Excel skryje řádky, filtruje řádky a sbalí řádky. Budou se při těžbě počítat?
Existují tři typy řádků a sloupců, které nelze v Excelu vidět: ruční skrytí, filtrování a skládání a seskupování a skládání s různými významy. Tento článek používá openpyxl k poskytnutí odpovídajícího kódu strategie extrakce, který vysvětluje okrajové podmínky a oblasti, které vyžadují ruční kontrolu. Před extrakcí nastavte pravidla.
Při použití skriptů k extrahování obsahu z Excelu při přípravě na překlad nebo analýzu je snadné narazit na „neviditelná data". Souhrnné řádky, které jsou v rozhraní ručně skryté, řádky podrobností, které jsou blokovány automatickým filtrováním, a obsah, který je seskupený a sbalený, mají v podkladovém XML různé značky. Pokud jsou všechny buňky procházeny bez rozdílu, mohou být interní vypočítaná pole, která by neměla být přeložena, předána překladateli a klíčové termíny dočasně zakryté filtrováním mohou chybět.
Tento obsah je určen pro vývojáře a dokumentační týmy, kteří potřebují extrahovat data Excelu v dávkách. Po přečtení rozlišíte tři „neviditelné"sémantiky, pochopíte rozdíl mezihidden a auto_filter v openpyxl a získáte syntetický kód extrakce vzorků a seznam akceptací. Nastavení pravidel před extrakcí ušetří více úsilí než následná kontrola.
Závěr jednou větou
Ve výchozím nastavení jsou ručně skryté řádky vyloučeny, filtrované nebo sbalené řádky jsou zachovány a požadavky jako „extrahovat pouze aktuální výsledky filtru"jsou vyhodnocovány samostatně.
| vaší situaci | Doporučené postupy | důvod |
|---|---|---|
Řádek byl ručně skryt (hidden=1) | Ve výchozím nastavení vyloučit | Zvažovaný obsah, který měl autor v úmyslu vyloučit |
| Řádky jsou pouze zakryty automatickým filtrem | Ponechat ve výchozím nastavení | Filtrování je dočasné zobrazení a neznamená smazání obsahu. |
Řádky jsou seskupeny a sbaleny (outlineLevel>0 a collapsed=True) | Udržujte extrakci | Collapse je jen způsob, jakým je pohled organizován, hidden je stále False |
| Řádek je ručně skrytý a v rozsahu filtru | Na základě hidden má přednost vyloučení | Posouzení manuálního skrývání má přednost |
| Potřebujete extrahovat pouze výsledky aktuálního filtrovaného zobrazení | Analyzujte auto_filter a proveďte párování hodnot, nejprve vyhodnoťte složitost | Nad rámec základních úsudků viditelnosti |
Základní rozdíl mezi skrytou značkou a stavem filtru
V objektovém modelu openpyxl je viditelnost řádků a sloupců řízena vlastností hidden objektů RowDimension a ColumnDimension. Toto je logická hodnota, která přímo odpovídá hidden="1" nebo hidden="0" v XML. Tato vlastnost je nastavena na hodnotu True, když uživatel ručně skryje řádek v aplikaci Excel.
"Neviditelný" generovaný automatickým filtrem nemění atribut hidden řádku. Stav filtru je uložen v objektu auto_filter listu. Zaznamenává pouze, které sloupce mají aplikované podmínky filtru a aktuální hodnotu filtru, a nemění vlastnosti zobrazení samotného řádku.
To znamená:
- Pouze zaškrtnutí
row.hiddensprávně přeskočí ručně skryté řádky, ale zahrne všechny odfiltrované skryté řádky. - Pokud chcete extrahovat pouze aktuální výsledky filtrování, musíte analyzovat konfiguraci
auto_filtera provést sekundární filtrování na základě skutečných hodnot buněk. To zahrnuje podmíněnou analýzu výrazů a shodu datových typů, což je mnohem složitější než základní posouzení viditelnosti.
U scénářů překladu dokumentů je obezřetnější výchozí strategií respektovat ruční skryté značky a zacházet s nimi jako s obsahem, který má autor vyloučit; zůstat transparentní ohledně stavu filtrování a zacházet s nimi jako s dočasnými zobrazeními spíše než s vymazáním obsahu.
Příklad syntézy: správný výstup a případy hran
Abychom tento rozdíl demonstrovali, zkonstruujeme syntetický vzorek: tabulka má celkem 5 řádků, řádek 1 je nadpis, řádky 2 až 4 jsou data a řádek 5 je interní ověřovací vzorec. Uživatel ručně skryl řádek 5 a použil filtr na sloupec 2, což způsobilo, že řádek 3 nebyl na rozhraní viditelný.
Správná strategie extrakce by měla produkovat: řádky 1, 2 a 4; vyloučit řádek 5 (protože hidden=True); zahrnout řádek 3 (ačkoli skrytý filtrem, ale hidden=False, je to platný obsah).
Pokud extraktor přirovná skrytí filtru k ručnímu skrytí, řádek 3 bude ztracen; pokud je atribut hidden zcela ignorován, interní vzorec na řádku 5 bude vydán jako text k překladu, což způsobí únik informací nebo plýtvání zdroji překladu.
Dvě typické hranice vyžadují pozornost:
- Ručně skryté a v rozsahu filtru: Na základě atributu
hiddenmá přednost vyloučení. - Group Collapse: Když
outlineLevel > 0acollapsed=True, řádky jsou na rozhraní sbalené, alehiddenzůstává False. Takové řádky by měly být extrahovány, protože skládání je pouze způsob organizace zobrazení a neznamená, že obsah je neplatný.
Extraktor potřebuje jasně rozlišit tyto tři „neviditelné"sémantiky, spíše než jednoduše používat „viditelné/neviditelné"binární soudy.
implementace kódu strategie extrakce openpyxl
Následující příklad Pythonu vytváří vzorek v paměti a implementuje strategii extrakce popsanou výše. Tento kód je pouze ukázkou logiky a ještě nebyl spuštěn v produkčním prostředí. Je třeba jej ověřit v nezávislém prostředí s uzamčenými závislostmi. Doporučuje se používat openpyxl řadu 3.1.x. Chcete-li otestovat skutečný soubor, připravte maskovaný soubor Excel s ručními skrytými řádky, stavem filtru a skládáním skupin a ujistěte se, že soubor není chráněn heslem.
from openpyxl import Workbook
# 合成示例:构造含隐藏行与筛选的工作表(仅用于演示逻辑)
wb = Workbook()
ws = wb.active
ws.append(["Header", "Value"])
ws.append(["Visible Row", "A"])
ws.append(["Filtered Hidden", "B"]) # 将被筛选隐藏,但hidden=False
ws.append(["Visible Row", "C"])
ws.append(["Manual Hidden", "D"]) # 将被手动隐藏
# 设置手动隐藏(第5行)
ws.row_dimensions[5].hidden = True
# 注意:openpyxl不执行筛选逻辑,仅读写标记
# 真实场景中auto_filter由Excel设置,此处不模拟其效果
def extract_visible_rows(worksheet):
"""提取策略:跳过hidden=True的行,保留筛选隐藏行与折叠行"""
results = []
for row_idx in range(1, worksheet.max_row + 1):
# openpyxl中row_dimensions支持直接索引访问
row_dim = worksheet.row_dimensions[row_idx]
is_hidden = row_dim.hidden if row_dim else False
if not is_hidden:
row_data = [cell.value for cell in worksheet[row_idx]]
results.append((row_idx, row_data))
return results
extracted = extract_visible_rows(ws)
assert len(extracted) == 4, f"Expected 4 rows, got {len(extracted)}"
assert extracted[-1][1][0] == "Visible Row", "Last extracted should be visible row C"
assert all(r[1][0] != "Manual Hidden" for r in extracted), "Hidden row must be excluded"
Tento kód nemá žádné síťové požadavky, příkazy prostředí nebo souborové I/O a všechna data jsou konstruována v paměti. Vyhodnocení ověřuje očekávané chování, že ručně skryté řádky jsou vyloučeny a filtrované skryté řádky jsou zachovány.
Pokud podnik vyžaduje opačný výsledek (například pouze extrahování aktuálního filtrovaného zobrazení), musíte dodatečně analyzovat worksheet.auto_filter a implementovat logiku porovnávání hodnot. To je nad rámec základního posouzení viditelnosti. Před rozhodnutím, zda jej implementovat sami, se doporučuje zhodnotit složitost.
Kontrolní seznam pro přijetí a hranice manuální kontroly
Kód zpracovává explicitní značky hidden, ale nepokrývá všechny scénáře reálného světa. V následující tabulce jsou uvedeny skutečné možné abnormální situace a odpovídající metody manipulace pro referenci během přejímky:
| Pozorovat jevy | Možné důvody | Automatizované zpracování | Podmínky spouštění ruční kontroly |
|---|---|---|---|
| Řádky jsou v Excelu viditelné, ale výsledek extrakce je prázdný | Výška řádku je 0 nebo je styl skrytý | Zkontrolujte row_dimensions.ht == 0 | Po sobě jdoucí ≥ 3 řádky s výškou 0 |
| Extrahujte spoustu prázdných řádků | Po úpravě nevyčištěno | Filtrujte řádky, které jsou všechny Žádné | Prázdné řádky tvoří více než 30 % |
| Řádky filtru byly neočekávaně vyloučeny | Záměna auto_filter za hidden | Spolehněte se pouze na atribut row.hidden | Načítá se o více než 20 % méně řádků, než se očekávalo |
| Chybí řádek sbalení skupiny | Záměna collapsed za hidden | Atribut collapsed není zaškrtnutý | Existují řádky s outlineLevel > 0 |
| Skryté řádky obsahují klíčové pojmy | Autor se omylem skrývá | Vyloučit podle hidden=True | Slovníček zápas zasáhl skrytý řádek |
Je třeba poznamenat, že tento seznam je použitelný pouze pro ověření logiky na úrovni kódu a nerovná se konečnému přijetí kvality překladu. Když narazíte na „Skryté řádky obsahují klíčové pojmy"nebo „Výjimka v počtu extrahovaných řádků", automatický proces by měl být pozastaven a obchodní personál obeznámený se zdrojovým dokumentem by měl potvrdit výběr obsahu. openpyxl umí přesně číst značky XML, ale nerozumí obchodnímu záměru. Technicky „správná extrakce"nemusí být z obchodního hlediska „správný obsah".
📊 Srovnání jádra
| Stav | Atributhidden | Výchozí zpracování | ilustrovat |
|---|---|---|---|
| Ručně skrýt | True | vyloučit | Co chtěl autor vyloučit |
| Automatické filtrování a blokování | False | rezervovat | Dočasné zobrazení, musíte analyzovat auto_filter, abyste získali pouze aktuální výsledek |
| Zhroucení skupiny | False | rezervovat | outlineLevel > 0 a collapsed=True, stačí zobrazit organizaci |
🎯 Která metoda je pro vás vhodná?
pokud jste……
- Chcete-li se připravit na překlad a chcete, aby se do překladu nezadávala skrytá interní pole: Vyloučit podle
hidden=Truea pomocí slovníku zkontrolovat, zda skryté řádky obsahují klíčové výrazy. - Aby nedošlo k vynechání výrazů ve filtru: Udržujte řádky skryté ve filtru a nespoléhejte pouze na
auto_filterpři určování platnosti obsahu. - Chcete extrahovat pouze aktuální filtrované zobrazení: Nejprve vyhodnoťte složitost analýzy
auto_filtera párování hodnot a poté se rozhodněte, zda jej vyvinete sami. - Zpracovaná tabulka silně používá seskupené skládání: Potvrďte, že složené řádky byly vyjmuty a zkontrolovány podle podmínky spouštění ruční kontroly
outlineLevel > 0.
❓ Často kladené otázky (FAQ)
1. Budou extrahovány řádky skryté filtrováním?
Podle strategie tohoto článku, když se při posuzování pouze spoléháte na row.hidden, bude zahrnut skrytý řádek hidden=False. Pokud potřebujete extrahovat pouze aktuální výsledky filtrování, musíte dodatečně analyzovat auto_filter a provést párování hodnot.
2. Měly by být vyloučeny skupinově složené řádky?
by nemělo být vyloučeno. hidden je stále False, když je složen. Skládání je pouze způsob organizace zobrazení a neznamená, že obsah je neplatný.
3. Pokud je řádek skrytý, ale v rozsahu filtru, který z nich má přednost?
Atribut hidden má přednost a je vyloučen jako první.
4. Výsledky extrakce jsou nižší, než se očekávalo, co mám dělat?
Nejprve zkontrolujte, zda je výška řádku 0 nebo zda není nesprávně použito auto_filter. Pokud je počet extrahovaných řádků o více než 20 % nižší, než se očekávalo, měl by být pozastaven a potvrzen obchodním personálem.
📝 Shrnutí
Před extrakcí nastavte pravidla: ručně skryjte a vylučte, filtrujte a složte, chcete-li zachovat, a výjimky ponechte ruční kontrole. Chcete-li zpracovat překlad dokumentu, můžete jej nejprve vyzkoušet se znecitlivěným vzorkem.
Vyzkoušejte to hned: Nahrajte dokument a začněte překládat při zachování původního rozvržení
Reference a další kroky
- openpyxl.worksheet.dimensions Oficiální dokumentace API: https://openpyxl.readthedocs.io/en/stable/api/openpyxl.worksheet.dimensions.html
Tento kontrolní seznam použijte pro překlad dokumentů
Nejprve určete, co je text, které vzorce a obchodní kódy, a pak přeložte tabulku. Kontrola po překladu nejen zkontroluje, zda byla čínština převedena do cílového jazyka, ale také potvrdí, že vzorce, identifikátory a referenční vztahy nebyly změněny.
OmniDoc (produktový portál) poskytuje portál pro překlady dokumentů ve více formátech a oficiální webové stránky zavádějí funkce OCR, glosář a dvojjazyčné porovnání. Pro týmy, které chtějí pracovat přímo ze souborů, je to cesta, kterou stojí za to vyhodnotit pomocí reálných vzorků. Použijte prosím znecitlivěné soubory, k jejichž nahrávání máte oprávnění, a zkontrolujte výsledky podle zaškrtávacích položek v tomto článku. Není zde žádné tvrzení, že OmniDoc používá open source knihovny nebo interní algoritmy uvedené v tomto článku a příklady nenahrazují testování výkonu produktu.


