当前位置: 首页 > news >正文

excel创建和部分使用

一.excel导出是在开发中经常操作的内容,对于excel的导出也是有各种成熟的api组件

这里是最近的项目有通过ts处理,这里的内容通过ts

①引入const XlsxPopulate = require("xlsx-populate"); const XLSXChart = require("xlsx-chart");

通过命令行操作, pnpm xlsx-populate xlsx-chart

②对于excel的说明更有利于对构建excel的理解

1.整个单独的excel即为一个工作簿(workBook)

2.一个工作簿里面可以有很多工作表(sheet)

3.每个工作表有工作表的名称sheetName

4.每个工作表有头(header),体(body)存储数据

5.每列开始从a开始到之后都有唯一的.这里不多可以使用A1:${ 97+ header.lenth-1}.length(head.length)

二.上面说完之后就应该有熟悉的认识

XlsxPopulate.fromFileAsync(pathInfo.filePath).then(async (workbook) => {
//导出路径格式const filePath = `./${pathInfo.folderName}/TicketsReport_${moment().unix()}.xlsx`;
//工作表名const newSheetName = "ReportData";const newSheet = workbook.addSheet(newSheetName);
//头部const header = ["Brand","Branch code","Branch name(TC)",];
//体 数据存储位置 这里范围从A1开始后面的为获取具体的ASCll码const range = workbook.sheet(newSheetName).range(`A1:${String.fromCharCode(97 + header.length - 1).toUpperCase()}header.length`);range.value([header,...reportData.map((data) => [data.brandName,data.branchCode,data.branchName,]),]);// 写文件输出await workbook.toFileAsync(filePath);
}).catch((error) => {Logger.error(`Something went wrong - ${error?.message ?? JSON.stringify(error)}`, 'excel')});

___________________________________________________________________________

第二部分:

一.对于要将结果变.csv格式的纯文本格式的这种内容就简单很多了,

这个部分只是文字,只是header和body部分需要写上,之后加上换行符"/n"就可以

 const header = [

        "id",

        "token",]

let body= "";csvContent.forEach((ticket) => {let rowData = '';header.forEach((key)=>{let value='';value =  ticket[key]??' ';rowData += value + ",";});rowData= rowData.slice(0, -1) + "\n";body+= rowData;});

const headerString = header.join(",") + "\n";

const data= headerString+body

这里将内容转换成需要的内容之后,拼接起来,之后通过fs将结果导出即可

await fs.promises.writeFile(filePath,data,'utf-8');

相关文章:

excel创建和部分使用

一.excel导出是在开发中经常操作的内容,对于excel的导出也是有各种成熟的api组件 这里是最近的项目有通过ts处理,这里的内容通过ts ①引入const XlsxPopulate require("xlsx-populate"); const XLSXChart require("xlsx-chart"); 通过命令行操作, pnp…...

pycharm使用远程服务器的jupyter环境

1、确保服务器上安装了jupyter,如果没有,执行下面命令安装 pip install jupyter2、启动jupyter notebook服务 jupyter notebook --no-browser --port8888 --ip0.0.0.0 --allow-root表明在服务器的8888 端口上启动 Jupyter Notebook,并允许从任何 IP 地…...

ES6 基础

文章目录 1. 初识 ES62. let 声明变量3. const 声明常量4. 解构赋值 1. 初识 ES6 ECMAScript6.0(以下简称ES6)是JavaScript语言的下一代标准,已经在2015年6月正式发布了。它的目标,是使得」JavaScript语言可以用来编写复杂的大型应用程序,成为…...

【双指针】Leetcode 有效三角形的个数

题目解析 611. 有效三角形的个数 算法讲解 回顾知识&#xff1a;任意两数之和大于第三数就可以构成三角形 算法 1&#xff1a;暴力枚举 int triangleNumber(vector<int>& nums) {// 1. 排序sort(nums.begin(), nums.end());int n nums.size(), ret 0;// 2. 从…...

python项目练习——4.手写数字识别

使用Python和Scikit-learn库进行机器学习模型训练的项目——手写数字识别。 项目分析&#xff1a; 数据准备&#xff1a;使用公开数据集&#xff08;如MNIST&#xff09;作为训练和测试数据。数据预处理&#xff1a;对图像数据进行归一化、展平等操作&#xff0c;以便输入到机…...

【目标检测】NMS算法的理论讲解

将NMS就必须先讲IOU&#xff0c; IOU就是交并比&#xff0c;两个检测框的交集除以两个检测框的并集就是IOU 为什么要做NMS操作&#xff0c;因为要去除同一个物体的多的冗余检测框 那么NMS算法是如何做的呢&#xff1f; 以上是算法的流程图 下面讲解算法的流程 首先输入是预…...

3-iperf3 使用什么工具可以检测网络带宽、延迟和数据包丢失率等网络性能参数呢?

(1)iperf3简介 1.iperf3简介 2.用途&#xff08;特点&#xff09; 3.下载iperf3地址 &#xff08;2&#xff09;实战 1.iperf3参数 &#xff08;1&#xff09;通用参数&#xff08;客户端和服务器端都是适用的&#xff09; &#xff08;2&#xff09;客户端参数 实验1&…...

阳光倒灌高准直汽车抬头显示器HUD太阳光模拟器

阳光倒灌高准直汽车抬头显示器HUD太阳光模拟器是一种高级别的模拟设备&#xff0c;用于模拟太阳光的光谱、强度及照射角度&#xff0c;应用于太阳能电池板、光伏系统等领域的研究和测试。其参数包括光谱范围、光强度、光源、照射角度、均匀性和稳定性&#xff0c;可根据需求调整…...

jdk11中自定义java类在jvm是如何被查找、加载

yym带你了解jvm源码&#xff0c;openjdk11源码&#xff0c;java类jvm加载原理 jdk11中java类在jvm是如何被1查找、2加载 以下说明的是MiDept类是如何被java classloader 和 jvm加载步骤 上源代码 public static void main(String[] args) {Thread.currentThread().setName…...

单片机---独立按键

[3-1] 独立按键控制LED亮灭_哔哩哔哩_bilibili 按下的时候连接&#xff0c;松开的时候断开。 一头接GND&#xff08;电源负极&#xff09;&#xff0c;另一头接I/O口。 单片机上电时&#xff0c;所有I/O口为高电平。 按键没有按下&#xff0c;I/O口为高电平。 按键按下&…...

java分布式面试快问快答

目录 Java分布式面试宝典50题DubboRedisZookeeper分布式系统设计性能优化与监控安全实践经验 解答DubboRedisZookeeper分布式系统性能优化与监控安全 Java分布式面试宝典50题 Java分布式开发涉及到Dubbo、Redis、Zookeeper等技术&#xff0c;这些技术在实际工作中扮演着重要角…...

AI:148-开发一种智能语音助手,能够理解和执行复杂任务

AI&#xff1a;148-开发一种智能语音助手&#xff0c;能够理解和执行复杂任务 1.背景介绍 随着人工智能技术的飞速发展&#xff0c;智能语音助手已经逐渐成为人们日常生活中不可或缺的一部分。从简单的查询天气、播放音乐&#xff0c;到复杂的日程安排、智能家居控制&#xf…...

Kindling the Darkness:A Practical Low-light Image Enhancer

Abstract 在弱光条件下拍摄的图像通常会出现&#xff08;部分&#xff09;可见度较差的情况。,除了令人不满意的照明之外&#xff0c;多种类型的退化也隐藏在黑暗中&#xff0c;例如由于相机质量有限而导致的噪点和颜色失真。,换句话说&#xff0c;仅仅调高黑暗区域的亮度将不…...

图像处理与视觉感知---期末复习重点(4)

文章目录 一、图像复原与图像增强1.1 概述1.2 异同点 二、图像复原/退化模型2.1 模型图简介2.2 线性复原法 三、彩色基础四、彩色模型五、彩色图像处理 一、图像复原与图像增强 1.1 概述 1. 图像增强技术一般要利用人的视觉系统特性&#xff0c;目的是取得较好的视觉效果&…...

ABAP AMDP 示例

AMDP 是HANA开发中的一种优化模式 按SAP的官方建议&#xff0c;在可以使用Open SQL实现需要的功能或优化目标的时候&#xff0c;不建议使用AMDP。而在需要使用Open SQL不支持的特性&#xff0c;或者是大量处理流和分析导致了数据库和应用服务器之间有重复的大量数据传输的情况…...

发票查验接口C++语言如何集成、发票OCR

说起发票查验工作&#xff0c;繁琐的发票信息录入与反复查验令财务人员头疼不已。数字化时代&#xff0c;企业财务管理的自动化需求越来越高&#xff0c;翔云发票查验API搭配发票识别接口为企业提供一种高效的财务管理解决方案。仅需上传发票图片即可快速提取发票四要素信息&am…...

【图论 | 数据结构】用链式前向星存图(保姆级教程,详细图解+完整代码)

一、概述 链式前向星是一种用于存储图的数据结构,特别适合于存储稀疏图,它可以有效地存储图的边和节点信息,以及边的权重。 它的主要思想是将每个节点的所有出边存储在一起,通过数组的方式连接(类似静态数组实现链表)。这种方法的优点是存储空间小,查询速度快,尤其适…...

【蓝桥杯3.23小白赛】(详解)

第一题签到题不多说 【二进制王国】 #include <iostream> #include <vector> #include <algorithm> using namespace std;//int Cmp(string s1, string s2)测试了一下时间差确实很明显&#xff0c;还是用下面的内个 int Cmp(const string &s1,const st…...

设计模式之抽象工厂模式精讲

概念&#xff1a;为创建一组相关或相互依赖的对象提供一个接口&#xff0c;而且无须指定他们的具体类。 抽象工厂模式是工厂方法模式的升级版本。在存在多个业务品种或分类时&#xff0c;抽象工厂模式是一种更好的解决方式。 抽象工厂模式的UML类图如下&#xff1a; 可以看…...

初识云原生、虚拟化、DevOps

文章目录 K8S虚拟化DevOpsdevops平台搭建工具大数据架构 K8S master 主节点&#xff0c;控制平台&#xff0c;Master节点负责核心的调度、管理和运维&#xff0c;不需要很高性能&#xff0c;不跑任务&#xff0c;通常一个就行了&#xff0c;也可以开多个主节点来提高集群可用度…...

矿山灾害应急回溯:UWB离线即失联,无感定位全程轨迹留存

矿山灾害应急回溯&#xff1a;UWB离线即失联&#xff0c;无感定位全程轨迹留存矿山井下塌方、瓦斯超限、透水、顶板垮落等突发性灾害具备极强不可预判性&#xff0c;灾害发生后极易伴随断电断网、通信中断、组网瘫痪等状况。应急轨迹回溯、人员位置核查、救援路线规划&#xff…...

DECA加速器:神经网络模型压缩的硬件优化方案

1. DECA加速器&#xff1a;神经网络模型压缩的硬件突围在AI推理领域&#xff0c;模型压缩技术如同给神经网络"瘦身"——通过量化和稀疏化减少参数规模&#xff0c;但压缩后的数据需要解压才能计算&#xff0c;这个"拆包装"的过程往往成为性能瓶颈。传统CPU…...

别再只盯着交叉熵了:用PyTorch的TripletMarginLoss搞定人脸识别和商品推荐

超越交叉熵&#xff1a;PyTorch TripletMarginLoss在人脸识别与商品推荐中的实战指南 在深度学习的世界里&#xff0c;交叉熵损失函数长期占据着分类任务的主导地位。然而&#xff0c;当我们需要衡量样本之间的相对距离而非绝对类别时&#xff0c;一种更为强大的工具正在悄然改…...

MoE混合专家架构:揭秘大模型参数激活率与真实算力开销

1. 这不是“参数越多越强”的简单故事&#xff1a;拆解大模型里那个被悄悄藏起来的“开关”你肯定见过这类标题&#xff1a;“GPT-4 参数高达1.8万亿&#xff01;”、“DeepSeek-R1 拥有6710亿参数&#xff01;”——光是数字本身就像一记重锤&#xff0c;砸得人头晕目眩。但真…...

STM32CubeMX保姆级教程:从零配置STM32F103C8T6工程,5分钟点亮你的第一个LED

STM32CubeMX极简入门指南&#xff1a;5分钟实现LED控制全流程 第一次接触嵌入式开发时&#xff0c;那种既兴奋又忐忑的心情我至今记忆犹新。看着眼前这块小小的蓝色开发板&#xff0c;既想立刻让它"活"起来&#xff0c;又担心复杂的配置过程会让人望而却步。幸运的是…...

Agent驱动的机器学习 pipeline 全链路拆解,深度解析LLM+ML协同训练的4大范式演进

更多请点击&#xff1a; https://codechina.net 第一章&#xff1a;Agent驱动的机器学习 pipeline 全链路拆解&#xff0c;深度解析LLMML协同训练的4大范式演进 Agent驱动的机器学习 pipeline 正在重构传统ML工程范式——它不再将数据预处理、特征工程、模型训练与部署割裂为静…...

大模型MoE架构解析:参数稀疏激活与硬件协同设计

1. 这句话到底在说什么&#xff1f;先别急着转发&#xff0c;我们来拆解这个被疯传的“参数密度”说法“GPT-4 Has 1.8 Trillion Parameters. It Uses 2% of Them Per Token.”——这句话过去半年在技术社区、自媒体和AI科普帖里反复刷屏&#xff0c;配图常是夸张的“万亿级大脑…...

5分钟完成Windows 11终极优化:开源神器Win11Debloat完全指南

5分钟完成Windows 11终极优化&#xff1a;开源神器Win11Debloat完全指南 【免费下载链接】Win11Debloat A simple, lightweight PowerShell script that allows you to remove pre-installed apps, disable telemetry, as well as perform various other changes to declutter …...

基于随机森林的加州房价二分类实验

一、加州房价数据集介绍 本实验使用模拟加州房价数据集完成随机森林二分类任务&#xff0c;通过构建房屋特征与房价等级的映射关系&#xff0c;实现房价高低二分类预测&#xff0c;掌握随机森林集成学习算法、模型评估、特征重要性分析与参数调优方法。 数据集简介 数据集名称&…...

网易2026年Q1财报:游戏增长背后,AI、跨端与全球化面临哪些挑战?

网易发布2026年Q1财报5月21日&#xff0c;网易发布2026年第一季度财报。大体上&#xff0c;网易呈现出基本面企稳、公司效率提升以释放利润的态势。财报显示&#xff0c;网易Q1净收入306亿元&#xff0c;同比增长6.1%&#xff0c;Non - GAAP归母净利润为107亿元。游戏及相关增值…...