◆ 【ツール配布】Excel(.xlsx)をopenpyxlもpandasも使わずCSVに変換する｜"入れてもらえない"環境で動かす(Python標準ライブラリのみ・全コード)

客先から送られてきた.xlsxをCSVに変換してほしいと頼まれたとき、まず手が動くのはpip install openpyxlだと思う。だがその客先が社内PCで、情報システム部門が未承認パッケージのインストールをポリシーで止めている環境だったらどうなるか。管理者権限がない。プロキシの設定でPyPIに繋がらない。オフラインの端末に持ち込んでいいのはUSBメモリだけで、ネット経由のインストールという選択肢自体が存在しない。

これは珍しいケースではない。金融・自治体・製造業の一部の現場ではむしろ標準的な制約で、Pythonそのものは入っているのにサードパーティのライブラリだけは1つも追加できない、という環境に何度も出くわす。そこで詰まると、変換スクリプトを書いたところで相手のPCでは1行も動かせず、結局「Excelを手で開いて名前を付けて保存」という原始的な方法に逆戻りする。件数が数件ならまだしも、毎週何十ファイルも同じ作業が発生するなら、それは業務のボトルネックになる。

.xlsxファイルの実体は、実はZIPアーカイブの中に入ったXMLの集まりでしかない。openpyxlやpandasが便利にラップしてくれているだけで、中身を読むこと自体にはZIPを開く機能とXMLを読む機能があれば足りる。そしてこの2つは、Pythonの標準ライブラリのzipfileとxml.etree.ElementTreeに最初から入っている。つまり「相手の環境に何も追加させずに.xlsxを読む」ことは、原理的に可能である。

この記事で配布するのは、その原理をそのまま実装したCSV変換ツールである。標準ライブラリだけで書いた1ファイルのスクリプトで、コピーするだけで動く。openpyxlやpandasが入っていない環境、pipが使えない環境でも、Pythonの実行環境さえあれば.xlsxをCSVに変換できる。

■ この無料部分だけでできること

- .xlsxがopenpyxlやpandasなしで読める理由を、ファイル構造のレベルで理解できる

- .xlsxの中身(ZIP、XML、共有文字列、セル参照、書式定義)がどうなっているかが分かる

- 日付が「シリアル値」という数値で保存されている理由と、日付かどうかをどう判定すべきかが分かる

- 空セルによって列がずれるバグがなぜ起きるのか、どう防ぐべきかが分かる

- ツールが無くても、Excelの標準機能だけで同じ変換ができる方法が分かる

- このツールにできないこと(書き込み・数式の再計算・.xls・.xlsm・グラフ・書式・結合セルなど)が分かる

無料部分だけで、.xlsxの内部構造と、変換で気をつけるべき2つの落とし穴(日付・列ずれ)の設計思想はすべて説明している。読んだうえで「これなら自分で書ける」と判断できた人は、購入せずにそのまま自分の手で実装してもらって構わない。

■ こんな場面で止まっていませんか

- 客先や社内の別部署から.xlsxを受け取ったが、自分のPCにはopenpyxlもpandasも入っておらず、しかもpipが使えない

- Pythonは入っているが管理者権限がなく、ライブラリを追加できない社内PCで作業している

- オフラインの端末で、ネット経由のインストールという選択肢がそもそも存在しない

- Excelを手で開いて「名前を付けて保存」でCSVに書き出しているが、毎週何十ファイルも同じ作業が発生していて時間を取られている

- 日付の列がCSVに変換すると謎の数値(45000番台など)になってしまい、結局手作業で直している

- 空欄の列があるデータをCSVに変換したら、途中から値が1列ずつ左にずれていて、気づかずに集計を間違えた

■ なぜ「追加インストール不要」がそのまま武器になるのか

Excelのデータをプログラムで扱う案件を受けると、最初にぶつかるのは変換のロジックではなく「相手の環境で動かせるかどうか」であることが多い。openpyxlやpandasは優れたライブラリだが、それを「入れてもらう」という一手間が、実務では想像以上に大きな壁になる。

情報システム部門がインストールを許可制にしている職場、そもそもインターネットに繋がっていない端末、Pythonの実行環境自体は用意されているが管理者権限だけがない、といった制約は、開発者の感覚よりもずっと頻繁に存在する。この制約の下では、どれだけ高機能なスクリプトを書いても、相手のPCで1行も実行できなければ意味がない。

.xlsxの実体がZIPとXMLだと分かれば、話は変わる。ZIPを開く機能とXMLを読む機能は、Pythonをインストールした時点で最初から入っている。だから「このファイル1枚をコピーしてください」だけで変換が完結し、追加のインストール作業そのものが発生しない。機能の豊富さでは専用ライブラリに敵わないが、「入れてもらえない環境でも動く」という一点だけは、専用ライブラリにはない強みになる。

■ .xlsxの中身がどうなっているか

.xlsxファイルの拡張子を.zipに変えて解凍すると、実際にフォルダとファイルの集まりが出てくる。中心になるのは次の4つである。

まずxl/workbook.xml。ここにはブック内のシートの一覧が入っている。シート名と、そのシートの実体がどのファイルに対応するかを結びつけるための参照IDが書かれているだけで、セルの中身そのものはここには無い。参照IDと実際のファイルパス(xl/worksheets/sheet1.xmlなど)を対応づけているのがxl/_rels/workbook.xml.relsで、この2つを突き合わせて初めて「シート名からどのXMLファイルを読めばよいか」が分かる。

実際のセルの値が入っているのはxl/worksheets/sheet1.xmlのようなファイルである。中を覗くと<c r="A1">...</c>のように、セルごとにr属性でセル参照(A1やC3など)を持ったタグが並んでいる。ここで注意が必要なのは、値が入っているセルしかタグとして存在しないという点である。これは後述する「列がずれる問題」の直接の原因になる。

もうひとつ独特なのがxl/sharedStrings.xml、共有文字列テーブルである。Excelは同じ文字列が何度も出てくる場合、セルの中にテキストをそのまま書き込まない。かわりにこのテーブルに一度だけ文字列を登録し、各セルからは「テーブルの何番目の文字列か」というインデックス番号だけを持たせる。ファイルサイズを小さく保つための仕組みで、これがあるため、文字列が入っているセルの多くは<c t="s"><v>3</v></c>のように「型は文字列、値はインデックス3」としか書かれておらず、このテーブルを引かない限り実際の文字は分からない。数値や日付のセルにはこの仕組みは関係なく、<v>タグの中に値がそのまま書かれる。

最後がxl/styles.xmlで、フォントや罫線、そして数値の表示形式(書式)の定義が入っている。後述するとおり、日付をシリアル値と区別するにはこのファイルを読む必要がある。各セルは書式そのものを直接持たず、「書式定義の何番目を使うか」という番号(スタイルインデックス)だけをセルのs属性として持つ。だからセルの値を正しく解釈するには、セルのXML・共有文字列テーブル・書式定義の3つを、セル参照とインデックス番号を手がかりに突き合わせる必要がある。本ツールはこの突き合わせを愚直に行っているだけで、特別なことはしていない。

■ 日付が「シリアル値」で入っている問題

Excelは日付を、文字列としては一切保存していない。1899年12月30日を起点にした経過日数という、ただの数値(シリアル値)として保存している。例えば2026年1月15日は46037という数値になる。この数値を「日付として表示せよ」という指示は、セルの値そのものには含まれておらず、セルに割り当てられた書式(numFmtId)という別の場所に持たせている。

つまりセルの<v>タグの中身だけを見ても、46037という数値しか出てこない。これを日付だと判定するには、そのセルのスタイルインデックスから書式番号を辿り、その番号が日付を表す組み込み書式(14番台や22番など)なのか、それとも独自のカスタム書式ならフォーマット文字列にyやd、時刻を表すhやsのようなトークンが含まれているかを調べる必要がある。本ツールはこの判定を行い、日付だと分かったシリアル値だけをYYYY-MM-DD形式(時刻を含む書式ならYYYY-MM-DD HH:MM:SS形式)に変換する。

ここで大事なのは、判定できない場合の振る舞いである。独自のカスタム書式で、日付を表すトークンなのかどうか機械的に読み取れないケースは、本ツールでは「日付ではない」として数値のまま出力する。これは判定の甘さではなく、あえてそうしている。「たぶん日付だろう」と推測で変換してしまうと、実際には日付ではない数値まで日付形式に化けてしまい、値そのものが破壊される。変換されない方が、間違って変換されるよりずっと安全である。数値のまま出てきたら、それは「日付として判定できなかった」というシグナルとして受け取ってもらう設計にしている。

なお、時刻だけを表す書式(h:mmなど)は、あえて日付変換の対象から外している。この手の書式のシリアル値は、起点日である1899年12月30日を含めて日時に変換してしまうと、実際には時刻しか意味を持たないデータに架空の日付が付いてしまい、かえって誤解を招く。中途半端に変換するよりは、数値のまま出す方が実害が少ないという判断である。

■ 空セルで列がずれる問題

これはツールを自作する場合にいちばん見落としやすい落とし穴で、しかも見落としても気づきにくい。

先ほど触れたとおり、.xlsxの内部XMLには、値が入っているセルしかタグとして存在しない。A列・B列・D列に値があり、C列が空という行があったとする。このときXML上にはA1B1D1の3つのタグしか無く、C1というタグ自体が存在しない。

これを単純に「XMLに出てきた順番でそのまま並べる」という実装にすると、本来D列にあるべき値が、出現順で3番目、つまりC列の位置に来てしまう。そしてそこから右にあるすべての値が、1列ずつ左にずれて並ぶ。厄介なのは、この状態でもCSVとしては普通に開けてしまうという点である。行の値の個数は変わらないので、パッと見ただけでは「データが化けている」ようには見えない。集計や突き合わせの段階になって初めて数字が合わないことに気づき、原因を探ってようやく列のズレだと分かる、という順序で発覚することが多い。

これを防ぐには、XMLに出てきた順番を信用せず、各セルが持っているr="D3"のようなセル参照から、実際の列位置(この例なら4列目)を自分で計算し直す必要がある。アルファベットの列記号を数値のインデックスに変換する処理(Aは1、Zは26、AAは27、という具合)を挟んだうえで、存在しない列は空文字列で埋めてからCSVに書き出す。同じ理由で、行そのものが丸ごと空の場合(XML上にその行自体が存在しない場合)も、飛ばさずに空行として埋めて出力する必要がある。行番号もセル参照と同様にr="3"のような属性から復元しており、出現順には頼っていない。

具体的な数字で見ると分かりやすい。ヘッダー行がA・B・D・E・F・Gの6列(C列だけ欠番)で、値が「名前・スコア・(欠番)・登録日・有効・合計」だったとする。出現順をそのまま採用する誤った実装では、5個のタグが1列目から5列目に詰めて並ぶため、本来4列目にあるはずの「登録日」が3列目に来てしまい、そこから右の「有効」「合計」もそれぞれ1列ずつ前にずれる。しかも出力される列の数自体は5列のままなので、CSVを開いただけでは異常だとは分からない。セル参照から列位置を復元する実装であれば、C列の位置に空文字列が1つ挿入され、結果として「名前・スコア・(空欄)・登録日・有効・合計」の6列がずれずに出力される。この1文字の空文字列があるかないかが、後続のすべての列の運命を分けている。

■ ツールが無くても手でできる方法

このツールが無くても、Excelの標準機能だけで同じ変換はできる。開いて「名前を付けて保存」から、ファイルの種類で「CSV UTF-8(コンマ区切り)」を選べばよい。古いバージョンのExcelでは単に「CSV(コンマ区切り)」しか選べないこともあるが、それでも変換自体は成立する。ブックに複数シートがある場合は、CSVとして書き出されるのは常にアクティブなシート1枚だけなので、シートの数だけこの操作を繰り返す必要がある。

日付の列については、CSVとして書き出す前に、セルの表示形式が実際に「日付」になっているかどうかを確認しておくとよい。Excel上で日付らしく見えていても、実体は数値で、表示形式だけが「標準」になっている場合、CSVに書き出すとシリアル値の数値がそのまま出てしまう。これは本ツールが行っている判定と、Excel自身が画面に表示している内容が食い違っている状態でもあるので、事前にセルの書式設定を確認しておくと事故を防げる。

数十ファイル程度で、しかも頻度が低いなら、この手作業でまったく問題ない。手作業が厳しくなるのは、ファイルの数が多い、定期的に繰り返し発生する、あるいは列構成が複雑でずれに気づきにくい、といった条件が重なったときである。そうなったときに初めて、スクリプトに置き換える価値が出てくる。

■ できないこと(正直に書きます)

このツールは.xlsxを読み取ってCSVに書き出すだけの、読み取り専用の変換ツールである。できないことを隠さずに書く。

書き込みや編集はできない。.xlsxファイルへの上書きや加工は一切行わず、読み込んで別のCSVファイルとして出力するだけである。数式の再計算もしない。.xlsx内に保存済みの計算結果をそのまま読み出しているだけで、計算をやり直すことはない。計算結果が保存されていないセル(保存前に開いたファイルなど)は、値を勝手に0や空欄扱いにするのではなく、空にしたうえで必ず警告を出す。

旧形式の.xls(97-2003形式)には対応していない。内部形式がZIP+XMLではなく別のバイナリ形式のため、そもそも同じ読み方が通用しない。マクロ有効ブックの.xlsmも対象外にしている。どちらも、渡すと分かるメッセージのエラーで止まる。

グラフ・画像・条件付き書式は展開しない。結合セルについても、結合そのものを解いて値を複製するようなことはせず、Excelの内部データがそうなっているとおり「左上のセルにだけ値があり、それ以外は空セル」としてそのまま出力する。セルの表示形式、たとえば桁区切りのカンマや通貨記号、パーセント表示なども再現しない。<v>タグに入っている生の数値をそのまま出すので、見た目の書式は付かない。値の正規化、前後の空白除去や全角半角の変換なども一切行わない。セルにある値をそのまま出す設計にしている。

■ 動かない.xlsxに当たったときの切り分け方

このツールを使っていて「読み込めない」「エラーになる」というケースに当たったら、まず.xlsxの拡張子を.zipに変えて解凍できるかどうかを確認するとよい。解凍できない、あるいはxl/workbook.xmlが中に見当たらない場合は、そのファイルはZIP+XML形式のExcelブックとして壊れているか、そもそも.xlsx形式ではない(拡張子だけ変更された別形式のファイルなど)可能性が高い。本ツールもこの2つのケースは、スタックトレースではなく読める文言のエラーメッセージで止まるようにしている。

日付が数値のまま出てくる場合は、原因の切り分けが少し違う。これはエラーではなく、そのセルの書式が「日付」だとツールが判定できなかったことを意味する。前述のとおり、独自のカスタム書式で、フォーマット文字列にd・y・h・sのいずれのトークンも含まれていないケースがこれにあたる。解凍したフォルダのxl/styles.xmlを開き、該当のセルが使っているnumFmtIdのformatCode文字列を直接確認すれば、なぜ日付と判定されなかったのかが分かる。

■ ここから先に入っているもの

無料部分で、.xlsxがZIPとXMLでできている理由、共有文字列・セル参照・書式の突き合わせ方、日付をシリアル値から判定する考え方、空セルで列がずれる原因と対策、できないことのすべては説明した。ここまでの内容だけで、自分のデータに合わせて同じ考え方のスクリプトを書ける人は、この先を購入する必要はない。

ここから先には、実際に手を動かしてすぐに試すための完成品を置いている。

- xlsx_to_csv.pyの全文(省略なし。標準ライブラリのみで動く、1ファイルで完結するツール)

- 検証用サンプル.xlsxを標準ライブラリだけで生成するmake_sample_xlsx.pyの全文(文字列・数値・日付・日時・真偽値・エラー値・空セル・空行・数式・インライン文字列をすべて含む)

- 実行方法と、自分のデータの列構成やシート名に合わせて書き換える具体的な手順

- 利用条件と免責事項

■ ツール本体(xlsx_to_csv.py・全文)