在做材料数据管理的时候大家迟早会遇到一个问题数据进了 Granta MI怎么高效地导出来Granta MI现在通常叫 ANSYS Granta MI是材料工程领域应用非常广泛的一款材料信息管理系统很多制造企业、材料研究所和高校课题组都会把材料性能数据、测试报告、仿真材料卡片统一放在 MI 里管理。数据一旦集中起来下游需求立刻就会出现把数据交给 CAE 仿真做材料卡片、按周期生成材料数据报表、把历史数据迁移到新系统或者只是给业务方一份整理好的 Excel。这些场景倒都不复杂最折磨人的是数据量。几十条记录手工导一次还能接受几百上千条、而且每周都要导的时候问题就完全不一样了导得慢、容易漏、没法重复执行更没法在数据更新后自动触发。这时需要的是可编程、可重复、可调度的导出方案也就是 Granta MI Scripting Toolkit。Scripting Toolkit 是官方提供的 Python 脚本工具包可以用代码连接 MI 服务器、定位数据库和表、读取记录和属性再按自己的需求导出成 CSV、Excel、JSON 等格式。这篇文章会讲清楚它的核心概念、完整导出流程、可直接运行的代码示例以及实际项目中常见的坑和工程建议。如果你正在做材料数据自动化、仿真数据接口或 MI 数据治理这篇文章值得读完。1. 这篇文章真正要解决的问题先看一个真实场景。材料工程师在 Granta MI 里维护了一批钢材的拉伸性能数据包含牌号、标准、屈服强度、抗拉强度、断后伸长率等属性数据分表存放在Tensile Statistical Data中。现在需要把这些数据导出成 Excel交给仿真团队做材料卡片。第一次可能只有 50 条记录手工导出问题不大。但如果是 5000 条呢如果每周都要导一次呢如果领导要求只导出满足特定条件的记录呢手工操作的问题会立刻暴露出来第一效率低。逐条检查、批量勾选、逐页翻找一次完整导出可能要花一两个小时。第二易出错。手工操作很容易漏选记录或者导出后才发现某些属性根本没有值返工成本很高。第三不可重复。每一步操作靠人记换了同事结果就可能不一致流程无法标准化。第四难集成。手工导出停留在 Web 界面无法在数据更新后自动触发也没法和下游系统、CI 流程、定时任务串联。Scripting Toolkit 解决的就是这四类问题。它把“连接 MI、取记录、读属性、写文件”这个流程变成可编程、可重复、可调度的操作。从本质上看它降低的是材料数据管理中的重复劳动成本提升的是数据交付的可靠性和速度。这篇文章适合四类读者正在使用 Granta MI、需要批量导出数据的材料工程师或数据管理员需要为仿真、研发、采购等下游系统提供材料数据接口的软件工程师正在做 MI 数据迁移、清洗、归档的项目实施人员想了解材料数据系统如何与 Python 生态结合的技术爱好者。读完文章你将能独立完成一次 Granta MI 数据导出并掌握把它扩展成定时任务、报表工具、接口服务的基本思路。2. Granta MI 与 Scripting Toolkit 基础概念写代码之前需要先建立几个核心概念。2.1 Granta MI 是什么Granta MI 是 ANSYS 旗下的一套材料信息管理系统Material Information Management System。它解决的核心问题是把分散在个人电脑、测试报告、Excel 表格里的材料数据集中到一个经过权限管理和版本控制的企业级数据库中让材料数据成为企业资产而不是个人文件。MI 的核心数据模型可以概括为三层结构数据库Database一个 MI 服务器上可以挂多个数据库通常按业务领域划分比如金属材料库、聚合物库、供应商库。表Table数据库下面包含多张表表定义了数据结构和层级关系比如拉伸统计数据表、设计数据表。记录Record表里的每一行数据就是一条记录代表一个具体的材料、批次或测试结果。记录下面还可以挂子记录表达“材料 → 部件 → 测试结果”这样的层级关系。每条记录上挂着一组属性Attribute属性就是实际的材料性能字段比如牌号、密度、屈服强度、拉伸曲线。属性按数据类型可以细分为离散、短文本、长文本、数值点、数值区间、函数曲线、子表格等。理解了这套模型导出数据的逻辑就清晰了先连上某个数据库再定位到某张表取出需要的记录读取记录上的属性值最后按需求格式化输出。2.2 Scripting Toolkit 是什么Scripting Toolkit 是官方提供的 Python 脚本工具包封装了 MI 底层 Service Layer 的调用细节让开发者用面向对象的方式操作 MI 数据。它的核心价值在于把操作 Granta MI 的接口调用封装成Connection、Database、Table、Record、Attribute这样一组 Python 类。使用者不需要关心底层协议细节只需要理解 MI 的数据模型就能快速写出读写脚本。这里有一个容易混淆的点Scripting Toolkit 有两种包结构。旧版Granta-MI-Scripting-Toolkit导入方式为from GRANTA_MIScriptingToolkit import granta as mpy这个 API 长期稳定网上教程和社区案例也最多。新版从 2022 年开始官方按功能拆分为ansys-grantami-serverapi、ansys-grantami-recordlists、ansys-grantami-bomanalytics等包导入路径变成了from ansys.grantami.serverapi import ...模块划分更细更贴近 ANSYS Python 工具链的统一规划。本文示例以旧版导入方式为主因为它的 API 最直观适合理解核心逻辑。如果你用的是新版包概念和流程仍然一致只是导入路径和方法名略有差异切换成本很低。2.3 Scripting Toolkit 与 Web 界面导出的区别维度Web 界面导出Scripting Toolkit 导出操作方式手工点击、勾选Python 代码控制适用数据量小批量大批量、全量可重复性低依赖人工高脚本即文档可调度性不支持可接入定时任务灵活性受界面功能限制可自定义筛选、格式、输出学习成本低需要 Python 基础权限要求正常数据查看权限需要相应 API 权限结论很明确如果只是偶尔导几条数据Web 界面就够用如果需要频繁、批量、自动化地导出Scripting Toolkit 是更正确的选择。3. 环境准备与前置条件在跑通第一个脚本之前需要确认以下前置条件。3.1 Python 环境Scripting Toolkit 是基于 Python 的工具包因此本机需要安装 Python。官方通常会跟随 ANSYS 发布周期更新支持的 Python 版本建议使用成熟的 LTS 版本例如 Python 3.8 或 3.9 以上。具体版本兼容性以官方 Release Note 为准本文演示的是通用流程不绑定特定版本。建议使用虚拟环境管理依赖避免污染系统 Pythonpython -m venv venvWindows 下激活虚拟环境venv\Scripts\activateLinux/macOS 下激活虚拟环境source venv/bin/activate3.2 安装 Scripting Toolkit旧版包安装pip install Granta-MI-Scripting-Toolkit新版包安装根据实际使用的子模块选择pip install ansys-grantami-serverapi pip install ansys-grantami-recordlists如果不确定装哪个可以先确认公司内部 MI 版本对应的官方文档或者用 pip 查看包信息pip index versions Granta-MI-Scripting-Toolkit3.3 服务器地址与认证信息脚本要连接 MI 服务器需要准备以下信息MI Service Layer 的 URL通常形如http://服务器地址/mi_servicelayer可用的用户名和密码或者 Windows 域账号读取目标数据库和表的权限脚本运行环境与 MI 服务器之间的网络连通性。Scripting Toolkit 支持两种常见认证方式用户名密码认证with_credentials(username, password)Windows 集成认证with_windows_authentication()适用于域环境脚本运行账号需要具备 MI 访问权限。生产环境中不建议把密码硬编码在脚本里更稳妥的方式是通过环境变量、配置文件或密钥管理服务传入文章第 8 部分会专门说。4. 核心流程拆解一次完整的 Granta MI 数据导出可以拆成六个步骤。把这六个步骤理解透任何导出需求都是在这个框架上做变化。4.1 建立连接所有操作的第一步是创建Connection对象并传入认证信息。这一步对应的是与 MI Service Layer 建立会话。如果这一步出错最常见的是连接超时或证书校验失败。排查时先确认服务器地址有没有写错、网络是否连通、https 证书是不是自签名导致校验不过。4.2 定位数据库通过连接对象获取目标数据库。一个服务器上可能有多个数据库可以按名称精确获取也可以遍历查看有哪些库。需要注意的是数据库名称通常大小写敏感拼写不一致会直接报错。4.3 选择表数据库对象下面有多张表按名称获取目标表。这一步要和业务确认清楚数据到底在表层结构还是子层级中选错表会导出不到数据。4.4 获取记录获取记录有三种常见方式全量获取table.all_records()适合数据量不大的表搜索获取table.search(关键字)按记录名称匹配适合按材料名称筛选按 GUID 获取传入已知的记录 GUID 列表适合精确指定导出范围。实际项目中最灵活的方式是全量获取再加自定义筛选因为可以在 Python 里按任意属性条件过滤不局限于名称搜索。4.5 读取属性值 Granta MI数据高效导出：用Scripting Toolkit实现Python自动化
在做材料数据管理的时候大家迟早会遇到一个问题数据进了 Granta MI怎么高效地导出来Granta MI现在通常叫 ANSYS Granta MI是材料工程领域应用非常广泛的一款材料信息管理系统很多制造企业、材料研究所和高校课题组都会把材料性能数据、测试报告、仿真材料卡片统一放在 MI 里管理。数据一旦集中起来下游需求立刻就会出现把数据交给 CAE 仿真做材料卡片、按周期生成材料数据报表、把历史数据迁移到新系统或者只是给业务方一份整理好的 Excel。这些场景倒都不复杂最折磨人的是数据量。几十条记录手工导一次还能接受几百上千条、而且每周都要导的时候问题就完全不一样了导得慢、容易漏、没法重复执行更没法在数据更新后自动触发。这时需要的是可编程、可重复、可调度的导出方案也就是 Granta MI Scripting Toolkit。Scripting Toolkit 是官方提供的 Python 脚本工具包可以用代码连接 MI 服务器、定位数据库和表、读取记录和属性再按自己的需求导出成 CSV、Excel、JSON 等格式。这篇文章会讲清楚它的核心概念、完整导出流程、可直接运行的代码示例以及实际项目中常见的坑和工程建议。如果你正在做材料数据自动化、仿真数据接口或 MI 数据治理这篇文章值得读完。1. 这篇文章真正要解决的问题先看一个真实场景。材料工程师在 Granta MI 里维护了一批钢材的拉伸性能数据包含牌号、标准、屈服强度、抗拉强度、断后伸长率等属性数据分表存放在Tensile Statistical Data中。现在需要把这些数据导出成 Excel交给仿真团队做材料卡片。第一次可能只有 50 条记录手工导出问题不大。但如果是 5000 条呢如果每周都要导一次呢如果领导要求只导出满足特定条件的记录呢手工操作的问题会立刻暴露出来第一效率低。逐条检查、批量勾选、逐页翻找一次完整导出可能要花一两个小时。第二易出错。手工操作很容易漏选记录或者导出后才发现某些属性根本没有值返工成本很高。第三不可重复。每一步操作靠人记换了同事结果就可能不一致流程无法标准化。第四难集成。手工导出停留在 Web 界面无法在数据更新后自动触发也没法和下游系统、CI 流程、定时任务串联。Scripting Toolkit 解决的就是这四类问题。它把“连接 MI、取记录、读属性、写文件”这个流程变成可编程、可重复、可调度的操作。从本质上看它降低的是材料数据管理中的重复劳动成本提升的是数据交付的可靠性和速度。这篇文章适合四类读者正在使用 Granta MI、需要批量导出数据的材料工程师或数据管理员需要为仿真、研发、采购等下游系统提供材料数据接口的软件工程师正在做 MI 数据迁移、清洗、归档的项目实施人员想了解材料数据系统如何与 Python 生态结合的技术爱好者。读完文章你将能独立完成一次 Granta MI 数据导出并掌握把它扩展成定时任务、报表工具、接口服务的基本思路。2. Granta MI 与 Scripting Toolkit 基础概念写代码之前需要先建立几个核心概念。2.1 Granta MI 是什么Granta MI 是 ANSYS 旗下的一套材料信息管理系统Material Information Management System。它解决的核心问题是把分散在个人电脑、测试报告、Excel 表格里的材料数据集中到一个经过权限管理和版本控制的企业级数据库中让材料数据成为企业资产而不是个人文件。MI 的核心数据模型可以概括为三层结构数据库Database一个 MI 服务器上可以挂多个数据库通常按业务领域划分比如金属材料库、聚合物库、供应商库。表Table数据库下面包含多张表表定义了数据结构和层级关系比如拉伸统计数据表、设计数据表。记录Record表里的每一行数据就是一条记录代表一个具体的材料、批次或测试结果。记录下面还可以挂子记录表达“材料 → 部件 → 测试结果”这样的层级关系。每条记录上挂着一组属性Attribute属性就是实际的材料性能字段比如牌号、密度、屈服强度、拉伸曲线。属性按数据类型可以细分为离散、短文本、长文本、数值点、数值区间、函数曲线、子表格等。理解了这套模型导出数据的逻辑就清晰了先连上某个数据库再定位到某张表取出需要的记录读取记录上的属性值最后按需求格式化输出。2.2 Scripting Toolkit 是什么Scripting Toolkit 是官方提供的 Python 脚本工具包封装了 MI 底层 Service Layer 的调用细节让开发者用面向对象的方式操作 MI 数据。它的核心价值在于把操作 Granta MI 的接口调用封装成Connection、Database、Table、Record、Attribute这样一组 Python 类。使用者不需要关心底层协议细节只需要理解 MI 的数据模型就能快速写出读写脚本。这里有一个容易混淆的点Scripting Toolkit 有两种包结构。旧版Granta-MI-Scripting-Toolkit导入方式为from GRANTA_MIScriptingToolkit import granta as mpy这个 API 长期稳定网上教程和社区案例也最多。新版从 2022 年开始官方按功能拆分为ansys-grantami-serverapi、ansys-grantami-recordlists、ansys-grantami-bomanalytics等包导入路径变成了from ansys.grantami.serverapi import ...模块划分更细更贴近 ANSYS Python 工具链的统一规划。本文示例以旧版导入方式为主因为它的 API 最直观适合理解核心逻辑。如果你用的是新版包概念和流程仍然一致只是导入路径和方法名略有差异切换成本很低。2.3 Scripting Toolkit 与 Web 界面导出的区别维度Web 界面导出Scripting Toolkit 导出操作方式手工点击、勾选Python 代码控制适用数据量小批量大批量、全量可重复性低依赖人工高脚本即文档可调度性不支持可接入定时任务灵活性受界面功能限制可自定义筛选、格式、输出学习成本低需要 Python 基础权限要求正常数据查看权限需要相应 API 权限结论很明确如果只是偶尔导几条数据Web 界面就够用如果需要频繁、批量、自动化地导出Scripting Toolkit 是更正确的选择。3. 环境准备与前置条件在跑通第一个脚本之前需要确认以下前置条件。3.1 Python 环境Scripting Toolkit 是基于 Python 的工具包因此本机需要安装 Python。官方通常会跟随 ANSYS 发布周期更新支持的 Python 版本建议使用成熟的 LTS 版本例如 Python 3.8 或 3.9 以上。具体版本兼容性以官方 Release Note 为准本文演示的是通用流程不绑定特定版本。建议使用虚拟环境管理依赖避免污染系统 Pythonpython -m venv venvWindows 下激活虚拟环境venv\Scripts\activateLinux/macOS 下激活虚拟环境source venv/bin/activate3.2 安装 Scripting Toolkit旧版包安装pip install Granta-MI-Scripting-Toolkit新版包安装根据实际使用的子模块选择pip install ansys-grantami-serverapi pip install ansys-grantami-recordlists如果不确定装哪个可以先确认公司内部 MI 版本对应的官方文档或者用 pip 查看包信息pip index versions Granta-MI-Scripting-Toolkit3.3 服务器地址与认证信息脚本要连接 MI 服务器需要准备以下信息MI Service Layer 的 URL通常形如http://服务器地址/mi_servicelayer可用的用户名和密码或者 Windows 域账号读取目标数据库和表的权限脚本运行环境与 MI 服务器之间的网络连通性。Scripting Toolkit 支持两种常见认证方式用户名密码认证with_credentials(username, password)Windows 集成认证with_windows_authentication()适用于域环境脚本运行账号需要具备 MI 访问权限。生产环境中不建议把密码硬编码在脚本里更稳妥的方式是通过环境变量、配置文件或密钥管理服务传入文章第 8 部分会专门说。4. 核心流程拆解一次完整的 Granta MI 数据导出可以拆成六个步骤。把这六个步骤理解透任何导出需求都是在这个框架上做变化。4.1 建立连接所有操作的第一步是创建Connection对象并传入认证信息。这一步对应的是与 MI Service Layer 建立会话。如果这一步出错最常见的是连接超时或证书校验失败。排查时先确认服务器地址有没有写错、网络是否连通、https 证书是不是自签名导致校验不过。4.2 定位数据库通过连接对象获取目标数据库。一个服务器上可能有多个数据库可以按名称精确获取也可以遍历查看有哪些库。需要注意的是数据库名称通常大小写敏感拼写不一致会直接报错。4.3 选择表数据库对象下面有多张表按名称获取目标表。这一步要和业务确认清楚数据到底在表层结构还是子层级中选错表会导出不到数据。4.4 获取记录获取记录有三种常见方式全量获取table.all_records()适合数据量不大的表搜索获取table.search(关键字)按记录名称匹配适合按材料名称筛选按 GUID 获取传入已知的记录 GUID 列表适合精确指定导出范围。实际项目中最灵活的方式是全量获取再加自定义筛选因为可以在 Python 里按任意属性条件过滤不局限于名称搜索。4.5 读取属性值