Excel 数据转存数据库的应用框架-CDA数据分析师官网

热线电话：13121318867

Excel 数据转存数据库的应用框架

2016-08-22

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。

Excel 文件到表的映射元数据定义

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。

图 1. Excel 列的组合映射

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）。

清单 1. 映射规则（Mapping Rule）示例

<?xml version="1.0" encoding="UTF-8"?>
<tns:mappingRule xmlns: tns=http://sample.com.cn/mappingRule
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://sample.com.cn/profile MPSchema.xsd ">
     <excelType> 授信 </excelType>
<excelVersion>2008</excelVersion>
      <rules>
   <! — mapping rule type 1 -->
   <rule1>
             <sheetNumber>0</sheetNumber>
             <sheetName>sheet1</sheetName >
             <cellPos>A1</cellPos>
             <DBschema>LitieDS</DBschema>
             <DBTable>employee</DBTable>
             <DBField>name</DBField>
   </rule1>
   <! — mapping rule type 2 -->
   <rule2>
             ……
             <cellPoses>C1,C2,F3</cellPoses>
             <separator>,</separator>
             <DBField>address</DBField>
             ……
   </rule2>
   <! — mapping rule type 3 -->
   <rule3>
             ……
             <sheetColumn>H</sheetColumn>
             <DBField> 出口额 </DBField>
             ……
   </rule3>
   <! — mapping rule type 4 -->
   <rule4>
             ……
             <sheetColumns>A,B,C</sheetColumns>
             <separator>,</separator>
             <DBField> 授信统计类型 </DBField>
             ……
   </rule4>
        …
     </rules>
</tns:mappingRule >

转换框架的介绍

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。

图 2. 转换框架

转换框架

清单 2. 插入 SQL 语句

            private void insertSQLStatements(){
        //Insert into database
        List<String> sqlList = new ArrayList<String>();
        CADataStore dataStore = new CADataStore();
        if(tableSQLsMap!= null && tableSQLsMap.size()!= 0){
            Iterator<String> itsql = tableSQLsMap.keySet().iterator();
            while(itsql.hasNext()){
                String tableName = itsql.next();
                List<String> theList = tableSQLsMap.get(tableName);
                sqlList.addAll(theList);
            }
            dataStore.write(sqlList); // 一个事务中完成所有 sql 语句的插入操作，事务是以一个 excel
// 文件为单位的，可涉及到若干个表
        }
    }

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。

Excel 列的组合映射的算法分析

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。

清单 3. 获取单元格的值

        private static Object getCellValue(Cell cell) {
        Object obj = null;
        if(cell == null) return null;
        switch (cell.getCellType()) {
        case Cell.CELL_TYPE_STRING:
            obj = cell.getRichStringCellValue().getString().trim();
            break;
        case Cell.CELL_TYPE_NUMERIC:
            if (DateUtil.isCellDateFormatted(cell)) {
                obj = cell.getDateCellValue();
            } else {
                obj = cell.getNumericCellValue();
            }
            break;
        case Cell.CELL_TYPE_BOOLEAN:
            obj = cell.getBooleanCellValue();
            break;
        case Cell.CELL_TYPE_FORMULA:
            obj = cell.getCellFormula();
            break;
        default:
        }
        return obj;
    }

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。

清单 4. 获取指定合并区域

public static List<CellRangeAddress> getCellRawRangeAddresses(HSSFSheet sheet1,
   int startIndex, int endIndex, short[] indexes){ //indexes, excel column indexes
    List<CellRangeAddress> resultList = new ArrayList<CellRangeAddress>();
        for (int i = 0; i < sheet1.getNumMergedRegions(); i++) {
            CellRangeAddress cellRA = sheet1.getMergedRegion(i);
            int firstRow = cellRA.getFirstRow();
            int lastRow =cellRA.getLastRow();
            int firstCol = cellRA.getFirstColumn();
            int lastCol = cellRA.getLastColumn();
            if(lastRow >= startIndex && firstRow <= endIndex){
                if(lastCol>= getMin(indexes) && firstCol <= getMax(indexes))
                resultList.add(cellRA);
            }
        }
        return resultList;
    }

清单 5. 获取给定行的组合值

public static String getCominbedValue(HSSFSheet sheet1, Row row, short[] indexes ,
   List<CellRangeAddress> limitedCellRAs){
    StringBuffer resultBf = new StringBuffer(); // 用以存储最终结果
    Map<CellPosition, CellRangeAddress> theMap =
    new LinkedHashMap<CellPosition, CellRangeAddress>();
    // 记录被合并的单元格所在的合并区域
    int rowIndex = row.getRowNum();
        Iterator<CellRangeAddress> itcra = limitedCellRAs.iterator();
        while(itcra.hasNext()){
            CellRangeAddress cra = itcra.next();
            int firstRow = cra.getFirstRow();
            int lastRow =cra.getLastRow();
            if(rowIndex>= firstRow && rowIndex<= lastRow){
                int firstCol = cra.getFirstColumn();
                int lastCol = cra.getLastColumn();
                for(int j=0; j<indexes.length;j++){
                    short index = indexes[j];
                    if(index >= firstCol && index <= lastCol){
                        theMap.put(new CellPosition(rowIndex,index),cra);
                    }
                }
            }
        }
        // 记录合并单元格所对应的列号
        Iterator<CellPosition> itpos = theMap.keySet().iterator();
        short[] compIndexes = new short[theMap.size()];
        int count =0;
        while(itpos.hasNext()){
            CellPosition cellPos = itpos.next();
            int colIndex = cellPos.getCol();
            compIndexes[count]=(short)colIndex;
            count++;
        }
        List<CellPosition> cachedList =new ArrayList<CellPosition>();
        for(int i =0;i< indexes.length;i++){
            if(!constains(compIndexes, indexes[i])){
               // 如果不包含此列号，则对应的 cell 不是一个合并单元格，调用清单 2 中的方法获取其值
                Cell cell = row.getCell(indexes[i]);
                Object result= getCellValue(cell);
                if(!StringUtility.checkNull(result))
                    resultBf.append( result+","); //$NON-NLS-1$
            }else{
           CellRangeAddress cellRA = theMap.get(new CellPosition (rowIndex, indexes[i]));
                if(cellRA != null){
                    int cellrow = cellRA.getFirstRow();
                    int cellcol = cellRA.getFirstColumn();
                    CellPosition cPos = new CellPosition(cellrow,cellcol);
                    //If it is Not the cached CellRangeAddress object
                    if(!cachedList.contains(cPos)){
                        cachedList.add(cPos); // 放到缓存中，如果是同一个合并单元格，我们取其值一次
                        Object value = getMergedRegionValue(sheet1,cellRA); // 获得合并区域的值
                        resultBf.append(value +","); //$NON-NLS-1$
                    }
                }
            }
        }
        //resultBf 可能不包含任何数据
        if(resultBf.length()>0 && resultBf.charAt(resultBf.length()-1)==','){
            resultBf.deleteCharAt(resultBf.lastIndexOf(",")); //$NON-NLS-1$
        }
        return resultBf.toString();
    }

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。