all-project/学校历史数据迁移/compare_student_headers.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
比较两个学生 Excel 文件的表头（列名）。

用法：
  python compare_student_headers.py \
    --file-a 学校历史数据迁移/student1222.xls \
    --file-b 学校历史数据迁移/student1127.xls

脚本会打印：
- 是否完全相同（顺序及名称）
- 仅在 A 中存在的列
- 仅在 B 中存在的列
- 顺序不同但内容相同的列（名称相同但位置不同）
"""
from __future__ import annotations
import os
import sys
import argparse
from typing import List
import pandas as pd


def read_headers(path: str) -> List[str]:
    if not os.path.exists(path):
        raise FileNotFoundError(path)
    ext = os.path.splitext(path)[1].lower()
    if ext == ".xls":
        df = pd.read_excel(path, nrows=0, engine="xlrd")
    else:
        # .xlsx or others
        df = pd.read_excel(path, nrows=0, engine="openpyxl")
    return [str(c).strip() for c in list(df.columns)]


def main():
    parser = argparse.ArgumentParser()
    parser.add_argument("--file-a", type=str, required=True)
    parser.add_argument("--file-b", type=str, required=True)
    args = parser.parse_args()

    try:
        headers_a = read_headers(args.file_a)
    except Exception as e:
        print(f"读取 {args.file_a} 表头失败: {e}")
        sys.exit(2)
    try:
        headers_b = read_headers(args.file_b)
    except Exception as e:
        print(f"读取 {args.file_b} 表头失败: {e}")
        sys.exit(2)

    print(f"{args.file_a} 列数: {len(headers_a)}")
    print(f"{args.file_b} 列数: {len(headers_b)}")

    if headers_a == headers_b:
        print("表头完全相同（顺序及名称一致）。")
        return

    set_a = set(headers_a)
    set_b = set(headers_b)
    only_a = sorted(list(set_a - set_b))
    only_b = sorted(list(set_b - set_a))

    if not only_a and not only_b:
        print("列集合相同，但顺序不同。")
        # show first few mismatches by position
        diffs = []
        for i, (ca, cb) in enumerate(zip(headers_a, headers_b)):
            if ca != cb:
                diffs.append((i + 1, ca, cb))
        if diffs:
            print("位置不一致的前若干列（位置, A列名, B列名）:")
            for d in diffs[:20]:
                print(f"  {d[0]:>3}: {d[1]}   |   {d[2]}")
        else:
            # maybe lengths differ; list remainder
            if len(headers_a) != len(headers_b):
                print("两表长度不同，下面列出多余部分：")
                if len(headers_a) > len(headers_b):
                    print("A 多余：", headers_a[len(headers_b):len(headers_b)+20])
                else:
                    print("B 多余：", headers_b[len(headers_a):len(headers_a)+20])
        return

    # print differences
    if only_a:
        print(f"仅在 A 中存在的列 ({len(only_a)}):")
        for c in only_a[:100]:
            print("  -", c)
    if only_b:
        print(f"仅在 B 中存在的列 ({len(only_b)}):")
        for c in only_b[:100]:
            print("  -", c)

    # also list positional mismatches up to 20
    diffs = []
    for i in range(min(len(headers_a), len(headers_b))):
        if headers_a[i] != headers_b[i]:
            diffs.append((i + 1, headers_a[i], headers_b[i]))
    if diffs:
        print("位置不一致的前若干列（位置, A列名, B列名）:")
        for d in diffs[:20]:
            print(f"  {d[0]:>3}: {d[1]}   |   {d[2]}")


if __name__ == "__main__":
    main()