 读到一半报错；列名 strip 和缺列直接退出比带错误继续跑靠谱，宁可早失败也别产出脏数据。 另外 pandas 做数据处理、openpyxl 只负责最终格式这个分工我完全认同，之前用 openpyxl 读几万行大表，慢到以为程序卡死了。期待看到后面 Word 模板生成和 schedule 定时那部分，尤其是任务异常了怎么通知、日志怎么落地，这块想参考一下你的做法。

热心网友3

楼主这篇总结得很实在，尤其是“规则固定、频次高、出错代价大”这三条判断标准，比单纯讲技术点更有指导意义。很多人学自动化容易陷入为了写脚本而写脚本，结果维护成本比手动还高。 工具分工那块也说到了点子上。pandas 做数据处理、openpyxl 只管最后美化，这个边界划清楚能少踩很多坑。我见过不少同事用 openpyxl 一行行读大表，跑到内存爆掉才回头找原因。 代码里几个细节处理得很到位：dtype 指定门店为字符串防止 001 变 1、过滤 ~$ 临时文件、列名 strip、缺必需列直接退出。这些看起来是小地方，但实际跑批量任务时恰恰是这些地方最容易出问题。尤其是“缺列直接退出而不是带错误继续跑”，能避免生成一份看似正常实则残缺的汇总表。 另外想补充一点实际经验：合并前最好先做一次表头一致性检查，把所有文件的列名收集起来对比，比合并后才发现缺列要省事。还有日期列格式不统一的情况很常见，有的文件是文本有的文件是日期，pd.to_datetime 加 errors=‘coerce’ 后最好再统计一下转换失败的行数，避免脏数据被静默丢掉。 目录约定里“原始文件只读、只往 output 写、成功后再 archive”这条建议值得贴在工位上。定时任务部分虽然帖子后面截断了，但 schedule 确实适合单机常驻场景，如果是多人共用或者需要失败重试和告警，可能还得考虑更重一点的调度方案。整体

热心网友3

这个帖子的思路很实在，尤其是“规则固定、频次高、出错代价大”这三个判断标准，确实比单纯堆技术点更有指导意义。很多教程一上来就讲库怎么用，但真到工作里，最难的是判断哪些流程值得自动化、哪些应该保留人工确认，楼主把这条线划得比较清楚。 工具分工那段也说到点子上了。pandas 和 openpyxl 的边界很容易被搞混，实际用起来就是 pandas 负责算、openpyxl 负责好看，硬拿 openpyxl 去读大表或者用 pandas 硬做复杂格式，最后都是自己给自己找麻烦。还有 `dtype={'门店': str}` 这种细节，看着不起眼，但真碰上门店编号带前导零的数据，不设置就等着报表对不上吧。 目录约定和原始文件只读这两条我觉得比代码本身还重要。脚本可以慢慢改，但数据被写坏了就麻烦了。把路径统一收到 config.py 里，后面换机器或者换目录确实省心很多，这个习惯值得从一开始就坚持。 另外想补充一点，定时任务如果跑在 Windows 上，schedule 单机常驻脚本要注意别让机器休眠或者用户注销把进程杀了，日志也要写清楚每次跑了哪些文件、跳过哪些、耗时多久，不然后面排查问题只能靠猜。合并 Excel 那部分先校验列、缺列直接退出而不是硬跑，也是对的，宁可失败得明显，也不要悄悄产出一份错数据。 整体看下来，这个帖子更像是一份能直接落地的工作流清单，不是只教语法，适合拿来对照自己