背景
公司项目的广告展示率太低，需要查找原因，之前做了统计埋点，运维给出过滤后的数据，一个 txt 文件 500M 以上，文件打开非常乱。
特别注意：很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有最新Python实战教程免非下,，一起相互监督共同进步！
询问运维是否有工具转换，回复说没有，然后想到之前重学 Python3 的初衷，就是为了能写一些脚本方便处理一些事情。
这个数据主要是 HTTP 的 GET 请求，需要转码，然后把参数拿到，目标是写到 Execl 文件中。
因为一直没用，语法也记不清楚，只能不停回看笔记，关于 Execl 这块也没用过，临时网上查找。
读文件
由于原文件太大，所以先复制了一部分存入当前目录的 test.txt 文件中。
import os
file = open('./test.txt') # 打开文件
for line in file: # 按行遍历文件
...
file.close() # 最后要关闭
遍历每一行数据后，转码，分割，转成字典结构
import urllib.parse
# 定义个方法将一行数据转成字典
def getOneDict(line):
params = dict() # 创建字典保存数据
pre = 'timeAnalysis?'
index = line.find(pre) # 找到这个位置，后面的数据是需要的参数
if index > -1:
line = line[index+len(pre):].split()[0] # 先截子串然后选空格之前的
line = urllib.parse.unquote(line) # 网上搜到的用于将 HTTP 编码后的文字解码
paramList = line.split('&') # 得到类似 s=android 的内若
for item in paramList:
param = item.split('=')
if (len(param) > 1): # 如果等于号后面有值
params[param[0]] = param[1] # 字典加个数据
return params
创建 Execl 文件
有了每一行对应的字典，就想把这内容写到 Execl 文档里。要先切换到 pip3 目录，执行 sudo pip3 install openpyxl 安装 openpyxl 模块，最新的语法参考 http://openpyxl.readthedocs.io/en/stable/
import openpyxl
def createExcel():
if 'time.xlsx' in os.listdir('./'): # 如果有了这个文件，就不要再创建了
return
wb = openpyxl.Workbook() # 创建 Execl
wb.active.title = 'Splash' # 默认有一个活动的 Sheet，把名字改成 Splash
wb.create_sheet(title='Home') # 再创建一个 Sheet
wb.save('time.xlsx') # 最后一定不能忘了这句
结果本地生成了文件 time.xlsx，打开后有两个 Sheet。
向 Execl 中插入数据
看 Execl，横向是 A、B、C... 这样编号，纵向是 1、2、3... 这样编号，看文档可以通过两个编号组合来定位。我这里没用这个函数。
我需要把字典里的 key 作为第一行用作标题，然后每来一个字典里的数据，先寻找是否有了这个 key，有了就往下一行添加对应的 value，没有的话先添加一列，行数是第一行，值是字典里的这个 key，然后再添加 value。
def writeToExecl(params):
wb = openpyxl.load_workbook('time.xlsx') # 打开 Execl 文件
splashSheet = wb['Splash'] # 找到两个 Sheet
homeSheet = wb['Home']
if params['pid'] == '04': # 如果字典里有一个 pid=04 的，要放到 Splash 表里
writeToSheet(splashSheet, wb, params)
elif params['pid'] == '00':
writeToSheet(homeSheet, wb, params)
def getValue(t):
return t.value
def writeToSheet(sheet, wb, params):
rows = tuple(sheet.rows) # 拿到所有行转成元组
index = len(rows) + 1 # 在原有的行数的下一行插入数据
print('rows ' + str(index))
titles = list(map(getValue, rows[0])) # 用高阶函数 map 转换第一行，拿到里面的 value，然后要转成 list
if titles == [None]: # 测试发现列表不是空的，长度是 1，里面是 None，所以判断一下
titles = []
for k,v in params.items(): # 遍历字典
if k in titles: # 如果第一行有这个标题，直接插值
sheet.cell(row = index, column = titles.index(k) + 1).value = v # 行数为 index，列为这个 key 在的行，cell 里的索引从 1 开始
else:
sheet.cell(row = 1, column = len(titles) + 1).value = k # 先插标题，先插了一列
sheet.cell(row = index, column = len(titles) + 1).value = v # 再插字典的 value
titles.append(k) # 标题多了一个，要更新
wb.save('time.xlsx') # 保存以生效
遍历文件
将要分析的文件放入当前目录的 web 文件夹下，然后遍历，对每一个文件进行读取。
for file in os.listdir('./web'):
print('read file ' + os.path.basename(file))
readAFile('./web/' + file)
def readAFile(filename):
file = open(filename)
for line in file:
params = getOneDict(line)
if (len(params) == 0): # 如果字典为空，继续下一行
continue
writeToExecl(params)
file.close()
其它
运行时报出了一个错误
...
self._buffer_decode(data, self.errors, final)
UnicodeDecodeError: 'utf-8' codec can't decode byte 0x80 in position 3131: invalid start byte ...
网上搜了下，是编码的问题，没去特地解决，一两行数据不影响统计比例，找到一种方法，打开文件时忽略错误。
file = open(filename, errors='ignore')
还有生成的文件名，要分析文件的路径等可以通过命令行参数传入，这样可用性高些，就不搞了。
整体做下来，其实功能很简单，但是由于对语言的不熟悉，花了不少时间，map 这个高级函数还是因为 Kotlin，Rx 里都有类似的，所以搜了下才知道，有些不知道的可能就写繁琐了。
文件太大，写入时间太长，只运行了一会看了一些数据，分析出大概的原因，最终还是让运营再去过滤分析比例的。
结果
源代码
import os
import urllib.parse
import openpyxl
import sys
# 将一行数据转成字典
def getOneDict(line):
params = dict() # 创建字典保存数据
pre = 'timeAnalysis?'
index = line.find(pre)
if index > -1:
line = line[index+len(pre):].split()[0]
line = urllib.parse.unquote(line)
paramList = line.split('&')
for item in paramList:
param = item.split('=')
if (len(param) > 1):
params[param[0]] = param[1]
return params
def createExcel():
if 'time.xlsx' in os.listdir('./'):
return
wb = openpyxl.Workbook() # 创建Execl
wb.active.title = 'Splash'
wb.create_sheet(title='Home')
wb.save('time.xlsx')
def writeToExecl(params):
wb = openpyxl.load_workbook('time.xlsx')
splashSheet = wb['Splash']
homeSheet = wb['Home']
if params['pid'] == '04': # 开屏
writeToSheet(splashSheet, wb, params)
elif params['pid'] == '00': # 首页
writeToSheet(homeSheet, wb, params)
def getValue(t):
return t.value
def writeToSheet(sheet, wb, params):
rows = tuple(sheet.rows)
index = len(rows) + 1 # 从这一行开始插入数据
titles = list(map(getValue, rows[0])) # 拿到第1行的内容，做标题用
if titles == [None]:
titles = []
for k,v in params.items():
if k in titles:
sheet.cell(row = index, column = titles.index(k) + 1).value = v
else:
sheet.cell(row = 1, column = len(titles) + 1).value = k # 先插标题
sheet.cell(row = index, column =