[从产品角度学EXCEL 02]-EXCEL里的树形结构

前言请看：

0 为什么要关注Excel的本质

1 excel是怎样运作的

本文仅由尾巴本人发布于特定网站。不接受任何无授权转载，如需转载，请先联系我，非常感谢。

2 Excel里的树形结构

这段时间，上海街边的树上陆陆续续长出了嫩芽，放眼望去有各种层次的绿色，格外好看。我们今天的话题，恰好也与树有关。只不过，树都是往天空伸展枝叶的，而我们这里讨论的‘树’，却是由根部出发，逐行逐行往下延展、伸展。

还记得上一个章节里，我们对一个excel文件解压缩后，发现了若干个xml文件吗？

xml本质上是一种使用树形结构存储信息的文档。它由一个根节点root开始，逐层逐层长枝节，并给每一层都打了个标签，让xml解析器可以快速定位信息的内容。而每一层以及每一个底部的节点，都是这些信息的一个分类属性。我们了解了它们的属性和层级，也就了解这颗结构树长成什么样子。

正因为xml的结构与层级是如此重要，在进一步讲单元格之前，我们很有必要先剖析看看excel xml树的结构，从大体上再来理解一下excel储存文件的方式。

需要注意的是，这一章节大概是整个系列里涉及最多编程的章节了。如果各位对编程不是特别感兴趣，可以先跳过这一节，去看后面的内容。不过按照我个人的经验来说，不管你是用excel做一些简单的数据处理，还是想要在数据分析行业里走得稳妥一些，了解了解编程，只会有好处而没有坏处。尤其是编程的一些思想，如妥善地设计接口，分隔各个功能块等，即使你用excel处理数据，这些也对你十分有好处。

言归正传吧。我们回过头来再看看excel解压缩以后的xml文件。

让我们随意打开一个xml文件，一串串密密麻麻的字符就这样跳了出来。

对于不熟悉xml架构的人来说，我们只会看到眼花缭乱的括号，等号，引号。但是如果你对xml有点理解，你就会知道，这一系列的标点符号框起了一个个xml的数据结构。

对于xml来说，每一个层级都是由<标签 属性=ABC>内容信息</标签>构成的。有的内容信息里又会再次嵌套一层标签层级，重重相叠，从根部开始向下延展出了无数枝叶，构成了一棵看似错综复杂，却是层次分明的xml树。人们只要定位到某一个枝叶，就可以迅速把这个枝叶下的特定信息取出来。而要搞懂这棵xml树长什么样子，首先就要搞懂说这棵树是有哪些层级，各个层级叫什么，有什么内容。

但是各位再回顾看看上面的截图，一长串一长串的代码，你当然可以一个个去判断说，啊，根标签从worksheet开始，下面有selection层级，有f层级等等，但是这样子做，不仅低效，而且会有遗漏。

请各位在学习excel时，随时记住一个原则，那就是可以不要手工去做的事情，就不要手工去做。宁愿自己脑子废点脑力构思最优方法，也不要直接就开始机械的作业。

那么，在这里，面临这个要人工一个个看标签的艰巨任务时，我们该如何是好呢？

在这里跟大家再普及一个概念的是，xml嘛，除了微软在用于office系列文档储存格式以外，它还广泛应用于各种网页设计领域。而在网页获取信息这一块，我们天然有很多工具可以通过读取html或者xml源代码，解析它们的结构，进行数据提取工作（高级点叫法即网络爬虫）

所以对于这里的excel xml源文件，我们自然可以应用各种爬虫工具，把xml的框架给找出来。

我 用的比较熟的应该是R语言的rvest包爬虫了，查了一下它的文档，有一个叫xml_structure的，可以直接把xml文件的标签层次给读出来，而 xml_nodes/xml_attr等，又可以把里面特定的标签内容给分层读出来。那么写一段代码，帮我把excel的xml源文件里的层级与内容弄出 来，那就省了我很大的心力啦^^

因为R语言代码并不是我们的重点，所以我把源代码放在文章末尾的扩展阅读里了，有需要的可以去看看，也可以用其他语言写写。有的时候只要学会一点点的编程，就能大大的改善各位的工作效率。要用好工具而不是被工具玩，是我希望在这系列excel教程里告诉大家的一个点。

那么言归正传。请各位看看下面这个用R语言跑出来的csv文件截图。

左列是我们的标签名，右列是我们标签里面包含的文本。通过这个文件，我们就可以很容易知道各个标签里存放了什么文本信息。我们会发现row下面是一串串的c/v/f。而c与v的信息几乎完全一样。

另外，在r里，我们可以通过xml_structure输出xml文件的结构。这两个结合起来，我为各位绘制了一张sheet1.xml的树形结构图：

各位可以看到，在worksheet文件夹里的sheet1.xml，是在sheetdata里按照row为标签层级，存放了若干行的数据。而行又以 c（cell)为导向，存放了单元格的v (value)和f(函数）。有多少行，在sheet1.xml里就有多少row，一个row有若干个有效单元格，就会有若干个c。

从这个角度看excel，会不会对excel的产品设计层次有了进一步的理解呢？

另外，上面的截图没有出示的一点是，在worksheet这个文件夹里，数字是直接存在各个sheetxxx.xml里的，而字符类文本，却是单独存放在外面的SharedString.xml里。

嘿嘿，数字和文本的存放格式不一样，各位想到了什么？有没有虎躯一震，想到了excel里因为数字和文本的不同，带来的各种不便？

在前面啰嗦完为什么要写这个系列，以及excel是怎么工作以后，我们终于把拼图最重要的一块——解读xml补上了。

R语言解析XML源代码：
setwd("~/excel/")
library(rvest)
#代码用于《从产品角度学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]))