openpyxl与pandas读写Excel对比解析

本文深入剖析了Python中openpyxl与pandas在读写Excel时的性能差异与底层机制：openpyxl默认DOM加载导致大文件读取缓慢，启用read_only=True可提速3–5倍；pandas.read_excel()虽便捷但因dtype自动推断和全表加载反而更慢，合理使用usecols、显式dtype和跳过冗余解析才是关键；写入方面，pandas适合生成新报表，而openpyxl才能精准复用模板样式并高效追加数据；最后强调——当数据量超20万行或需高频操作时，应果断转向CSV或SQLite等更适合程序处理的格式，把Excel真正用回它最擅长的领域：给人看的最终交付物。

openpyxl 读取大 Excel 文件为什么慢得像卡住

因为 openpyxl 默认以「DOM 方式」加载整个工作表到内存，每个单元格都变成一个 Python 对象。10 万行 × 50 列的文件，轻松吃掉 500MB+ 内存，CPU 解析 XML 的开销也高。

• 用 read_only=True 参数可切换为流式读取，速度提升 3–5 倍，但只能顺序读、不支持写、不能访问公式结果（只读原始值）
• 避免用 ws['A1':'Z1000'] 这种切片语法遍历——它会提前加载所有单元格对象；改用 ws.iter_rows() + values_only=True
• 如果只是提取几列数据，别用 ws.iter_rows() 遍历全部行，先用 ws.max_row 和 ws.max_column 判断范围，再按需取

pandas.read_excel() 默认用什么引擎？为什么有时比 openpyxl 还慢

默认用 xlrd（仅支持 .xls），但新版 pandas 已弃用它；实际常用的是 openpyxl（.xlsx）或 odf（.ods）。也就是说，pandas.read_excel() 在读 .xlsx 时底层仍是 openpyxl，只是加了一层 DataFrame 封装。

• 慢的主因是 pandas 会把整张表转成 object 或 string 类型列，再尝试推断 dtype —— 这步非常耗时；加 dtype=str 或显式指定每列类型（如 dtype={'id': 'int64', 'name': 'string'}）能提速 2 倍以上
• usecols 参数必须用，比如 usecols="A:C" 或 usecols=[0, 2, 4]，跳过无关列能显著减少解析量
• 不要依赖 skiprows 跳过前几行标题后再读——它仍是先加载全表再切片；真有复杂表头，考虑用 header=None + 手动处理，或换 openpyxl 定位区域读

写 Excel：pandas.to_excel() 和 openpyxl.save() 的性能分水岭在哪

写入速度差异主要来自「是否复用已有文件结构」。pandas 写新文件很快，但往已有格式（带样式/图表/合并单元格）的模板里追加数据时，必须用 openpyxl。

• pandas 写入本质是「生成全新工作簿」，适合导出报表；但它不保留原文件任何样式、条件格式、批注——哪怕你只改一列数据，也要重写整个文件
• 用 openpyxl.load_workbook(..., keep_vba=False, read_only=False) 加载模板后，直接操作 ws['B5'] = value，再 wb.save()，比 pandas 快且精准；但注意 keep_vba=True 会让加载变慢 3 倍以上，非必要关掉
• 批量写入别用循环赋值 ws.cell(row=i, column=j).value = ...；改用 ws.append([v1, v2, v3]) 或一次性写二维列表到 ws['A1'].value = [['a','b'],['c','d']]

什么时候该放弃 Excel，改用 CSV 或数据库

当单表超过 20 万行、或频繁读写、或多进程并发操作时，Excel 文件锁、解析开销、内存暴涨问题会集中爆发，这时候坚持用它就是在给自己埋雷。

• CSV 没格式、没公式、没样式，但 pandas.read_csv() 可以秒读百万行，配合 chunksize 流式处理，内存可控
• SQLite 是零配置嵌入式数据库，pandas.to_sql() 写入 50 万行比写 Excel 快 10 倍以上，且支持索引、查询、事务
• 如果必须交付 Excel 给业务方，最后一步再用 openpyxl 把 CSV 或 SQLite 导出成带样式的报表，而不是全程拿 Excel 当中间存储

Excel 不是数据库，也不是日志文件。它适合人看，不适合程序反复折腾——这个边界划不清，后面全是坑。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于文章的相关知识，也可关注golang学习网公众号。