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,  $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  " \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