最近看我老婆经常加班，工作辛苦，实在于心不忍，于是就了解了一下她的工作内容。

原来她经常要花好几个小时，从数十个甚至数百个Excel文件里提取数据，整理成文档，而这些Excel都是一些根据模板文档填写内容的报告，也就是格式都相同的，只是每个内容不同而已。

这种批量重复的工作，人工效率很低，最适合程序来跑了。

于是，我就帮我老婆写了个小程序，顺便把过程记录下来，作为一个Java爬取Excel的入门教程，分享给大家。

起初，我使用的Java库是jxl，它一个比较常用的Excel处理库。但是我发现文件夹里虽然给的是格式文档，里面内容基本是一样的，但是由于被不同的人保存后，存在部分人把文档格式由xls改成了xlsx，而jxl比较古老，只支持xls文档的处理，出于对兼容性的考虑，我放弃了jxl，采用poi来处理这些文档。

net.sourceforge.jexcelapi

jxl

2.6

jxl2.6是一个比较稳定的版本，也是我常用的一个版本。下面是poi的版本，我起初就是随便百度的，用的3.15版本，但是发现和jdk10有一些不兼容的地方，后来又试了4.1.2最新的版本，但是神奇的是怎么也找不到要用的类。

几经周折，我最后选用了网上公认最稳定的版本3.9，不同的版本之间还是有很多差异化，以我的个人体验来说，都不是特别完善，比如3.15版本有获取全部分页的函数，3.9版本反而没有了，4.1.2又有了。不过这个不重要，可以自己重写一个方法就可以获得指定分页。

org.apache.poi

poi

3.9

org.apache.poi

poi-ooxml

3.9

第一步，在pom里加入版本依赖，现在基本都是Maven快速开发了，如果你还没有Maven，那就只能自己下载到自己的lib库里了。

第二步，获得Excel文件，并转化成文件流，以此来获得workbook。这个rwb可以理解为整个Excel对象。

val fis = FileInputStream(file)

// xlsx文件处理

val rwb = if (file.name.contains(".xlsx")) {

XSSFWorkbook(fis)

}

// 普通xls格式文件

else {

HSSFWorkbook(fis)

}

第三步，根据分页特征，获得指定分页，比如含有“立项书”字样，因为原生的函数并不具备这个功能，原生函数只能获得“立项书”分页，不能获得例如“项目立项书”等其他含有关键字的分页。

image.png

于是我就自己写了一个函数，来获取含有指定特征分页列表。

/**

* 获取含有特征的分页

*/

fun getSheetsByKeyword(rwb: Workbook, keyword: String): List {

return (1..rwb.numberOfSheets).map { rwb.getSheetAt(it - 1) }.filter { sheet -> sheet.sheetName.contains(keyword) }

}

不得不说，kotlin真的强大，这么复杂的操作，一句话就搞定了，把效率和代码的简洁优雅发挥到了极致，如果换成传统的Java来写，代码要更臃肿的多。

拿到需要爬取数据的分页后，就是简单的提取数据了，一般最简单的操作就是指定格子提取数据。

比如提取G4的数据，那转换成代码就是row: 3, column: 6，因为数据都是从0开始计数，由于sheet里也没有了以前直接提取坐标数据的函数，改成了分两步提取，先获得行，在获取指定列数据。同时需要注意一点，Excel数据单元格类型一定要区分，不然读取数据会报错。

// 获得G4数据

sheet.getRow(3).getCell(6).let {

when (it.cellType) {

Cell.CELL_TYPE_STRING -> println(it.stringCellValue)

Cell.CELL_TYPE_NUMERIC -> println(it.numericCellValue)

}

}

如果只有一个两个数据，直接写代码是很简单的，如果是十几个，甚至数百个数据，如果全用代码维护起来也不容易，一方面冗余代码非常多，一方面破坏了代码的开闭原则，因为我们后期要尽量不通过修改代码来达到需求修改的目的。

所以我把指定格子这部分代码提取出来，作为一个配置来引入。

我先简单做个示范，比较偷懒的方法是指定一个Map，当然最好是用配置文件来导入，这样就不用动代码了，但是导入后的原理是一样。这个Map定义了导出后每个标题对应的格子坐标。

/**

* 指定读取单元格位置

*/

val cellMap = mapOf(

"项目名称" to Pair(3, 6), // G4

"项目经理" to Pair(5, 8), // I6

"立项时间" to Pair(3, 4), // E4

"入场时间" to Pair(14, 0), // A15

"项目周期" to Pair(14, 2), // C15

"计划工作量" to Pair(25, 2), // C26

"策划" to Pair(16, 1), // B17

"需求" to Pair(17, 1), // B18

"设计" to Pair(18, 1), // B19

"编码" to Pair(19, 1), // B20

"测试" to Pair(20, 1), // B21

"上线" to Pair(21, 1), // B22

"验收" to Pair(22, 1), // B23

"维保" to Pair(23, 1) // B24

)

Ok，假设有这样一个Map之后，就可以根据坐标去捕捉数据了，这样后期维护多一个坐标，少一个坐标，都不会影响代码的稳定性。

cellMap.forEach { cellPos ->

val key = cellPos.key

val row = cellPos.value.first

val column = cellPos.value.second

sheet.getRow(row).getCell(column).let {

when (it.cellType) {

Cell.CELL_TYPE_STRING -> resultMap[key] = it.stringCellValue

Cell.CELL_TYPE_NUMERIC -> resultMap[key] = it.numericCellValue

}

}

}

这样就可以爬取到Excel大部分的数据了。

值得注意的一点，Excel的单元格如果是日期，爬取后则会变成数字，需要在写入后对单元格进行格式设置，才会重新变成日期。这是因为Excel的机制引起的，保存的日期其实是指定时间到这个日期的天数，所以是数字，一开始都给我搞蒙了，一直以为导错了数据。