使用Perl读取Excel文件

1. 任务

??? 为了实现一些机械分词算法，准备使用“国家语委语料库”的分词词表，在线下载到得词表文件是一个Excel文件。本文的任务就是使用Perl从该Execl文件中提取所有的词语。

??? 词表文件格式如下：

???

??? 需要的词语的位置在从第8行开始的，第B列的所有单元格。一共有14629个词语。（PS：语料库的分词词表包含8万多个词语，但是在线下载到是出现次数在50次以上的词语，只有这1万多）。

2. 使用什么模块

??? 通过阅读一些博文发现，PERL的Spreadsheet::ParseExcel模块支持Excel的读操作。

3. 如何下载模块（windows xp上的草莓PERL）

??? 在命令行下输入：cpan Spreadsheet::ParseExcel，即可自动安装。

???

??? 安装结束后，输入perldoc Spreadsheet::ParseExcel，即可检测是否安装成功。（如果安装失败，会输出安装失败）

???

4. 样例代码

??? 感觉perldoc的样例代码读起来很费力，不如直接到cpan网站上面去看样例代码，或者下载模块的样例代码。

??? 登录cpan网站：http://search.cpan.org/，查找Spreadsheet::ParseExcel模块，在其主页
http://search.cpan.org/~jmcnamara/Spreadsheet-ParseExcel-0.59/lib/Spreadsheet/ParseExcel.pm#NAME?
上面可以找到样例代码和一些解释。样例代码如下，遍历所有的worksheet，遍历每个worksheet下面的单元格。

 
    # 
    !/usr/bin/perl -w 
    
 
    
use strict; 
    
use Spreadsheet::ParseExcel; 
    

my 
    $parser?? = Spreadsheet::ParseExcel->new(); 
    
my 
    $workbook = 
    $parser->parse( 
    ' 
    Book1.xls 
    '); 
    

if ( ! 
    defined 
     $workbook ) { 
    
 ??? 
    die 
    $parser->error()," 
    .n 
    "; 
    
 } 
    

for 
    my 
     $worksheet ( 
    $workbook->worksheets() ) { 
   

 
    
 ??? 
    my ( 
    $row_min,$row_max ) = 
    $worksheet->row_range(); 
    
 ??? 
    my ( 
    $col_min,$col_max ) = 
    $worksheet->col_range(); 
   

 
    
 ??? 
    for 
    my 
     $row ( 
    $row_min .. 
     $row_max ) { 
    
 ??????? 
    for 
    my 
     $col ( 
    $col_min .. 
     $col_max ) { 
    
 ?????????? 
    my 
    $cell = 
    $worksheet->get_cell( 
     $row,$col ); 
    
 ?????????? 
    next 
    unless 
    $cell; 
    
 ?????????? 
    print 
     " 
    Row,Col??? = ($row,$col)n 
    "; 
    
 ?????????? 
    print 
     " 
    Value?????? =  
    ",$cell->value(),?????? 
     " 
    n 
    "; 
    
 ?????????? 
    print 
     " 
    Unformatted =  
    ",$cell->unformatted(), " 
    n 
    "; 
    
 ?????????? 
    print 
     " 
    n 
    "; 
    
 ??????? } 
    
 ??? } 
    
 } 
   

??? 另外，在该网页上可以找到该模块的文件：

??? http://search.cpan.org/CPAN/authors/id/J/JM/JMCNAMARA/Spreadsheet-ParseExcel-0.59.tar.gz

??? 这个压缩包包含了很多模块的样例代码。

5. 样例文件读取

??? 首先建立一个只有4行1列的excel文件，进行尝试：

???

??? 然后使用前面的样例代码，将'Book1.xls'替换为目标文件名，即可。显示中文乱码。

???

??? 根据网上资料来看，excel的字符编码是unicode，一般使用如下代码进行解决：???

 
    my 
    $formatter = Spreadsheet::ParseExcel::FmtUnicode->new(Unicode_Map=> 
    " 
    CP936 
    "); 
    
my 
    $workbook = 
    $parser->parse( 
    ' 
    example.xls 
    ',$formatter); 
   

??? 完整代码如下：???

 
    # 
    !/usr/bin/perl -w 
    
 
    
use Spreadsheet::ParseExcel; 
    
use Spreadsheet::ParseExcel::FmtUnicode; 
    

my 
    $parser?? = Spreadsheet::ParseExcel->new(); 
    
my 
    $formatter = Spreadsheet::ParseExcel::FmtUnicode->new(Unicode_Map=> 
    " 
    CP936 
    "); 
    
my 
    $workbook = 
    $parser->parse( 
    ' 
    example.xls 
    ',$formatter); 
    

if ( ! 
    defined 
     $workbook ) { 
    
 ??? 
    die 
    $parser->error()," 
    .n 
    "; 
    
 } 
    

for 
    my 
     $worksheet ( 
    $workbook->worksheets() ) { 
    

 ??? 
    my ( 
    $row_min,$col_max ) = 
    $worksheet->col_range(); 
    

 ??? 
    for 
    my 
     $row ( 
    $row_min .. 
     $row_max ) { 
    
 ??????? 
    for 
    my 
     $col ( 
    $col_min .. 
     $col_max ) { 
    
 ?????????? 
    my 
    $cell = 
    $worksheet->get_cell( 
     $row,?????? 
     " 
    n 
    "; 
    
 ?????????? 
    print 
     " 
    n 
    "; 
    
 ??????? } 
    
 ??? } 
    
 } 
    
 <STDIN>; 
   

??? 注意所有需要安装的模块有如下几个：

??? Spreadsheet::ParseExcel：最开始安装的。
??? Unicode::Map：这个要安装一下，用于字符编码。
??? IO-stringy：这个已经安装过了，具体不清楚。
??? OLE-Storage_Lite：这个是访问office套件的需要的包。在安装Spreadsheet::ParseExcel被安装了。

??? 这里只需要安装Unicode::Map即可。

??? 上面代码显示结果正常：

???

??? 此处可以发现，行和列的单元格的下标都是从0开始的。

6. 任务实现

??? 词语的行从第8行开始（下标为7），列都在第2列（下标为1）。这样对代码略作修改，令$row_min=7，令$col_min=$col_max=1。修改目标文件名为'CorpusWordlist.xls'。输出结果如下：

????

???? 从第7行到14635行，刚好14629行。

7. 文件

??? /Files/pangxiaodong/LearningPerl/Perl读取EXCEL词典文件.zip