可用于解析 Excel 文件的程序语言

【摘要】
数据分析师经常要处理 Excel 文件,有时需要用程序来自动化处理,有几种脚本语言都可以解析 Excel 文件,本文从编程解析 Excel 的难易程度、对不同数据格式的适应性等方面,分析比较了这几种语言的优缺点,Python pandas 和集算器 SPL 都表现不错,集算器 SPL 略胜一筹。请点击可用于解析 Excel 文件的程序语言了解详情

 

Excel文件是常见的数据文件,数据分析过程中经常会用到。有时我们需要用程序代码对 Excel 文件进行一些自动化处理,这需要程序语言能够方便地解析 Excel 数据。

可以用于解析和处理 Excel 文件的程序语言一般有以下几种:
1、 常规高级编程语言,比如 Java
2、  Excel VBA
3、  Python
4、  集算器 SPL

本文依次介绍以上几种程序语言解析Excel文件的特点,重点放在如何将Excel文件读出为结构化数据,之后是用来再计算或是入库或是其它用途,就只作简单介绍。

一、  高级语言(以Java为例)

高级语言几乎都可以读取Excel数据文件,但要看有没有第三方提供专业的API来读取,若是没有,就需要程序员自己去了解Excel数据文件的结构,编写程序来读取数据,工作量非常大。幸运的是, ApacheJava提供了开源包poi用以读写Excel文件,它能读取每个单元格的数据和属性。让我们来看看用poi如何将Excel文件读成结构化的数据。

先看一个很简单的文件:第一行是列标题,第二行开始直到最后一行都是数据行。文件内容如下图:

..

java调用poi读取数据,写出来的程序是这样:

DataSet ds = null;   //此类用来保存从Excel中读取的数据,需要自己编写
HSSFWorkbook wb = new HSSFWorkbook( new FileInputStream( "simple.xls" ) );
HSSFSheet sheet = wb.getSheetAt( 0 );  //假定要读取的数据在第一个sheet中
int rows = sheet.getLastRowNum();
int cols = sheet.getRow(0).getLastCellNum();
ds = new DataSet( rows, cols );
for( int row = 0; row <= rows; row++ ) {
	HSSFRow r = sheet.getRow( row );
	for( int col = 0; col <= cols; col++ ) {
		HSSFCell cell = r.getCell( col );
		int type = cell.getCellType();
		Object cellValue;   //单元格数据值对象
		switch( type ) {   //根据单元格数据类型,将格值处理成对应的Java对象
			case HSSFCell.CELL_TYPE_STRING:
				......
			case HSSFCell.CELL_TYPE_NUMERIC:
				......
			......
			//格值处理代码比较长,此处省略
		}
		if( row == 0 ) ds.setColTitle( col, (String)cellValue );
		else ds.setCellValue( row, col, cellValue );
		//如果是第一行,则将格值设成列标题,否则设成数据集单元格数据
	}
}

这段代码只能读取最简单格式的Excel文件,中间还省略了很多格值处理的代码,但代码已经不短了。如果文件格式更复杂,比如有合并格、复杂的多行表头表尾、数据记录分散于多行、交叉表等,读取数据的程序代码就会变得更长更复杂。

可以看出,即使有了poi这样强大的开源包,使用Java来解析Excel仍然是非常麻烦的。

而且,高级语言只提供比较基础的底层函数,缺乏专业的结构化数据计算函数,比如数据集的过滤、排序、分组统计、连接等,都需要程序员自己去编写,因此即使数据读出来了,但要进行后续的计算,仍然有大量的工作要做。

二、  Excel VBA

VBA(Visual Basic for Applications)Visual Basic的一种语言,主要能用来扩展Windows的应用程序功能,特别是Microsoft Office软件如WordExcelAccess等。VBA用于Excel的目的是为了增强Excel的灵活性和数据处理能力。VBA可以直接获取单元格的数据,相当于天然有了解析能力,这一点比Java等高级语言方便了很多。但除此之外,它与高级语言一样,仍然缺乏专业的结构化计算函数,读取数据以后的后续计算,还是需要编写大量的程序代码。

比如写一段分组汇总(sheet1A列分组,对B列求和)的代码是这样的:

Public Sub test()
    Dim Arr
    Dim MyRng As Range
    Dim i As Long
    Dim Dic As Object
    Set MyRng = Range("A1").CurrentRegion
    Set MyRng = MyRng.Offset(1).Resize(MyRng.Rows.Count - 1, 2)
    Set Dic = CreateObject("Scripting.dictionary")
    Arr = MyRng
    For i = 1 To UBound(Arr)
        If Not Dic.exists(Arr(i, 1)) Then
            Dic.Add Arr(i, 1), Arr(i, 2)
        Else
            Dic.Item(Arr(i, 1)) = Dic.Item(Arr(i, 1)) + Arr(i, 2)
        End If
    Next i
    Sheet2.Range("A1") = "subject"
    Sheet2.Range("A2").Resize(Dic.Count) =   Application.WorksheetFunction.Transpose(Dic.keys)
    Sheet2.Range("B1") = "subtotal"
    Sheet2.Range("B2").Resize(Dic.Count) =   Application.WorksheetFunction.Transpose(Dic.items)
    Set Dic = Nothing
End Sub

毕竟我们解析Excel文件是为了后续计算和处理,仅仅解析本身是没有用处的。VBA能天然解析Excel文件,但后续处理能力并不方便。

三、  Python

Python pandas提供了读取Excel文件的接口,对于前述用Java读取的那个简单格式的Excel文件,用Python读取的代码如下:

import pandas as pd
file = 'simple.xls'
data = pd.read_excel(file,sheet_name='Sheet1',header=0)

参数header=0表明第一行是列标题,data就是读出来的结构化数据集。

对于表头结构比较复杂的Excel,比如下图:

..

Python读取这个文件的程序如下:

import pandas as pd
file = 'complex.xls'
data = pd.read_excel(file,sheet_name='Sheet1',header=None,skiprows=[0,1,2,3])
data.columns=['No', 'ItemCode', 'ItemName', 'Unit', 'Quantity', 'Price', 'Sum']

在读取时用参数指定没有表头且读数时跳过前面4行,从第5行数据区开始读(如果有表尾,还可以指定忽略最后几行),程序最后一行设置数据集data的列名。

Excel文件中还常有交叉表数据,例如下图:

..

读取这个交叉表的程序如下:

import pandas as pd
file = 'cross.xls'
data = pd.read_excel(file,sheet_name='Sheet1',header=1)
data = data.melt(id_vars=['Unnamed: 0'], 
                 value_vars=['West', 'East','Center', 'North','South', 'Northwest','Southwest'],
                 var_name='Area',
                 value_name='Amount')
data.rename(columns={'Unnamed: 0': 'Type'})

读出来的data数据如下图:

..

 

可以看出来,Python读取Excel文件的代码比较简单,比Java前进了一大步。而且pandas封装了不少结构化数据的处理函数,对于后续计算也比JavaVBA提供了较好的支持。如果是可读入内存的小文件,它可以很简单地处理。

可惜的是,pandas没有针对大文件提供直接分批处理的方法,无论读取还是运算仍然要自己写,非常麻烦。可参考Python 如何处理大文件

四、  集算器 SPL

集算器 SPL是专业的开源数据处理工具,提供了各种读取Excel文件的方法,其脚本语言SPL中封装了丰富的结构化数据计算函数,可以完美地支持各种后续计算、数据导出及入库等工作。

SPL读取Excel文件的程序非常简单,只要写一行代码就可以:

1、  简单格式

=file("simple.xls").xlsimport@t()

选项@t表示第一行是列标题

2、  复杂表头

=file("complex.xls"). xlsimport(;1,5).rename(#1:No,#2:ItemCode,#3:ItemName,

#4:Unit,#5:Quantity,#6:Price,#7:Sum)

参数1,5表示读第1sheet,从第5行开始读(也可以指定结束行),读数以后再用rename修改列名

3、  交叉表

=file("cross.xls").xlsimport@t(;1,2).rename(#1:Type).pivot@r(Type;Area,Amount)

pivot函数中以Type分组对表数据进行行列转置,选项@r表示将列数据转换为行数据,转换后新的列名分别为“Area”、“Amount”。

从代码上可以看出来,对于解析Excel文件,SPLPython pandas更为简洁。事实上,SPL做后续处理计算比pandas有更大优势,具体可参考桌面轻量级数据处理脚本

而且,SPL还可以很方便地进行大文件数据的读取和计算,它提供游标机制,允许数据分析师用类似处理小数据量的语法,直观地处理较大的数据量,程序代码和处理小文件一样简单,比如简单格式的大数据量文件,用游标读数的程序代码是:

=file("big.xlsx").xlsimport@tc()

 

通过比较,我们可以看到,Python pandasSPL用于解析Excel文件的代码都很简练,而且也都具备丰富的结构化计算函数,可以实现日常工作中的数据处理。两者相比,SPL更为简洁,并且还能方便地处理大文件。