Office Open XML 单元格<c>格式详解

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@H_404_17@
[Content_Types].xml@H_404_17@
docProps/app.xml@H_404_17@
docProps/core.xml@H_404_17@
xl@H_404_17@/sharedStrings.xml@H_404_17@
xl@H_404_17@/styles.xml@H_404_17@
xl@H_404_17@/workbook.xml@H_404_17@
xl@H_404_17@/_rels/workbook.xml@H_404_17@.rels@H_404_17@
xl@H_404_17@/worksheets/sheet1.xml@H_404_17@

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@H_404_17@ r@H_404_17@="C1"@H_404_17@ t@H_404_17@="b"@H_404_17@>@H_404_17@
    <v@H_404_17@>@H_404_17@1</v@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

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@H_404_17@ r@H_404_17@="B1"@H_404_17@ s@H_404_17@="1"@H_404_17@>@H_404_17@
    <v@H_404_17@>@H_404_17@43203.396180555559</v@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

3. 错误类型

类型值为“e”,表示这个单元格包含一个错误。

<row@H_404_17@ r@H_404_17@="1"@H_404_17@>@H_404_17@
    <c@H_404_17@ r@H_404_17@="A1"@H_404_17@ t@H_404_17@="e"@H_404_17@/>@H_404_17@
</row@H_404_17@>@H_404_17@

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@H_404_17@ r@H_404_17@="A2"@H_404_17@ t@H_404_17@="inlineStr"@H_404_17@>@H_404_17@
    <is@H_404_17@>@H_404_17@
        <t@H_404_17@>@H_404_17@SXSSFWorkbook_1_0</t@H_404_17@>@H_404_17@
    </is@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

5. 数字类型

类型值为“n”

<c@H_404_17@ r@H_404_17@="A1"@H_404_17@>@H_404_17@
    <v@H_404_17@>@H_404_17@12</v@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

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@H_404_17@ r@H_404_17@="D1"@H_404_17@ t@H_404_17@="s"@H_404_17@>@H_404_17@
    <v@H_404_17@>@H_404_17@0</v@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

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@H_404_17@ r@H_404_17@="C6"@H_404_17@ s@H_404_17@="1"@H_404_17@ vm@H_404_17@="15"@H_404_17@ t@H_404_17@="str"@H_404_17@>@H_404_17@
    <f@H_404_17@>@H_404_17@EXP(10)</f@H_404_17@>@H_404_17@
    <v@H_404_17@>@H_404_17@22026.465794806718</v@H_404_17@>@H_404_17@
</c@H_404_17@>@H_404_17@

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_113_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。