从 Excel 电子表格中读取手动插入的文本

Question

我有一个.xlsx 文件，其中包含我大学的时间表。我正在开发一个使用时间表的应用程序。但我不想将这个 Excel 电子表格中的时间表内容“复制”成更“程序员友好”的格式，相反，我想编写一个程序/脚本来解析这个 .xlsx 表并自动转换以我需要的格式（例如在代码中的某些对象中）。

阅读电子表格的“正常”单元格对我来说没有问题。但是，创建此时间表文件的人不是简单地在每个单元格中输入 1 个文本条目，而是手动将一些单元格“划分”为“子单元格”，并在每个单元格中手动插入一些文本。这看起来像：

应该如何解释：学生分为 4 组。在15.20-16.50，只有第 1 组和第 2 组将有一个特定的类。在17.00-18.30，只有第 1、3 和 4 组有该类。

正如我们所看到的，这些“单元格”并不是真正的单元格——它们似乎是手动创建（“划分”）的，就像图片中选择的文本一样。

问题是：我怎样才能找到和阅读像图片中这样的“单元格”（手动插入的文本组件）（最好也知道它们的位置，这样我不仅可以阅读存在哪些类，但也包括何时开始（时间在电子表格的最左侧说明））？

我尝试使用 Python 的 xlrd 模块，但无法实现我所需要的。 Java 的Apache POI 也没有取得任何成功——我只是不知道如何阅读这些文本条目。无论使用什么库和方法，两种语言的解决方案都适合我。

Answer 1

xls 和 xslx 都是专有格式。微软竭尽全力在法庭上解释 xslx 是开放的，但不幸的是，所涉及的法官中没有一位对计算机科学有任何重要的了解，而律师也知道这一点，所以不要被他们的误导性案件分散注意力。 XSLX 可以选择让“供应商”添加一个“自定义二进制 blob”块，并且绝大多数不是最常见的、可以想象的最低级别的东西的 excel 功能都在这些二进制 blob 中。毫无疑问，这里发生的“将文本表格对象粘贴到单个单元格中”的事情就是这样。

Microsoft 从未发布过有关这些二进制 blob 的任何文档，也没有发布任何可以解析它们的库。

因此，Apache POI、xlrd 和所有其他用于读取 XLS 文件的库并不明确要求在运行“库”的计算机上安装和运行 Excel（如果您有例如基于 linux 的服务器！）基于逆向工程，这是一种可怕的格式。从字面上看 - 查找 Apache POI 的“HSSF”代表什么。官方没有，但在词源上，H 代表可怕。 （可怕的电子表格格式 - HSSF）。

这就是说：对不起 - 你可能不能。这不是 POI 或 xlrd 的错，而是微软的错。使用这种封闭的、专有的和未记录的格式来传输任何有意义的东西是不合适的。错误在于导致您现在陷入尝试编写软件来解析奇怪的 excel 文件的任何过程。

如果必须，很可能在 excel 中运行的脚本可以解开这个混乱并写出 csv 文件或 json 或文档格式的东西。或者，您可以用 C# 编写一些东西，但这只是将工作分担到 excel 中，因此，您仍然无法将此代码移植到其他平台。

Apache POI 确实为您提供了一种更底层方法的选项，您可以在其中读取二进制 blob。您可以尝试自己对“带有表格的单元格”中发生的任何事情进行逆向工程，但是 xlrd 团队和 Apache POI 团队都没有打扰，至少 POI 团队记录为说格式似乎被设计为混淆 - 这听起来像是一项需要你很多很多周的工作。

这让我回到了我之前建议的解决方案：除非花费数周时间构建一个非常脆弱的堆栈，需要一个完整的窗口和一个 excel 许可证，否则与人类行为的简单改变相比（不太可能），修复在于解决过程（例如，excel用于传输此信息的地址，或者至少使excel表比这件事简单得多），而不是通过找出如何在java或python中阅读这些混乱。