当前位置：首页 > 文章列表 > 文章 > python教程 > Python轻松读写JSON、CSV与Excel教程

Python轻松读写JSON、CSV与Excel教程

2025-10-15 19:47:57 0浏览收藏

哈喽！大家好，很高兴又见面了，我是golang学习网的一名作者，今天由我给大家带来一篇《Python轻松读写JSON CSV Excel教程》，本文主要会讲到等等知识点，希望大家一起学习进步，也欢迎大家关注、点赞、收藏、转发! 下面就一起来看看吧！

Python处理JSON、CSV和Excel文件需根据数据格式特性和需求选择合适库：JSON用内置json模块实现序列化与反序列化；CSV可用csv模块或pandas进行读写，后者更适用于表格数据操作；Excel文件通常用pandas（结合openpyxl引擎）高效处理多工作表和复杂结构，或用openpyxl进行精细单元格控制。

如何用Python读写JSON/CSV/Excel文件？

Python处理JSON、CSV和Excel文件，核心在于理解这些数据格式的结构特性，并选择合适的库进行数据的序列化（Python对象转文件格式）与反序列化（文件格式转Python对象）。对于JSON和CSV，Python提供了内置的json和csv模块；而对于Excel，通常我们会依赖强大的第三方库如pandas或openpyxl来高效且灵活地完成读写操作。选择哪个工具，往往取决于你的具体需求：是简单的数据交换，还是复杂的数据分析与处理。

解决方案

JSON文件读写

JSON（JavaScript Object Notation）是一种轻量级的数据交换格式，易于人阅读和编写，也易于机器解析和生成。Python的json模块是处理JSON的标配。

读取JSON文件：

import json

# 假设有一个名为'data.json'的文件
# 内容可能像这样：{"name": "Alice", "age": 30, "isStudent": false, "courses": ["Math", "Physics"]}
try:
    with open('data.json', 'r', encoding='utf-8') as f:
        data = json.load(f) # 从文件中加载JSON数据
    print("从JSON文件读取的数据:", data)
    print("Alice的年龄是:", data['age'])
except FileNotFoundError:
    print("data.json 文件未找到。")
except json.JSONDecodeError:
    print("data.json 文件格式不正确。")

# 如果是JSON字符串，而不是文件
json_string = '{"city": "New York", "population": 8000000}'
data_from_string = json.loads(json_string) # 从字符串加载JSON数据
print("从JSON字符串读取的数据:", data_from_string)

写入JSON文件：

import json

new_data = {
    "name": "Bob",
    "age": 25,
    "isStudent": True,
    "grades": {"Math": "A", "English": "B+"}
}

with open('output.json', 'w', encoding='utf-8') as f:
    json.dump(new_data, f, ensure_ascii=False, indent=4) # 写入JSON数据到文件
print("数据已写入 output.json 文件。")

# 转换为JSON字符串
json_output_string = json.dumps(new_data, ensure_ascii=False, indent=4)
print("转换为JSON字符串:\n", json_output_string)

ensure_ascii=False 允许非ASCII字符直接写入，而indent=4则让输出的JSON格式化，更易读。

CSV文件读写

CSV（Comma Separated Values）是一种纯文本文件，以逗号分隔值来存储表格数据。Python内置的csv模块非常适合处理这类文件，而pandas则提供了更高级、更便捷的接口。

使用csv模块读取CSV文件：

import csv

# 假设有一个名为'students.csv'的文件
# 内容可能像这样：
# Name,Age,Major
# Alice,20,Computer Science
# Bob,22,Mathematics
try:
    with open('students.csv', 'r', encoding='utf-8', newline='') as f:
        reader = csv.reader(f) # 创建一个reader对象
        header = next(reader) # 读取标题行
        print("CSV文件标题:", header)
        for row in reader:
            print("CSV文件行数据:", row)

    # 使用DictReader可以更方便地按字典形式访问数据
    with open('students.csv', 'r', encoding='utf-8', newline='') as f:
        dict_reader = csv.DictReader(f)
        for row_dict in dict_reader:
            print("CSV文件字典行数据:", row_dict['Name'], row_dict['Age'])
except FileNotFoundError:
    print("students.csv 文件未找到。")
except Exception as e:
    print(f"读取CSV文件时发生错误: {e}")

newline=''参数很重要，它可以防止在Windows系统上写入时出现额外的空行。

使用csv模块写入CSV文件：

import csv

data_to_write = [
    ['Name', 'Age', 'City'],
    ['Charlie', 28, 'London'],
    ['Diana', 35, 'Paris']
]

with open('output.csv', 'w', encoding='utf-8', newline='') as f:
    writer = csv.writer(f) # 创建一个writer对象
    writer.writerows(data_to_write) # 写入多行
print("数据已写入 output.csv 文件。")

# 使用DictWriter写入
data_dict_to_write = [
    {'Name': 'Eve', 'Age': 29, 'City': 'Berlin'},
    {'Name': 'Frank', 'Age': 40, 'City': 'Rome'}
]
fieldnames = ['Name', 'Age', 'City'] # 必须指定字段名

with open('output_dict.csv', 'w', encoding='utf-8', newline='') as f:
    dict_writer = csv.DictWriter(f, fieldnames=fieldnames)
    dict_writer.writeheader() # 写入标题行
    dict_writer.writerows(data_dict_to_write)
print("字典数据已写入 output_dict.csv 文件。")

使用pandas读写CSV文件：pandas是处理表格数据的利器，它将CSV文件直接映射到DataFrame对象，操作起来非常直观。

import pandas as pd

# 读取CSV文件
try:
    df_csv = pd.read_csv('students.csv', encoding='utf-8')
    print("\n使用pandas读取CSV文件:\n", df_csv)
except FileNotFoundError:
    print("students.csv 文件未找到。")

# 写入CSV文件
data_for_df = {'Name': ['Grace', 'Heidi'], 'Age': [24, 31], 'City': ['Tokyo', 'Sydney']}
new_df_csv = pd.DataFrame(data_for_df)
new_df_csv.to_csv('pandas_output.csv', index=False, encoding='utf-8') # index=False 不写入行索引
print("使用pandas数据已写入 pandas_output.csv 文件。")

Excel文件读写

Excel文件（.xlsx, .xls）通常比CSV更复杂，因为它包含多个工作表、格式信息、公式等。pandas和openpyxl（主要用于.xlsx文件）是处理Excel的两种主要工具。

使用pandas读写Excel文件：pandas在处理结构化数据时非常强大，读写Excel文件是其核心功能之一。

import pandas as pd

# 假设有一个名为'grades.xlsx'的Excel文件
# 包含Sheet1和Sheet2，Sheet1有姓名和分数
try:
    # 读取整个Excel文件，默认读取第一个工作表
    df_excel = pd.read_excel('grades.xlsx', engine='openpyxl')
    print("\n使用pandas读取Excel文件（默认第一个工作表）:\n", df_excel)

    # 读取指定工作表
    df_sheet2 = pd.read_excel('grades.xlsx', sheet_name='Sheet2', engine='openpyxl')
    print("\n使用pandas读取Excel文件（指定Sheet2）:\n", df_sheet2)
except FileNotFoundError:
    print("grades.xlsx 文件未找到。")
except Exception as e:
    print(f"读取Excel文件时发生错误: {e}")

# 写入Excel文件
data_for_excel = {
    'Product': ['Laptop', 'Mouse', 'Keyboard'],
    'Price': [1200, 25, 75],
    'Quantity': [10, 50, 30]
}
df_new_excel = pd.DataFrame(data_for_excel)

# 写入到新的Excel文件
df_new_excel.to_excel('pandas_products.xlsx', index=False, sheet_name='Inventory', engine='openpyxl')
print("使用pandas数据已写入 pandas_products.xlsx 文件。")

# 写入到现有Excel文件的不同工作表
# 需要使用ExcelWriter
with pd.ExcelWriter('pandas_products.xlsx', engine='openpyxl', mode='a') as writer:
    df_sheet2_data = pd.DataFrame({'City': ['Paris', 'London'], 'Population': [2141000, 8982000]})
    df_sheet2_data.to_excel(writer, sheet_name='Cities', index=False)
print("新工作表 'Cities' 已添加到 pandas_products.xlsx。")

注意engine='openpyxl'是推荐的写法，因为它支持.xlsx格式，并且是现代Excel文件的标准。

使用openpyxl读写Excel文件：openpyxl提供了更底层的控制，你可以精确地操作工作簿、工作表和单元格。它非常适合那些不需要pandas的DataFrame结构，但需要精细控制Excel文件内容的场景。

from openpyxl import Workbook, load_workbook

# 写入Excel文件
wb = Workbook() # 创建一个新的工作簿
ws = wb.active # 获取活动工作表，默认名为'Sheet'
ws.title = "Sales Data" # 重命名工作表

# 写入标题行
ws.append(['Date', 'Region', 'Amount'])
# 写入数据
ws.append(['2023-01-01', 'East', 100])
ws.append(['2023-01-02', 'West', 150])

# 创建另一个工作表
ws2 = wb.create_sheet("Summary")
ws2['A1'] = "Total Sales"
ws2['B1'] = 250

wb.save("openpyxl_sales.xlsx")
print("使用openpyxl数据已写入 openpyxl_sales.xlsx 文件。")

# 读取Excel文件
try:
    wb_read = load_workbook("openpyxl_sales.xlsx")
    sheet_names = wb_read.sheetnames
    print("\n使用openpyxl读取Excel文件的工作表名称:", sheet_names)

    # 读取指定工作表
    sales_sheet = wb_read["Sales Data"]
    for row in sales_sheet.iter_rows(min_row=1, max_col=3, values_only=True):
        print("从Sales Data读取:", row)
except FileNotFoundError:
    print("openpyxl_sales.xlsx 文件未找到。")

Python处理大型JSON/CSV/Excel文件时有哪些性能优化技巧？

在处理大型文件时，内存占用和处理速度往往成为瓶颈。我个人在处理GB级别的数据时，经常会遇到内存溢出或者程序运行缓慢的问题，这让我不得不深入思考如何优化。

对于JSON文件，如果文件非常大，一次性json.load()可能会耗尽内存。这时，可以考虑使用流式解析库，比如ijson。它不会一次性将整个JSON结构加载到内存中，而是像一个迭代器一样，逐个解析JSON中的元素。这对于处理日志文件或API响应中包含大量记录的超大JSON文件特别有用。虽然用起来比json模块稍微复杂一点，但当你面对内存墙时，它绝对是救星。

CSV文件的优化策略则更为多样。首先，pandas.read_csv()本身就非常高效，因为它底层是用C语言实现的。但即便如此，对于亿级行的数据，它也可能吃不消。这时，有几个办法：

chunksize参数： pd.read_csv('large.csv', chunksize=10000) 会返回一个迭代器，每次读取指定行数的数据块（DataFrame）。这样你可以逐块处理数据，而不是一次性加载所有。这就像吃一头大象，你得一口一口来。
usecols参数： 如果你只需要CSV文件中的几列，明确指定usecols=['col1', 'col2']可以显著减少内存占用，因为pandas只会加载你需要的列。
dtype参数： 提前指定列的数据类型（例如{'age': int, 'salary': float}），可以帮助pandas更有效地分配内存，避免默认的宽泛类型（如object）带来的额外开销。
原生csv模块： 对于那些只需要简单行处理，不需要DataFrame复杂功能的场景，Python内置的csv模块在内存效率上可能更高，因为它每次只处理一行。

Excel文件的优化相对复杂一些，因为Excel文件本身就比CSV更重。

pandas的chunksize： 虽然pandas.read_excel()没有直接的chunksize参数，但你可以通过openpyxl先加载工作簿，然后逐行读取，再将这些行转换为小的DataFrame。不过，这会增加代码的复杂性。
usecols和dtype： 同样适用于pandas.read_excel()，能有效减少内存。
openpyxl： 当你需要对Excel文件进行非常精细的、非数据分析性质的操作时，openpyxl是更好的选择。它可以让你只加载特定的工作表，甚至只加载特定单元格区域，从而避免将整个工作簿加载到内存中。例如，load_workbook(filename, read_only=True)以只读模式打开，并且data_only=True可以只加载单元格的计算结果而不是公式，这在某些情况下也能节省资源。

总的来说，处理大型文件，核心思想就是“分而治之”——不要试图一次性加载所有数据，而是分块、按需加载，或者选择更内存高效的工具。

如何在Python中处理JSON/CSV/Excel文件的编码问题和异常？

编码问题和异常处理，这是我日常工作中经常遇到的“小麻烦”，尤其是在处理来自不同源的数据时。一个文件看起来正常，结果一读就报错UnicodeDecodeError，真是让人头大。

编码问题

Python 3默认使用UTF-8编码，这是好事，因为UTF-8是目前最通用的编码。但总有些老旧系统或特定软件会生成其他编码的文件，比如GBK、Latin-1、CP1252等。

open()函数的encoding参数： 这是解决编码问题的核心。无论是json.load()/dump()还是csv.reader()/writer()，它们都依赖于open()函数来处理文件。当你遇到UnicodeDecodeError时，首先尝试指定encoding参数。

# 尝试多种编码
encodings_to_try = ['utf-8', 'gbk', 'latin-1', 'cp1252']
for enc in encodings_to_try:
    try:
        with open('some_file.csv', 'r', encoding=enc) as f:
            # 成功读取，进行后续处理
            print(f"文件成功以 {enc} 编码读取。")
            break
    except UnicodeDecodeError:
        print(f"尝试 {enc} 编码失败。")
    except FileNotFoundError:
        print("文件未找到。")
        break
else:
    print("所有尝试的编码都失败了，文件可能使用了不常见的编码或已损坏。")

pandas的encoding参数： pd.read_csv()和pd.read_excel()也提供了encoding参数，用法类似。pd.read_csv('data.csv', encoding='gbk')。
BOM（Byte Order Mark）： 有时UTF-8文件会带BOM头，这可能会导致一些解析器出错。open()函数通常能自动处理UTF-8 BOM，但如果遇到问题，可以尝试encoding='utf-8-sig'。

异常处理

健壮的代码必须能够优雅地处理错误，而不是直接崩溃。try-except块是你的好朋友。

FileNotFoundError： 文件不存在是最常见的错误。

try:
    with open('non_existent_file.txt', 'r') as f:
        content = f.read()
except FileNotFoundError:
    print("错误：文件不存在，请检查路径。")

json.JSONDecodeError： 当JSON文件内容不符合JSON格式规范时会抛出。

import json
try:
    json.loads('{"key": "value",}') # 逗号是错误的
except json.JSONDecodeError as e:
    print(f"JSON解析错误: {e}")

csv.Error： csv模块在遇到格式不正确的CSV行时可能会抛出此异常，例如引号不匹配。

import csv
from io import StringIO

malformed_csv = StringIO('col1,col2\n"value1,value2\n') # 缺少结束引号
try:
    reader = csv.reader(malformed_csv)
    for row in reader:
        print(row)
except csv.Error as e:
    print(f"CSV格式错误: {e}")

pandas和openpyxl相关的异常：
- BadZipFile (from zipfile module, often wrapped by openpyxl or pandas): 当Excel文件损坏或不是一个有效的zip文件时（.xlsx文件本质上是zip压缩包）。
- KeyError: 尝试访问不存在的工作表名称或列名时。
- IndexError: 尝试访问不存在的行或列索引时。
- ValueError: 数据类型转换失败时。