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：

使用Perl读取Excel文件

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,
$row_max ) =
$worksheet->row_range();

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

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：