在前一篇文章提到过用SAX解析excel文件,仅提取数据部分。SAX技术过于底层,直接读XML文件,并要求开发者对于XML的格式了如指掌。poi框架官方给的用SAX解析的demo里仅解析了字符串和数字类型的单元格,其他类型的单元格并未解析。此外,excel文件里的xml信息很多,如果开发者想解析其他的内容呢?
一、ECMA-376标准
Office 2007以后,微软公司使用Office Open XML作为office文件的技术规范。Office Open XML现已成为国际文档格式标准ECMA家族成员——ECMA-376。ECMA-376标准从2006年的第一版到现在已经发展到了第五版。ECMA-376官网 给出了Office Open XML 文件格式的详细技术规范。本文主要就第五版给出的技术规范文档做些梳理和翻译。
二、excel的文件结构
excel文件其实是xml文件集合的一个zip包。把excel文件的后缀“xlsx”改成“zip”,解压后就可以看出excel的文件组织结构:
顶级的文件(比如说formula.xlsx)被叫做package(Open Packaging Conventions). 因为包(package)是被实现为一个标准ZIP包的,它自动地提供了对文档的压缩。在包中有两种内部的组件: parts和items. 总的来说,parts包括文档内容和一些含有用来描述parts的元数据的items. Items可以被进一步的细分为relationship items和content-type items.
exel文件结构的文本形式展示如下:
_rels/.rels
[Content_Types].xml
docProps/app.xml
docProps/core.xml
xl/sharedStrings.xml
xl/styles.xml
xl/workbook.xml
xl/_rels/workbook.xml.rels
xl/worksheets/sheet1.xml
zip包里有两个共享资源池类型的文件:
- sharedStrings.xml :存储的是共享字符串常量池。
- styles.xml :存储的是共享样式表。
三、单元格的格式类型
技术规范的第18.18.11章节给出了单元格类型(Cell Type)的详细说明。PS: 本文所有的测试数据均由Mac版的Excel2016 生成。Win下可能会略有差别。
1. 布尔类型
类型值为 “b”, true映射成数字1。
<c r="C1" t="b">
<v>1</v>
</c>
2. 日期类型
类型值为“d”,日期类型的值是个浮点数,poi包有工具类将这个浮点数转成日期的工具方法。
<c r="B1" s="1">
<v>43203.396180555559</v>
</c>
3. 错误类型
类型值为“e”,表示这个单元格包含一个错误。
<row r="1">
<c r="A1" t="e"/>
</row>
4. 内联字符串类型
类型值为“inlineStr”,表示这个单元格的字符串并没有用共享字符串池子的值。
<c r="A2" t="inlineStr">
<is>
<t>SXSSFWorkbook_1_0</t>
</is>
</c>
5. 数字类型
类型值为“n”
<c r="A1">
<v>12</v>
</c>
6. 共享字符串类型
类型值为“s”,v节点的值可以看做一个指针,指向共享字符串池子(对应文件sharedStrings.xml )的字符串索引。
<c r="D1" t="s">
<v>0</v>
</c>
6. 公式类型
类型值为“str”,这个公式是对e求10次方的幂函数。
<c r="C6" s="1" vm="15" t="str">
<f>EXP(10)</f>
<v>22026.465794806718</v>
</c>
四、单元格c的属性分类
在sheetN.xml文件中,c节点代表一个单元格。
1. 坐标属性
属性名为“r”(Reference),属性值为该单元格在表格中的坐标位置,如“A1”, “C9”
2. 样式索引属性
属性名为“s”(Style Index),属性值是个数字,是样式索引表(对应文件styles.xml )的下标。
@H_913_301@The index of this cell’s style. Style records are stored in the Styles Part.
3. 单元格数据类型属性
属性名为 “t” (Cell Data Type),属性值代表当前单元格的类型。类型枚举前文已经详细阐述, 这里不再赘述。
@H_913_301@An enumeration representing the cell’s data type.
五、小结
有了上文的针对单元格的xml格式详解,再用SAX解析excel文件的时候,对数据类型、样式等数据的解析就不会摸不着头脑光靠猜了。