[從產品角度學EXCEL 02]-EXCEL裏的樹形結構

這是《從產品角度學EXCEL》系列第三篇。

前言請看：

0 爲何要關注EXCEL的本質

1 excel是怎樣運做的

或者你能夠去微信公衆號@尾巴說數 得到連載目錄。

本文僅由尾巴本人發佈於特定網站。不接受任何無受權轉載，如需轉載，請先聯繫我，很是感謝。

2 EXCEL裏的樹形結構

這段時間，上海街邊的樹上陸陸續續長出了嫩芽，放眼望去有各類層次的綠色，格外好看。咱們今天的話題，剛好也與樹有關。只不過，樹都是往天空伸展枝葉的，而咱們這裏討論的‘樹’，倒是由根部出發，逐行逐行往下延展、伸展。

還記得上一個章節裏，咱們對一個excel文件解壓縮後，發現了若干個xml文件嗎？

xml本質上是一種使用樹形結構存儲信息的文檔。它由一個根節點root開始，逐層逐層長枝節，並給每一層都打了個標籤，讓xml解析器能夠快速定位信息的內容。而每一層以及每個底部的節點，都是這些信息的一個分類屬性。咱們瞭解了它們的屬性和層級，也就瞭解這顆結構樹長成什麼樣子。

正由於xml的結構與層級是如此重要，在進一步講單元格以前，咱們頗有必要先剖析看看excel xml樹的結構，從大致上再來理解一下excel儲存文件的方式。

須要注意的是，這一章節大概是整個系列裏涉及最多編程的章節了。若是各位對編程不是特別感興趣，能夠先跳過這一節，去看後面的內容。不過按照我我的的經驗來講，無論你是用excel作一些簡單的數據處理，仍是想要在數據分析行業裏走得穩妥一些，瞭解瞭解編程，只會有好處而沒有壞處。尤爲是編程的一些思想，如妥善地設計接口，分隔各個功能塊等，即便你用excel處理數據，這些也對你十分有好處。

言歸正傳吧。咱們回過頭來再看看excel解壓縮之後的xml文件。

讓咱們隨意打開一個xml文件，一串串密密麻麻的字符就這樣跳了出來。

對於不熟悉xml架構的人來講，咱們只會看到眼花繚亂的括號，等號，引號。可是若是你對xml有點理解，你就會知道，這一系列的標點符號框起了一個個xml的數據結構。

對於xml來講，每個層級都是由<標籤 屬性=ABC>內容信息</標籤>構成的。有的內容信息裏又會再次嵌套一層標籤層級，重重相疊，從根部開始向下延展出了無數枝葉，構成了一棵看似錯綜複雜，倒是井井有條的xml樹。人們只要定位到某一個枝葉，就能夠迅速把這個枝葉下的特定信息取出來。而要搞懂這棵xml樹長什麼樣子，首先就要搞懂說這棵樹是有哪些層級，各個層級叫什麼，有什麼內容。

可是各位再回顧看看上面的截圖，一長串一長串的代碼，你固然能夠一個個去判斷說，啊，根標籤從worksheet開始，下面有selection層級，有f層級等等，可是這樣子作，不只低效，並且會有遺漏。

請各位在學習excel時，隨時記住一個原則，那就是能夠不要手工去作的事情，就不要手工去作。寧願本身腦子廢點腦力構思最優方法，也不要直接就開始機械的做業。

那麼，在這裏，面臨這個要人工一個個看標籤的艱鉅任務時，咱們該如何是好呢？

在這裏跟你們再普及一個概念的是，xml嘛，除了微軟在用於office系列文檔儲存格式之外，它還普遍應用於各類網頁設計領域。而在網頁獲取信息這一塊，咱們自然有不少工具能夠經過讀取html或者xml源代碼，解析它們的結構，進行數據提取工做（高級點叫法即網絡爬蟲）

因此對於這裏的excel xml源文件，咱們天然能夠應用各類爬蟲工具，把xml的框架給找出來。

我 用的比較熟的應該是R語言的rvest包爬蟲了，查了一下它的文檔，有一個叫xml_structure的，能夠直接把xml文件的標籤層次給讀出來，而 xml_nodes/xml_attr等，又能夠把裏面特定的標籤內容給分層讀出來。那麼寫一段代碼，幫我把excel的xml源文件裏的層級與內容弄出 來，那就省了我很大的心力啦^^

由於R語言代碼並非咱們的重點，因此我把源代碼放在文章末尾的擴展閱讀裏了，有須要的能夠去看看，也能夠用其餘語言寫寫。有的時候只要學會一點點的編程，就能大大的改善各位的工做效率。要用好工具而不是被工具玩，是我但願在這系列excel教程裏告訴你們的一個點。

那麼言歸正傳。請各位看看下面這個用R語言跑出來的csv文件截圖。

左列是咱們的標籤名，右列是咱們標籤裏面包含的文本。經過這個文件，咱們就能夠很容易知道各個標籤裏存放了什麼文本信息。咱們會發現row下面是一串串的c/v/f。而c與v的信息幾乎徹底同樣。

另外，在r裏，咱們能夠經過xml_structure輸出xml文件的結構。這兩個結合起來，我爲各位繪製了一張sheet1.xml的樹形結構圖：

各 位能夠看到，在worksheet文件夾裏的sheet1.xml，是在sheetdata裏按照row爲標籤層級，存放了若干行的數據。而行又以 c（cell)爲導向，存放了單元格的v (value)和f(函數）。有多少行，在sheet1.xml裏就有多少row，一個row有若干個有效單元格，就會有若干個c。

從這個角度看excel，會不會對excel的產品設計層次有了進一步的理解呢？

另外，上面的截圖沒有出示的一點是，在worksheet這個文件夾裏，數字是直接存在各個sheetxxx.xml裏的，而字符類文本，倒是單獨存放在外面的SharedString.xml裏。

嘿嘿，數字和文本的存放格式不同，各位想到了什麼？有沒有虎軀一震，想到了excel裏由於數字和文本的不一樣，帶來的各類不便？

在前面囉嗦完爲何要寫這個系列，以及excel是怎麼工做之後，咱們終於把拼圖最重要的一塊——解讀xml補上了。那麼接下來，咱們終於要進入從產品角度看excel的正題。

下一章節：單元格背後的祕密，敬請期待：）

以及順手打個小廣告，本系列預計每週更新一章，工做很忙或者沒有靈感的時候可能會兩週更新一章。每次都會在個人微信公衆號上推送全部章節，歡迎關注個人公衆號。

固然，若是各位等不及更新，想更早了解後續內容的話，歡迎私下聯繫我。上海地區提供有償私教：）

---

擴展閱讀

HTML的基礎知識： http://www.w3school.com.cn

闡述XML樹形結構的一篇文章： http://www.cnblogs.com/iswszheng/archive/2009/05/18/1459213.html

曾經用R語言寫過的kindle爬蟲： http://www.flybi.net/blog/weibaar/2974 

R語言解析XML源代碼：

setwd("~/excel/")
library(rvest)
#代碼用於《從產品角度學EXCEL》系列文章,XML解析
# read xml in zip files
get_xmllist<-function(access){
        list<-list.files(access,full.names=TRUE,pattern = "xml$",recursive = TRUE)
        list_name<-gsub(as.character(access),"",list)
        list_name<-gsub("\\/|\\.|\\[|\\]","-",list_name)
        list_name<-gsub("\\-\\-","-",list_name)
        list<-data.frame(list,list_name,stringsAsFactors = FALSE)
        list
}
# read xml structure
get_structure<-function(xmlfile){
        data<-xml(xmlfile,encoding="UTF-8")
        data<-data %>% html_nodes("*")
        output<-cbind(node_names=data %>% html_tag(),
                   node_text=data %>% html_text())
        output<-data.frame(output)
        output
        
}
write_result<-function(dataframe,name){
        write.csv(dataframe,paste0("./Output/",name,".csv"),row.names=FALSE)
}
#use these three function
xml_list<-get_xmllist("./sample u.xlsx/")
for (i in 1:nrow(xml_list)){
        data<-get_structure(xml_list$list[i])
        write_result(data,xml_list$list_name[i])
        
}

#write the structure
xml_structure(html(xml_list$list[8]))

 

微信公衆號：