Или как подружить Excel и SQL, чтобы не сойти с ума
🤔 Почему это вообще важно?
Ты наверняка сталкивался с этим:
- Хранишь данные в базе (MySQL, PostgreSQL, SQLite — неважно),
- А отчёты нужны в Excel,
- Или наоборот — коллега скинул Excel-файл, а тебе нужно засунуть его в БД.
И вот ты вручную копируешь, вставляешь, сохраняешь в .csv, а потом колдуешь в SQL.
Есть способ проще — Python.
С его помощью можно:
- 📥 Загрузить Excel в базу за пару строк кода
- 📤 Выгрузить SQL-запрос прямо в Excel-файл
- 🤖 Автоматизировать всё это и забыть про рутину
📦 Что будем использовать
pip install pandas openpyxl sqlalchemy
- pandas — таблицы, фильтрация, преобразования
- openpyxl — для работы с Excel .xlsx
- sqlalchemy — универсальный мост между Python и базами
📁 Что у нас есть
Представим, у нас:
- база данных sales.db (на SQLite, для простоты),
- таблица orders со следующей структурой:
id (INT)
client_name (TEXT)
amount (FLOAT)
date (DATE)
А ещё Excel-файл новые_заказы.xlsx с новыми строками.
🔁 Сценарий 1: Импорт Excel в базу данных
Шаг 1: Читаем Excel
import pandas as pd
# Загружаем Excel-файл
df = pd.read_excel('новые_заказы.xlsx')
# Смотрим, что там
print(df.head())
💬 read_excel — самый быстрый способ вытащить табличку из Excel.
Файл должен быть .xlsx (не .xls!), и желательно без merged cells.
Шаг 2: Подключаемся к базе
from sqlalchemy import create_engine
# Подключаемся к SQLite (можно использовать и MySQL/PostgreSQL)
engine = create_engine('sqlite:///sales.db')
💬 create_engine() — универсальный способ подключения к БД через SQLAlchemy.
Хочешь MySQL? Просто меняешь строку подключения:
mysql+pymysql://user:password@localhost/dbname
Шаг 3: Загружаем данные в базу
# Пишем в таблицу "orders"
df.to_sql('orders', con=engine, if_exists='append', index=False)
💬 if_exists='append' — значит, мы добавляем данные к существующей таблице.
Можно также 'replace' — но это удалит всё старое, будь осторожен.
📤 Сценарий 2: Выгрузка данных из базы в Excel
Теперь представим, что ты хочешь выгрузить заказы за март в Excel для отправки начальству.
Шаг 1: SQL-запрос
# Запросим из базы только заказы за март
query = """
SELECT * FROM orders
WHERE strftime('%m', date) = '03'
"""
# Загружаем в DataFrame
df_march = pd.read_sql(query, con=engine)
print(df_march.head())
💬 Здесь мы используем strftime() — это SQLite-фишка.
Если работаешь с MySQL/Postgres, используешь MONTH(date) = 3.
Шаг 2: Сохраняем в Excel
# Сохраняем в Excel-файл
df_march.to_excel('отчет_март.xlsx', index=False)
💬 index=False — не добавлять лишний столбец с индексом pandas.
Теперь у тебя в руках готовый Excel-файл, пригодный для отправки.
📈 Бонус: Добавим группировку и аналитику
Что если ты хочешь сделать отчёт по сумме заказов по клиентам?
# Группируем
summary = df_march.groupby('client_name')['amount'].sum().reset_index()
# Сохраняем в отдельный лист
with pd.ExcelWriter('отчет_март_сводка.xlsx', engine='openpyxl') as writer:
df_march.to_excel(writer, sheet_name='Все заказы', index=False)
summary.to_excel(writer, sheet_name='Сводка по клиентам', index=False)
💬 ExcelWriter — позволяет писать в несколько вкладок одного файла.
Бухгалтеры будут в восторге. А ты — на шаг ближе к автоматизации.
⚡ Идеи для полной автоматизации:
- Загружать данные из Excel на сервер по расписанию
- Автоматически выгружать отчёты каждую неделю
- Отправлять Excel-файлы по почте через SMTP
- Обрабатывать файлы от разных филиалов (с разными шаблонами)
🧠 Что ты теперь умеешь
✅ Импортировать Excel в базу за 2 строчки
✅ Делать SQL-запросы и загружать их в pandas
✅ Сохранять результаты в Excel-отчёты
✅ Работать с несколькими листами
✅ Автоматизировать всю Excel-рутину
💬 Финалочка
Excel хорош для людей.
SQL хорош для машин.
Python — мост между ними.
Так что, если тебе снова скажут:
«Слушай, можешь выгрузить из базы заказы и переслать в Excel?»
Ты теперь можешь ответить:
«Конечно. Оно уже делается. Автоматически. Каждый день в 7:00.»