Как загрузить файл Excel в Python: полное руководство с примерами кода

Работа с данными из Excel в Python — одна из самых востребованных задач среди аналитиков, разработчиков и специалистов по автоматизации. В отличие от ручного копирования таблиц, программная загрузка позволяет обрабатывать тысячи строк за секунды, строить графики, очищать данные и интегрировать их с базами или API. Но как правильно импортировать XLS или XLSX в скрипт, если вы никогда этого не делали?

Многие новички сталкиваются с ошибками при первом знакомстве: то кодировка слетает, то библиотека не находит файл, то данные читаются криво. Эта статья поможет избежать типичных ловушек. Мы разберём 5 проверенных способов загрузки Excel в Python — от простейшего чтения одной таблицы до работы с формулами и стилями ячеек. Вы узнаете, какую библиотеку выбрать для вашей задачи, как обработать большие файлы и что делать, если Excel упорно не хочет открываться.

Современные версии Python предлагают десятки инструментов для работы с Excel, но далеко не все они одинаково полезны. Например, устаревшая библиотека xlrd до сих пор встречается в туториалах, хотя она не поддерживает формат XLSX, созданный после 2010 года. А популярный pandas может "съесть" память, если не оптимизировать чтение больших файлов. Мы сосредоточимся на актуальных решениях 2026 года и покажем, как адаптировать код под ваши нужды.

1. Подготовка: какие инструменты понадобятся

Прежде чем загружать Excel в Python, убедитесь, что на вашем компьютере установлены все необходимые компоненты. Минимальный набор включает:

• 🐍 Python 3.8+ (более ранние версии могут не поддерживать актуальные библиотеки)
• 📊 Pip (менеджер пакетов для установки библиотек)
• 📑 Сами библиотеки: pandas, openpyxl или xlrd (для старых форматов)
• 🗃️ Файл Excel (XLSX рекомендуется, так как XLS устарел)

Чтобы установить библиотеки, откройте терминал (или Command Prompt в Windows) и выполните команды:

pip install pandas openpyxl
Для старых файлов XLS (до 2003 года):
pip install xlrd==1.2.0

Важный нюанс: если вы работаете в Jupyter Notebook или Google Colab, библиотеки можно устанавливать прямо в ячейке кода, добавив восклицательный знак:

!pip install openpyxl

⚠️ Внимание: Библиотека xlrd версии 2.0+ не поддерживает файлы XLSX, созданные в Excel 2010 и новее. Для современных форматов используйте openpyxl или pandas с движком openpyxl.

2. Способ 1: Чтение Excel через Pandas (самый популярный)

Библиотека pandas — это "швейцарский нож" для работы с табличными данными. Она умеет не только читать Excel, но и обрабатывать данные, строить графики, экспортировать результаты. Главное преимущество — простой синтаксис. Например, чтобы загрузить файл data.xlsx в переменную, достаточно одной строки:

import pandas as pd

df = pd.read_excel("data.xlsx")  # Загружаем первый лист
print(df.head())  # Показываем первые 5 строк

Но что делать, если в файле несколько листов? Или нужно прочитать только конкретные столбцы? Вот расширенные опции:

# Чтение конкретного листа по имени
df = pd.read_excel("data.xlsx", sheet_name="Лист1")

Чтение нескольких листов в словарь DataFrame
all_sheets = pd.read_excel("data.xlsx", sheet_name=None)

Чтение только столбцов A и C
df = pd.read_excel("data.xlsx", usecols=["A", "C"])

Оптимизация для больших файлов: Если ваш Excel весит сотни мегабайт, используйте параметры chunksize (чтение по частям) или укажите типы данных явно (dtype), чтобы сэкономить память:

# Чтение файла блоками по 1000 строк
chunk_iter = pd.read_excel("big_file.xlsx", chunksize=1000)
for chunk in chunk_iter:
process(chunk)  # Ваша функция обработки

Указание типов данных для экономии памяти
df = pd.read_excel("data.xlsx", dtype={"Столбец1": "int32", "Столбец2": "category"})

Установить pandas и openpyxl|Проверить путь к файлу|Определить имя листа (если не первый)|Указать нужные столбцы (опционально)|Настроить параметры для больших файлов-->

3. Способ 2: OpenPyXL для работы со стилями и формулами

Если вам нужно не только прочитать данные, но и сохранить форматирование ячеек, формулы или стили (цвета, шрифты), то pandas не подойдёт — он возвращает только "сырые" данные. Здесь на помощь придёт OpenPyXL, которая работает на уровне ячеек и поддерживает все возможности современного Excel.

Пример чтения файла с сохранением формул:

from openpyxl import load_workbook

wb = load_workbook("formulas.xlsx", data_only=False)  # data_only=False сохраняет формулы
sheet = wb["Лист1"]

Чтение значения ячейки A1 (может быть формулой)
cell_a1 = sheet["A1"]
print(f"Значение: {cell_a1.value}, Формула: {cell_a1.data_type == 'f'}")

С OpenPyXL вы также можете:

• 🎨 Изменять стили ячеек (цвет фона, шрифт, границы)
• 📊 Работать с объединёнными ячейками (merged cells)
• 🔄 Сохранять исходное форматирование при записи обратно в файл

Ограничение: OpenPyXL не поддерживает старый формат XLS (только XLSX). Для XLS используйте xlrd (версии 1.2.0) или конвертируйте файл в современный формат.

4. Способ 3: xlrd для устаревших файлов XLS

Если вам достался файл в формате XLS (Excel 97–2003), то pandas и openpyxl не смогут его прочитать. Здесь поможет библиотека xlrd, но с важной оговоркой: нужно установить версию 1.2.0, так как более новые версии не поддерживают XLS.

Установка и пример использования:

pip install xlrd==1.2.0

import xlrd

Открываем файл
wb = xlrd.open_workbook("old_file.xls")

Получаем первый лист
sheet = wb.sheet_by_index(0)

Читаем значение из ячейки A1
print(sheet.cell_value(0, 0))  # ряд, столбец (нумерация с 0)

Проблемы и решения:

• 🕒 Дата/время: xlrd читает даты как числа (количество дней с 1900 года). Чтобы конвертировать:

  from xlrd import xldate_as_tuple
  date_tuple = xldate_as_tuple(sheet.cell_value(0, 0), wb.datemode)
  print(date_tuple)  # (год, месяц, день, час, минута, секунда)

• 📉 Формулы: xlrd возвращает вычисленное значение, а не саму формулу. Для формул используйте OpenPyXL.

⚠️ Внимание: Файлы XLS имеют ограничение на 65 536 строк и 256 столбцов. Если ваш файл больше, его нужно разбить или конвертировать в XLSX.

5. Способ 4: Альтернативные библиотеки (xlwings, pyxlsb)

Иногда стандартные инструменты не подходят. Например:

• 🔄 Вам нужно автоматизировать Excel (макросы, обновление связей)
• 📈 Работать с бинарными файлами XLSB (Excel Binary Workbook)
• 🖥️ Управлять открытым экземпляром Excel (как через VBA)

В таких случаях пригодятся специализированные библиотеки.

1. xlwings — для автоматизации Excel

Если вам нужно не просто читать данные, а управлять живым Excel (обновлять графики, запускать макросы), используйте xlwings. Она требует установленного Microsoft Excel на компьютере.

import xlwings as xw

Подключаемся к открытой книге или создаём новую
wb = xw.Book("report.xlsx")

Чтение диапазона как массива
data = wb.sheets["Лист1"].range("A1:C10").value

Запуск макроса
wb.macro("МойМакрос")()

2. pyxlsb — для бинарных файлов XLSB

Формат XLSB используется для очень больших файлов (миллионы строк). Чтобы его прочитать:

from pyxlsb import open_workbook

with open_workbook("huge_file.xlsb") as wb:
with wb.get_sheet(1) as sheet:  # первый лист
for row in sheet.rows():
print(row)

6. Обработка ошибок и типичные проблемы

Даже с правильным кодом вы можете столкнуться с ошибками. Вот самые распространённые и способы их решения:

Как диагностировать проблему:

1. Проверьте расширение файла (иногда XLSX сохранён как XLS и наоборот).
2. Откройте файл в Excel и сохраните его заново (иногда это исправляет повреждённые данные).
3. Попробуйте прочитать файл другой библиотекой (например, если pandas падает, попробуйте openpyxl).

7. Оптимизация и лучшие практики

Чтобы ваш код работал быстро и надёжно, следуйте этим рекомендациям:

• ⚡ Для больших файлов: Используйте dtype для указания типов данных и chunksize для постраничного чтения.
• 🗃️ Для множества файлов: Храните пути в отдельном конфиге или используйте glob для пакетной обработки:

  import glob
  for file in glob.glob("data/*.xlsx"):
  df = pd.read_excel(file)
  # обработка...

• 🔄 Для регулярных задач: Оберните чтение в функцию с обработкой ошибок:

  def safe_read_excel(file_path):
  try:
  return pd.read_excel(file_path)
  except Exception as e:
  print(f"Ошибка в файле {file_path}: {e}")
  return None

Совет по производительности: Если вам нужно прочитать только часть данных (например, первые 1000 строк), используйте параметр nrows:

df = pd.read_excel("big_file.xlsx", nrows=1000)

Это сэкономит память и время, особенно если файл весит гигабайты.

FAQ: Ответы на частые вопросы

import pandas as pd
import requests
from io import BytesIO

url = "https://example.com/file.xlsx"
response = requests.get(url)
df = pd.read_excel(BytesIO(response.content))

!pip install msoffcrypto-tool
from msoffcrypto import OfficeFile

file = OfficeFile(open("protected.xlsx", "rb"))
file.load_key(password="your_password")
decrypted = file.decrypt(open("decrypted.xlsx", "wb"))

Теперь читаем расшифрованный файл
df = pd.read_excel("decrypted.xlsx")

df = pd.read_excel("file.xlsx", encoding="utf-8")

df.to_excel("output.xlsx", index=False, sheet_name="Результаты")

with pd.ExcelWriter("output.xlsx") as writer:
df1.to_excel(writer, sheet_name="Лист1")
df2.to_excel(writer, sheet_name="Лист2")

from openpyxl import load_workbook

wb = load_workbook("existing.xlsx")
sheet = wb["Лист1"]
sheet["A1"] = "Новое значение"  # Обновляем ячейку
wb.save("existing_updated.xlsx")