Excel 数据转存数据库的应用框架
随着企业IT系统的不断升级,很多企业有提升遗留系统的强烈需求。而整合遗留系统中的信息资源是其中最为关键的一步,进而可对信息进行数据挖掘等创新工作。本文涉及这 样的一个应用案例,企业的数据信息是以 Excel 文件作为其附件的方式,分散存储在企业不同的服务器上的,客户要求把这些文件里面的数据信息转存到数据库中。
读者可能也会遇到其它的应用场景,要求把 Excel 文件中的数据信息解析出来并存入到数据库中。
本文则提供了一种相对高效而智能的解决方案用以解析 excel 文件,并转存入数据库中。
Apache POI (POI-HSSF and POI-XSSF) 简介
POI 是 Apache 基金组织的子项目,POI(Poor Obfuscation Implementation)的目标就是提供一组 Java API 来使得基于 Microsoft OLE 2 Compound Document 格式的 Microsoft Office 文件易于操作。 HSSF(Horrible Spreadsheet Format)是 POI 项目 Excel 文件格式(97 - 2007)的纯 java 实现,通过 HSSF,开发者可用纯 Java 代码来读取、写入、修改 Excel 文件。而 XSSF 则是 Excel 2007 OOXML(.xlsx) 文件格式的纯 java 实现。
本文主要涉及到应用 HSSF 和 XSSF 读取 Excel 文件中的数据。
如 何把 Excel 表里面的数据映射为关系数据库表中的数据呢?关系数据库中的二维表是结构化的数据存储,而一个 Excel 文件的一个 Sheet 页面就可能包含多个可映射为数据库表结构的信息块。这个信息块可能很简单,也可能非常复杂。在本文中,针对 Excel 中信息块的实际情况,我们定义了几种 Excel 文件到数据库表的映射规则。这些规则就是我们用以解析的元数据。离开了这些元数据,我们就谈不上智能而高效的解析了。
映射规则一:单元格单一映射
Excel 表中的一个单元格(cell)对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)。 如: A1 -> name
映射规则二:单元格组合映射
Excel 表中的多个单元格对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)。 组合的方式是字符串的连接,比如 C1,C2, F3 -> address 。可以在映射规则里定义字符串的分隔符,例如,在上面的例子中是用逗号“,”组合的。
映射规则三:Excel 列的单一映射
Excel 表中的某一列的数据对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)的数据。和前面两条规则相比较,该规则是将信息块中行的记录和数据库中表的行记录相对应起来的。例如 Column H -> 出口额。
映射规则四:Excel 列的组合映射
如 下图 1 所示,Excel 表中的多列的数据组合对应关系数据库中某一个模式(Schema)下一张表(Table)的一个域(Field)的数据。组合的方式是字符串数据的拼接, 分隔符也可以在映射规则中定义。例如 Column A, Column B, Column C -> 授信统计类型。
以上四种规则比较常用,但由于 Excel 文件中信息块结构的复杂性,我们还可以根据需要定义其它的映射规则。(比如,Excel 文件以附近形式放置在 Domino 服务器上的,则可以结合 Domino 文档中的域来定义映射规则)
读者可能会问,如何自动的生成这些映射规则呢?完全自动的生成,是很难做到的。我们是应用 Symphony Container,构建复合应用程序辅助“专家”来生成映射规则的。换句话说,一定有一个“专家”需要根据领域业务需求,完成数据库表的设计。在设计表的过程中,知 道那些 excel 文件里的信息块需要提取出来。基于这些知识,并利用一些辅助工具生成出映射规则元数据信息。
下面是基于 XML 语法结构的映射元数据片段,如清单 1 所示(如果是 Domino 的应用,可以创建 Domino 的文档用以保存映射元数据,进而应用 Notes 的 Java API 来解析)。
如图 2 所示,本文介绍的框架程序有两个入口,针对的是两种情况(如果,这两种情况都不是读者所遇见的,比如 excel 文件是以大对象形式存储在 Oracle 数据库中,那么读者需要自己写解析器,拿到 excel 文件,本文略之)。
如 果 Excel 文件在文件系统中,则输出 Agent 模块是主程序。它首先获取文件系统中的 Excel 文件,然后可以启动多个线程去处理一批 Excel 文件。获取 Excel 文件的类型和版本号,根据 Excel 类型和版本号去获取用以描述 Excel 和关系数据库的映射元数据,就是上节我们讲述的内容。进而解析元数据构建元数据的内存模型。并且采用缓存机制,同一种类型,并且是同一种版本的 Excel 文件应用内存中已经构建好的元数据模型来解析,不必每次都去重新获取元数据。这样可以显著的提高性能。
如 果 Excel 文件是存放在 Domino 服务器上的,则需要一个 Domino Agent 程序主动调用输出 Agent 所提供的接口,批量的转换用解析程序从 domino 数据文档中解析出来的 excel 文件。
按照映射的元数据模型,应用 HSSF/XSSF 解析 Excel 的相应单元格、列,进而构造 SQL 语句(采用 JDBC 方式的模式)。在一个事务中提交该 Excel 文件所要执行的所有 SQL 语句, 保证一个 Excel 文件写入或者完全成功,或者出错回滚,并报告错误信息。如清单 2 所示。
本 转换框架具有很大的可扩展性,我们不局限于遗留系统中已有的 Excel 文件信息,遗留系统可以继续使用,比如用户可以继续提交新类型的以 Excel 文件为存储格式的数据信息。系统可以定期不定期的进行转换工作。由图 2 可见,该转换框架清晰明了,是解决这类问题的一个通用模式。
在 Excel 解析的过程中,对于映射规则四,我们需要额外的算法支持。
在 映射规则四中,我们定义的规则是,Excel 表的多列对应关系数据库中表的一个域。组合的方式是字符串的连接。问题是 Excel 表中,有很多单元格是合并的单元格,对于合并的单元格我们需要进行特殊的处理,目的是使得组合后的数据内容比较准确的表达了原 Excel 文件信息块中的内容信息。清单 3 是 POI API 获取 Excel 一个给定单元格值的程序。
对 于合并的单元格,应用上面的 API,除了左上角第一个单元格有值外,其它已经合并起来的单元格返回值均是 null 。 HSSF 的解析 API 中对此有一个类叫 CellRangeAddress,该类用以记录 Excel 表中被合并(Merged)的一个区域。在程序中,我们只关心给定区域内的合并单元块,这样可以极大的提高性能,如清单 4 所示。
在清单 5 中,我们给出了如何获取某一行内指定列的组合值。
本 文的解决方案不局限于 IBM DB2 数据库,同时支持 MySQL 等若干数据库。针对不同数据库的数据类型,解析框架会动态的加载相应的类型配置文件,并对解析到的 Excel 信息作相应的修整(比如:DB2 数据库某一字段的数据类型要求是 decimal 的 , 如果解析器取到的 excel 相应的内容是字符串格式的话,那么需要进行转换,并保证一定的容错性),从而保证生成正确的 SQL 语句信息。
本 文提供了一种解决Excel数据转存数据库的通用解决方案。重点介绍了几种映射规则,这些规则都是最基本的,也是最常用的,读者可以根据需要,基于此而设计更复杂的映射规则。同时本 文也着重介绍了,映射规则四的一些实现算法,希望能够为被这类问题所困扰的同志们提供一些有价值的参考。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
你是否被统计学复杂的理论和晦涩的公式劝退过?别担心,“山有木兮:统计学极简入门(Python)” 将为你一一化解这些难题。课程 ...
2025-03-31在电商、零售、甚至内容付费业务中,你真的了解你的客户吗? 有些客户下了一两次单就消失了,有些人每个月都回购,有些人曾经是 ...
2025-03-31在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的需求持续飙升。世界经济论坛发布的《未来就业报告》, ...
2025-03-28你有没有遇到过这样的情况?流量进来了,转化率却不高,辛辛苦苦拉来的用户,最后大部分都悄无声息地离开了,这时候漏斗分析就非 ...
2025-03-27TensorFlow Datasets(TFDS)是一个用于下载、管理和预处理机器学习数据集的库。它提供了易于使用的API,允许用户从现有集合中 ...
2025-03-26"不谋全局者,不足谋一域。"在数据驱动的商业时代,战略级数据分析能力已成为职场核心竞争力。《CDA二级教材:商业策略数据分析 ...
2025-03-26当你在某宝刷到【猜你喜欢】时,当抖音精准推来你的梦中情猫时,当美团外卖弹窗刚好是你想吃的火锅店…… 恭喜你,你正在被用户 ...
2025-03-26当面试官问起随机森林时,他到底在考察什么? ""请解释随机森林的原理""——这是数据分析岗位面试中的经典问题。但你可能不知道 ...
2025-03-25在数字化浪潮席卷的当下,数据俨然成为企业的命脉,贯穿于业务运作的各个环节。从线上到线下,从平台的交易数据,到门店的运营 ...
2025-03-25在互联网和移动应用领域,DAU(日活跃用户数)是一个耳熟能详的指标。无论是产品经理、运营,还是数据分析师,DAU都是衡量产品 ...
2025-03-24ABtest做的好,产品优化效果差不了!可见ABtest在评估优化策略的效果方面地位还是很高的,那么如何在业务中应用ABtest? 结合企业 ...
2025-03-21在企业数据分析中,指标体系是至关重要的工具。不仅帮助企业统一数据标准、提升数据质量,还能为业务决策提供有力支持。本文将围 ...
2025-03-20解锁数据分析师高薪密码,CDA 脱产就业班助你逆袭! 在数字化浪潮中,数据驱动决策已成为企业发展的核心竞争力,数据分析人才的 ...
2025-03-19在 MySQL 数据库中,查询一张表但是不包含某个字段可以通过以下两种方法实现:使用 SELECT 子句以明确指定想要的字段,或者使 ...
2025-03-17在当今数字化时代,数据成为企业发展的关键驱动力,而用户画像作为数据分析的重要成果,改变了企业理解用户、开展业务的方式。无 ...
2025-03-172025年是智能体(AI Agent)的元年,大模型和智能体的发展比较迅猛。感觉年初的deepseek刚火没多久,这几天Manus又成为媒体头条 ...
2025-03-14以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-13以下的文章内容来源于刘静老师的专栏,如果您想阅读专栏《10大业务分析模型突破业务瓶颈》,点击下方链接 https://edu.cda.cn/go ...
2025-03-12以下的文章内容来源于柯家媛老师的专栏,如果您想阅读专栏《小白必备的数据思维课》,点击下方链接 https://edu.cda.cn/goods/sh ...
2025-03-11随着数字化转型的加速,企业积累了海量数据,如何从这些数据中挖掘有价值的信息,成为企业提升竞争力的关键。CDA认证考试体系应 ...
2025-03-10