【Python文件读取学习】读取表格(csv、xls、xlsx)、读取xml、读取yaml类封装记录

Python办公自动化:用openpyxl和python-docx实现Excel到Word表格数据精准迁移 在数据处理与文档生成的工作流中,自动化脚本是提升效率的关键。其核心原理是通过编程接口(API)对结构化数据文件进行读写操作,实现跨应用的数据流转。这项技术的核心价值在于将人工重复操作转化为标准化、零差错的自动化流程,尤其适用于周报生成、客户信息整理、报告编制等需要频繁在Excel和Word间同步数据的场景。本文聚焦于使用Python生态中的openpyxl和python-docx这两个库,针对“python读取excel数据全部读取耗时5分钟”的性能痛点,提供了使用read_only模式与iter_rows 阅读详情

一、读取表格(csv、xls、xlsx)

# _*_ coding:utf-8 _*-
import csv
import xlrd
from openpyxl import load_workbook


class RWFile:

    #  按行读取文件,根据文件后缀判断读取方式,最终返回行列表。其中,每行为一个列表。
    def get_content_lines(self, path, sheet_name=None):
        filetype = path.split(".")[-1].lower()
        if filetype == 'csv':
            return self.get_csv_lines(path)
        elif filetype in ['xls']:
            return self.get_excel_xls_lines(path, sheet_name)
        elif filetype in ['xlsx']:
            return self.get_excel_xlsx_lines(path, sheet_name)

    #  按行读取文件,根据文件后缀判断读取方式,最终返回行列表。其中,每行为一个字典。
    def get_content_dict(self, path, sheet_name=None):
        filetype = path.split(".")[-1].lower()
        if filetype == 'csv':
            return self.get_csv_dict(path)
        elif filetype in ['xls']:
            return self.get_excel_xls_dict(path, sheet_name)
        elif filetype in ['xlsx']:
            return self.get_excel_xlsx_dict(path, sheet_name)

    #  csv按行读取数据,每行数据为一个列表,最终以列表方式返回行列表。
    def get_csv_lines(self, path):
        filelines = []
        with open(path, newline='') as f:
            reader = csv.reader(f)
            try:
                for row in reader:
                    filelines.append(row)
            except csv.Error as e:
                print(e)
                filelines.clear()
        return filelines

    # csv按行读取数据,首行默认为字段名,从第二行开始读取,每行数据为一个字典,每个键值对为:字段名-值,最终每以列表方式返回行列表。
    def get_csv_dict(self, path):
        filelines = []
        with open(path, newline='') as f:
            reader = csv.DictReader(f)
            try:
                for row in reader:
                    filelines.append(row)
            except csv.Error as e:
                print(e)
                filelines.clear()
        return filelines

    # excel_xls按行读取数据,每行数据为一个列表,最终以列表方式返回行列表。
    def get_excel_xls_lines(self, path, sheet_name):
        filelines = []
        file = xlrd.open_workbook(path)
        sheet = file.sheet_by_name(sheet_name)
        for row in range(sheet.nrows):
            filelines.append(sheet.row_values(row))
        return filelines

    # excel_xls按行读取数据,首行默认为字段名,从第二行开始读取,每行数据为一个字典,每个键值对为:字段名-值,最终每以列表方式返回行列表。
    def get_excel_xls_dict(self, path, sheetName):
        filelines = []
        file = xlrd.open_workbook(path)
        sheet = file.sheet_by_name(sheetName)
        nrow = sheet.nrows
        ncol = sheet.ncols
        if nrow > 1:
            for row in range(1, nrow):
                row_dict = {}
                for col in range(0, ncol):
                    row_dict[sheet.cell(0, col).value] = sheet.cell(row, col).value
                filelines.append(row_dict)
        return filelines

    # excel_xlsx按行读取数据,每行数据为一个列表,最终以列表方式返回行列表。
    def get_excel_xlsx_lines(self, path, sheetName):
        filelines = []
        file = load_workbook(filename=path)
        sheet = file[sheetName]
        print(sheet.cell(row=1, column=2).value)
        for row in sheet.iter_rows(values_only=True):
            celllist = []
            for cell in row:
                celllist.append(cell)
            filelines.append(celllist)
        return filelines

    # excel_xlsx按行读取数据,首行默认为字段名,从第二行开始读取,每行数据为一个字典,每个键值对为:字段名-值,最终每以列表方式返回行列表。
    def get_excel_xlsx_dict(self, path, sheetName):
        filelines = []
        file = load_workbook(filename=path)
        sheet = file[sheetName]
        nrow = sheet.max_row
        ncol = sheet.max_column
        if nrow > 1:
            for row in range(2, nrow+1):
                row_dict = {}
                for col in range(1, ncol+1):
                    row_dict[sheet.cell(1, col).value] = sheet.cell(row, col).value
                filelines.append(row_dict)
        return filelines

二、读取xml

  # -*- coding: UTF-8 -*-

"""
读写xml
"""

import xml.etree.ElementTree as ET
import xml.dom.minidom as minidom


def read_xml(in_path):
    """读取并解析xml文件
       in_path: xml路径
       return: tree
    """
    tree = ET.parse(in_path)
    return tree


def xml_tree_to_dict(tree):
    """xml生成为dict,
    将tree中个节点添加到list中,将list转换为字典dict_init
    叠加生成多层字典dict_new
    """
    dict_new = {}
    for key, valu in enumerate(tree.getroot()):
        dict_init = {}
        list_init = []
        for item in valu:
            list_init.append([item.tag, item.text])
            for lists in list_init:
                dict_init[lists[0]] = lists[1]
        dict_new[key] = dict_init
    return dict_new


def dict_to_xml_tree(input_dict, root_tag, node_tag):
    """ 定义根节点root_tag,定义第二层节点node_tag
    第三层中将字典中键值对对应参数名和值
       return: xml的tree结构 """
    root_name = ET.Element(root_tag)
    for (k, v) in input_dict.items():
        node_name = ET.SubElement(root_name, node_tag)
        for (key, val) in sorted(v.items(), key=lambda e:e[0], reverse=True):
            key = ET.SubElement(node_name, key)
            key.text = val
    return root_name


def out_xml(root, path):
    """格式化root转换为xml文件"""
    rough_string = ET.tostring(root, 'utf-8')
    reared_content = minidom.parseString(rough_string)
    with open(path, 'w+') as fs:
        reared_content.writexml(fs, addindent=" ", newl="\n", encoding="utf-8")
    return True


def main():
    # root = read_xml('/Users/mac/MyCode/Repo/PycharmProjects/LoomoTestingTool/allure-results/environment.xml')
    # print(repr(root))
    # print(xml_tree_to_dict(root))

    d = {0: {'key': 'App.Platform', 'value': 'Android'}, 1: {'key': 'App.Version', 'value': '0.8.49'}, 2: {'key': 'App.Branch', 'value': 'test'}}
    tree = dict_to_xml_tree(d, "environment", "parameter")
    out_xml(tree, "./test.xml")


if __name__ == '__main__':
    main()

三 、读取yaml

import yaml,os
from ruamel import yaml as yaml_2

class ReadYaml():
    def __init__(self, file_path):
    # 判断文件是否存在
        if os.path.exists(file_path):
            self.file_path = file_path
        else:
            print('没有找到%s文件路径' % file_path)
        self.data = self.read_yaml()

    def read_yaml(self):
        with open(self.file_path, 'r', encoding='utf-8') as f:
            p = f.read()
            return p

    def get_data(self, key=None):
        result = yaml.load(self.data, Loader=yaml.FullLoader)
        # 判断key是否存在
        if key == None:
            return result
        else:
            return result.get(key)

    def read_yaml_o(self):
        with open(self.file_path, "r") as f:
            return yaml.safe_load_all(f.read())

    def read_yaml_def(self):
        with open(self.file_path, "r") as f:
            return yaml.safe_load(f)

    def read_yaml_list(self):
        with open(self.file_path, "r") as f:
            return list(yaml.safe_load_all(f.read()))

    def read_yaml_ruamel(self):
        with open(self.file_path) as f:
            yaml = yaml_2.YAML(typ='safe', pure=True)
            config = yaml.load(f)
            return config
if __name__ == '__main__':
    print(ReadYaml(file_path="./yaml_geshi/dict_dict.yaml").read_yaml_ruamel())
    print(ReadYaml(file_path="./yaml_geshi/dict_list.yaml").read_yaml_list())
    print(ReadYaml(file_path="./yaml_geshi/dict_dict.yaml").read_yaml_def())
    data = ReadYaml(file_path="./yaml_geshi/key_value.yaml").read_yaml_o()
    print('data:')
    print(data)
    print('利用for循环取值:')
    for d in data:
        print(d)
    print(ReadYaml(file_path="./yaml_geshi/dict_dict.yaml").get_data())
    print(ReadYaml(file_path="./yaml_geshi/dict_dict.yaml").get_data(key="input"))
    print(ReadYaml(file_path="./yaml_geshi/list_dict.yaml").read_yaml())
    print(ReadYaml(file_path="./yaml_geshi/list_dicts.yaml").read_yaml())

yml文件各种格式写法参考:python_读取yaml文件

python 读取xml从入门到精通 XML (Extensible Markup Language),可扩展标记语言,是一种被广泛应用于网络上的文件格式。在互联网上,网页里的信息都以 XML格式存储,例如 HTML、 CSV、 JSON等。随着电子商务的发展,人们需要在 Web页面上传递各种信息,因而需要一个简单的 XML文件来承载这些信息。由于 XML是一种标准数据格式,使得不同公司或个人之间可以很容易地共享相同类型的数据。对于各种 Web应用程序来说, XML是一种通用的格式。它为所有类型的数据提供了一种通用的表示方法。它不需要 阅读详情

相关推荐

Python读写XML文件:全面解析与技术实现

自描述性:XML文件通过标签和属性描述数据结构和内容,具有良好的可读性。层次结构:XML文件具有树形结构,可以表示复杂的嵌套关系,非常适合描述具有层次关系的数据。平台无关性:XML文件是纯文本格式,可以在不同的平台和编程语言之间进行无缝传输。Python提供了多种处理XML文件的库,从轻量级的到功能强大的lxml,每个库都有其独特的优势和适用场景。在实际项目中,开发者应根据XML文件的复杂性、项目需求以及性能要求选择合适的工具。

NicoleGus的博客 3025

python处理csv文件和excel文件读取数据详解(xlrd/xlwt及openpyxl分析)

CSV文件

Z_love_u的博客 8312

R语言数据导入实战:解决乱码、多表头、JSON嵌套与PDF提取等高危场景

数据导入是数据分析流程中首个也是最关键的环节,其本质是文本解析、二进制格式解码与非结构化内容重建的综合技术问题。理解编码机制(如UTF-8/GBK互转)、日期序列号原理(Excel 1899-12-30原点)、千分位与货币符号的正则剥离逻辑,直接决定后续分析的可靠性。在工程实践中,仅靠readr或readxl远远不够——真实业务常面临中文乱码Excel、带合并单元格的财务报表、嵌套JSON API响应及无表格线的PDF提取等典型挑战。本文聚焦R生态中五类高危数据源的攻坚方案,覆盖rio统一入口、fread流

weixin_30565327的博客 449

【Python--XML文件读写】XML文件读写详解

【Python--XML文件读写】XML文件读写详解

Danger的博客 6019

Openpyxl Excel自动化实战:零依赖批量处理与样式保留

Excel自动化是企业数据岗高频刚需,本质是将重复性报表操作从人工搬运升级为可复用、可部署的程序化流程。其核心原理在于绕过Excel进程,直接解析.xlsx底层XML结构,实现数据读写与格式控制的解耦。Openpyxl作为Python生态中唯一支持原生.xlsx全样式保留(字体/边框/合并单元格/批注)且无需本地Excel安装的库,技术价值突出体现在跨平台稳定性、低部署门槛和生产级鲁棒性。典型应用场景覆盖财务月结、HR档案归档、运营看板生成及教学数据分析等——凡存在‘打开-复制-粘贴-调整-保存’闭环的工作

weixin_30279315的博客 514

Python读取Excel文件:with open和pandas性能比较

在Python中,读取Excel文件是一项常见的任务。有两种主要的方法可以实现这个目标:使用内置的open函数和with语句,以及使用pandas库。本文将比较这两种方法的性能,并提供相应的源代码示例。

CyberBladeX的博客 913

【文件操作、目录操作】-覆盖:ini文件、yaml/yml文件、excel文件、json文件的python操作封装

【代码】关于:ini、yaml/yml、excel文件的python操作封装。

白骨梦儿 692

VSCode玩转ESP-ADF音频开发:从环境搭建到成功播放MP3的避坑全流程

本文详细介绍了如何在VSCode环境下使用ESP-ADF框架进行ESP32音频开发,从环境搭建到成功播放MP3的全流程。重点解析了`IDF_PATH`和`ADF_PATH`的配置问题,以及如何解决`xTaskCreateRestrictedPinnedToCore`等常见编译错误,帮助开发者快速上手ESP-ADF音频开发。

weixin_42520909的博客 339

Tablib故障排除手册:常见错误代码和解决方案

Tablib是Python中一个功能强大的表格数据集库,支持Excel、JSON、YAML、CSV等多种格式的数据导入导出。在使用过程中,您可能会遇到各种错误,本手册将为您提供完整的故障排除指南和解决方案。🚀 ## 常见错误类型和解决方法 ### InvalidDimensions 错误:维度不匹配 当您尝试添加的行或列尺寸与数据集不匹配时,会出现此错误。例如: ```python da

gitblog_00533的博客 516

保姆级教程:STM32CubeMX配置PWM死区与刹车功能,防止电机驱动炸管

本文详细解析了使用STM32CubeMX配置PWM死区与刹车功能的完整流程,帮助工程师避免电机驱动中的炸管风险。通过深入讲解死区时间计算公式、CubeMX配置界面及刹车功能的安全机制,结合实际电路设计要点和调试技巧,为电机驱动和电源转换应用提供可靠解决方案。

weixin_42550597的博客 347

FPGA DMA IP核使用指南

数据传输:支持从源地址到目标地址的数据传输。中断管理:提供中断信号,便于CPU处理传输完成事件。传输控制:支持传输大小、方向和暂停/恢复控制。

weixin_66634995的博客 2428

Python 爬虫的工具列表大全_picloud pip

urllib.parse – 用于打破统一资源定位器(URL)的字符串在组件(寻址方案,网络位置,路径等)之间的隔断,为了结合组件到一个URL字符串,并将“相对URL”转化为一个绝对URL,称之为“基本URL”。threading – Python标准库的线程运行。Crossbar – 开源的应用消息传递路由器(Python实现的用于Autobahn的WebSocket和WAMP)。asyncio – (在Python 3.4 +版本以上的 Python标准库)异步I/O,时间循环,协同程序和任务。

2401_87205190的博客 1710

【Zemax光学设计实训一】---单透镜光学设计

建立一个焦距为100mm、入瞳直径为25mm的单透镜系统,该透镜中心厚度为4mm,其两个面的曲率半径分别为100mm、-100mm,全视场2w=10°。该系统在可见光下工作,采用BK7玻璃,光阑设置在人射光线遇到的透镜的第一个光学表面;并对其展开优化。

yh的博客 3620

python 库分类大全

网络通用urllib -网络库(stdlib)。requests -网络库。grab – 网络库(基于pycurl)。pycurl – 网络库(绑定libcurl)。urllib3 – Python HTTP库,安全连接池、支持文件post、可用性高。httplib2 – 网络库。RoboBrowser – 一个简单的、极具Python风格的Python库,无需独立的浏览器即可浏览网页。Mecha...

xxt_ 2033

Flow Matching03-01:微分方程【微分方程(描述变化规律的方程):包含未知函数和它的导数的方程】【公式解(精确)、数值解(逼近)】

好的,我将从数学角度详细解释Flow Matching,从高中生能理解的基础知识开始,逐步深入到高级概念。

u013250861的博客 221

labelImg使用教程

Anaconda环境 安装 Anaconda 之后,在开始菜单下找到 Anaconda 文件夹 找到 Anaconda Prompt 点击运行 安装 labelImg pip install labelImg #直接命令行输入 启动 labelImg labelImg #直接命令行输入名称即可 labelImg界面 开始标注 快捷键:W(创建方框),A(上一张),D(下一张) XML文件示例 <annotation> <folder>夜读</folder>

G果的博客 3万+

python的第三方库

通用 urllib -网络库(stdlib)。 requests -网络库。 grab – 网络库(基于pycurl)。 pycurl – 网络库(绑定libcurl)。 urllib3 – Python HTTP库,安全连接池、支持文件post、可用性高。 httplib2 – 网络库。 RoboBrowser – 一个简单的、极具Python风格的Python库,无需独立的浏览器即可浏览网页。 MechanicalSoup -一个与网站自动交互Python库。 mechanize -有状态、可编程的We

Shallow的博客 462

Ubuntu零基础教学-史上最详Ubuntu20.04安装教程,超级详细,强烈建议收藏!

官网地址:https://www.vmware.com/ 1、VMware Workstation Pro 15.5.1在Windows 10的安装不再介绍了,一路下一步即可。 2、下面详细介绍在VMware 虚拟机里安装Ubuntu 20.04 LTS的步骤

**My Coding Family** 2万+

Markitdown 文档转 Markdown 完整教程:一条命令、一个 API、三招进阶

假设你拿到一份 60 页的行业报告,想把它喂给大模型做自动摘要。直接拖进对话框,得到的多半是排版错乱的乱码;手动复制粘贴,又足够消耗一个下午。这正是 **Markitdown 文档转 Markdown** 要解决的典型场景:这是一个微软开源、面向 LLM 数据处理的 Python 工具,能把 PDF、Word、Excel、PPT 乃至网页、音视频统一转换成结构清晰的 Markdown,输出几乎无需

gitblog_00710的博客 883

从 AI 助手到 ADT 自动化桥梁:全面解析 Vibing Steampunk 的定位、能力边界与典型使用场合

Vibing Steampunk是一个面向SAP ABAP开发的AI自动化工具集,它通过ADT API将SAP开发能力系统化地暴露给AI助手和命令行工作流。该工具支持ECC、S/4HANA等所有启用ADT的系统,提供代码读取、修改、测试、调试等全流程自动化能力。核心功能包括AI调试、上下文压缩、ABAP语言服务、Lua脚本自动化等,并内置多重安全控制。其分层架构兼容标准ADT和WebSocket扩展,既适合AI驱动开发,也支持传统DevOps自动化,特别适用于老系统代码考古、知识接力和复杂问题诊断场景。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 152

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

常用Python爬虫库汇总

Python爬虫,全称Python网络爬虫,是一种按照一定的规则,自动地抓取万维网信息的程序或脚本,主要用于抓取证券交易数据、天气数据、网站用户数据和图片数据等,Python为支持网络爬虫正常功能实现,内置了大量的库,主要有以下类型:一、Python爬虫网络库Python爬虫网络库主要包括:urllib、requests、grab、pycurl、urllib3、httplib...

weixin_34198881的博客 680

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

MarkItDown 快速上手指南:Python 一键把 PDF、Word、Excel 变成 AI 友好的 Markdown

做 AI 应用的人几乎都经历过这种尴尬:数据明明都在,模型却"读不进去"。MarkItDown 就是为解决这个痛点而生的 Python 工具,它能把 PDF、Word、Excel、PPT 乃至网页、音频等几十种文件统一转换成 Markdown 格式,让文档结构对 AI 完全"可读"。这套工具出自微软 AutoGen 团队之手,目前在 GitHub 上热度极高,短短时间就积累了大量星标,是文档转 M

gitblog_00494的博客 782

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

文件格式转换工具全测评:从核心原理到批量处理实战

文件格式转换是解决软件兼容性与数据互操作性的基础技术,其核心原理在于通过底层库(如LibreOffice、ImageMagick、FFmpeg)对文件编码、结构进行解析与重构。这项技术的价值在于打通不同平台与应用间的数据壁垒,实现信息的高效流转与复用。在应用场景上,它广泛覆盖办公文档处理、多媒体内容制作、开发数据交换及自动化运维等环节。无论是处理日常的PDF转Word、PNG转WebP,还是集成JSON/YAML配置转换,一个优秀的转换工具需兼顾格式支持广度、转换质量与操作便捷性。本文聚焦于如何通过命令行工

weixin_33841722的博客 421

文档转Markdown完整指南:用MarkItDown把PDF、Word、Excel统一变成AI最爱的格式

周一的早上,一位研究者收到同事发来的三份资料:一份排版精良的PDF论文、一份带目录和表格的Word报告、一份数据密密麻麻的Excel台账。他需要把三份内容汇总成一份资料,供团队的大模型项目做语料分析。于是他一上午的节奏变成了:打开PDF逐段复制、粘贴到文本编辑器里清理换行;打开Word把层级标题一个个手动补上井号;打开Excel对着单元格截图,再一张张喂给模型。三份文件,三个半小时,中间还漏掉了一

gitblog_00996的博客 217

快速把PDF、Word、Excel一键转成Markdown:MarkItDown完整上手指南

凌晨一点,你盯着屏幕上几十份格式各异的文档发呆:PDF报告、Word合同、Excel数据表……明天要交的整理稿连个开头都没有。想靠手动复制粘贴?那基本等于加班到天亮。这种时候,一个叫 **MarkItDown** 的文件转 Markdown 工具,就是你的救星。 ## 手头堆着几十份不同格式的文档,怎么办? 先说个日常场景:你的邮箱里躺着同事发来的 DOCX 方案、客户甩过来的 PDF 报价单

gitblog_00557的博客 1013

10分钟掌握MarkItdown:终极文档转Markdown指南,让PDF、Word、Excel一键变身AI友好文本

MarkItdown是一款免费开源的Python文档转换工具,专门把PDF、Word、Excel、PPT、图片、音频乃至网页链接等二十多种文件格式,统一转换为结构清晰的Markdown文本。它能保住标题层级、表格结构和列表逻辑,输出结果天生就是GPT、Claude等大模型最熟悉的语言。本文用10分钟、三个步骤、五个技巧,带你从零上手这套文档转Markdown工作流——读完之后,你会发现批量整理文档

gitblog_00550的博客 502
上一篇: 【批量修改data数据格式方法】notepad++使用正则表达式添加引号及逗号方法技巧
下一篇: 【经验积累】【git】【github】使用git将pycharm本地项目分享、上传到github操作步骤
TengTesting
博客等级 码龄6年 4粉丝 15原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值