使用xlsxwriter时短字符串与长字符串占用空间为何相近？

为什么短字符串和长字符串列占用空间接近？ #

这是因为Excel的OOXML文件格式中，单元格的存储开销主要来自XML结构的固定成本，而非字符串本身的长度：

• 每个单元格在XML中都会生成类似 <c r="A2" t="s"><v>0</v></c> 的条目，这段结构的字节数是固定的（约30-40字节），和单元格内字符串的长短无关。
• 13万条记录的情况下，这部分固定的XML标签总字节数（130000 × 30字节 ≈ 3.9MB）远大于字符串长度差异带来的字节差（130000 × (10-4)字节 = 780KB），所以两列的总占用空间会显得几乎相同。
• 另外，XlsxWriter默认会将重复字符串存入共享字符串表（SST），只在单元格中存储引用ID。如果business_unit的重复率很高（比如只有几个固定值），SST中该列的字符串总大小会很小，但单元格的引用条目数量和另一列一致，进一步拉平了两列的空间占比。

如何让短字符串列占用更少空间？ #

可以通过以下几种方式优化：

1. 启用constant_memory模式 #

创建Workbook时开启该模式，它会逐行写入数据，避免在内存中缓存所有内容，同时优化字符串存储和XML生成，显著减少文件大小：

wb = xlsxwriter.Workbook(output, {'constant_memory': True})

2. 批量写入整列数据 #

用write_column替代嵌套循环逐单元格写入，批量处理能减少XML结构的冗余开销：

# 写入表头
for col_idx, column in enumerate(columns):
    ws.write(0, col_idx, column)

# 批量写入business_unit列
business_units = [row[0] for row in data]
ws.write_column(1, 0, business_units)

# 批量写入creator_login_sap列
logins = [row[1] for row in data]
ws.write_column(1, 1, logins)

3. 最大化共享字符串复用 #

确保重复字符串被正确共享（XlsxWriter默认已开启，但可以确认没有禁用）：

• 不要手动将字符串转为其他类型（比如数字），保持字符串类型才能被加入共享表。
• 如果business_unit只有少量固定值，这种优化的效果会更明显，因为共享表中只需要存储少数几个4字符字符串，而非13万条重复内容。

4. 移除不必要的格式 #

如果代码中存在未使用的单元格格式，或者默认格式被重复设置，会增加文件大小。只保留实际需要的格式，避免冗余。

内容的提问来源于stack exchange，提问作者Альберт Александров