[從產品角度學EXCEL 02]-EXCEL里的樹形結構

前言請看：

0 為什么要關注Excel的本質

1 excel是怎樣運作的

本文僅由尾巴本人發布于特定網站。不接受任何無授權轉載，如需轉載，請先聯系我，非常感謝。

2 Excel里的樹形結構

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

還記得上一個章節里，我們對一個excel文件解壓縮后，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，并給每一層都打了個標簽，讓xml解析器可以快速定位信息的內容。而每一層以及每一個底部的節點，都是這些信息的一個分類屬性。我們了解了它們的屬性和層級，也就了解這顆結構樹長成什么樣子。

正因為xml的結構與層級是如此重要，在進一步講單元格之前，我們很有必要先剖析看看excel xml樹的結構，從大體上再來理解一下excel儲存文件的方式。

需要注意的是，這一章節大概是整個系列里涉及最多編程的章節了。如果各位對編程不是特別感興趣，可以先跳過這一節，去看后面的內容。不過按照我個人的經驗來說，不管你是用excel做一些簡單的數據處理，還是想要在數據分析行業里走得穩妥一些，了解了解編程，只會有好處而沒有壞處。尤其是編程的一些思想，如妥善地設計接口，分隔各個功能塊等，即使你用excel處理數據，這些也對你十分有好處。

言歸正傳吧。我們回過頭來再看看excel解壓縮以后的xml文件。

讓我們隨意打開一個xml文件，一串串密密麻麻的字符就這樣跳了出來。

對于不熟悉xml架構的人來說，我們只會看到眼花繚亂的括號，等號，引號。但是如果你對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。

對于xml來說，每一個層級都是由<標簽 屬性=ABC>內容信息</標簽>構成的。有的內容信息里又會再次嵌套一層標簽層級，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復雜，卻是層次分明的xml樹。人們只要定位到某一個枝葉，就可以迅速把這個枝葉下的特定信息取出來。而要搞懂這棵xml樹長什么樣子，首先就要搞懂說這棵樹是有哪些層級，各個層級叫什么，有什么內容。

但是各位再回顧看看上面的截圖，一長串一長串的代碼，你當然可以一個個去判斷說，啊，根標簽從worksheet開始，下面有selection層級，有f層級等等，但是這樣子做，不僅低效，而且會有遺漏。

請各位在學習excel時，隨時記住一個原則，那就是可以不要手工去做的事情，就不要手工去做。寧愿自己腦子廢點腦力構思最優方法，也不要直接就開始機械的作業。

那么，在這里，面臨這個要人工一個個看標簽的艱巨任務時，我們該如何是好呢？

在這里跟大家再普及一個概念的是，xml嘛，除了微軟在用于office系列文檔儲存格式以外，它還廣泛應用于各種網頁設計領域。而在網頁獲取信息這一塊，我們天然有很多工具可以通過讀取html或者xml源代碼，解析它們的結構，進行數據提取工作（高級點叫法即網絡爬蟲）

所以對于這里的excel xml源文件，我們自然可以應用各種爬蟲工具，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，可以直接把xml文件的標簽層次給讀出來，而 xml_nodes/xml_attr等，又可以把里面特定的標簽內容給分層讀出來。那么寫一段代碼，幫我把excel的xml源文件里的層級與內容弄出 來，那就省了我很大的心力啦^^

因為R語言代碼并不是我們的重點，所以我把源代碼放在文章末尾的擴展閱讀里了，有需要的可以去看看，也可以用其他語言寫寫。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作效率。要用好工具而不是被工具玩，是我希望在這系列excel教程里告訴大家的一個點。

那么言歸正傳。請各位看看下面這個用R語言跑出來的csv文件截圖。

左列是我們的標簽名，右列是我們標簽里面包含的文本。通過這個文件，我們就可以很容易知道各個標簽里存放了什么文本信息。我們會發現row下面是一串串的c/v/f。而c與v的信息幾乎完全一樣。

另外，在r里，我們可以通過xml_structure輸出xml文件的結構。這兩個結合起來，我為各位繪制了一張sheet1.xml的樹形結構圖：

各位可以看到，在worksheet文件夾里的sheet1.xml，是在sheetdata里按照row為標簽層級，存放了若干行的數據。而行又以 c（cell)為導向，存放了單元格的v (value)和f(函數）。有多少行，在sheet1.xml里就有多少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這個文件夾里，數字是直接存在各個sheetxxx.xml里的，而字符類文本，卻是單獨存放在外面的SharedString.xml里。

嘿嘿，數字和文本的存放格式不一樣，各位想到了什么？有沒有虎軀一震，想到了excel里因為數字和文本的不同，帶來的各種不便？

在前面啰嗦完為什么要寫這個系列，以及excel是怎么工作以后，我們終于把拼圖最重要的一塊——解讀xml補上了。

R語言解析XML源代碼：
setwd("~/excel/")
library(rvest)
#代碼用于《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]))