你的问题是，在处理多个 .xlsx 文件并将它们合并到一个工作簿时，内存使用量不断增加并且速度变慢。这通常是由于在循环中频繁打开和关闭文件以及多次调用 pandas 的 ExcelWriter 和 openpyxl 导致的性能瓶颈。

你提到尝试手动清理内存和关闭文件没有奏效。以下是一些改进的建议和重构代码来减少内存使用和提高性能：

改进思路：

1. 减少频繁的文件打开/关闭：每次打开 ExcelWriter 和写入文件时会增加内存负担，特别是在处理多个文件时。相反，可以先将所有需要写入的内容暂存到一个数据结构中，最后一次性写入。
2. 避免频繁的 gc.collect() 调用：Python 的垃圾回收机制应该足够智能，手动调用 gc.collect() 通常不必要，并且会影响性能。
3. 优化 openpyxl 和 pandas 的结合使用：openpyxl 和 pandas 会进行重复的 I/O 操作，可以通过减少这种重复工作来提高效率。

改进后的代码：

import pandas as pd
import openpyxl
import os

print("Copying sheets from multiple files to one file")

dir_input = 'D:/MeusProjetosJava/Importacao/'
dir_output = "Integrados/combined.xlsx"

cwd = os.path.abspath(dir_input)
files = os.listdir(cwd)

# Prepare ExcelWriter once, write all sheets at once
with pd.ExcelWriter(dir_output, engine='openpyxl') as writer:

    # Loop through Excel files
    for file in files:
        if file.endswith('.xls') or file.endswith('.xlsx'):
            excel_file = pd.ExcelFile(cwd + "/" + file)
            sheets = excel_file.sheet_names
            for sheet in sheets:
                # Create a unique sheet name based on the file name
                sheet_name = file.replace(".xlsx", "").replace(".xls", "").lower()
                print(f"Processing {file}, Sheet: {sheet_name}")

                # Parse the sheet into a DataFrame
                df = excel_file.parse(sheet_name=sheet)

                # Write the DataFrame to the Excel file with the sheet name
                df.to_excel(writer, sheet_name=sheet_name, index=False)

            # No need to manually close, `excel_file` is handled by context manager

# After all sheets are written, now remove the default "Sheet1" if it exists
workbook = openpyxl.load_workbook(dir_output)
if 'Sheet1' in workbook.sheetnames:
    del workbook['Sheet1']
workbook.save(dir_output)

print("All done")

主要改进：

1. 一次性使用 ExcelWriter：所有的文件和工作表都在同一个 with 语句块中写入，避免了多次打开和关闭 ExcelWriter 的开销。
2. 删除默认的 “Sheet1” 工作表：在写入完所有文件后，我们通过 openpyxl 删除默认的工作表 Sheet1，这是 pandas.ExcelWriter 创建的新工作簿中的默认工作表。
3. 简化的文件处理：每个文件和工作表只需要被读取一次，并写入目标文件中。此方法避免了大量的中间变量和额外的内存使用。

为什么这样更高效：

• 通过将所有工作表一次性写入输出文件，你避免了每次写入时重复打开和关闭文件的开销。
• 在每个工作表写入后不再频繁执行 gc.collect()，Python 会自动管理内存。
• 使用 openpyxl 删除默认的 Sheet1，保证了最终的文件格式是我们需要的。

额外的优化：

1. 如果文件较大，可以考虑分批加载和写入，以避免一次性加载所有数据带来的内存压力。
2. 如果文件中的工作表非常多，可以考虑使用 openpyxl 或 xlrd 等库直接读取工作表，而不是先加载到 pandas.DataFrame，避免 pandas 的中间存储消耗过多内存。

希望这个版本的代码能够有效地提升性能并减少内存使用！