最稳方案是glob找文件+pd.read_excel逐个读+pd.concat合并；excelwriter不适用于读取合并，仅用于写新文件或覆盖；需注意glob路径、排序、读取参数、concat选项及数据格式校验。
直接说结论：用 glob 找文件 + pd.read_excel 逐个读 + pd.concat 合并，是最稳、最可控的方案；别图省事用 openpyxl 或 xlsxwriter 手动拼接，那不是快，是给自己埋雷。
为什么不用 pd.ExcelWriter 一次性写入？
很多人看到“合并 Excel”，第一反应是打开一个 ExcelWriter 对象往里追加 sheet——这在逻辑上就错了。ExcelWriter 是用于**写新文件或覆盖写**的，它不提供“读多个文件再拼数据”的能力。强行用它处理上百个文件，要么反复打开关闭（极慢），要么内存爆掉（每个 Workbook 实例都吃内存）。
- 真正要的是“把所有表格的数据行堆在一起”，不是“把所有 sheet 塞进一个文件”
-
pd.concat处理的是DataFrame，不是文件，这才是高效的核心 - 如果最终真要输出多 sheet 的汇总文件，那是合并完成后的**另一次独立操作**
用 glob.glob 匹配文件时的三个关键点
glob 看似简单，但在真实目录里很容易漏文件或读错顺序：
- 路径通配符必须用
**/*.xlsx（加recursive=True）才能扫子目录，否则只查当前层 - 文件名含空格或中文？没问题，但一定要用原始字符串：
r"../data/**/*.xlsx"，避免反斜杠转义出错 - 顺序很重要！
glob返回无序列表，sorted()必须跟上，否则每次运行合并结果的行序可能不同（尤其涉及时间戳列时）
示例：
import glob<br>files = sorted(glob.glob(r"reports/**/*.xlsx", recursive=True))
pd.read_excel 读取时最容易踩的坑
成百上千个文件里，格式从来不会完全一致。不加控制地读，concat 会直接报 ValueError: All objects passed were None 或列对不齐：
- 统一指定
sheet_name=0，别让它自动猜——有些文件有隐藏 sheet，有些默认是最后一个，行为不一致 - 加
usecols（比如"A:C"或[0,2,4]）强制读固定列，跳过格式混乱的附加列 - 加
dtype=str或按列指定类型（如{"ID": str, "Amount": float}），避免某张表里“123”被读成 int、“123.0”被读成 float，后续concat会生成object列，无法计算 - 加
skiprows或header显式声明表头位置，别依赖“第一行是标题”这种假设
pd.concat 合并不止是把 DataFrame 列表传进去
直接 pd.concat(dfs) 在小数据上能跑，一到千级文件就卡死或内存溢出：
- 务必加
ignore_index=True，否则索引重复（每个read_excel默认从 0 开始），后续.drop_duplicates()会失效 - 加
sort=False，避免内部自动按列名排序（列顺序不一致时会重排，耗时且易出错） - 如果内存紧张，改用分批
concat：每 50 个文件合一次，再把中间结果合并，比一次性全读进内存安全得多 - 最后记得
.reset_index(drop=True)，清理掉 concat 带来的冗余索引层级
示例（带错误跳过）：
dfs = []<br>for f in files:<br> try:<br> df = pd.read_excel(f, sheet_name=0, usecols="A:D", dtype={"ID": str})<br> df["source_file"] = f # 记录来源，方便后续排查<br> dfs.append(df)<br> except Exception as e:<br> print(f"跳过 {f}，错误：{e}")<br>result = pd.concat(dfs, ignore_index=True, sort=False).reset_index(drop=True)
真正麻烦的不是代码几行，而是每个 Excel 文件都可能悄悄换一种格式：空行、合并单元格、额外备注行、列名大小写不一致、甚至用“-”代替空值……这些不会报错，但会让合并后的数据在第 837 个文件处开始错位两列。动手前先抽样看 5 个文件的 df.head().to_dict() 输出，比写完再 debug 快十倍。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
