还在为数据清洗头秃？n8n 的 Code 节点才是 Python 玩家的正确打开方式
笔者在 N8N大学 的社区里，每天都能看到大量 Python 开发者在问同一个问题：我想在 n8n 里写点逻辑，能不能不用 JavaScript？答案是肯定的，而且非常爽。n8n 的 Code 节点原生支持 Python，这意味着你可以用最熟悉的 Pandas、NumPy 或者简单的脚本来处理 JSON 数据。
很多刚接触 n8n 的开发者，往往会被 JavaScript 的语法劝退，或者在复杂的节点组合中迷失方向。其实，只要你会写 Python，你就拥有了 n8n 中最强大的数据处理能力。今天，笔者就带你手把手把 Python 脚本塞进 n8n 的工作流里，彻底告别手动复制粘贴。
第一步：寻找并配置 Python 的藏身之处
默认情况下，n8n 的 Code 节点运行在 JavaScript 环境。要切换到 Python，操作非常简单，但新手容易眼瞎找不到。
- 在你的工作流中添加一个 Code 节点。
- 点击节点进入编辑模式，在右侧的 Language 参数下拉框中，将默认的 JavaScript 切换为 Python。
- 此时，你会看到代码编辑器变成了 Python 的语法结构。
这里有一个关键点：n8n 的 Python 运行环境是沙盒化的。这意味着你不能像在本地终端那样直接 pip install 任意库。不过，n8n 预装了一些常用库，关于这一点，我们稍后在“避坑指南”里细说。
第二步：搞懂 n8n 的数据是如何传进 Python 的
这是最核心的环节。在 n8n 中，数据是以 JSON 格式在节点间流动的。在 Python 脚本中，你需要通过 `n8n` 这个全局模块来获取输入数据和定义输出数据。
标准的代码结构长这样：
import json
from n8n import Input, Output
# 获取上一个节点传来的数据
items = Input.items()
# 这里的 items 是一个列表，包含所有输入的 JSON 对象
for item in items:
# 获取 JSON 中的某个字段
user_name = item.json.get('name')
# 进行你的 Python 逻辑处理
processed_name = user_name.upper()
# 将结果放入 output
item.json['processed_name'] = processed_name
Output.append(item)
注意看，我们通过 Input.items() 拿到数据，处理完后用 Output.append(item) 把数据交还给 n8n 的工作流。这就是俗称的“进水口”和“出水口”。
第三步：实战演练——用 Python 过滤 API 返回的脏数据
假设你调用了一个 API，返回了一堆用户数据，但里面有很多无效用户（status 为 inactive）。用 JavaScript 节点写 filter 可能要写一行箭头函数，但用 Python 就像写诗一样优雅。
场景： 过滤出所有活跃用户，并计算他们名字的长度。
from n8n import Input, Output
items = Input.items()
active_users = []
for item in items:
payload = item.json
# 假设原始数据在 payload['body'] 里
if payload.get('status') == 'active':
# 新增一个字段
payload['name_length'] = len(payload.get('name', ''))
active_users.append(payload)
# 批量写入输出
for user in active_users:
new_item = {'json': user}
Output.append(new_item)
运行这个工作流，你会得到一个只包含活跃用户，并且每个用户都多了 name_length 字段的新数据集。这就是 Python 处理数据的魅力。
第四步：如何使用 Pandas 进行暴力清洗
如果你需要做复杂的数据分析或清洗，比如合并表格、计算平均值，手动写循环太累了。只要你的 n8n 实例环境支持（或者你使用了 Docker 自定义镜像），直接引入 Pandas 是可以的。
import pandas as pd
from n8n import Input, Output
import json
# 将 n8n 的输入数据转换为 DataFrame
items = Input.items()
data = [item.json for item in items]
df = pd.DataFrame(data)
# Pandas 操作：比如填充空值
df.fillna(value={'age': 0, 'score': 0}, inplace=True)
# 转换回 n8n 格式
for record in df.to_dict('records'):
new_item = {'json': record}
Output.append(new_item)
这招对于处理 Excel 导出的数据或者数据库查询结果特别好用，直接降维打击。
避坑指南：这些报错能让你少走 3 小时弯路
在 N8N大学 的实战经验里，Python 节点有两大深坑，新手必踩。
1. 缺包报错：ModuleNotFoundError
n8n 的官方 Docker 镜像默认没有安装 Pandas 或 Requests。如果你直接 import pandas，会直接报错。
解决方案： 如果你是自托管（Self-hosted），你需要重新构建 Docker 镜像，或者在启动命令中挂载卷来安装依赖。对于 N8N大学 的建议是：如果是简单的逻辑，尽量用原生 Python；如果必须用库，建议去 GitHub 找找有没有大神封装好的“包含 Pandas 的 n8n 镜像”。
2. 数据类型陷阱
Python 和 n8n 的 JSON 交互非常依赖类型。比如在 Python 里，None 会被转成 JSON 的 null。如果你在 Python 里做了一个判断 if item.json.get('price'):，而价格恰好是 0，在 Python 里这是 False，导致数据被过滤掉了！
解决方案： 显式地判断 is None，或者使用 .get('price', 0) 提供默认值。
FAQ：Python 开发者最关心的 3 个问题
Q1: 我能在 Code 节点的 Python 脚本里发送 HTTP 请求吗？
A: 理论上可以，但不推荐。虽然你可以 import requests（如果环境支持），但这破坏了 n8n 的可视化逻辑。建议使用专门的 HTTP Request 节点来发送请求，然后把结果传给 Code 节点处理。这样出错了容易排查。
Q2: Python 脚本的执行有超时限制吗？
A: 有的。默认通常是 30 到 60 秒。如果你的 Python 脚本需要处理大量数据或进行复杂的计算，建议分批处理，不要在一个 Code 节点里跑完所有逻辑。
Q3: 我能用 Python 脚本操作 n8n 的全局变量吗？
A: 不可以直接访问。n8n 的 $execution 等变量在 Python 环境中不可见。你需要通过 Input 把这些变量作为参数传进来，或者使用 N8N大学 之前讲过的 Set 节点提前定义好。
总结与资源
在 n8n 中使用 Python，本质上是在低代码平台中嵌入了一段高代码的“瑞士军刀”。它弥补了 n8n 在复杂数据计算上的短板，又保留了 n8n 连接万物的优势。
如果你是 Python 开发者，不要再纠结于 JavaScript 的语法了，直接切到 Python 模式，把你熟悉的库和逻辑搬进去，这才是自动化的终极形态。
推荐阅读：
- N8N大学官网 - 更多进阶教程
- n8n 官方文档 - Code 节点 Python API 参考
