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

posted @ 2012-01-30 16:07  xiaodongrush  阅读(19876)  评论(1编辑  收藏