Разбор файлов XLS и XLSX (MS Excel) с помощью Ruby?

недавно мне нужно было разобрать некоторые файлы Excel с Ruby. Обилие библиотек и опций оказалось запутанным, поэтому я написал блоге об этом.

Вот таблица различных библиотек Ruby и то, что они поддерживают:

если вы заботитесь о производительности, вот как xlsx библиотеки сравниваем:

у меня есть пример кода для чтения xlsx файлов с каждая поддерживаемая библиотека здесь

вот несколько примеров для чтения xlsx файлы с некоторыми различными библиотеками:

rubyXL

require 'rubyXL'

workbook = RubyXL::Parser.parse './sample_excel_files/xlsx_500_rows.xlsx'
worksheets = workbook.worksheets
puts "Found #{worksheets.count} worksheets"

worksheets.each do |worksheet|
  puts "Reading: #{worksheet.sheet_name}"
  num_rows = 0
  worksheet.each do |row|
    row_cells = row.cells.map{ |cell| cell.value }
    num_rows += 1
  end
  puts "Read #{num_rows} rows"
end

РОО

require 'roo'

workbook = Roo::Spreadsheet.open './sample_excel_files/xlsx_500_rows.xlsx'
worksheets = workbook.sheets
puts "Found #{worksheets.count} worksheets"

worksheets.each do |worksheet|
  puts "Reading: #{worksheet}"
  num_rows = 0
  workbook.sheet(worksheet).each_row_streaming do |row|
    row_cells = row.map { |cell| cell.value }
    num_rows += 1
  end
  puts "Read #{num_rows} rows" 
end

крик

require 'creek'

workbook = Creek::Book.new './sample_excel_files/xlsx_500_rows.xlsx'
worksheets = workbook.sheets
puts "Found #{worksheets.count} worksheets"

worksheets.each do |worksheet|
  puts "Reading: #{worksheet.name}"
  num_rows = 0
  worksheet.rows.each do |row|
    row_cells = row.values
    num_rows += 1
  end
  puts "Read #{num_rows} rows"
end

simple_xlsx_reader

require 'simple_xlsx_reader'

workbook = SimpleXlsxReader.open './sample_excel_files/xlsx_500000_rows.xlsx'
worksheets = workbook.sheets
puts "Found #{worksheets.count} worksheets"

worksheets.each do |worksheet|
  puts "Reading: #{worksheet.name}"
  num_rows = 0
  worksheet.rows.each do |row|
    row_cells = row
    num_rows += 1
  end
  puts "Read #{num_rows} rows"
end

вот пример чтения наследия С помощью spreadsheet библиотека:

таблицы

require 'spreadsheet'

# Note: spreadsheet only supports .xls files (not .xlsx)
workbook = Spreadsheet.open './sample_excel_files/xls_500_rows.xls'
worksheets = workbook.worksheets
puts "Found #{worksheets.count} worksheets"

worksheets.each do |worksheet|
  puts "Reading: #{worksheet.name}"
  num_rows = 0
  worksheet.rows.each do |row|
    row_cells = row.to_a.map{ |v| v.methods.include?(:value) ? v.value : v }
    num_rows += 1
  end
  puts "Read #{num_rows} rows"
end

на РОО gem отлично подходит для Excel (.xls и .XLSX) и он активно развивается.

Я согласен, что синтаксис не велик и не похож на Рубин. Но это может быть легко достигнуто с чем-то вроде:

class Spreadsheet
  def initialize(file_path)
    @xls = Roo::Spreadsheet.open(file_path)
  end

  def each_sheet
    @xls.sheets.each do |sheet|
      @xls.default_sheet = sheet
      yield sheet
    end
  end

  def each_row
    0.upto(@xls.last_row) do |index|
      yield @xls.row(index)
    end
  end

  def each_column
    0.upto(@xls.last_column) do |index|
      yield @xls.column(index)
    end
  end
end

Я использую ручей, который использует nokogiri. Это быстро. Используется 8,3 секунды на столе 21x11250 xlsx на моем Macbook Air. Получил его для работы на ruby 1.9.3+. Выходной формат для каждой строки-это хэш имени строки и столбца для содержимого ячейки: {"А1"=>"ячейки", "Б1"=>"другой ячейке"} Хэш не гарантирует, что ключи будут находиться в исходном порядке столбцов. https://github.com/pythonicrubyist/creek

тупица-еще один Великий, который использует nokogiri. Это очень быстро. Используемый 6,7 секунды на столе 21x11250 xlsx на моем Macbook Air. Получил его для работы на ruby 2.0.0+. Выходной формат для каждой строки-массив: ["клетка", "другой ячейке"] https://github.com/thirtyseven/dullard

simple_xlsx_reader, который был упомянут, отличный, немного медленный. Используется 91 секунд на столе 21x11250 xlsx на моем Macbook Air. Получил его для работы на ruby 1.9.3+. Выходной формат для каждой строки-массив: ["клетка", "другой клетка"] https://github.com/woahdae/simple_xlsx_reader

еще один интересный-oxcelix. Он использует парсер саксофона ox, который предположительно быстрее, чем DOM и SAX-парсер nokogiri. Он якобы выводит матрицу. Я не мог заставить его работать. Кроме того, были некоторые проблемы зависимости с rubyzip. Не рекомендовал бы его.

В заключение, если используется версия ruby ниже 2.0.0, используйте creek. Если вы используете ruby 2.0.0+, используйте dullard, потому что это быстрее и сохраняет порядок столбцов таблицы.

Если вы ищете более современные библиотеки, взгляните на электронную таблицу:http://spreadsheet.rubyforge.org/GUIDE_txt.html. Я не могу сказать, поддерживает ли он файлы XLSX, но, учитывая, что он активно развивается, я предполагаю, что это так (я не на Windows или с Office, поэтому я не могу тестировать).

На данный момент, это выглядит как РОО - это еще хороший вариант. Он поддерживает XLSX, позволяет (некоторые) итерации, просто используя times с доступом к ячейке. Я признаю, что это хотя и не очень красиво.

кроме того, RubyXL теперь может дать вам своего рода итерацию, используя их extract_data метод, который дает вам 2d массив данных,которые могут быть легко повторены.

, как @PanagiotisKanavos упоминалось в комментариях, это имеет несколько основных недостатки:

• Excel должен быть установлен
• новый экземпляр Excel запускается для каждого документа
• потребление памяти и других ресурсов намного больше, чем необходимо для простого управления документами XLSX.

но если вы решите использовать его, вы можете выбрать не отображать Excel, загрузить файл XLSX и получить доступ к нему через него. Я не уверен, что он поддерживает итерацию, однако, я не думаю, что это будет слишком сложно построить вокруг предоставленных методов, так как это полный Microsoft OLE API для Excel. Вот документация:http://support.microsoft.com/kb/222101 Вот жемчужина:http://www.ruby-doc.org/stdlib-1.9.3/libdoc/win32ole/rdoc/WIN32OLE.html

опять же, варианты не выглядят намного лучше, но, боюсь, там больше ничего нет. трудно проанализировать формат файла, который является черным ящиком. И те немногие, кому удалось его сломать, сделали это не так заметно. Гуглить Docs-это закрытый исходный код, а LibreOffice-это тысячи строк harry C++.

The rubyXL gem прекрасно разбирает XLSX файлы.

Я много работал с электронной таблицей и rubyXL за последние пару недель, и я должен сказать, что оба являются отличными инструментами. Однако одна из областей, в которой страдают оба, - это отсутствие примеров фактической реализации чего-либо полезного. В настоящее время я создаю искатель и использую rubyXL для анализа файлов xlsx и электронных таблиц для чего-либо xls. Я надеюсь, что приведенный ниже код может служить полезным примером и показать, насколько эффективными могут быть эти инструменты.

require 'find'
require 'rubyXL'

count = 0

Find.find('/Users/Anconia/crawler/') do |file|             # begin iteration of each file of a specified directory
  if file =~ /\b.xlsx$\b/                                  # check if file is xlsx format
    workbook = RubyXL::Parser.parse(file).worksheets       # creates an object containing all worksheets of an excel workbook
    workbook.each do |worksheet|                           # begin iteration over each worksheet
      data = worksheet.extract_data.to_s                   # extract data of a given worksheet - must be converted to a string in order to match a regex
      if data =~ /regex/
        puts file
        count += 1
      end      
    end
  end
end

puts "#{count} files were found"

---

require 'find'
require 'spreadsheet'
Spreadsheet.client_encoding = 'UTF-8'

count = 0

Find.find('/Users/Anconia/crawler/') do |file|             # begin iteration of each file of a specified directory
  if file =~ /\b.xls$\b/                                   # check if a given file is xls format
    workbook =  Spreadsheet.open(file).worksheets          # creates an object containing all worksheets of an excel workbook
    workbook.each do |worksheet|                           # begin iteration over each worksheet
      worksheet.each do |row|                              # begin iteration over each row of a worksheet
        if row.to_s =~ /regex/                             # rows must be converted to strings in order to match the regex
          puts file
          count += 1
        end
      end
    end
  end
end

puts "#{count} files were found"

Я не смог найти удовлетворительный XLSX парсер. RubyXL не выполняет типизацию даты, Roo попытался ввести число в качестве даты, и оба они являются беспорядком как в api, так и в коде.

Итак, я написал simple_xlsx_reader. Вам придется использовать что-то еще для xls, хотя, возможно, это не полный ответ, который вы ищете.

большинство онлайн-примеров, включая веб-сайт автора для электронной таблицы gem, демонстрируют чтение всего содержимого файла Excel в ОЗУ. Это нормально, если ваша электронная таблица мала.

xls = Spreadsheet.open(file_path)

для тех, кто работает с очень большими файлами, лучший способ-это stream-read содержимое файла. Электронная таблица gem поддерживает это,хотя и не очень хорошо документирована в настоящее время (около 3/2015).

Spreadsheet.open(file_path).worksheets.first.rows do |row|
  # do something with the array of CSV data
end

цитировать: https://github.com/zdavatz/spreadsheet

The Удаленная библиотека использует РОО внутренне. Это позволяет легко читать электронные таблицы различных форматов(XLS, XLSX, CSV и др. возможно, удаленный, возможно, хранящийся внутри zip, gz и т. д.):

require 'remote_table'
r = RemoteTable.new 'http://www.fueleconomy.gov/FEG/epadata/02data.zip', :filename => 'guide_jan28.xls'
r.each do |row|
  puts row.inspect
end

выход:

{"Class"=>"TWO SEATERS", "Manufacturer"=>"ACURA", "carline name"=>"NSX", "displ"=>"3.0", "cyl"=>"6.0", "trans"=>"Auto(S4)", "drv"=>"R", "bidx"=>"60.0", "cty"=>"17.0", "hwy"=>"24.0", "cmb"=>"20.0", "ucty"=>"19.1342", "uhwy"=>"30.2", "ucmb"=>"22.9121", "fl"=>"P", "G"=>"", "T"=>"", "S"=>"", "2pv"=>"", "2lv"=>"", "4pv"=>"", "4lv"=>"", "hpv"=>"", "hlv"=>"", "fcost"=>"1238.0", "eng dscr"=>"DOHC-VTEC", "trans dscr"=>"2MODE", "vpc"=>"4.0", "cls"=>"1.0"}
{"Class"=>"TWO SEATERS", "Manufacturer"=>"ACURA", "carline name"=>"NSX", "displ"=>"3.2", "cyl"=>"6.0", "trans"=>"Manual(M6)", "drv"=>"R", "bidx"=>"65.0", "cty"=>"17.0", "hwy"=>"24.0", "cmb"=>"19.0", "ucty"=>"18.7", "uhwy"=>"30.4", "ucmb"=>"22.6171", "fl"=>"P", "G"=>"", "T"=>"", "S"=>"", "2pv"=>"", "2lv"=>"", "4pv"=>"", "4lv"=>"", "hpv"=>"", "hlv"=>"", "fcost"=>"1302.0", "eng dscr"=>"DOHC-VTEC", "trans dscr"=>"", "vpc"=>"4.0", "cls"=>"1.0"}
{"Class"=>"TWO SEATERS", "Manufacturer"=>"ASTON MARTIN", "carline name"=>"ASTON MARTIN VANQUISH", "displ"=>"5.9", "cyl"=>"12.0", "trans"=>"Auto(S6)", "drv"=>"R", "bidx"=>"1.0", "cty"=>"12.0", "hwy"=>"19.0", "cmb"=>"14.0", "ucty"=>"13.55", "uhwy"=>"24.7", "ucmb"=>"17.015", "fl"=>"P", "G"=>"G", "T"=>"", "S"=>"", "2pv"=>"", "2lv"=>"", "4pv"=>"", "4lv"=>"", "hpv"=>"", "hlv"=>"", "fcost"=>"1651.0", "eng dscr"=>"GUZZLER", "trans dscr"=>"CLKUP", "vpc"=>"4.0", "cls"=>"1.0"}