随着企业 IT 系统的不断升级,很多企业有提升遗留系统的强烈需求。而整合遗留系统中的信息资源是其中最为关键的一步,进而可对信息进行数据挖掘等创新工作。本文涉及这样的一个应用案例,企业的数据信息是以 Excel 文件作为其附件的方式,分散存储在企业不同的服务器上的,客户要求把这些文件里面的数据信息转存到数据库中。
读者可能也会遇到其它的应用场景,要求把 Excel 文件中的数据信息解析出来并存入到数据库中。
本文则提供了一种相对高效而智能的解决方案用以解析 excel 文件,并转存入数据库中。
Apache POI (POI-HSSF and POI-XSSF) 简介
POI 是 Apache 基金组织的子项目,POI(Poor Obfuscation Implementation)的目标就是提供一组 Java API 来使得基于 Microsoft OLE 2 Compound Document 格式的 Microsoft Office 文件易于操作。 HSSF(Horrible Spreadsheet Format)是 POI 项目 Excel 文件格式(97 - 2007)的纯 java 实现,通过 HSSF,开发者可用纯 Java 代码来读取、写入、修改 Excel 文件。而 XSSF 则是 Excel 2007 OOXML(.xlsx) 文件格式的纯 java 实现。
本文主要涉及到应用 HSSF 和 XSSF 读取 Excel 文件中的数据。
Excel 文件到表的映射元数据定义
如何把 Excel 表里面的数据映射为关系数据库表中的数据呢?关系数据库中的二维表是结构化的数据存储,而一个 Excel 文件的一个 Sheet 页面就可能包含多个可映射为数据库表结构的信息块。这个信息块可能很简单,也可能非常复杂。在本文中,针对 Excel 中信息块的实际情况,我们定义了几种 Excel 文件到数据库表的映射规则。这些规则就是我们用以解析的元数据。离开了这些元数据,我们就谈不上智能而高效的解析了。
映射规则一:单元格单一映射
Excel 表中的一个单元格(cell)对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)。 如: A1 -> name
映射规则二:单元格组合映射
Excel 表中的多个单元格对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)。 组合的方式是字符串的连接,比如 C1,C2, F3 -> address 。可以在映射规则里定义字符串的分隔符,例如,在上面的例子中是用逗号“,”组合的。
映射规则三:Excel 列的单一映射
Excel 表中的某一列的数据对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)的数据。和前面两条规则相比较,该规则是将信息块中行的记录和数据库中表的行记录相对应起来的。例如 Column H -> 出口额。
映射规则四:Excel 列的组合映射
如下图 1 所示,Excel 表中的多列的数据组合对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)的数据。组合的方式是字符串数据的拼接,分隔符也可以在映射规则中定义。例如 Column A, Column B, Column C -> 授信统计类型。
图 1. Excel 列的组合映射
以上四种规则比较常用,但由于 Excel 文件中信息块结构的复杂性,我们还可以根据需要定义其它的映射规则。(比如,Excel 文件以附近形式放置在 Domino 服务器上的,则可以结合 Domino 文档中的域来定义映射规则)
读者可能会问,如何自动的生成这些映射规则呢?完全自动的生成,是很难做到的。我们是应用 Symphony Container,构建复合应用程序辅助“专家”来生成映射规则的。(感兴趣的读者请参考 http://symphony.lotus.com/)换句话说,一定有一个“专家”需要根据领域业务需求,完成数据库表的设计。在设计表的过程中,知道那些 excel 文件里的信息块需要提取出来。基于这些知识,并利用一些辅助工具生成出映射规则元数据信息。
下面是基于 XML 语法结构的映射元数据片段,如清单 1 所示(如果是 Domino 的应用,可以创建 Domino 的文档用以保存映射元数据,进而应用 Notes 的 Java API 来解析)。
清单 1. 映射规则(Mapping Rule)示例
<?xml version="1.0" encoding="UTF-8"?> <tns:mappingRule xmlns: tns=http://sample.com.cn/mappingRule xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://sample.com.cn/profile MPSchema.xsd "> <excelType> 授信 </excelType> <excelVersion>2008</excelVersion> <rules> <! — mapping rule type 1 --> <rule1> <sheetNumber>0</sheetNumber> <sheetName>sheet1</sheetName > <cellPos>A1</cellPos> <DBschema>LitieDS</DBschema> <DBTable>employee</DBTable> <DBField>name</DBField> </rule1> <! — mapping rule type 2 --> <rule2> …… <cellPoses>C1,C2,F3</cellPoses> <separator>,</separator> <DBField>address</DBField> …… </rule2> <! — mapping rule type 3 --> <rule3> …… <sheetColumn>H</sheetColumn> <DBField> 出口额 </DBField> …… </rule3> <! — mapping rule type 4 --> <rule4> …… <sheetColumns>A,B,C</sheetColumns> <separator>,</separator> <DBField> 授信统计类型 </DBField> …… </rule4> … </rules> </tns:mappingRule >
转换框架的介绍
如图 2 所示,本文介绍的框架程序有两个入口,针对的是两种情况(如果,这两种情况都不是读者所遇见的,比如 excel 文件是以大对象形式存储在 Oracle 数据库中,那么读者需要自己写解析器,拿到 excel 文件,本文略之)。
如果 Excel 文件在文件系统中,则输出 Agent 模块是主程序。它首先获取文件系统中的 Excel 文件,然后可以启动多个线程去处理一批 Excel 文件。获取 Excel 文件的类型和版本号,根据 Excel 类型和版本号去获取用以描述 Excel 和关系数据库的映射元数据,就是上节我们讲述的内容。进而解析元数据构建元数据的内存模型。并且采用缓存机制,同一种类型,并且是同一种版本的 Excel 文件应用内存中已经构建好的元数据模型来解析,不必每次都去重新获取元数据。这样可以显著的提高性能。
如果 Excel 文件是存放在 Domino 服务器上的,则需要一个 Domino Agent 程序主动调用输出 Agent 所提供的接口,批量的转换用解析程序从 domino 数据文档中解析出来的 excel 文件。(关于 Domino Agent 以及如何开发一个 Agent 程序,请见参考文献 2)
按照映射的元数据模型,应用 HSSF/XSSF 解析 Excel 的相应单元格、列,进而构造 SQL 语句(采用 JDBC 方式的模式)。在一个事务中提交该 Excel 文件所要执行的所有 SQL 语句, 保证一个 Excel 文件写入或者完全成功,或者出错回滚,并报告错误信息。如清单 2 所示。
图 2. 转换框架
清单 2. 插入 SQL 语句
private void insertSQLStatements(){ //Insert into database List<String> sqlList = new ArrayList<String>(); CADataStore dataStore = new CADataStore(); if(tableSQLsMap!= null && tableSQLsMap.size()!= 0){ Iterator<String> itsql = tableSQLsMap.keySet().iterator(); while(itsql.hasNext()){ String tableName = itsql.next(); List<String> theList = tableSQLsMap.get(tableName); sqlList.addAll(theList); } dataStore.write(sqlList); // 一个事务中完成所有 sql 语句的插入操作,事务是以一个 excel // 文件为单位的,可涉及到若干个表 } }
本转换框架具有很大的可扩展性,我们不局限于遗留系统中已有的 Excel 文件信息,遗留系统可以继续使用,比如用户可以继续提交新类型的以 Excel 文件为存储格式的数据信息。系统可以定期不定期的进行转换工作。由图 2 可见,该转换框架清晰明了,是解决这类问题的一个通用模式。
在 Excel 解析的过程中,对于映射规则四,我们需要额外的算法支持。
Excel 列的组合映射的算法分析
在映射规则四中,我们定义的规则是,Excel 表的多列对应关系数据库中表的一个域。组合的方式是字符串的连接。问题是 Excel 表中,有很多单元格是合并的单元格,对于合并的单元格我们需要进行特殊的处理,目的是使得组合后的数据内容比较准确的表达了原 Excel 文件信息块中的内容信息。清单 3 是 POI API 获取 Excel 一个给定单元格值的程序。
清单 3. 获取单元格的值
private static Object getCellValue(Cell cell) { Object obj = null; if(cell == null) return null; switch (cell.getCellType()) { case Cell.CELL_TYPE_STRING: obj = cell.getRichStringCellValue().getString().trim(); break; case Cell.CELL_TYPE_NUMERIC: if (DateUtil.isCellDateFormatted(cell)) { obj = cell.getDateCellValue(); } else { obj = cell.getNumericCellValue(); } break; case Cell.CELL_TYPE_BOOLEAN: obj = cell.getBooleanCellValue(); break; case Cell.CELL_TYPE_FORMULA: obj = cell.getCellFormula(); break; default: } return obj; }
对于合并的单元格,应用上面的 API,除了左上角第一个单元格有值外,其它已经合并起来的单元格返回值均是 null 。 HSSF 的解析 API 中对此有一个类叫 CellRangeAddress,该类用以记录 Excel 表中被合并(Merged)的一个区域。在程序中,我们只关心给定区域内的合并单元块,这样可以极大的提高性能,如清单 4 所示。
在清单 5 中,我们给出了如何获取某一行内指定列的组合值。
清单 4. 获取指定合并区域
public static List<CellRangeAddress> getCellRawRangeAddresses(HSSFSheet sheet1, int startIndex, int endIndex, short[] indexes){ //indexes, excel column indexes List<CellRangeAddress> resultList = new ArrayList<CellRangeAddress>(); for (int i = 0; i < sheet1.getNumMergedRegions(); i++) { CellRangeAddress cellRA = sheet1.getMergedRegion(i); int firstRow = cellRA.getFirstRow(); int lastRow =cellRA.getLastRow(); int firstCol = cellRA.getFirstColumn(); int lastCol = cellRA.getLastColumn(); if(lastRow >= startIndex && firstRow <= endIndex){ if(lastCol>= getMin(indexes) && firstCol <= getMax(indexes)) resultList.add(cellRA); } } return resultList; }
清单 5. 获取给定行的组合值
public static String getCominbedValue(HSSFSheet sheet1, Row row, short[] indexes , List<CellRangeAddress> limitedCellRAs){ StringBuffer resultBf = new StringBuffer(); // 用以存储最终结果 Map<CellPosition, CellRangeAddress> theMap = new LinkedHashMap<CellPosition, CellRangeAddress>(); // 记录被合并的单元格所在的合并区域 int rowIndex = row.getRowNum(); Iterator<CellRangeAddress> itcra = limitedCellRAs.iterator(); while(itcra.hasNext()){ CellRangeAddress cra = itcra.next(); int firstRow = cra.getFirstRow(); int lastRow =cra.getLastRow(); if(rowIndex>= firstRow && rowIndex<= lastRow){ int firstCol = cra.getFirstColumn(); int lastCol = cra.getLastColumn(); for(int j=0; j<indexes.length;j++){ short index = indexes[j]; if(index >= firstCol && index <= lastCol){ theMap.put(new CellPosition(rowIndex,index),cra); } } } } // 记录合并单元格所对应的列号 Iterator<CellPosition> itpos = theMap.keySet().iterator(); short[] compIndexes = new short[theMap.size()]; int count =0; while(itpos.hasNext()){ CellPosition cellPos = itpos.next(); int colIndex = cellPos.getCol(); compIndexes[count]=(short)colIndex; count++; } List<CellPosition> cachedList =new ArrayList<CellPosition>(); for(int i =0;i< indexes.length;i++){ if(!constains(compIndexes, indexes[i])){ // 如果不包含此列号,则对应的 cell 不是一个合并单元格,调用清单 2 中的方法获取其值 Cell cell = row.getCell(indexes[i]); Object result= getCellValue(cell); if(!StringUtility.checkNull(result)) resultBf.append( result+","); //$NON-NLS-1$ }else{ CellRangeAddress cellRA = theMap.get(new CellPosition (rowIndex, indexes[i])); if(cellRA != null){ int cellrow = cellRA.getFirstRow(); int cellcol = cellRA.getFirstColumn(); CellPosition cPos = new CellPosition(cellrow,cellcol); //If it is Not the cached CellRangeAddress object if(!cachedList.contains(cPos)){ cachedList.add(cPos); // 放到缓存中,如果是同一个合并单元格,我们取其值一次 Object value = getMergedRegionValue(sheet1,cellRA); // 获得合并区域的值 resultBf.append(value +","); //$NON-NLS-1$ } } } } //resultBf 可能不包含任何数据 if(resultBf.length()>0 && resultBf.charAt(resultBf.length()-1)==','){ resultBf.deleteCharAt(resultBf.lastIndexOf(",")); //$NON-NLS-1$ } return resultBf.toString(); }
首先我们创建了一个 LinkedHashMap,用以保存那些和当前行的单元格相关的合并区域(该合并区域局限于清单 4 中所生成的合并区域),这里用 LinkedHashMap 既是保证 Map 里合并区域的顺序性。 CellPosition 实例记录了单元格的位置信息。接下来用 short 数组记录哪些列对应的单元格是合并单元格。进而程序遍历单元格,如果单元格所在的列不在构建的 short 数组中,则直接调用清单 3 的方法获取其值。如果单元格是合并单元格,如果在缓存中还没找到该合并区域,则获取该合并区域的值。也就是说,我们对这个合并区域的值只会读取一次。这样才能保证组合后的结果是正确性的。
应用 JDBC/Hibernate 插入数据
向数据库中插入数据的技术话题,大多读者都非常熟悉了。在本文中,程序同样是从映射规则的元数据中读到有关数据库的表信息和配置信息的,也就是说,应用 hibernate 等技术构建持久化层在本例中显得不太合适,因为我们不关心数据库的变动情况。读者在自己的项目中,可以根据实际情况决定是否采有 Hibernate 等持久化存储策略。本文主要采用 IBM DB2 数据库作为数据存储,通过解读 properties 文件获取数据库文件配置信息,调用 DAO 的 write 方法,从而生成数据库中的数据记录信息的,如清单 6 所示。
清单 6. 完成 SQL 语句的插入操作
public void write(List<String> sqlList){ if(sqlList == null ||sqlList.size() ==0){ throw new IllegalArgumentException("SQL List can't be null or empty"); //$NON-NLS-1$ } try { conn = DriverManager.getConnection(uri, user, password); conn.setAutoCommit(false); stmt = conn.createStatement(); Iterator<String> it = sqlList.iterator(); while(it.hasNext()){ String sql = it.next(); stmt.executeUpdate(sql); } conn.commit(); stmt.close(); conn.close(); } catch (SQLException sqlE) { sqlE.printStackTrace(); try { if(conn!= null){ _logger.log(Level.FINE, "Roll back"); //$NON-NLS-1$ conn.rollback(); } } catch (Exception eE) { _logger.log(Level.FINE, "Rollback failed"); //$NON-NLS-1$ } } }
本文的解决方案不局限于 IBM DB2 数据库,同时支持 MySQL 等若干数据库。针对不同数据库的数据类型,解析框架会动态的加载相应的类型配置文件,并对解析到的 Excel 信息作相应的修整(比如:DB2 数据库某一字段的数据类型要求是 decimal 的 , 如果解析器取到的 excel 相应的内容是字符串格式的话,那么需要进行转换,并保证一定的容错性),从而保证生成正确的 SQL 语句信息。
小结
本文提供了一种解决 Excel 数据转存数据库的通用解决方案。重点介绍了几种映射规则,这些规则都是最基本的,也是最常用的,读者可以根据需要,基于此而设计更复杂的映射规则。同时本文也着重介绍了,映射规则四的一些实现算法,希望能够为被这类问题所困扰的同志们提供一些有价值的参考。