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、  esProc 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， Apache为Java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：

用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)是 Visual Basic的一种 宏语言，主要能用来扩展 Windows的应用程序功能，特别是 Microsoft Office软件如Word、Excel、Access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(对sheet1的A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：

用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Java和VBA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、  esProc  SPL

esProc是专业的数据处理工具，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。

esProc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1个sheet，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，esProc SPL比Python 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，esProc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 pandas和esProc SPL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，esProc SPL更为简洁，并且还能方便地处理大文件。