Excel 文件结构化解析示例
在数据分析业务中，经常要把Excel文件数据结构化解析以后再进行计算或导入关系数据库，但许多Excel文件的格式并不规整，而且文件结构也多种多样，导致编程进行结构化的工作量会比较大，而且很难通用，每次都要针对文件格式进行分析后再进行开发。本文将介绍如何进行各种格式的 Excel 文件结构化解析，如普通行式、复杂表头、自由格式、交叉表、主子表、大文件等，并提供用 esProc SPL 编写的代码示例。esProc 是专业的数据计算引擎，其采用的 SPL 中有完善的 Excel 文件处理函数，进行结构化解析及后续的计算、入库等操作非常方便。1. 普通行式这是一种最简单的文件格式，文件中每行都是一条数据记录，更常见的是第一行是列标题。示例：在学生成绩文件scores.xlsx中，查询各班语文平均成绩。部分数据如下图：
esProc SPL脚本如下：A注释1=file(“e:/excel/scores.xlsx").xlsimport@t()读取文件，@t选项把第一行读作标题2=A1.groups(Class;avg(Chinese):avg_Chinese)按班级分组，计算各班语文平均成绩3=file("e:/excel/class_avg_c.xlsx").xlsexport@t(A2)将计算结果存入新的文件2. 复杂表头多数时候，Excel文件的表头格式并不简单，往往是由多行构成的，比如有表标题、项目名称、填表人、填写日期、页码等信息。解析这种格式的文件时，需要跳过复杂的表头，指定从数据行的位置开始读取，然后指定结构化后的数据各列的列名。示例：在项目造价文件itemPrices.xlsx中，计算项目总造价，部分数据如下图：
esProc SPL脚本如下：A注释1=file(“e:/excel/itemPrices.xlsx").xlsimport(;1,5) 参数“1,5”表示读第一个sheet，从第5行开始读，一直读到sheet结尾2=A1.rename(#1:No,#2:ItemCode,#3:ItemName,#4:Unit,#5:Quantity,#6:Price,#7:Sum) 修改各列的列名3=A2.sum(Sum)计算项目总造价3. 自由格式一条数据记录分散在多行，字段列值单元格紧跟在列名单元格后面或下面，可能有跨列或跨行的合并单元格。但每条记录所占的行数以及对应行结构是相同的。循环读取时要以每条记录所占行数为单位组成一条记录。示例：把自由格式的员工信息文件employee.xlsx存入到数据库表employee中，部分数据如下图：
esProc SPL脚本如下：ABC1=create(ID,Name,Sex,Position,Birthday,Phone,Address,PostCode)2=file(“e:/excel/employe.xlsx").xlsopen()3[C,C,F,C,C,D,C,C][1,2,2,3,4,5,7,8]4for=A3.(~/B3(#)).(eval($[A2.xlscell(]/~/")"))5if len(B4(1))==0break6>A1.record(B4)7>B3=B3.(~+9)8=connect(“db”)9=A8.update(A1,employee)10=A8.close()A1 创建列名为“ID、Name、Sex、Position、Birthday、Phone、Address、PostCode”的空序表A2 打开Excel数据文件A3 定义雇员信息所在单元格列号序列B3 定义雇员信息所在单元格行号序列A4 用for循环读取每个雇员信息B4 A3.(~/B3(#))先算出当前雇员单元格编号序列,再读出这些单元格值组成雇员信息序列。第一次循环时为[C1,C2,F2,C3,C4,D5,C7,C8]，第二次循环时为[C10,C11,F11,C12,C13,D14,C16,C17]……每次行号加9。$[A2.xlscell(]与"A2.xlscell("相同，都是表示一个字符串，它的好处是在IDE中编写程序时，如果A2单元格的编号发生了变化，$[A2.xlscell(]中的A2会自动变化，比如在A2前插入了一行，这个表达式就会变成$[A3.xlscell(]，而用引号的话，就不会自动变了。B5 判断雇员ID值是否为空，为空则退出循环，结束读数B6 将一条雇员信息存入A1序表尾B7 让雇员信息的行号序列都加上9，读取下一条雇员信息A8-A10 连接数据库，将雇员信息存入数据库表employee，关闭数据库读取出来的A1单元格数据如下图所示：
4. 交叉表交叉表是统计学中常见的一种矩阵式表格，可以清晰地表达两个变量间的数量关系。交叉表数据逐行读入后，需要以某个列变量为基准，另一个变量及交叉值进行行转置；或者以某个行变量为基准，另一个变量及交叉值进行列转置。示例：将订单地区与货运方式交叉表cross.xlsx文件解析成结构化数据，文件数据如下图所示。
esProc SPL脚本如下：A注释1=file(“e:/excel/cross.xlsx").xlsimport@t(;1,2)读入文件第一个sheet，从第2行开始，第2行作列名2=A1.rename(#1:Type)第一列列名改为Type3=A2.pivot@r(Type;Area,Amount) 对A2以Type为基准进行转置，选项@r表示列转行，转换后新的列名分别为Area、AmountA3格的部分数据如下图所示：
5. 主子表每个sheet是一条主表记录，同时sheet中也包含N条子表记录。文件中有多少主表记录，就有多少个sheet。对这种主子表结构的数据，需要创建两个数据表分别保存主表和子表的记录。示例：在员工信息登记表文件staff.xlsx中，每个sheet有员工信息及他的家庭成员信息，请将员工信息及家庭成员信息分别解析成两个结构化数据表。其中一个sheet如下图：
esProc SPL脚本如下：ABC1=create(IDCard,Name,Sex,Birthday,Nation,Phone,Depart,Home,Marital,Entry)2=create(IDCard,Name,Relation,Workplace,Phone)3[B4,B3,D3,F3,H3,F4,H4,B5,F5,H5]4=file(“e:/excel/staff.xlsx").xlsopen()5for A4=A3.(eval($[A4.xlscell(]/~/",\""/A5.stname/"\")")) >A1.record(B5)6=A4.xlsimport@t(Family,Name,Relation,Workplace,Phone;A5.stname,6)7=B6.rename(Family:IDCard) >B7.run(IDCard=B5(1))8>A2.insert@r(0:B7)A1 创建列名分别为IDCard、Name、Sex、Birthday、Nation、Phone、Depart、Home、Marital、Entry的空序表，用于保存主表员工信息A2 创建列名分别为IDCard、Name、Relation、Workplace、Phone的空序表，用于保存子表员工家庭成员信息A3 定义主表员工信息所在单元格序列A4 打开Excel数据文件A5 循环读取Excel文件各sheet数据B5 读取员工信息序列C5 将B5读取的员工信息保存到序表A1B6 从第6行开始读取员工家庭成员信息，只读指定的5列Family、Name、Relation、Workplace、PhoneB7 将B6序表的Family列改名为IDCardC7 为B7序表的IDCard列赋值为员工信息中的IDCardB8 将B7中的员工家庭成员信息追加到序表A2A1读到的部分数据如下：
A2读到的部分数据如下：
6. 大文件大文件结构化解析及计算的相关原理可参看《大文件上的结构化数据计算示例》，那篇文章是以文本文件为例，本文在此以Excel文件为例再作示范。示例：在订单信息大数据文件orders.xlsx中，统计各地区的订单金额总和。部分数据如下图：
esProc SPL脚本如下：A注释1=file(“e:/excel/orders.xlsx").xlsimport@tc()读文件，@t表示第一行是列名，@c表示返回游标2=A1.groups(Area;sum(Amount))按地区分组，统计各地区订单总金额《SPL CookBook》中有更多敏捷计算示例。